Resumen

En este trabajo se desarrolla un nuevo esquema de detección de fallos para los sensores de la Unidad de Medición Inercial (IMU) de las aeronaves. Este esquema adopta una red neuronal profunda con una arquitectura de fusión CNN-LSTM (CNN: red neuronal de convolución; LSTM: memoria a corto plazo). La red de detección de fallos (FDN) desarrollada en este trabajo es irrelativa al modelo de avión o a las condiciones de vuelo. Los datos de vuelo se reforman en un formato 2D para la entrada de la FDN y se asignan a través de la red a los casos de fallo directamente. Simulamos diferentes aeronaves con diversas condiciones de vuelo y las separamos en conjuntos de entrenamiento y de prueba. Una parte de las aeronaves y de las condiciones de vuelo aparece sólo en el conjunto de pruebas para validar la robustez y la escalabilidad de la FDN. Se estudian diferentes arquitecturas de FDN y se obtiene una arquitectura optimizada mediante estudios de ablación. Se consigue una precisión media de detección del 94,5% en 20 casos diferentes.

• Materias:Automatización Aerodinámica Motores (Mecánica) Cinemática Ingeniería Aeronáutica
• Subjects:Automation Aerodynamics Engines Kinematics Aeronautical Engineering
• Palabras claves:condiciones de vuelo, red neuronal profunda, unidad de medición inercial, medición inercial de aeronaves, arquitectura de fdn, esquema de detección de fallos, red de detección de fallos, diversas condiciones de vuelo, papel, lstm
• Keywords:flight conditions, deep neural network, inertial measurement unit, aircraft inertial measurement, architecture of fdn, fault detection scheme, fault detection network, various flight conditions, paper, lstm