Durante la última década, el uso de&nbsp;vehículos aéreos no tripulados se ha expandido en sectores tan diversos como la defensa, la agricultura, la logística y la fotografía aérea. Su bajo costo, facilidad de uso y mantenimiento son factores clave en esta adopción generalizada. Este crecimiento volvió indispensable garantizar operaciones seguras, especialmente cuando estos dispositivos vuelan en proximidad a personas, lo que&nbsp;exige un régimen de mantenimiento preventivo riguroso. “Es un esquema similar al del mantenimiento de los autos: cada cierta cantidad de kilómetros o tras un período determinado, se realiza una revisión preventiva. La diferencia es que, mientras una falla en un auto puede dejarte varado en la calle, en una aeronave el riesgo es mucho mayor”, explica&nbsp;Claudio Pose, investigador del Laboratorio de Inteligencia Artificial y Robótica (LINAR) de la Universidad de San Andrés.A pesar de sus avances, los vehículos aéreos no tripulados continúan siendo susceptibles a daños provocados por el entorno, los cuales pueden afectar seriamente su rendimiento. Condiciones climáticas adversas o impactos físicos pueden generar vibraciones anómalas que deterioran el rendimiento del vehículo y aumentan el riesgo de fallas graves.&nbsp;Con el objetivo de desarrollar un protocolo de mantenimiento preventivo, Pose, junto a Juan Giribet y Gabriel Torre, también investigadores del LINAR, diseñaron un sistema basado en aprendizaje automático para detectar, identificar y cuantificar daños en las hélices de estos vehículos. El sistema,&nbsp;<a href="https://ieeexplore.ieee.org/document/10912747">elaborado en un nuevo artículo de la revista&nbsp;Institute of Electrical and Electronics Engineers</a>, fue entrenado con datos de vuelo obtenidos en un entorno interior controlado,&nbsp;utilizando un vehículo real al que se le simularon distintos tipos y grados de daño, reemplazando una o varias hélices por versiones dañadas.&nbsp;Cada tipo de daño generó vibraciones específicas, que fueron registradas por sensores incorporados en el vehículo.&nbsp;Para validar la robustez del modelo,&nbsp;los investigadores evaluaron su rendimiento en condiciones reales al aire libre, incluyendo vuelos durante jornadas ventosas. “La presencia de perturbaciones externas, como las corrientes de viento cálidas y frías, pueden afectar significativamente las vibraciones del vehículo. Sin embargo, incluso en estas condiciones no contempladas en el entrenamiento original, el sistema mantuvo un desempeño sólido”, señala Pose. El modelo propuesto por los investigadores del LINAR demostró ser eficaz para identificar diversos tipos de daño, localizar fallas con precisión y estimar su magnitud, exhibiendo una mayor precisión a medida que aumenta la magnitud del daño sufrido. Además, al utilizar datos de sensores que existen en cualquier vehículo aéreo multirrotor, abre la posibilidad a su implementación en dispositivos similares con mínimos esfuerzos adicionales. Como resultado,&nbsp;las estrategias de detección de fallas contribuyen al mantenimiento preventivo de los vehículos aéreos no tripulados, mejoran la seguridad y la fiabilidad de las operaciones con estos dispositivos, y permiten optimizar el uso de recursos.

Buscador UdeSA

Mejorar la seguridad aérea aplicando machine learning a drones