進階搜尋


   電子論文尚未授權公開,紙本請查館藏目錄
(※如查詢不到或館藏狀況顯示「閉架不公開」,表示該本論文不在書庫,無法取用。)
系統識別號 U0026-2907202020145100
論文名稱(中文) 應用小波散射與機器學習於四軸無人機飛行數據分析之診斷分類系統
論文名稱(英文) Application of Wavelet Scattering and Machine Learning on Flight Data Analysis for Quadcopter Diagnosis Classification System
校院名稱 成功大學
系所名稱(中) 民航研究所
系所名稱(英) Institute of Civil Aviation
學年度 108
學期 2
出版年 109
研究生(中文) 蔡松廷
研究生(英文) Sung-Ting Tsai
學號 Q46071035
學位類別 碩士
語文別 中文
論文頁數 99頁
口試委員 指導教授-賴維祥
口試委員-楊憲東
口試委員-李君謨
中文關鍵字 四軸無人機  失效診斷分類  數據分析  小波散射  機器學習 
英文關鍵字 UAS  Quadcopter  Fault Detection and Classification  Data Analysis  Wavelet Scattering  Machine Learning 
學科別分類
中文摘要 隨著無人機系統蓬勃發展,無人機的飛行安全是無人機發展的重要議題。本研究以無人機動力機構為基底並設定馬達底座鬆脫失效、螺旋槳破損失效與機臂螺絲鬆脫失效這三種失效狀態做為本研究主要探討與解析的因素,為解決混合失效分類困難的課題。首先收集無失效、馬達底座鬆脫失效、螺旋槳破損失效與機臂螺絲鬆脫失效的飛行數據,並擷取飛控感測器中的振動與電流訊號分別做方均根、標準差和取樣熵的時域特徵擷取,以及擷取音頻感測器中的音頻訊號做小波散射的時頻域特徵擷取。接著對八種無失效與失效狀態做分析與分類,藉由最近鄰居法(k-Nearest Neighbor, kNN)進行失效狀態的分類並建立kNN模型,kNN為一種監督式機器學習演算法,其能分類資料與進行迴歸分析。
本研究提出利用時頻域分析飛行數據並建立無人機健康診斷分類系統,分類多重失效種類於四軸無人機中,其中包含無失效、單一失效狀態、雙重失效與三重失效的分類辨識,在分類無失效與三種失效混合情況下,分類系統準確率達90.73%。其方式改善混合失效分類準確率並保持一定水準的分類效用。
英文摘要 The development of unmanned aircraft systems is booming vigorously. Drone brings convenience and benefit but it also makes risk of flight safety. Therefore, how to control the risk of flight safety is a crucial study about drones. This study dedicates to health diagnosis classification system of structure of quadcopter. Loosening of motor mounts, propeller broken and loosening of arm mounts are the mainly discussed fault conditions used in this study. In the beginning of the research, the data of the undamaged, loosening of motor mount, propeller broken and loosening of arm mount are acquired. Then, the features of vibration signal and pulse width modulation signal are extracted by three methods, root mean square, standard deviation and sample entropy respectively. Moreover, the features of audio signal are extracted by wavelet scattering. Next, kNN (k-Nearest Neighbor) model can be trained by using features which are extracted by the vibration signal and it is a supervised machine learning method. After training by kNN model, kNN model can do fault classification and regression analysis.

The study proposes the method of time and frequency domain analysis on flight data analysis and establishment of quadcopter diagnosis classification system. It can classify multiple failure types in quadcopter, which include no failure, single fault, double faults and triple faults. In the case of classifying triple faults, the classification system has an accuracy of 90.73%. This method improves the accuracy of mixed faults classification and maintains a certain level of classification effectiveness.
論文目次 目錄
中文摘要 I
英文摘要 II
誌謝 V
目錄 VII
表目錄 XII
圖目錄 XIV
符號表 XVII
第一章 緒論 1
1.1 前言 1
1.2 研究動機與目的 2
1.3 文獻回顧 3
1.3.1 無人機損傷特徵分析與建立 4
1.3.2 機器學習與演算法 7
1.3.3 多軸無人機損傷診斷系統 7
1.4 研究方法與流程 8
1.5 論文架構 10
第二章 特徵工程與演算法理論 12
2.1 特徵工程 12
2.1.1 時域訊號特徵工程 12
2.1.1.1 標準差 12
2.1.1.2 方均根 13
2.1.1.3 取樣熵 13
2.1.2 時頻域訊號特徵工程 15
2.1.2.1 小波轉換與小波散射 15
2.2 最近鄰居演算法理論 19
第三章 實驗設備 22
3.1 無人機系統 22
3.1.1 四旋翼無人機 22
3.1.2 無人機遙控設備 27
3.1.3 無人機地面監視與控制系統 28
3.1.4 單主站定位設備 28
3.2 實驗用感測器 28
3.2.1 音頻感測器 29
3.3 電腦設備 29
3.3.1 電腦規格 29
第四章 實驗流程與模型建立 30
4.1 飛行實驗 30
4.1.1 飛行環境與實驗條件 30
4.1.2 路徑規劃 31
4.1.3 失效狀態定義 32
4.1.4 失效測試 32
4.2 特徵工程 36
4.2.1 數據前處理 36
4.2.2 極值去除 37
4.2.3 數據特徵化: 37
4.2.3.1 飛行數據檔的數據特徵化 37
4.2.3.2 音頻感測器數據的數據特徵化 41
4.3 機器學習演算法模型建立與參數測試 46
4.4 混淆矩陣 48
第五章 實驗結果與分析 50
5.1 單部件失效狀態模型分析 50
5.1.1 飛行數據記錄檔模型分析 50
5.1.1.1 槳葉失效 51
5.1.1.2 馬達底座螺絲鬆脫失效 52
5.1.1.3 機臂螺絲鬆脫失效 54
5.1.2 單失效音頻飛行數據模型分析 56
5.1.2.1 槳葉失效 56
5.1.2.2 馬達底座螺絲鬆脫失效 59
5.1.2.3 機臂螺絲鬆脫失效 62
5.1.3 模型比較 65
5.2 雙重部件失效狀態模型分析 66
5.2.1 飛行數據記錄檔模型分析 67
5.2.1.1 槳葉失效與機臂螺絲鬆脫失效 67
5.2.1.2 馬達底座螺絲鬆脫失效與機臂螺絲鬆脫失效 68
5.2.1.3 馬達底座螺絲鬆脫失效與槳葉失效 70
5.2.2 音頻飛行數據模型分析 72
5.2.2.1 槳葉失效與機臂螺絲鬆脫失效 72
5.2.2.2 馬達底座螺絲鬆脫失效與機臂螺絲鬆脫失效 75
5.2.2.3 槳葉失效與馬達底座螺絲鬆脫失效 78
5.2.3 模型比較 82
5.3 三重部件失效狀態模型分析 82
5.3.1 飛行數據記錄檔模型分析 82
5.3.2 音頻飛行數據模型分析 86
5.3.3 模型比較 90
第六章 結論與未來工作 94
6.1 結論 94
6.2 未來工作 95
參考文獻 97

參考文獻 參考文獻

[1]Huimin Lu, Yujie Li, Shenglin Mu, Dong Wang, Hyoungseop Kim, Seiichi Serikawa, “Motor Anomaly Detection for Unmanned Aerial Vehicles Using Reinforcement Learning,” IEEE Internet of Things Journal, Vol. 5, No. 4, pp.2315-2322, August 2018.
[2]Joakim Anden and Stephane Mallat, “Deep Scattering Spectrum,” IEEE Transactions on Signal Processing, Vol. 62, Number 16, pp.4114–4128, 2014.
[3]James Max Kanter and Kalyan Veeramachaneni, “Deep Feature Synthesis: Towards Automating Data Science Endeavors,” In Proceedings of the International Conference on Data Science and Advance Analytics. IEEE, 2015.
[4]G. Kandaswamy and P. Balamuralidhar, “Health Monitoring and Failure Detection of Electronic and Structural Components in Small Unmanned Aerial Vehicles,” World Academy of Science, Engineering and Technology International Journal of Mechanical and Mechatronics Engineering, Vol.11, No.5, pp.1080-1089, 2017.
[5]T. Kohonen, “The Self-Organizing Map,” New York, NY, USA: Springer, Proc. IEEE, Vol. 78, No. 9, pp.1464–1480, Sep. 1990.
[6]P. Misra, G. Kandaswamy, P. Mohapatra, Kriti Kumar, P. Balamuralidhar, “Structural Health Monitoring of Multi-Rotor Micro Aerial Vehicles,” Embedded Systems and Robotics, TCS Research and Innovation, TATA Consultancy Services Ltd. Bangalore and Chennai, India, 2018.
[7]Padraig Cunningham and Sarah Jane Delany, “k-Nearest Neighbour Classifiers,” Technical Report UCD-CSI-2007-4 MARCH 27, 2007.
[8]Randall Balestriero and Herve Glotin, “Scattering Decomposition for Massive Signal Classification: From Theory to Fast Algorithm and Implementation with Validation on International Bioacoustics Benchmark,” In: 2015 IEEE International Conference on Data Mining Workshop (ICDMW), pp.753–761. IEEE, New York, 2015.
[9]Richman, J. S. and Moorman, J. R., “Physiological Time-Series Analysis Using Approximate Entropy and Sample Entropy,” American Journal of Physiology-Heart and Circulatory Physiology, Vol.278, pp.H2039-H2049, 2000.
[10]Xu Chen and Peter J. Ramadge, “Music Genre Classification Using Multiscale Scattering Sparse Representations,” presented at the Conference on Information Sciences and Systems (CISS), 2013
[11]Yong Keong Yap, “Structural Health Monitoring for Unmanned Aerial Systems,” Technical Report UCB/EECS-2014-70. Electrical Engineering and Computer Sciences University of California at Berkeley, 2014.
[12]黃嘉銘, “聲音及振動訊號之時頻分析,” 國立成功大學航空太空工程研究所碩士論文, 2007.
[13]鄭德力, “應用自組織映射圖於四軸無人機飛行數據分析之診斷系統,” 國立成功大學航空太空工程研究所碩士論文, 2019.
[14]Ardupilot, http://ardupilot.org/
[15]MATLAB^®, https://www.mathworks.com/
[16]Mission Planner, http://ardupilot.org/planner/
論文全文使用權限
  • 同意授權校內瀏覽/列印電子全文服務,於2025-06-19起公開。
  • 同意授權校外瀏覽/列印電子全文服務,於2025-06-19起公開。


  • 如您有疑問,請聯絡圖書館
    聯絡電話:(06)2757575#65773
    聯絡E-mail:etds@email.ncku.edu.tw