Cientifica, ISSN 2594-2921, vol. 30, no. 2, July-December 2026.
DOI: 10.46842/ipn.cien.v30n2a04
Controlled Neural ODE and GRU Models for Physics-Based Multiclass Fault Detection in Quadrotor Drones
Modelos Neural ODE controlados y GRU para detección multiclase de fallas basada en física en drones cuadrorrotor
Recibido 16/06/2026, aceptado 24/08/2026, publicado 31-08-2026.
Abstract
This paper presents a fault-diagnosis methodology for detecting progressive faults in quadrotor drones using a controlled Neural ODE network and a GRU recurrent baseline. Training and evaluation data were obtained from a numerical simulation of the physical system, including vehicle dynamics, battery electrical behavior, motor thermal response, and randomly scheduled long-duration degradations. The fault modes considered are battery degradation, loss of motor effectiveness, and overheating. Simulated telemetry was corrupted with measurement noise and slow sensor drift to approximate realistic operating conditions. The analysis compares a continuous latent-space formulation with a discrete recurrent architecture under the same temporal-window representation, class definitions, and evaluation criteria. The proposed framework provides a reproducible basis for studying early incipient fault diagnosis in unmanned aerial vehicles prior to experimental validation using flight logs.
Resumen
Este trabajo presenta una metodología de diagnóstico para detectar fallas progresivas en drones cuadrorrotadores mediante una red Neural ODE controlada y una red GRU utilizada como referencia recurrente. La información de entrenamiento y evaluación se obtuvo mediante una simulación numérica que integra la dinámica de vuelo, el comportamiento eléctrico de la batería, la eficiencia de los motores, el calentamiento térmico y el ruido de los sensores. Las fallas consideradas corresponden a la degradación de la batería, la pérdida de efectividad del motor y el sobrecalentamiento, con inicios aleatorios y evoluciones graduales, para representar escenarios de larga duración. El estudio compara ambas arquitecturas bajo la misma partición de datos, las mismas clases y la misma función de pérdida, de modo que la evaluación se enfoque en su capacidad para extraer patrones temporales a partir de la telemetría. El manuscrito desarrolla los modelos físicos empleados para generar las señales, define la formulación de aprendizaje, describe la configuración de la simulación numérica y organiza los resultados mediante tablas y figuras que permiten interpretar la clasificación multiclase y la detección de operaciones anómalas.
Index terms: battery fault, controlled Neural ODE,
drone fault detection, gated recurrent unit, overheating fault.
Palabras clave: detección de fallas, dron cuadrorrotor,
red Neural ODE, red GRU, simulación numérica.
ISO 690 reference:
Solís Cervantes, César;
Morales Mercado, Jorge;
Montelongo Vázquez, Carlos;
Sonck Martínez, Gerardo,
2026,
Controlled Neural ODE and GRU Models for Physics-Based Multiclass
Fault Detection in Quadrotor Drones,
Científica, vol. 30, no. 2,
ISSN 2594-2921, e300204,
DOI: 10.46842/ipn.cien.v30n2a04
