Rilevamento di danni alle eliche di droni multirotore tramite analisi dei dati di vibrazione

The aim of the thesis was to set up and test a sensorized multirotor drone for semi-autonomous flight, starting from the physical setup of the drone, to then create a diagnosis algorithm, capable of identifying the presence of possible propeller failures at starting from the signals acquired by the accelerometers on board the aircraft. The thesis introduces a diagnostic technique that can be considered novelty: it operates from "on board" accelerometric signals, without the addition of extra sensors, but with the only precaution of modifying the internal firmware to have better performance in the acquisition of the given. To implement the diagnosis algorithm, some ``features'' have been generated which are the result of several procedures: synchronization through the zero-order hold of the dataset in order to work with uniform data, definition and implementation of bandpass filters in so that the acceleration signal was centered in the most significant windows and finally the calculation of the energy associated with the signal bandwidth. From the results obtained it was possible to train a classifier capable of recognizing the different classes of failure, with the main objective of obtaining a result in which the number of false positives was as low as possible, as typically required by aeronautical specifications; in fact, high values ​​would cause alarms and protection mechanisms that would affect system performance.

L'obiettivo della tesi è stato quello di allestire e testare un drone multirotore sensorizzato per il volo semi-autonomo, partendo dal setup fisico del drone, per poi realizzare un algoritmo di diagnosi, in grado di individuare la presenza di possibili guasti delle eliche a partire dai segnali acquisiti dagli accelerometri a bordo del velivolo. La tesi introduce una tecnica diagnostica che può considerarsi novità: essa opera da segnali accelerometrici ``on board'', senza l'aggiunta di sensori extra, ma con l'unica accortezza di modificare il firmware interno per avere maggiori performance nell'acquisizione del dato. Per realizzare l'algoritmo di diagnosi, sono state generate delle ``features'' che sono il risultato di diversi procedimenti: sincronizzazione tramite la tenuta di ordine zero del dataset in modo da lavorare con dati uniformi, definizione ed implementazione dei filtri passa banda in modo che il segnale dell'accelerazione fosse centrato nelle finestre più significative ed infine il calcolo dell'energia associata alla banda del segnale. Dai risultati ottenuti è stato possibile addestrare un classificatore in grado di riconoscere le diverse classi di guasto, con l'obiettivo principale di ottenere un risultato in cui il numero dei falsi positivi fosse il più basso possibile, come tipicamente richiesto da specifiche aeronautiche; valori alti comporterebbero infatti allarmi e meccanismi di protezione che inficerebbero le prestazioni del sistema.