Repositório Institucional da UFPB
Use este identificador para citar ou linkar para este item:
https://repositorio.ufpb.br/jspui/handle/123456789/38240| Tipo: | Dissertação |
| Título: | Diagnóstico em tempo real de falhas em drones através das análises de sinais de vibração baseadas no caos usando densidade e amplitude de máximos |
| Autor(es): | Nunes, Alexandre Magno da Silva |
| Orientador: | Brito, Alisson Vasconcelos de |
| Membro da Banca: | Nascimento, Tiago Pereira do |
| Membro da Banca: | Lima Filho, Abel Cavalcante |
| Membro da Banca: | Ramos , Jorge Gabriel Gomes de Souza |
| Resumo: | O Veículo Aéreo Não Tripulado (VANT) se popularizou ao longo dos anos em diversas ativi- dades, sejam comerciais ou recreativas. Porém, os drones ainda não possuem total confiança no que se refere a segurança. Diante disso, surge a necessidade de criação de técnicas de identificação de falhas que se adequem às limitações encontradas. Este trabalho tem como objetivo a detecção e diagnóstico de falhas em drones em tempo real e propõe uma arqui- tetura para identificação de falhas mecânicas. A abordagem proposta no trabalho utiliza as técnicas de análises de sinais baseadas no caos usando a densidade de máximos (SAC-DM) e amplitude de máximos (SAC-AM). Para atingir os resultados foram capturados dados de um drone quadcóptero e aplicadas as técnicas e algoritmos classificadores. No SAC-DM foram alcançados desempenhos de 91% com o KNN e 90% com o SVM, já no SAC-AM o resultado foi de 100% com o KNN e 98% com o SVM. Também foi possível validar o sistema diagnosticando falhas em tempo real. |
| Abstract: | The Unmanned Aerial Vehicle (UAV) has become popular over the years in various ac- tivities, whether commercial or recreational. However, drones still do not have complete confidence when it comes to safety. Therefore, there is a need to create fault identification techniques that fit the limitations found. This work aims to detect and diagnose drone failu- res in real time and proposes an architecture to identify mechanical failures. The approach proposed in the work uses chaos-based signal analysis techniques using maximum density (SAC-DM) and maximum amplitude (SAC-AM). To achieve the results, data were captured from a quadcopter drone and applied classification techniques and algorithms. With SAC- DM, performances of 91% were achieved and with SAC-AM 100%. It was also possible to validate the system by diagnosing faults in real time. |
| Palavras-chave: | Informática Drones Diagnóstico de falhas Análise de sinais Aprendizagem de máquina VANT UAV Fault Diagnosis Signal Analysis Machine Learning |
| CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
| Idioma: | por |
| País: | Brasil |
| Editor: | Universidade Federal da Paraíba |
| Sigla da Instituição: | UFPB |
| Departamento: | Informática |
| Programa: | Programa de Pós-Graduação em Informática |
| Tipo de Acesso: | Acesso aberto Attribution-NoDerivs 3.0 Brazil |
| URI: | http://creativecommons.org/licenses/by-nd/3.0/br/ |
| URI: | https://repositorio.ufpb.br/jspui/handle/123456789/38240 |
| Data do documento: | 31-Ago-2022 |
| Aparece nas coleções: | Centro de Informática (CI) - Programa de Pós-Graduação em Informática |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| AlexandreMagnoDaSilvaNunes_Dissert.pdf | 18,06 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma
Licença Creative Commons
