Approccio Hardware-In-The-Loop per la simulazione di guasti e la validazione di moduli diagnostici in velivoli senza pilota

Il presente lavoro di tesi ha l’obiettivo di sviluppare un sistema di diagnosi dei guasti per UAV (Unmanned Aerial Vehicles), con particolare attenzione all’implementazione di algoritmi di machine learning sia nel simulatore della dinamica del drone che sui microcontrollori. L’obiettivo principale è garantire l’affidabilità e la sicurezza dei droni in scenari operativi critici, riducendo i rischi di malfunzionamenti attraverso l’uso di moduli diagnostici avanzati. L’approccio adottato prevede l’impiego di una metodologia di simulazione Hardware-In-The-Loop (HIL) per la raccolta dati e la validazione dei modelli diagnostici. In questo contesto, è stato sviluppato un toolbox per la Fault Injection, che consente di simulare in modo realistico guasti nei sensori di bordo, come accelerometri, giroscopi, magnetometri e GPS, e generare un dataset utile per l’addestramento dei modelli di classificazione. La pipeline di sviluppo ha seguito un processo di Extract, Transform, Load (ETL) per la preparazione dei dati, comprendendo il calcolo di errori di posizione, l’estrazione e la selezione delle feature più rilevanti tramite test statistici. Un aspetto chiave è stato l’adeguamento della frequenza di campionamento tra simulazione e dispositivo reale. Due implementazioni distinte del classificatore sono state sviluppate su Calcolatore utilizzato per la simulazione della dinamica del drone e su Microcontrollore. Per migliorare la robustezza della diagnosi e ridurre i falsi positivi, sono stati implementati buffer circolari e tecniche di filtraggio delle predizioni basate su finestre temporali. I risultati ottenuti dimostrano la fattibilità dell’implementazione di modelli diagnostici a bordo degli UAV, garantendo un buon compromesso tra accuratezza, prestazioni computazionali e capacità di rilevazione dei guasti. Questo approccio contribuisce allo sviluppo di sistemi autonomi più sicuri e affidabili.