RECONFIGURAÇÃO DE CONTROLE EM UM DRONE QUADRIMOTOR AUXILIADA POR UM CLASSIFICADOR DE FALHAS

Rodrigo Baleeiro Silva, Jônatas Souza, Renato Dourado Maia

Resumo


As tarefas de classificação de falhas e reconfiguração de controle em processos ou sistemas são áreas em que a pesquisa está em crescente desenvolvimento, e essa expansão pode ser associada a sua característica preventiva que junto a um controle robusto previne perdas tanto materiais quanto humanas. Nesse
contexto, este trabalho apresenta uma nova proposta de abordagem adaptativa para classificação de falhas e reconfiguração ativa de controle em sistemas dinâmicos, baseada em duas etapas: na primeira etapa a abordagem proposta utiliza métodos clássicos para classificação de falhas, na segunda etapa propõe-se variações em reconfiguração de controle em sistemas dinâmicos a partir de dados de identificação da falha. Para verificar a eficiência da abordagem, ela foi aplicada em um modelo de drone quadrimotor com falha em um dos motores, contextualizada como a queda de potência neste. Dessa forma, os resultados
obtidos pelo sistema de reconfiguração são comparados com controladores utilizados apenas em operação normal, com uma ênfase na variável altura. De modo geral, a abordagem proposta obteve bons resultados, o que sugere que a mesma é promissora para realizar as tarefas de classificação de falhas e
reconfiguração de controle de sistemas dinâmicos.


Texto completo:

PDF

Referências


AHMED-ZAID, F. et al. Accommodation of

failures in the f-16 aircraft using adaptive control.

IEEE Control Systems, IEEE, v. 11, n. 1,

p. 73–78, 1991.

BEARD, R. Quadrotor Dynamics and Control.

[S.l.]: Brigham Young University, 2008.

BRAGA, A. d. P.; CARVALHO, A.; LUDERMIR,

T. B. Redes neurais artificiais: teoria e

aplicações. [S.l.]: Livros Técnicos e Científicos,

CAO, W. et al. Overview of electric motor

technologies used for more electric aircraft

(mea). IEEE Transactions on Industrial Electronics,

IEEE, v. 59, n. 9, p. 3523–3531, 2012.

CHEN, F. et al. Self-repairing control of a helicopter

with input time delay via adaptive global

sliding mode control and quantum logic.

Information Sciences, Elsevier, v. 316, p. 123–

, 2015.

COZA, C. et al. Adaptive fuzzy control for a

quadrotor helicopter robust to wind buffeting.

Journal of Intelligent & Fuzzy Systems, IOS

Press, v. 22, n. 5, 6, p. 267–283, 2011.

CUI, Y.-j.; ZHU, H.-y.; LI, Y.-l. Flight control

system faults analysis based on grey relation

method [j]. Journal of Sichuan Ordnance, v. 5,

p. 013, 2013.

CYBENKO, G.; ALLEN, T.; POLITO, J.

Practical parallel union-find algorithms for

transitive closure and clustering. International

journal of parallel programming, Springer,

v. 17, n. 5, p. 403–423, 1988.

DIERKS, T.; JAGANNATHAN, S. Output feedback

control of a quadrotor uav using neural

networks. IEEE transactions on neural

networks, IEEE, v. 21, n. 1, p. 50–66, 2010.

EFE, M. Ö. Neural network assisted computationally

simple pi d control of a quadrotor uav.

IEEE Transactions on Industrial Informatics,

IEEE, v. 7, n. 2, p. 354–361, 2011.

GEORGE, V. et al. Intelligent fault diagnosis

and prognosis for engineering systems. [S.l.]:

John Wiley & Sons, Inc, 2006.

HAGAN, M. T.; MENHAJ, M. B. Training feedforward

networks with the marquardt algorithm.

IEEE transactions on Neural Networks,

IEEE, v. 5, n. 6, p. 989–993, 1994.

HAJIYEV, C.; CALISKAN, F. Fault diagnosis

and reconfiguration in flight control systems.

[S.l.]: Springer Science & Business Media,

v. 2.

HAYKIN, S. Adaptive filters. Signal Processing

Magazine, Citeseer, v. 6, 1999.

INACIO, M. J. Diagnóstico de falhas baseado

em sistema inteligente evolutivo. [S.l.]: Universidade

Federak de Minas Gerais, 2014.

JúNIOR, E. M. da S. Estimativa de volume de

madeira de árvores de eucalipto utilizando redes

neurais artificiais do tipo RBF. [S.l.]: Universidade

Federak de Montes Claros, 2016.

KOHAVI, R.; PROVOST, F. Confusion matrix.

Machine learning, v. 30, n. 2-3, p. 271–274,

LEVENBERG, K. A method for the solution

of certain non-linear problems in least squares.

Quarterly of applied mathematics, v. 2, n. 2, p.

–168, 1944.

MARQUARDT, D. W. An algorithm for leastsquares

estimation of nonlinear parameters.

Journal of the society for Industrial and Applied

Mathematics, SIAM, v. 11, n. 2, p. 431–

, 1963.

MCCULLOCH, W. S.; PITTS, W. A logical

calculus of the ideas immanent in nervous activity.

The bulletin of mathematical biophysics,

Springer, v. 5, n. 4, p. 115–133, 1943.

MONTOYA, J.; WOOD, Z.; RATHINAM, S.

Runway scheduling using generalized dynamic

programming. In: AIAA GNC Conference.

[S.l.: s.n.], 2011.

OGATA, K. Ingeniería de control moderna.

[S.l.]: Pearson Educación, 2003.

PERLMAN, A. How to fly a quadcopter – the

ultimate guide. 2016.

REIS, E. Estatística Descritiva (6"ed.). [S.l.]:

Sílabo, 1994.

ROSENBLATT, F. The perceptron: a probabilistic

model for information storage and organization

in the brain. Psychological review,

American Psychological Association, v. 65,

n. 6, p. 386, 1958.

RUBERTUS, D. P. Self-repairing flight control

systems overview. p. 1280–1286, 1983.

SHANG, Y.; WAH, B. W. Global optimization

for neural network training. Computer, IEEE,

v. 29, n. 3, p. 45–54, 1996.

SHEN, Q.; JIANG, B.; COCQUEMPOT,

V. Fuzzy logic system-based adaptive faulttolerant

control for near-space vehicle attitude

dynamics with actuator faults. IEEE Transactions

on Fuzzy Systems, IEEE, v. 21, n. 2, p.

–300, 2013.

TECNOLOGIA, R. B. de W. Matriz de Confusão

Revista Brasileira de Web: Tecnologia).

Disponivel em:

br/revistabw/matriz-de-confusao//>>. Acesso

em 05 de Marco de 2017.: [s.n.], 2015.

VENKATASUBRAMANIAN, V. et al. A review

of process fault detection and diagnosis:

Part i: Quantitative model-based methods.

Computers & chemical engineering, Elsevier,

v. 27, n. 3, p. 293–311, 2003.




DOI: http://dx.doi.org/10.13037/ras.vol13n1.171

Apontamentos

  • Não há apontamentos.


Revista de Informática Aplicada - USCS/UFABC