Un approccio basato sul machine learning al posizionamento di sensori piezoelettrici in veicoli senza pilota -UAV-

Abstract

Il campo del monitoraggio strutturale è in continuo sviluppo. Le sue applicazioni sono molteplici e spaziano dai ponti alle turbine eoliche fino ai veicoli aerei e ai droni. Il focus di questo progetto sarà proprio su questi ultimi, in particolare sugli UAV, che rappresentano di per sé un campo in espansione a causa del loro crescente utilizzo in vari settori come la sorveglianza, la ricognizione e il monitoraggio ambientale. Tuttavia, l'accurato monitoraggio della loro salute strutturale può essere complesso da realizzare, principalmente a causa delle loro condizioni di lavoro, del loro spazio e capacità limitati, sia in termini di peso che di energia. Gli UAV possono essere equipaggiati con una varietà di sensori, ma questo studio si concentrerà sui sensori piezoelettrici per questo uso specifico. Una sfida derivante dall’utilizzo di molti sensori è che il sistema complessivo può diventare piuttosto ingombrante e pesante se il numero e la posizione dei sensori non sono adeguatamente ottimizzati. L'oggetto principale di questo progetto sarà lo sviluppo di modelli di machine learning (ML), in particolare Support Vector Machines (SVM) al fine di ottimizzare il numero di sensori e il loro posizionamento, massimizzando la sensibilità e la precisione del sistema e minimizzando il conteggio totale dei sensori, con l'obiettivo di presentare una metodologia strutturata, che con qualche affinamento potrebbe essere applicabile anche in scenari diversi da quello presentato. In conclusione, il progetto presentato di un framework basato su ML per l'ottimizzazione della posizione dei sensori sulle ali degli UAV si è rivelato estremamente accurato nel determinare la presenza di danni alle ali e molto efficiente nell'identificare i migliori sensori in termini di contributo alla essere mantenuto. Tuttavia, alla fine, il lavoro può ancora essere svolto soprattutto in vari ambiti, come la modifica degli algoritmi, la selezione delle funzionalità e la ricerca di iperparametri.

The field of Structural Health Monitoring (SHM) is in continuous development. Its applications are many, spacing from bridges to wind turbine all the way through air vehicles and drones. The focus of this project will be on the latter, specifically on Unmanned Aircraft Vehicles (UAVs), which are in themselves an expanding field due to their increasing use in various sectors such as surveillance, reconnaissance and environmental monitoring. However the precise and accurate monitoring of their structural health can be complex to achieve, mainly due to their working conditions, their limited space and capacity, both in terms of weight and energy. UAV can be equipped with a variety of sensors but this study will focus on piezoelectric sensors for this specific use. A challenge arising from the usage of many sensors is that the overall system can become quite bulky and heavy if the number and location of the sensors is not properly optimized. The main subject of this project will be the developments of machine learning (ML) models, specifically Support Vector Machines (SVMs) in order to optimize the number of sensors and their placement, maximizing system sensitivity and accuracy while minimizing the total sensor count, with the aim to present a structured methodology, that with some fine-tuning could be applicable even in scenarios that differ from the one presented. In conclusion, the presented design of an ML-based framework for the optimization of the position of sensors on UAV wings was found to be both highly accurate in determining the presence of wing damage and very efficient in identifying the best sensors in terms of contributions to be maintained. However in the end work can still be done especially in various scopes, such as algorithm tweaking, feature selection and hyperparameters search.