Διάγνωση βλαβών σε εναέριο μη επανδρωμένο όχημα με στατιστικές μεθόδους χρονοσειρών
Στην παρούσα διπλωματική εργασία εξετάζεται η διάγνωση βλαβών σε έλικα τετρακόπτερου (quadcopter) μη επανδρωμένου ιπτάμενου οχήματος (Unmanned Aerial Vehicle, U.A.V.) με χρήση στοχαστικών σημάτων ταλάντωσης μετρούμενα από αισθητήριο του οχήματος. Περιλαμβάνεται η ανίχνευση και η αναγνώριση (χαρακτηρ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2023
|
| Θέματα: | |
| Διαθέσιμο Online: | https://hdl.handle.net/10889/24833 |
| id |
nemertes-10889-24833 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Μη επανδρωμένα εναέρια οχήματα Ανίχνευση βλαβών Έλικα εναερίου οχήματος Τετρακόπτερα Αναγνώριση βλαβών Στατιστικές μέθοδοι χρονοσειρών Unmanned aerial vehicles Damage detection Damage classification Quadcopters Statistical time series methods Propeller |
| spellingShingle |
Μη επανδρωμένα εναέρια οχήματα Ανίχνευση βλαβών Έλικα εναερίου οχήματος Τετρακόπτερα Αναγνώριση βλαβών Στατιστικές μέθοδοι χρονοσειρών Unmanned aerial vehicles Damage detection Damage classification Quadcopters Statistical time series methods Propeller Πάτρας, Σπυρίδων Διάγνωση βλαβών σε εναέριο μη επανδρωμένο όχημα με στατιστικές μεθόδους χρονοσειρών |
| description |
Στην παρούσα διπλωματική εργασία εξετάζεται η διάγνωση βλαβών σε έλικα τετρακόπτερου (quadcopter) μη επανδρωμένου ιπτάμενου οχήματος (Unmanned Aerial Vehicle, U.A.V.) με χρήση στοχαστικών σημάτων ταλάντωσης μετρούμενα από αισθητήριο του οχήματος. Περιλαμβάνεται η ανίχνευση και η αναγνώριση (χαρακτηρισμός) της σημαντικότητας περιορισμένης έκτασης βλαβών 5 συνήθων σεναρίων βλάβης σε έναν έλικα του οχήματος, με στατιστικές μεθόδους χρονοσειρών τύπου μηχανικής μάθησης. Πραγματοποιούνται συνολικά 130 πειράματα, 30 με το υγιές όχημα και 20 για το εκάστοτε σενάριο βλάβης, όπου σε κάθε πείραμα λαμβάνεται ένα σήμα απόκρισης επιτάχυνσης στην κάθετη διεύθυνση του οχήματος υπό συνθήκες αιώρησης (hovering). Η ανίχνευση βλάβης επιχειρείται μέσω τεσσάρων μη επιβλεπόμενων (unsupervised) μεθόδων χρονοσειρών βάσει: (i) του Φάσματος Ισχύος (Power Spectral Density, PSD) των μετρήσεων, το οποίο εκτιμάται κατά Welch, (ii) των παραμέτρων μοντέλων Αυτοπαλινδρόμησης AR (μέθοδος AR-P), (iii) της διασποράς των υπολοίπων μοντέλων AR (μέθοδος AR-RV) και (iv) της λευκότητας των υπολοίπων μοντέλων AR (μέθοδος AR-RU). Δεδομένου ότι ορισμένοι τύποι βλαβών επηρεάζουν κατά παρόμοιο τρόπο την δυναμική του οχήματος και συνεπώς δεν υπάρχει σαφής διαχωρισμός μεταξύ τους, επιχειρείται χαρακτηρισμός αυτών βάσει μεθόδων που χρησιμοποιούν Πολλαπλά Στοχαστικά Μοντέλα οι οποίες καλούνται ως μέθοδοι Πολλαπλών Μοντέλων (Multiple Models, ΜΜ). Συγκεκριμένα εφαρμόζονται οι εξής MM μέθοδοι: (i) η MM-PSD βάσει εκτιμήτριας Welch, (ii) οι MM-AR-P και ΜΜ-ARMA-P βάσει των παραμέτρων μοντέλων ΑR αλλά και μοντέλων Αυτοπαλινδρόμησης Κινητού Μέσου όρου (Autoregressive Moving Average, ARMA), (iii) η MM-PCA-AR στην οποία μειώνεται το διάνυσμα παραμέτρων της MM-AR με ανάλυση κύριων συνιστωσών (Principal Component Analysis, PCA), (iv) οι ΜΜ-AR-RV και MM-ARMA-RV βάσει της διασποράς των υπολοίπων των αντίστοιχων μοντέλων και (v) οι ΜΜ-AR-RU και MM-ARMA-RU βάσει της λευκότητας των υπολοίπων των μοντέλων. Τα αποτελέσματα της ανίχνευσης βλαβών, παρουσιάζονται μέσω καμπυλών ROC (Receiving Operator Characteristic) υποδεικνύοντας τη συνολική υπεροχή της AR-RU η οποία επιτυγχάνει 100% ανίχνευση για 0% ψευδο-συναγερμούς (false alarms) σε όλα τα σενάρια βλάβης. Για την αναγνώριση βλαβών, η απόδοση της κάθε μεθόδου κρίνεται βάσει Πινάκων Σύγχυσης (confusion matrices) και τα αποτελέσματα υποδεικνύουν ότι τον υψηλότερο ποσοστό ορθής αναγνώρισης βλάβης παρουσιάζει η ΜΜ-PSD, ενώ ικανοποιητικά αποτελέσματα προκύπτουν και μέσω της ΜΜ-ARMA-RU. |
| author2 |
Patras, Spyridon |
| author_facet |
Patras, Spyridon Πάτρας, Σπυρίδων |
| author |
Πάτρας, Σπυρίδων |
| author_sort |
Πάτρας, Σπυρίδων |
| title |
Διάγνωση βλαβών σε εναέριο μη επανδρωμένο όχημα με στατιστικές μεθόδους χρονοσειρών |
| title_short |
Διάγνωση βλαβών σε εναέριο μη επανδρωμένο όχημα με στατιστικές μεθόδους χρονοσειρών |
| title_full |
Διάγνωση βλαβών σε εναέριο μη επανδρωμένο όχημα με στατιστικές μεθόδους χρονοσειρών |
| title_fullStr |
Διάγνωση βλαβών σε εναέριο μη επανδρωμένο όχημα με στατιστικές μεθόδους χρονοσειρών |
| title_full_unstemmed |
Διάγνωση βλαβών σε εναέριο μη επανδρωμένο όχημα με στατιστικές μεθόδους χρονοσειρών |
| title_sort |
διάγνωση βλαβών σε εναέριο μη επανδρωμένο όχημα με στατιστικές μεθόδους χρονοσειρών |
| publishDate |
2023 |
| url |
https://hdl.handle.net/10889/24833 |
| work_keys_str_mv |
AT patrasspyridōn diagnōsēblabōnseenaeriomēepandrōmenoochēmamestatistikesmethodouschronoseirōn AT patrasspyridōn faultdiagnosisinanunmannedaerialvehiclebasedonstatisticaltimeseriesmethods |
| _version_ |
1771297249582645248 |
| spelling |
nemertes-10889-248332023-03-16T04:36:51Z Διάγνωση βλαβών σε εναέριο μη επανδρωμένο όχημα με στατιστικές μεθόδους χρονοσειρών Fault diagnosis in an unmanned aerial vehicle based on statistical time series methods Πάτρας, Σπυρίδων Patras, Spyridon Μη επανδρωμένα εναέρια οχήματα Ανίχνευση βλαβών Έλικα εναερίου οχήματος Τετρακόπτερα Αναγνώριση βλαβών Στατιστικές μέθοδοι χρονοσειρών Unmanned aerial vehicles Damage detection Damage classification Quadcopters Statistical time series methods Propeller Στην παρούσα διπλωματική εργασία εξετάζεται η διάγνωση βλαβών σε έλικα τετρακόπτερου (quadcopter) μη επανδρωμένου ιπτάμενου οχήματος (Unmanned Aerial Vehicle, U.A.V.) με χρήση στοχαστικών σημάτων ταλάντωσης μετρούμενα από αισθητήριο του οχήματος. Περιλαμβάνεται η ανίχνευση και η αναγνώριση (χαρακτηρισμός) της σημαντικότητας περιορισμένης έκτασης βλαβών 5 συνήθων σεναρίων βλάβης σε έναν έλικα του οχήματος, με στατιστικές μεθόδους χρονοσειρών τύπου μηχανικής μάθησης. Πραγματοποιούνται συνολικά 130 πειράματα, 30 με το υγιές όχημα και 20 για το εκάστοτε σενάριο βλάβης, όπου σε κάθε πείραμα λαμβάνεται ένα σήμα απόκρισης επιτάχυνσης στην κάθετη διεύθυνση του οχήματος υπό συνθήκες αιώρησης (hovering). Η ανίχνευση βλάβης επιχειρείται μέσω τεσσάρων μη επιβλεπόμενων (unsupervised) μεθόδων χρονοσειρών βάσει: (i) του Φάσματος Ισχύος (Power Spectral Density, PSD) των μετρήσεων, το οποίο εκτιμάται κατά Welch, (ii) των παραμέτρων μοντέλων Αυτοπαλινδρόμησης AR (μέθοδος AR-P), (iii) της διασποράς των υπολοίπων μοντέλων AR (μέθοδος AR-RV) και (iv) της λευκότητας των υπολοίπων μοντέλων AR (μέθοδος AR-RU). Δεδομένου ότι ορισμένοι τύποι βλαβών επηρεάζουν κατά παρόμοιο τρόπο την δυναμική του οχήματος και συνεπώς δεν υπάρχει σαφής διαχωρισμός μεταξύ τους, επιχειρείται χαρακτηρισμός αυτών βάσει μεθόδων που χρησιμοποιούν Πολλαπλά Στοχαστικά Μοντέλα οι οποίες καλούνται ως μέθοδοι Πολλαπλών Μοντέλων (Multiple Models, ΜΜ). Συγκεκριμένα εφαρμόζονται οι εξής MM μέθοδοι: (i) η MM-PSD βάσει εκτιμήτριας Welch, (ii) οι MM-AR-P και ΜΜ-ARMA-P βάσει των παραμέτρων μοντέλων ΑR αλλά και μοντέλων Αυτοπαλινδρόμησης Κινητού Μέσου όρου (Autoregressive Moving Average, ARMA), (iii) η MM-PCA-AR στην οποία μειώνεται το διάνυσμα παραμέτρων της MM-AR με ανάλυση κύριων συνιστωσών (Principal Component Analysis, PCA), (iv) οι ΜΜ-AR-RV και MM-ARMA-RV βάσει της διασποράς των υπολοίπων των αντίστοιχων μοντέλων και (v) οι ΜΜ-AR-RU και MM-ARMA-RU βάσει της λευκότητας των υπολοίπων των μοντέλων. Τα αποτελέσματα της ανίχνευσης βλαβών, παρουσιάζονται μέσω καμπυλών ROC (Receiving Operator Characteristic) υποδεικνύοντας τη συνολική υπεροχή της AR-RU η οποία επιτυγχάνει 100% ανίχνευση για 0% ψευδο-συναγερμούς (false alarms) σε όλα τα σενάρια βλάβης. Για την αναγνώριση βλαβών, η απόδοση της κάθε μεθόδου κρίνεται βάσει Πινάκων Σύγχυσης (confusion matrices) και τα αποτελέσματα υποδεικνύουν ότι τον υψηλότερο ποσοστό ορθής αναγνώρισης βλάβης παρουσιάζει η ΜΜ-PSD, ενώ ικανοποιητικά αποτελέσματα προκύπτουν και μέσω της ΜΜ-ARMA-RU. The problem of damage diagnosis in the propeller of an unmanned aerial quadcopter vehicle is examined in the present thesis, using on board stochastic vibration signals obtained from an embedded sensor of the vehicle. The damage detection and importance identification (characterization) of 5 typical early-stage damages to one propeller of the vehicle are considered using stochastic methods of machine learning type. 130 experiments are conducted, 30 with the healthy vehicle and 20 for each damage scenario, where one vibration acceleration response signal to the vertical vehicle direction is obtained in each experiment under hovering conditions. Damage detection is attempted via four unsupervised statistical time-series methods based on: (i) the Power Spectral Density (PSD) of the measured signals using Welch estimator, (ii) the parameters of AutoRegressive models (AR-P method), (iii) the residual variance of AR models (AR-V method) and (iii) the residual whiteness of AR models (AR-RU method). Given the fact that specific types of the considered damages affect similarly the vehicle dynamics, damage characterization is attempted based on methods that employ Multiple Stochastic Models, called as Multiple Model (MM) methods. In particular, the following MM methods are used: (i) the MM-PSD based on Welch estimator, (ii) the MM-AR-P and MM-ARMA-P based on the parameters of AR and AutoRegressive Moving Average (ARMA) models, (iii) the MM-PCA-AR according to which the parameter vector of the MM-AR method is reduced via Principal Component Analysis (PCA), (iv) the MM-AR-RV and MM-ARMA-RV based on the residual variance of the corresponding models and (v) the MM-AR-RU and MM-ARMA-RU based on the models residual whiteness. The damage detection results are presented through ROC (Receiving Operator Characteristic) curves indicating the overall superiority of the AR-RU method that achieves 100% correct detection for 0% of false alarms for all considered damage scenarios. The assessment of each method in damage identification is performed via Confusion Matrices and the results illustrate that the MM-PSD method achieves the highest percentage of correct identification, while adequate results are obtained via the MM-ARMA-RU method. 2023-03-15T09:12:01Z 2023-03-15T09:12:01Z 2023-03-14 https://hdl.handle.net/10889/24833 el application/pdf |
