Core Concepts
본 연구에서는 신호 처리 및 기계 학습 기법을 활용하여 무인항공기 로터 블레이드의 결함을 사전 및 사후 비행 중 탐지하는 방법을 제안한다.
Abstract
본 연구는 무인항공기(UAV) 로터 블레이드의 결함 탐지를 위해 신호 처리 및 기계 학습 기법을 활용한다. 두 개의 가속도 센서를 이용하여 UAV 진동 데이터를 수집하고, 시간 및 주파수 영역 특징을 추출한다. 이를 바탕으로 다양한 기계 학습 모델을 학습시켜 정상 및 결함 상태를 분류한다.
실험 결과, 차원 축소 기법과 결합된 랜덤 포레스트 알고리즘이 가장 우수한 성능을 보였으며, 결함 있는 로터 블레이드를 완벽하게 탐지할 수 있었다. 또한 다양한 특징 부집합의 영향을 분석하여 모델의 분류 의사 결정 과정에 영향을 미치는 요인을 파악하였다.
Stats
정상 로터 블레이드와 3가지 유형의 결함 로터 블레이드를 사용하여 실험을 수행하였다.
중앙 및 외부 센서에서 수집된 진동 데이터의 진폭, 평균, 표준편차와 같은 시간 영역 특징과 STFT, 웨이블릿 변환, 스펙트럼 중심 및 왜도와 같은 주파수 영역 특징을 추출하였다.
추출된 특징은 총 27,786개로, 이를 기반으로 기계 학습 모델을 학습 및 평가하였다.
Quotes
"무인항공기(UAV)는 미래 스마트 시티의 핵심 인프라 구성 요소가 될 것이다."
"UAV의 신뢰성을 보장하기 위해서는 결함과 고장에 대한 지속적인 모니터링이 필요하다."