"Para aprovechar todo el potencial de estos volantes eléctricos, se necesita un sistema de control inteligente que mejore su robustez y especialmente su resistencia frente a una variedad de fallas", dice Soon-Jo Chung, Profesor Bren de Control y Sistemas Dinámicos en Caltech y Científico investigador senior en JPL, que Caltech administra para la NASA. "Hemos desarrollado un sistema tolerante a fallas, crucial para los sistemas autónomos críticos para la seguridad, e introduce la idea de sensores virtuales para la detección de cualquier falla utilizando aprendizaje automático y métodos de control adaptativo".
Múltiples rotores significan muchos posibles puntos de falla
Los ingenieros están construyendo estos aviones eléctricos híbridos con múltiples hélices o rotores, en parte para lograr redundancia: si un rotor falla, quedan suficientes motores funcionales para mantenerse en el aire. Sin embargo, para reducir la energía necesaria para realizar vuelos entre ubicaciones urbanas (digamos, 10 o 20 millas), la nave también necesita alas fijas. Sin embargo, tener rotores y alas crea muchos puntos de posible falla en cada avión. Y eso deja a los ingenieros con la pregunta de cuál es la mejor manera de detectar cuando algo sale mal en cualquier parte del vehículo.
Los ingenieros podrían incluir sensores para cada rotor, pero ni siquiera eso sería suficiente, afirma Chung. Por ejemplo, una aeronave con nueve rotores necesitaría más de nueve sensores, ya que cada rotor podría necesitar un sensor para detectar una falla en la estructura del rotor, otro para notar si su motor deja de funcionar y otro más para alertar cuando ocurre un problema en el cableado de la señal. ocurre. "Eventualmente se podría disponer de un sistema distribuido de sensores altamente redundante", afirma Chung, pero eso sería caro, difícil de gestionar y aumentaría el peso del avión. Los propios sensores también podrían fallar.
Con NFFT, el grupo de Chung ha propuesto un enfoque alternativo y novedoso. Sobre la base de esfuerzos previos, el equipo ha desarrollado un método de aprendizaje profundo que no sólo puede responder a fuertes vientos sino también detectar, sobre la marcha, cuando el avión ha sufrido un fallo a bordo. El sistema incluye una red neuronal que está previamente entrenada con datos de vuelo de la vida real y luego aprende y se adapta en tiempo real en función de un número limitado de parámetros cambiantes, incluida una estimación de la eficacia con la que funciona cada rotor de la aeronave en un momento dado. tiempo.
"Esto no requiere sensores ni hardware adicionales para la detección e identificación de fallos", afirma Chung. “Simplemente observamos el comportamiento del avión: su actitud y posición en función del tiempo. Si la aeronave se desvía de su posición deseada del punto A al punto B, NFFT puede detectar que algo anda mal y utilizar la información que tiene para compensar ese error”.
Y la corrección ocurre extremadamente rápido: en menos de un segundo. "Al volar el avión, realmente se puede sentir la diferencia que hace la NFFT a la hora de mantener la controlabilidad del avión cuando falla un motor", dice el científico Matthew Anderson, autor del artículo y piloto que ayudó a realizar las pruebas de vuelo. "El rediseño del control en tiempo real hace que parezca como si nada hubiera cambiado, incluso si uno de tus motores acaba de dejar de funcionar".
Presentamos sensores virtuales
El método NFFT se basa en señales de control en tiempo real y algoritmos para detectar dónde hay una falla, por lo que Chung dice que puede proporcionar a cualquier tipo de vehículo sensores virtuales esencialmente gratuitos para detectar problemas. El equipo ha probado principalmente el método de control en los vehículos aéreos que están desarrollando, incluida la Ambulancia Voladora Autónoma, un vehículo eléctrico híbrido diseñado para transportar rápidamente a personas heridas o enfermas a los hospitales. Pero el grupo de Chung ha probado un método de control tolerante a fallos similar en vehículos terrestres y tiene planes de aplicar NFFT a barcos.
Escrito por Kimm Fesenmaier
Fuente: Caltech
Link Fuente
