Resumen

La fiabilidad es una cuestión crítica en la navegación de vehículos aéreos no tripulados (UAV), ya que no hay un piloto humano que pueda reaccionar ante cualquier situación anómala. Debido a las limitaciones de tamaño y coste, los esquemas de sensores redundantes y los sensores de navegación de grado aeronáutico utilizados en grandes aeronaves no pueden instalarse en pequeños UAV. Por lo tanto, deben utilizarse otros enfoques como la redundancia analítica para detectar fallos en los sensores de navegación y aumentar la fiabilidad. Este artículo presenta un sistema de detección y diagnóstico de fallos en sensores para pequeños helicópteros autónomos basado en la redundancia analítica. La detección de fallos se realiza evaluando cualquier cambio significativo en el comportamiento del vehículo con respecto al comportamiento libre de fallos, que se estima utilizando un observador. El observador se obtiene a partir de datos experimentales de entrada-salida con el método de identificación de observador/filtro Kalman (OKID). El método OKID es capaz de identificar el sistema y un observador con propiedades similares a las de un filtro de Kalman, directamente a partir de datos experimentales de entrada-salida. Los resultados son similares a los del filtro de Kalman, pero, con el método propuesto, no es necesario estimar ni las matrices del sistema ni las matrices de covarianza del ruido del sensor y del proceso. El sistema se ha probado con datos reales de vuelo de helicópteros, y los resultados se han comparado con otros métodos.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:observador, filtro de kalman, redundancia analítica, datos experimentales, matrices de covarianza de ruido de proceso, datos reales de vuelo de helicópteros, identificación por filtro de kalman, sensores de navegación de grado, esquemas de sensores redundantes, detección de fallos en sensores
• Keywords:observer, kalman filter, analytical redundancy, experimental data, process noise covariance matrices, real helicopter flight data, kalman filter identification, grade navigation sensors, redundant sensor schemes, sensor fault detection