ІНТЕЛЕКТУАЛЬНА СИСТЕМА ВИЯВЛЕННЯ КРИТИЧНИХ СТАНІВ МУЛЬТИРОТОРНИХ БПЛА НА ОСНОВІ РЕКУРЕНТНИХ НЕЙРОННИХ МЕРЕЖ

Анотація

Актуальність. Безпілотні літальні апарати мультироторного типу стрімко розширюють сферу застосування в логістиці, моніторингу інфраструктури, дистанційному зондуванні та оборонному секторі. Зростання автономності польотних місій висуває підвищені вимоги до надійності бортових систем та якості алгоритмів автоматичної діагностики стану платформи. Стандартні порогові механізми захисту автопілотів ArduPilot і PX4 не здатні розпізнавати складні мультисенсорні аномалії, що проявляються лише у взаємодії кількох каналів протягом певного часового інтервалу.

Постановка проблеми. Більшість існуючих підходів до діагностики БПЛА розглядають бінарну задачу (норма / аномалія) або обмежуються одним типом відмови, не враховуючи часову структуру телеметричних послідовностей. Задача одночасної класифікації п'яти типів стану платформи в реальному часі на основі реального мультисенсорного датасету залишається недостатньо вивченою, що визначає актуальність даного дослідження.

Запропоноване рішення. Стаття присвячена розробці та дослідженню системи автоматичного виявлення критичних станів БПЛА мультироторного типу на основі аналізу мультисенсорної польотної телеметрії методами глибокого навчання. Запропонований підхід базується на рекурентній нейронній мережі LSTM із 64 прихованими нейронами, що обробляє часові ряди 17 параметрів інерційного вимірювального модуля, магнітометра та блоку управління польотом у форматі ковзного вікна довжиною 20 кроків. Наведено порівняльний аналіз методів виявлення аномалій — порогових правил, SVM, Random Forest, MLP та одновимірних CNN — і обґрунтовано перевагу архітектури LSTM для задач класифікації телеметричних часових рядів. Детально описано процес підбору гіперпараметрів, передобробку даних, формування ковзних вікон та оцінку якості моделі на стратифікованій тестовій вибірці.

Результати та висновки. Модель навчено на наборі даних із 12 253 записів MAVLink-телеметрії з розміченими п'ятьма класами стану: нормальний політ, аномалія GPS, аномалія IMU, відмова двигуна та втрата RC-зв'язку. Загальна точність класифікації на тестовому наборі становить 99 %, зважена F1-міра — 0,99, що перевищує результати методів без урахування часової структури (SVM: 83—87 %). Класи GPS Anomaly, IMU Anomaly та Engine Anomaly класифікуються з F1 = 1,00 завдяки чітким сигнатурам у відповідних сенсорних каналах. Клас RC Anomaly є найскладнішим для розпізнавання (recall = 0,87) через малу кількість тренувальних прикладів та часткову схожість початкової фази втрати зв'язку з нормальним польотом. Час обробки одного вікна на CPU становить менше 2 мс, що забезпечує функціонування системи у режимі реального часу без спеціалізованого апаратного забезпечення. Розроблений демонстраційний модуль підтвердив час виявлення аномалії 1,2—1,8 с від початку відмови, що є достатнім для активації аварійних процедур автопілота.