Cómo anticipar una falla en un vehículo aéreo con machine learning
En la actualidad es cada vez más frecuente la utilización de vehículos aéreos no tripulados para entregar paquetes, inspeccionar infraestructura civil e, incluso, transportar personas. A medida que aumenta el uso de estas tecnologías autónomas, los riesgos asociados a un funcionamiento incorrecto adquieren mayor relevancia. En distintas industrias, la preocupación por garantizar su operación segura se volvió central, para que el vehículo pueda seguir funcionando o aterrizar de forma segura en caso de que ocurra una falla en alguno de sus componentes. Juan Giribet y Claudio Pose, profesores del Departamento de Ingeniería de la Universidad de San Andrés, junto a José Ignacio González Etchemaite, exploran cómo diagnosticar las posibles fallas que pueden ocurrir en este tipo de vehículos, sobre todo cuando afectan a algunos de sus elementos más críticos. “Al tener un alto grado de autonomía es necesario que estos vehículos sean capaces de percibir sus propias fallas y actuar en consecuencia”, explica Giribet.
Los investigadores propusieron un método para diagnosticar fallas en los motores de vehículos aéreos multirrotor en un artículo publicado recientemente en la revista académica Unmanned Systems. A partir de técnicas de aprendizaje estadístico demostraron que es posible entrenar algoritmos que monitoreen continuamente el vehículo, posean la capacidad de detectar anomalías en un instante dado e identifiquen el origen de la falla. A tal efecto, construyeron un modelo algorítmico nutrido por un conjunto extenso de datos de vuelo generados artificialmente mediante un simulador. Esta herramienta computacional consideró múltiples parámetros que varían en un vuelo, desde el peso del vehículo y su distribución o el desgaste del rotor o de la hélice, incluyendo la aparición de vientos y otras perturbaciones. En vuelos experimentales, los investigadores validaron que el modelo puede ser satisfactoriamente implementado en un escenario real, dado que es posible utilizarlo para luego tomar medidas correctivas de forma automática que garantizan la continuidad del funcionamiento del vehículo en un tiempo adecuado.
El modelo de detección de fallas propuesto empleó técnicas de inferencia a partir de datos, sin sacrificar garantías de seguridad. “Nuestro desafío fue lograr un margen cero de tolerancia al error. A diferencia de las recomendaciones que ofrecen las plataformas de streaming que operan por machine learning y ocasionalmente recomiendan contenido que no es de nuestro interés, una falla en un avión podría significar una catástrofe”, sostiene González Etchemaite. Los autores del trabajo advierten la necesidad de supervisar adecuadamente esta herramienta que, en un principio, pareció proporcionar soluciones para cualquier clase de problema. “Estamos tomando conciencia de cuáles son los beneficios y limitaciones del machine learning. La ansiedad que generó ChatGPT y el imaginario relacionado con la inteligencia artificial hoy está decantando y solo sobreviven las aplicaciones que realmente la requieren”, reflexionan los investigadores.