Применение методов машинного обучения для локализации отказов датчиков квадрокоптера

Рассматривается задача локализации отказов датчиков (акселерометра и гироскопа) беспилотного летательного аппарата типа „квадрокоптер“. Разработан алгоритм, обеспечивающий возможность детектирования и классификации отказов датчиков квадрокоптера с помощью методов машинного обучения. Для решения задачи использованы следующие методы машинного обучения: логистическая регрессия, метод случайного леса, LASSO и гребневая регрессии, а также эластичная сеть. Экспериментальные результаты, полученные в ходе компьютерного моделирования, подтверждают работоспособность предложенного алгоритма. Проведен сравнительный анализ используемых методов машинного обучения.

1. Козлов Д. С., Тюменцев Ю. В. Нейросетевые методы обнаружения отказов датчиков и приводов летательного аппарата // Труды МАИ. 2012. Вып. 52.

2. Lee D., Burg T., Dawson D., Shu D., Xian B., and Tatlicioglu E. Robust tracking control of an underactuated quadrotor aerial-robot based on a parametric uncertain model // IEEE Intern. Conf. on Systems, Man and Cybernetics (SMC 2009). 2009. P. 3187—3192.

3. Пыркин А. А., Мальцева Т. А., Лабадин Д. В., Суров М. О., Бобцов А. А. Синтез системы управления квадрокоптером с использованием упрощенной математической модели // Изв. вузов. Приборостроение. 2013. Т. 56, № 4. С. 47—51.

4. Patan K. Artificial neural networks for the modeling and fault diagnosis of technical processes // Lecture Notes in Control and Information Sciences. Vol. 377. Berlin: Springer-Verlag, 2008. 206 p.

5. Blanke M. et al. Diagnosis and fault-tolerant control. Berlin: Springer-Verlag, 2006. 672 p.

6. Sobhani-Tehrani E., Khorasani K. Fault diagnosis of nonlinear systems using a hybrid approach // Lecture Notes in Control and Information Sciences. Vol. 383. NY: Springer-Verlag, 2009. 265 p.

7. Шаханов Н. И., Варфоломеев И. А., Юдина О. В., Ершов Е. В. Прогнозирование аномалий в работе натяжных устройств агрегата полимерных покрытий металла в условиях малого количества отказов // Программные продукты и среды. 2018. № 1(36). С. 212—217. DOI:10.15827/0236-235X.121.212-217.

8. Mian A. A., and Wang D. B. Dynamic modeling and nonlinear control strategy for an underactuated quad rotor rotorcraft // Journal of Zhejiang University Science A. 2008. Vol. 9, N 4. Р. 539—545.

9. Min B. C., Cho C. H., Choi K. M. & Kim D. H. Development of a micro quad-rotor UAV for monitoring an Indoor environment // Part of the Lecture Notes in Computer Science book series. Vol. 5744. Advances in Robotics. P. 262—271.

10. Tayebi A. and McGilvray S. Attitude stabilization of a VTOL quadrotor aircraft // IEEE Transactions on Control Systems Technology. 2006. Vol. 14, N 3. Р. 562—571.

11. Жерон О. Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow: концепции, инструменты и техники для создания интеллектуальных схем. М.: Вильямс, 2018. 187—189 с.

12. Chen J. and Patton R. J. Model-Based Fault Diagnosis for Dynamic Systems. Kluwer Academic Publishers, 1999. 356 p.

13. Wei W. DC Motor Parameter Identification Using Speed Step Responses // Proc. of the 2010 American Control Conf. 2010. P. 1937—1941.

14. Мельник М. Основы прикладной статистики. М.: Энергоатомиздат, 1983. 416 с.