[論文レビュー] Machine Learning for UAV Propeller Fault Detection based on a Hybrid Data Generation Model

Jianheng Tong, Wěi Zhāng+3 more|arXiv (Cornell University)|Feb 3, 2023

Advanced Measurement and Detection Methods被引用数 6

ひとこと要約

本論文では、物理ベースのドローン運動モデルとデータ駆動型LSTMネットワークを組み合わせたハイブリッドデータ生成モデルを提案し、マルチローターの故障プロペラ挙動をシミュレートすることで、実飛行データを用いたCNNベースの故障分類器の訓練を可能にした。この分類器は、故障の位置と深刻度を識別する際、80%以上の精度を達成した。シミュレーションから実データへの転送による検証が行われた。

ABSTRACT

This paper describes the development of an on-board data-driven system that can monitor and localize the fault in a quadrotor unmanned aerial vehicle (UAV) and at the same time, evaluate the degree of damage of the fault under real scenarios. To achieve offline training data generation, a hybrid approach is proposed for the development of a virtual data-generative model using a combination of data-driven models as well as well-established dynamic models that describe the kinematics of the UAV. To effectively represent the drop in performance of a faulty propeller, a variation of the deep neural network, a LSTM network is proposed. With the RPM of the propeller as input and based on the fault condition of the propeller, the proposed propeller model estimates the resultant torque and thrust. Then, flight datasets of the UAV under various fault scenarios are generated via simulation using the developed data-generative model. Lastly, a fault classifier using a CNN model is proposed to identify as well as evaluate the degree of damage to the damaged propeller. The scope of this paper focuses on the identification of faulty propellers and classification of the fault level for quadrotor UAVs using RPM as well as flight data. Doing so allows for early minor fault detection to prevent serious faults from occurring if the fault is left unrepaired. To further validate the workability of this approach outside of simulation, a real-flight test is conducted indoors. The real flight data is collected and a simulation to real sim-real test is conducted. Due to the imperfections in the build of our experimental UAV, a slight calibration approach to our simulation model is further proposed and the experimental results obtained show that our trained model can identify the location of propeller fault as well as the degree/type of damage. Currently, the diagnosis accuracy on the testing set is over 80%.

研究の動機と目的

• マルチローターUAVにおけるプロペラ故障の即時の監視と局所化を実現する、オンボードでデータ駆動型のシステムを開発すること。
• UAVにおける実際の故障データの不足に応じ、ハイブリッドシミュレーションモデルを用いて合成された故障シナリオを生成すること。
• 深刻な故障を防ぐために、微小なプロペラ故障の早期検出を可能にすること。
• シミュレーションから実データへの転送フレームワークを用いて、実飛行データを用いて故障検出システムを検証すること。
• 飛行データおよびRPMデータを用いて、故障の深刻度レベル（例：軽度、中程度、重度）を分類すること。

提案手法

• ハイブリッドデータ生成モデルは、物理ベースのUAV運動学的モデルとデータ駆動型LSTMネットワークを統合し、プロペラ故障ダイナミクスをシミュレートする。
• LSTMモデルは、入力となるRPMと故障状態に基づき、推力とトルクの出力を予測し、性能劣化をシミュレートする。
• ハイブリッドモデルを用いたシミュレーションにより、さまざまな故障シナリオにおける飛行データセットが生成される。
• シミュレートされたデータを用いて、CNNベースの故障分類器が訓練され、故障の種別と深刻度レベルの分類が可能になる。
• 実屋内飛行データを用いたシミュレーションから実データへの転送テストが実施され、ハードウェアの不具合を補正するためのモデルキャリブレーションが適用された。
• 故障検出と深刻度評価のための入力として、RPMおよび飛行状態データが使用される。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッドデータ生成モデルは、マルチローターUAVにおける現実的なプロペラ故障シナリオを効果的にシミュレートできるか？
• RQ2 LSTMベースのモデルは、さまざまな故障状態下で推力とトルクの劣化を正確に予測できるか？
• RQ3 シミュレートされたデータで訓練されたCNN分類器は、実世界の飛行データに対して故障検出の一般化が可能か？
• RQ4 このシステムは、実飛行シナリオにおいて故障の深刻度レベル（例：軽度、中程度、重度）をどの程度正確に分類できるか？
• RQ5 ハードウェアの不具合がある状況でも、シミュレーションから実データへの転送アプローチは、検出精度を維持するのにどの程度効果的か？

主な発見

• ハイブリッドデータ生成モデルは、物理的UAVモデルと学習されたLSTM行動を組み合わせることで、現実的なプロペラ故障ダイナミクスを効果的にシミュレートした。
• LSTMモデルは、故障状態下でのRPMとそれに伴う推力・トルクの関係を効果的に捉えた。
• シミュレートされたデータで訓練されたCNNベースの故障分類器は、テストセットで80%以上の診断精度を達成した。
• 実飛行データの検証により、訓練されたモデルが故障の位置と種別を正しく同定できることを示した。
• シミュレーションモデルのキャリブレーションステップにより、シミュレーションから実飛行データへの転送時の性能が顕著に向上した。
• このシステムにより、微小な故障の早期検出が可能となり、予防保守とUAVの安全性向上が支援された。