priborИзвестия высших учебных заведений. ПриборостроениеJournal of Instrument Engineering0021-34542500-0381Национальный исследовательский университет ИТМО10.17586/0021-3454-2023-66-2-125-130pribor-109Research ArticleИНФОРМАЦИОННО-ИЗМЕРИТЕЛЬНЫЕ И УПРАВЛЯЮЩИЕ СИСТЕМЫINFORMATION-MEASURING AND CONTROL SYSTEMSПрименение методов машинного обучения для локализации отказов датчиков квадрокоптераApplication of Machine Learning Methods to Localize Quadcopter Sensor FailuresКимС. А.KimA. A.

Станислав Александрович Ким — аспирант; факультет систем управления и робототехники

Санкт-Петербург

Stanislav A. Kim — Post-Graduate Student; Faculty of Control Systems and Robotics

St. Petersburg

skimitmo@gmail.comМаргунА. А.MargynA. A.

Алексей Анатольевич Маргун — канд. техн. наук, доцент; факультет систем управления и робототехники

Санкт-Петербург

 

Alexey A. Margun — PhD, Associate Professor; Faculty of Control Systems and Robotics

St. Petersburg

aamargun@itmo.ruПыркинА. А.PyrkinA. A.

Антон Александрович Пыркин — д-р техн. наук, профессор; факультет систем Управления и робототехники; декан факультета

Санкт-Петербург

Anton A. Pyrkin — Dr. Sci., Professor; Faculty of Control Systems and Robotics;Dean of the Faculty

St. Petersburg

pyrkin@itmo.ruУниверситет ИТМОITMO University202326112024662125130Copyright © Национальный исследовательский университет ИТМО, 20242024Национальный исследовательский университет ИТМОНациональный исследовательский университет ИТМОhttps://pribor.ifmo.ru/jour/about/submissions#copyrightNoticehttps://pribor.ifmo.ru/jour/article/view/109

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.

The problem of localizing failures of sensors (accelerometer and gyroscope) of an unmanned aerial vehicle of the "quadcopter" type is considered. An algorithm is developed that provides the ability to detect and classify quadcopter sensor failures using machine learning methods. To solve the problem, the following machine learning methods were used: logistic regression, random forest method, LASSO and ridge regression, as well as elastic net. Experimental results obtained in the course of computer simulation confirm the efficiency of the proposed algorithm. A comparative analysis of the used methods of machine learning is performed.

локализация отказовквадрокоптерБПЛАлогистическая регрессияметод случайного лесаLASSO-регрессиягребневая регрессияэластичная сетьакселерометргироскопfailure localizationquadcopterUAVlogistic regressionrandom forest methodLASSO regressionridge regressionelastic netaccelerometergyroscopeReferencesКозлов Д. С., Тюменцев Ю. В. Нейросетевые методы обнаружения отказов датчиков и приводов летательного аппарата // Труды МАИ. 2012. Вып. 52.Kozlov D.S., Tyumentsev Y.V. Trudy MAI, 2012, no. 52, https://mai.ru/upload/iblock/0e5/neyrosetevye-metodyobnaruzheniya-otkazov-datchikov-i-privodov-letatelnogoapparata.pdf?referer=https%3A%2F%2Fyandex.ru%2Fclck%2Fjsredir%3Ffrom%3Dyandex.ru%3Bsearch%2F%3Bweb%3B%3B. (in Russ.)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.Lee D., Burg T., Dawson D., Shu D., Xian B., and Tatlicioglu E. IEEE International Conference on Systems, Man and Cybernetics, SMC 2009, 2009, pp. 3187–3192.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.Pyrkin A.A., Maltseva T.A., Labadin D.V., Surov M.O., Bobtsov A.A. Journal of Instrument Engineering, 2013, no. 4(56), pp. 47–51. (in Russ.)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.Patan K. Lecture Notes in Control and Information Sciences, vol. 377, Berlin, Springer-Verlag, 2008, 206 p.Blanke M. et al. Diagnosis and fault-tolerant control. Berlin: Springer-Verlag, 2006. 672 p.Blanke M. et al. Diagnosis and fault-tolerant control, Berlin, Springer-Verlag, 2006, 672 p.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.Sobhani-Tehrani E., Khorasani K. Lecture Notes in Control and Information Sciences, vol. 383, NY, Springer-Verlag, 2009, 265 p.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.Shakhanov N.I., Varfolomeev I.A., Yudina O.V., Ershov E.V. Software products and environments, 2018, no. 1(36), pp. 212–217, DOI:10.15827/0236-235X.121.212-217. (in Russ.)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.Mian A.A. and Wang Dao-bo, Journal of Zhejiang University Science A, 2008, no. 4(9), pp. 539–545.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.Min B.C., Cho C.H., Choi K.M. & Kim D.H. Part of the Lecture Notes in Computer Science book series, vol. 5744, Advances in Robotics, pp. 262–271.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.Tayebi A., and McGilvray S. IEEE Transactions on Control Systems Technology, 2006, no. 3(14), pp. 562–571.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.Giron A. Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques for Building Intelligent Systems, O'Reilly Media, Inc., 2019, pp. 187–189.Chen J. and Patton R. J. Model-Based Fault Diagnosis for Dynamic Systems. Kluwer Academic Publishers, 1999. 356 p.Chen J. and Patton R.J. Robust Model-Based Fault Diagnosis for Dynamic Systems, Kluwer Academic Publishers, 1999, 356 p.Wei W. DC Motor Parameter Identification Using Speed Step Responses // Proc. of the 2010 American Control Conf. 2010. P. 1937—1941.Wei W. Proceedings of the 2010 American Control Conference, 2010, pp. 1937–1941.Мельник М. Основы прикладной статистики. М.: Энергоатомиздат, 1983. 416 с.Melnik M. Osnovy prikladnoy statistiki (Fundamentals of Applied Statistics), Moscow, 1983, 416 p. (in Russ.)

The authors declare that there are no conflicts of interest present.