Feildeteksjon og thrust-kompensasjon for personbåren mikroturbin-jetsuit

Feildeteksjon og thrust-kompensasjon for personbåren mikroturbin-jetsuit

Prosjektet tar utgangspunkt i en jetsuit bygget med flere KingTech K-180 mikroturbiner, styrt via Teensy/PWM, der pilot regulerer løft og retning gjennom kroppsposisjon ved fast throttle. Siden produsentens ECU/S-bus-protokoll er lukket, krever prosjektet egen instrumentering — enten via reverse-engineert avlytting av ECU→GSU-bussen (dokumentert mulig for K180 G5) og/eller uavhengige sensorer (vibrasjon/IMU, evt. supplerende RPM/EGT).

Sikkerhetsrammeverket bygger på STPA (System-Theoretic Process Analysis): en kontrollstruktur, tap/hazard-liste og konkrete Unsafe Control Actions er utledet for systemet, med eksplisitt avgrensning mot en sertifisert sikkerhetsanalyse.

Kjernebidraget er en trelags kontrollarkitektur: (1) refleks — umiddelbar, terskelbasert momentreduksjon på motstående motor ved detektert RPM-fall; (2) reallokering — gradvis, EGT-begrenset gjenoppbygging av total thrust via optimering (QP) på gjenværende motorer; (3) diagnose — ML-basert klassifisering av feiltype (sensorfeil, drivstoffkavitasjon, degradering) for å forbedre lag 2 underveis.

Beslektet arbeid finnes (iRonCub ved IIT: RPM-basert feildeteksjon og QP-reallokering, validert i simulering på en jetdrevet humanoid robot). Nyhetsverdien i denne oppgaven ligger i empirisk validering på ekte, egeninstrumentert maskinvare i en person-bærende kontekst der pilotens egen (uforutsigbare) armrespons er del av kontrollsløyfen — noe robotkonteksten ikke fanger.

Lag 1 og 2 evalueres empirisk på en statisk thrust-rigg med lastceller og kontrollert, repeterbar feilinjeksjon (drivstoffstrupe, spenningsfall, sensorfeil). Lag 3 evalueres mot syntetisk injiserte og litteraturbaserte feilsignaturer, siden farlige feilmodi (stall, lagerhavari, FOD) ikke kan fremprovoseres trygt på ekte maskinvare.

Oppgaven passer godt for en student med interesse for embedded systemer, sanntidsstyring og sensorintegrasjon, kombinert med ML/optimering — uten krav om formell sikkerhetsfaglig bakgrunn, siden safety-rammeverket brukes til å utlede testbare krav, ikke til å garantere sikkerhet.

https://gravity.co/

Published Sep. 17, 2026 10:49 PM - Last modified Sep. 17, 2026 10:49 PM

Supervisor(s)

Scope (credits)

60