Diagnóstico em tempo real de falhas em drones através das análises de sinais de vibração baseadas no caos usando densidade e amplitude de máximos

Nunes, Alexandre Magno da Silva

Use este identificador para citar ou linkar para este item: https://repositorio.ufpb.br/jspui/handle/123456789/38240

Registro completo de metadados

Campo DC	Valor	Idioma
dc.creator	Nunes, Alexandre Magno da Silva	-
dc.date.accessioned	2026-06-26T23:54:46Z	-
dc.date.available	2024-10-02	-
dc.date.available	2026-06-26T23:54:46Z	-
dc.date.issued	2022-08-31	-
dc.identifier.uri	https://repositorio.ufpb.br/jspui/handle/123456789/38240	-
dc.description.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.	pt_BR
dc.description.provenance	Submitted by Maria Jose Rodrigues Paiva (mariaj.paiva@biblioteca.ufpb.br) on 2026-06-26T23:54:46Z No. of bitstreams: 2 license_rdf: 805 bytes, checksum: c4c98de35c20c53220c07884f4def27c (MD5) AlexandreMagnoDaSilvaNunes_Dissert.pdf: 18498099 bytes, checksum: 41334f1c4e33e50c22f13b40834f53b3 (MD5)	en
dc.description.provenance	Made available in DSpace on 2026-06-26T23:54:46Z (GMT). No. of bitstreams: 2 license_rdf: 805 bytes, checksum: c4c98de35c20c53220c07884f4def27c (MD5) AlexandreMagnoDaSilvaNunes_Dissert.pdf: 18498099 bytes, checksum: 41334f1c4e33e50c22f13b40834f53b3 (MD5) Previous issue date: 2022-08-31	en
dc.description.sponsorship	Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES	pt_BR
dc.language	por	pt_BR
dc.publisher	Universidade Federal da Paraíba	pt_BR
dc.rights	Acesso aberto	pt_BR
dc.rights	Attribution-NoDerivs 3.0 Brazil	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/br/	*
dc.subject	Informática	pt_BR
dc.subject	Drones	pt_BR
dc.subject	Diagnóstico de falhas	pt_BR
dc.subject	Análise de sinais	pt_BR
dc.subject	Aprendizagem de máquina	pt_BR
dc.subject	VANT	pt_BR
dc.subject	UAV	pt_BR
dc.subject	Fault Diagnosis	pt_BR
dc.subject	Signal Analysis	pt_BR
dc.subject	Machine Learning	pt_BR
dc.title	Diagnóstico em tempo real de falhas em drones através das análises de sinais de vibração baseadas no caos usando densidade e amplitude de máximos	pt_BR
dc.type	Dissertação	pt_BR
dc.contributor.advisor1	Brito, Alisson Vasconcelos de	-
dc.contributor.advisor1Lattes	http://lattes.cnpq.br/6321676636193625	pt_BR
dc.contributor.referee1	Nascimento, Tiago Pereira do	-
dc.contributor.referee1Lattes	http://lattes.cnpq.br/1641673656667170	pt_BR
dc.contributor.referee2	Lima Filho, Abel Cavalcante	-
dc.contributor.referee2Lattes	http://lattes.cnpq.br/0801399035139894	pt_BR
dc.contributor.referee3	Ramos , Jorge Gabriel Gomes de Souza	-
dc.contributor.referee3Lattes	http://lattes.cnpq.br/4289978259221930	pt_BR
dc.creator.Lattes	http://lattes.cnpq.br/4711450674590500	pt_BR
dc.description.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.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.department	Informática	pt_BR
dc.publisher.program	Programa de Pós-Graduação em Informática	pt_BR
dc.publisher.initials	UFPB	pt_BR
dc.subject.cnpq	CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO	pt_BR
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

Mostrar registro simples do item Visualizar estatísticas

Este item está licenciada sob uma Licença Creative Commons

Repositório Institucional da UFPB