Localización de impactos en vehículos aéreos no tripulados

Abstract

Uno de los mayores problemas a los que está sometida una aeronave son los impactos. Las localizaciones donde se han centrado estos golpes se convierten en puntos donde la estructura puede fallar. En este trabajo final de grado, se buscará un método, utilizando Machine Learning que permita localizar el impacto en un ala de avión no tripulado sensada utilizando sensores piezoeléctricos que ese encargan de recoger las ondas y guardarlas como datos. Para lograrlo, se comienza con una explicación de los posibles problemas que puede presentar un avión. Después hay una breve introducción a la Inteligencia Artificial y algunos métodos se explican. Finalmente, se utilizará cuatro posibles métodos en dos experimentos distintos. Estos se han guardado con un conjunto de datos y dos variables de salida, la posición del impacto. Además,se estudiará si es posible localizar los impactos teniendo en cuenta su multisalida. Los métodos de ML utilizados son: Regresión lineal, métodos de mínimos cuadrados parciales (PLS), K vecinos cercanos (KNN) y Árbol de decisión. Al introducir el conjunto de datos y analizar las coordenadas X, Y por separado (la localización), se observa que los mejores resultados que se obtienen son PLS y KNN. Cuando las coordenadas X, Y se introducen como una sola, existen ciertos errores a considerar. En el caso de los Árboles de decisiones depende mucho de la muestra y la condición que se escoja. KNN es un método que también depende mucho de su número K-vecinos por eso puede ser un método peligroso si no hay supervisión. PLS en cambio es el método que cuenta todo y analizando los resultados es un método a considerar en estos tipos de problemas.

Un dels majors problemes en els que està sotmesa una nau aèria son els impactes. Les localitzacions on s’han centrat aquests cops es converteixen en punts on la estructura pot fallar. En aquest treball de final de grau, es cercarà un mètode, utilitzant Machine Learning que permeti localitzar el impacte d’un ala d’avió no tripulat sensada utilitzant sensors piezoelèctrics que s’encarregaran de recollir les ones emeses y guardar-les com a dades. Per aconseguir-ho, es comença amb una explicació dels possibles problemes que un avió pot presentar. Després hi ha una breu introducció a la IA y alguns dels seus mètodes explicats. Finalment, s’utilitzarà quatre possibles mètodes a estudiar en dos experiments diferents. Aquests dos experiments s’han recollit en un conjunt de dades y dos variables de sortida, la posició del impacte. A més, s’estudiarà si és compatible localitzar els impactes tenint en compte la seva multisortida. Els mètodes utilitzats per fer la predicció han estat: Regressió Lineal, Mètodes de mínim quadrats parcials (PLS), K veïns pròxims (KNN) i Arbres de decisió. Al introduir el conjunt de dades y analitzar les coordenades X,Y per separat (la localització), s’observa que els millors resultats que s’obtenen són PLS i KNN. Quan les coordenades X,Y s’introdueixen com una sola, existeixen certs errors a considerar. En el cas dels Arbres de decisions depèn molt de la mostra i la condició que s’acaba per escollir. KNN és un mètode que també acaba depenent del seu número K-veïns, per això pot ser un mètode perillós si no es supervisa. PLS en canvi, és el mètode que compte en tot i analitzant els resultats és un mètode a considerar per aquest tipus de problemes.

One of the biggest problems an aircraft is subjected to impacts. The locations where these blows have been focused become points where the structure can fail. In this final degree project, a method will be sought, using Machine Learning, that allows locating the impact on an unmanned aircraft wing sensed using piezoelectric sensors that are responsible for collecting the waves and store them as data. To achieve this, it begins with an explanation of the possible problems that an aircraft can present. Afterwards there is a brief introduction to AI and some methods are explained. Finally, four possible methods will be studied in two different experiments. These have been stored with a data set and two output variables, the position of the impact. In addition, it will be studied if is possible to locate the impacts taking into account its multioutput. The ML methods used are: Linear Regression, Partial Least Squares (PLS), K-Nearest Neighbours (KNN) and Decision Trees methods. When entering the data set and analysing the X, Y coordinates separately (the location), it is observed thatthe best results obtained are PLS and KNN. When the X, Y coordinates are entered as one, there are certain errors to consider. In case of Decision Trees, it depends a lot on the sample and the condition chosen. KNN is a method that also ends up depending on its number K-neighbours so it can be a dangerous method if no supervised. PLS, on the other hand, is the method that takes everything into account and analysing the results is a method to consider in these types of problems.