Project Description

Insta dronen lennätys
  • Yhteistyön avulla saatiin aikaiseksi monipuolinen projekti 

  • Lentotelemetrian käsittelyyn tarvitaan paljon laadukasta ja vertailukelpoista dataa 

  • Koneoppimisen avulla voitaisiin saada aikaan merkittävä vaikutus lentoturvallisuuteen 

Yritykset 

Tänä päivänä Insta on yli tuhannen hengen teknologiakonserni ja turvallisen digitalisaation edelläkävijä. Ihmiset, osaaminen ja vastuullisuus ovat yrityskulttuurimme kivijalka, jonka pohjalle strategiamme rakentuu myös tulevaisuudessa.” 

Ilmatieteen laitos tuottaa havainto- ja tutkimustietoa ilmakehästä, lähiavaruudesta ja meristä. 

Lennokkaat tavoitteet asetetiin kokeelliselle projektille 

Asiakkaat halusivat selvittää voiko dronen lentotelemetriasta päätellä luotettavasti tuuliolosuhteita ja sään lentokelpoisuutta. Insta on erikoistunut miehittämättömien lentoalusten ohjaamiseen ja tarjosi tukea ja neuvoja dronen valmisteluun. Heitä kiinnosti erityisesti jäätävyyden havainnointi. Ilmatieteenlaitos tarjosi konetekniikan opiskelijoille merkittävää apua dronen lennättämiseen ja heidän laitteiston hyödyntämisen. 

Projekti toteutettiin yhdessä Ilmatieteen laitoksen ja Insta Group Oy:n kanssa. Projekti aloitettiin syyskuussa 2020 jakamalla tavoitteet kahden erilliseen työryhmän vastuille, konetekniikan ja IT-opiskelijoiden ryhmiin. Koneautomaatio opiskelijoiden vastuulla oli dronen kokoonpano, anturien asennus sekä datan kerääminen, kun taas IT-opiskelijoiden vastuulla oli datan prosessointi ja analysointi.  

Tavoitteena oli varustaa drone tuuli-, lämpötila-, kosteus- ja ilmanpaineanturilla ja tehdä onnistuneita testilentoja. Tarkoituksena oli kerätä laadukasta dataa, jonka avulla saataisiin lisää tietoa lento-olosuhteista ja jäätävyydestä. Tietojen luotettavuutta oli tarkoitus mitata. Insta oli kiinnostunut jäätämisen havainnoimisesta dronen telemetriasta ja mahdollisesti koneoppimismalli kehittämisestä sen havainnointiin ja ihanteellisesti välittää jäätämistieto ohjauskäskynä dronelle takaisin. Ilmatieteen laitoksen rajapintaa käytettiin hyödyksi datan hyödyntämiseen. Jäätämisellä tarkoitetaan ilmiötä, jossa jäätä kerrostuu jonkin esineen pintaan useimmiten johtuen alijäähtyneestä sateesta. Jäätäminen aiheuttaa riskejä turvalliseen ja onnistuneeseen lentämiseen.  

Dronen kokoaminen ja sensoreiden kiinnitys vaikutti datan luotettavuuteen 

Dronen valinnassa kriteereitä olivat dronen hinta, hyötykuorman kantokyky ja pääsy telemetriadataan. Tämän vuoksi valittiin lentovalmis rakennussarja, jossa oli ilmatieteenlaitoksen laitteiden kanssa yhteensopiva lennonohjain. Ilma-aluksen kokoaminen vei suunniteltua enemmän aikaa kuin suunniteltiin. 

Konsultoitiin Ilmatieteen laitoksen drone-ammattilaista sensoreista, ja lopulta he lupasivat lainata meille kaikki tarvittavat sensorit projektia varten. Ilmatieteenlaitos tarjosi käyttöön lämpötila-, kosteus-, ilmanpaine- ja tuulianturipaketin. Erityisesti kevyen ja edullisen tuulianturin löytäminen olisi ollut hankala tehtävä. 

Marraskuun kolmantena päivänä tiimi vieraili ilmatieteen laitoksen tiloissa, jossa drone mittaiin, jotta tuulianturille voitaisiin valmistaa sopiva teline. Ilmatieteen laitoksen drone-vastaava oli myös valmistellut ryhmää varten anturipaketin, johon sisältyi käyttövalmis Raspberry Pi -mikrokontrolleri datankeruu-skripteineen, sekä BME 280-sensori. Anturit asennettiin droneen jo seuraavana päivänä. 

Onnistuneiden testilentojen jälkeen asennettiin lisää laitteita droneen, myös tuulianturi ja sen teline. Tuulianturi oli asennettava pitkän hiilikuituputken päähän noin 40 cm etäisyydelle propelleista, jotta propellien aiheuttama ilmavirtaus ei vaikuttaisi tuulilukemiin. Kun myös tuulianturi oli saatu asennettua, käytiin suorittamassa vielä toinen testilento. Lento onnistui ilman minkäänlaisia ongelmia ja siitä saatiin talteen myös hyvänlaatuista anturi-dataa. 

Projektiryhmä vieraili ilmatieteen laitoksen havaintoasemalla Jokioisissa marraskuussa ja testilentojen aikana havaittiin ongelmia lentokorkeudessa. Drone oli lähes hallitsematon automaattisessa lentotilassa. Tämä oli todella ongelmallista, koska vertailukelpoisen ja luotettavan datan saamiseksi tulisi lentokorkeuden oltava sama kuin sääaseman kiinteä tuulianturi.  

Epäonnistuneiden Jokioisten lentojen jälkeen ryhdyttiin selvittämään ongelmien aiheuttajia. Dronea kokeiltiin lennättää ilman TriSonica-tuulianturia. Lentojen aikana huomattiin, että hiilikuitutangon päähän asetettu painolasti näytti aiheuttavan vipuvoimaa, joka vahvisti tuulen vaikutuksesta tapahtuvia dronen heilahteluita. Poistamalla toinen akku onnistuttiin tasapainottamaan lentoa. Vaikka lento onnistuuttiin tasamaan, ei tuulenpuuskien vaikutuksilta voinut välttyä. Drone heiluu ilmassa tuulenpuskien vaikutuksesta, mikä vaikuttaa tuulianturin lukemiin. 

Renalaskentaa Nvidian Jetson Nanolla

Datan analysointiin yksinkertaisella tasolla Microsoft Excelissä ja visualisoitiin piirtämällä kaavioita ja kuvioita. Reunalaskentaa varten kokeiltiin Nvidian Jetson Nanoa. Tiiviin aikataulun takia Scikit-learnilla tehtiin vain yksinkertaista datan prosessointia. Raakadatassa olevat otsikot saatiin Jupyterissa kohdistettua omiin kenttiinsä ja päivämäärä ja kellonaika yhdistettyä yhteen kenttään. Seuraava askel olisi ollut saada tämä taulukko koneoppimisen käsittelyyn, jotta sitä olisi voinut verrata vertailudataan ja etsiä poikkeamia, jotka kertoisivat poikkeamista lennätysolosuhteissa. 

Projektia varten onnistuuttiin valita ja koota sopiva drone ja varustaa sen tarkoitukseen sopivilla antureilla. Suoritimme myös useita lentoja, joista saatiin kerättyä hyvänlaatuista dataa. 

Jäätämistä tutkittiin projektiassistentin työssä 

Tiukan aikataulun takia emme valitettavasti ehtineet käytännön tasolla tutkia jäätämisen vaikutusta dronen käyttäytymiseen. Jäätämiseen liittyen tehtiin kuitenkin taustatyötä, mm. selvittämällä olosuhteita, joissa jäätämistä esiintyy. 

Toimivaa koneoppimismallia saatu aikaan, mutta dataa saatiin visualisoitua Excelin ja Scikit-learnin avulla. Valitettavasti konetekniikan opiskelijat eivät myöskään päässeet lentämään olosuhdehuoneessa tai ulkona tilanteissa, joissa droonin lapoihin alkaisi muodostumaan jäätä, joten datan vertaaminen jäi vajaaksi. 

Projektiassistentti jatkoi työtä varustamalla dronen anturilla, joka mittasi ympäristöstä lämpötilaa, kosteutta, ilmanpainetta ja korkeutta. Hän onnistui myös rakentamaan lähetyslaatikon, joka lähetti lennossa Ilmatieteen laitokselle nämä mitatut parametrit, sekä sijainnin. Järjestelmä oli varustettu internet-yhteydellä, eikä ollut riippuvainen WLAN-verkoista lennon aikana. Työn lopputuloksena saatiin onnistunut mittaus- ja lähetysjärjestelmä, joka mahdollisti reaaliaikaisen mittauksen ja lähetyksen. Datan lähetys onnistui Ilmatieteen laitoksen kokeelliseen rajapintaan 

Jäätämisen havainnointiin kehitettiin IR-ledillä toimiva järjestelmä. Lähetyslaatikon kansi oli heijastava, josta mitattiin infrapunalla heijastavuutta. Jäätyessä heijastavuus laski, jolloin ymmärretään jäätämistä tapahtuvan. Projektin aikana tuli paljon vastoinkäymisiä, jotka monet liittyivät dronen rikkoutumiseen. Osien hidas saatavuus ja projektin lyhyt kesto aiheuttivat rajoituksia. Telemetriasta havaittiin mahdollista tavoitekorkeuden ja todellisen korkeuden eroa, joka voi olla merkki jäätävistä olosuhteista. Koneoppimismalli jäi lopulta toteutumatta pääosin ajan puutteen vuoksi. 

Dronen itsenäinen lentäminen turvallisesti ja luotettavasti vaatii sisäistä sekä ulkoista dataa ja mahdollisuuden lähettää sitä käsiteltäväksi. Tutkimuksen tarpeellisuus kertoo siitä, että vaarojen havainnointi ei liity pelkästään muihin aluksiin tai lentoreitin esteisiin vaan myös sääolosuhteisiin ja dronen sisäiseen dataan. Työn olennainen osa oli tutkia dronejen hyödyntämistä yrityksissä. 

Dronen ensilento