DETECÇÃO INTELIGENTE DE ANOMALIAS EM HÉLICES DE VANTS – UM ESTUDO DE CASO

Abstract

O avanço dos Veículos Aéreos Não Tripulados (VANTs) no contexto da guerra moderna e das aplicações civis DIY impõe demandas crescentes por sistemas de monitoramento autônomo de integridade estrutural. Embora existam soluções comerciais robustas para grandes aeronaves, o segmento de drones DIY carece de ferramentas acessíveis capazes de operar sem dependência de infraestrutura de nuvem. Este trabalho propõe e valida um sistema de detecção inteligente de anomalias em hélices de VANTs, fundamentado em técnicas de TinyML e Edge AI embarcadas em microcontrolador de baixo custo. Uma bancada experimental estática foi construída utilizando um motor brushless D2836, controlado por ESC de 40 A, com um Arduino Nano 33 BLE Sense fixado solidariamente ao conjunto motor-hélice para captura de dados inerciais via acelerômetro MEMS. O pipeline de aprendizado de máquina, implementado na plataforma Edge Impulse, empregou análise espectral por Transformada Rápida de Fourier (FFT) para extração de características e uma Rede Neural Densa (DNN) para classificação de quatro estados operacionais: Motor Parado, Motor Ligando, Motor Ligado e Anomalia na Hélice. A anomalia foi induzida de forma controlada e reversível por meio da fixação de massa assimétrica em uma das pás da hélice. O modelo embarcado atingiu 91,9% de acurácia, F1-Score ponderado de 0,91 e área sob a curva ROC (AUC) de 1,00 no conjunto de validação, com tempo de inferência de 46 ms e consumo de apenas 10KB de RAM no dispositivo. Os resultados confirmam que é possível realizar manutenção preditiva autônoma em VANTs DIY com hardware acessível, dispensando conectividade com servidores externos e contribuindo para a segurança operacional de voo.