Fault detection and diagnosis system considering aerodynamic effects for unmanned aerial vehicles.

• Ano de defesa: 2023
• Autor(a) principal: MADRUGA, Sarah Pontes.
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Campina Grande; Brasil; Centro de Engenharia Elétrica e Informática - CEEI; PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA; UFCG
• Palavras-chave em Português: Quadricóptero; VANT; Batimento das pás das hélices; Rede neural; Detecção e diagnóstico de falhas; Quadrotor; UAV; Blade flapping; Control allocation; Neural network; Fault detection and diagnosis; Cuadricóptero; Hélice batiendo; Red neuronal; Detección y diagnóstico de fallas; Quadricoptère; Pales d'hélice battantes; Réseau de neurones; Détection et diagnostic de pannes; Engenharia elétrica.
• Link de acesso: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/31473

O controle de atitude em quadricópteros usualmente não considera a possibilidade de perda de effetividade no atuator, tornando-se ineficiente para operar em certas condições. os algoritmos de Detecção e Diagnóstico de Falhas (FDD) disponíveis na literatura não levam em consideração a presença de efeitos aerodinâmicos como batimento das pás das hélices (blade flapping) e a força de arrasto induzida (induced drag), que prejudicam o desempenho de voo. A atenuação na velocidade de rotação dos motores causada por estes efeitos pode inclusive ser confundida por uma falha de perda de efetividade. Assim, é oportuno ter um FDD que é capaz de considerar esses efeitos. Sistemas de controle de quadricópteros como um todo tendem a negligenciar a presenca desses efeitos aerodinâmicos. Esta tese propõe, primeiramente, que estes efeitos podem ser compensados na alocação de controle, usando uma function-fitting neural network como uma ferramenta que substitui uma matriz de alocação clássica. O treino da rede é feito offline, economizando poder computacional. O sistema alvo é um drone PARROT Mambo. Este quadricóptero é particularmente susceptível aos efeitos aerodinâmicos de interesse desta tese, dado o seu tamanho reduzido. Neste sentido, quando comparam-se os comandos enviados pelo controlador, que devem ser seguidos pelos atuadores, com os conjugados mecânicos gerados por eles, o uso da rede neural proposta torna possível diminuir o erro de alocação. Ou seja, os atuadores executam o esforço de controle apropriado pedido pelo controlador, enquanto a matriz de alocação clássica não consegue atingir o mesmo desempenho. Além disso, o comportamento de malha fechada também foi melhorado com o uso da nova alocação de controle (NNCA), bem como a qualidade dos sinais de torque e empuxo, nos quais perceberam-se comportamentos mais suaves e menos ruidosos. A fim de manter a coerência com a inclusão da modelagem dos efeitos aerodinâmicos no sistema por meio da NNCA, estas equações também foram incluídas da formulação do FDD. O novo sistema de detecção de falhas é baseado em um EKF de ordem reduzida tolerante a efeitos aerodinâmicos (ROEKF-TAE), capaz de detectar falhas de perda de efetividade (LOE) em mais de um atuador simultaneamente. Com este objetivo, introduziu-se na formulação do estimador de falhas um modelo do quadricóptero que inclui as equações ii dos efeitos aerodinâmicos pertinentes. A NNCA previamente desenvolvida também foi utilizada em todas as simulações computacionais e experimentos de voo do FDD. Os testes de voo para esta nova abordagem de FDD foram realizados utilizando o mesmo mini drone PARROT mambo. Compararam-se os resultados do ROEKF-TAE proposto com os do EKF tradicional e com os de uma solução do estado da arte que utiliza um filtro de Kalman adaptativo. O ROEKF-TAE foi capaz de distinguir melhor entre os efeitos da falha de fato e aqueles que era interferência do blade flapping. Ainda, ele tem melhor precisão ao diferenciar os atuadores defeituosos dos saudáveis.