UAV gedimų aptikimas taikant stebimąjį mašininį mokymąsi ir realius skrydžių duomenis
Steckis, Edgaras | Recenzentas / Rewiewer |
Darbo gynimo komisijos pirmininkas / Thesis Defence Board Chairman | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member |
Baigiamajame magistro darbe nagrinėjami autonominių bepiločių orlaivių (toliau - UAV) gedimų aptikimo būdai iš dalies universaliam UAV gedimų aptikimo realiuoju laiku modeliui. Bepiločių orlaivių incidentai yra dažniausiai lemiami techninės įrangos gedimų, todėl UAV patikimumo didinimas yra aktuali problema. Daugelis UAV gedimų aptikimo būdų yra pritaikyti tik konkrečiam UAV modeliui/tipui arba reikalauja papildomos techninės/programinės įrangos. Darbe išnagrinėti ir palyginti UAV gedimų tipai, gedimų aptikimo metodų kategorijos. Pateiktas naujas, iš dalies universalus modulis UAV gedimams aptikti realiuoju laiku. Šiam tikslui yra parenkamas prižiūrimojo mašininio mokymosi (MM) metodas, taikant tiesinį ir netiesinį atraminių vektorių klasifikatoriaus (angl. Support Vector Machines, SVM) algoritmus, mokymą vykdant naudojantis realiais skrydžių duomenimis iš UAV su Pixhawk skrydžių valdiklio ir Ardupilot autopiloto konfigūracija. Realių skrydžių duomenų iš UAV su dažnai naudojama konfigūracija panaudojimas užtikrina gedimų aptikimo modelio universalumą bei pritaikomumą realaus skrydžio metu. Ištirtas MM gedimų aptikimo modelio tikslumo rodiklių pasikeitimas didėjant skrydžio duomenų kiekiui, rodikliai palyginami su kitų autorių gaunamais rezultatais. Išnagrinėjus gedimų aptikimo modelio tikslumą, pateikiamos baigiamojo darbo išvados ir rekomendacijos tolesniems tyrimams.Darbą sudaro 6 dalys: įvadas, literatūros analizė, tyrimo metodikos sudarymas, tyrimo vykdymas ir rezultatai, išvados ir siūlymai, literatūros sąrašas. Darbo apimtis - 71 p. teksto be priedų, 34 iliustracijos, 10 lentelių, 83 bibliografiniai šaltiniai. Atskirai pridedami darbo priedai.
The master's thesis examines the methods for detecting faults in autonomous unmanned aerial vehicles (UAVs), with a focus on developing a partially universal real-time fault detection model for UAVs. Incidents involving unmanned aerial vehicles are most often caused by errors of technical equipment, making the enhancement of UAV reliability a relevant issue. Many UAV malfunction detection methods are specifically tailored to a particular UAV model/type or require additional technical equipment or software. This study analyzes and compares types of UAV faults as well as fault detection method categories. A novel, partially universal module for real-time UAV malfunction detection is proposed. To achieve this objective, a supervised Machine Learning (ML) approach is employed, utilizing linear and nonlinear Support Vector Machines (SVM), with ML training conducted using real flight data from an UAV, using Pixhawk flight controller and Ardupilot autopilot configuration. The utilization of real flight data from an UAV with a commonly used UAV configuration ensures the universality and adaptability of the proposed fault detection model during real flight operations, in real time. The change in accuracy indicators of the ML fault detection model is investigated as the quantity of flight data increases, and these indicators are compared with results obtained by other authors. Following an analysis of the accuracy of the fault detection model, conclusions and recommendations for future research are presented in the final part of the thesis.Structure: introduction, literature analysis, research methodology development, research conduction with results, conclusions and suggestions, references. Thesis consists of: 71 p. text without appendixes, 34 pictures, 10 tables, 83 bibliographical entries. Appendixes included.