Detekcja uszkodzeń jednostek napędowych w trakcie lotu bezzałogowego statku powietrznego
[ 1 ] Wydział Automatyki, Robotyki i Elektrotechniki, Politechnika Poznańska | [ SzD ] doctoral school student
[ 1 ] Instytut Robotyki i Inteligencji Maszynowej, Wydział Automatyki, Robotyki i Elektrotechniki, Politechnika Poznańska | [ P ] employee
EN Fault detection of unmanned aerial vehicle propulsion units during flight
polish
- diagnostyka
- BSP
- mikrokontroler
- SSN
- uszkodzenia
- diagnosis
- UAV
- microcontroller
- ANN
- faults
PL Wraz ze wzrostem liczby bezzałogowych statków powietrznych (BSP) rośnie ryzyko incydentów wynikających z uszkodzeń układów napędowych. Szczególnie narażone są śmigła, których kondycja wpływa na bezpieczeństwo lotów. Rozprawa dotyczy diagnostyki śmigieł wielowirnikowców, prowadzonej automatycznie podczas lotu. Autor udowadnia, że diagnostyka w czasie rzeczywistym jest możliwa dzięki metodom uczenia maszynowego i przetwarzania danych w mikrokontrolerze pokładowym. Opracowano niezależny system akwizycji danych sensorycznych, zebrano pomiary podczas eksperymentalnych lotów i przygotowano klasyfikatory uszkodzeń oparte na sztucznych sieciach neuronowych. Badano różne czujniki i ich kombinacje, a modele umożliwiały klasyfikację uszkodzeń z wysoką dokładnością, również w czasie rzeczywistym. Zaprezentowano nowe wskaźniki oceny jakości klasyfikatorów, uwzględniające dokładność, liczbę klas i czas przetwarzania. Eksperymenty potwierdziły skuteczność metod w diagnostyce uszkodzeń śmigieł BSP.
EN As the use of unmanned aerial vehicles (UAVs) grows, so does the risk of incidents due to faults, particularly in propellers, which impact flight safety. This dissertation focuses on automated diagnostics of multi-rotorcraft propellers during flight. Research demonstrates that real-time diagnostics is achievable using machine learning and on-board microcontroller data processing. A sensory data acquisition system was developed, and measurements from experimental flights were used to train fault classifiers based on artificial neural networks. Various sensors and combinations were tested, achieving high fault classification accuracy in real time. New indicators were proposed to evaluate classifiers, considering accuracy, class count, and processing time. Experiments confirmed the effectiveness of these methods in diagnosing UAV propeller faults.
158
automation, electronics, electrical engineering and space technologies
public
Damian Grzechca
Gliwice, Polska
28.03.2025
polish
public
Aleksandra Kawala-Sterniuk
Wrocław, Polska
05.05.2025
polish
public
Marcin Witczak
Zielona Góra, Polska
27.03.2025
polish
public
dissertation before defense
Poznań, Polska
11.06.2025