Pierre-Yves Brulin
Pierre-Yves Brulin has a total of 2 co-authors. Here are the top co-authors by number of shared publications:
- Fouad Khenfri
École Supérieure des Techniques Aéronautiques et de Construction Automobile, ESTACA’Lab—Laval, F-53000 Laval, France
1 shared publication - Nassim Rizoug
ESTACA’Lab-Laval, École Supérieure des Techniques Aéronautiques et de Construction Automobile (ESTACA), F-53000 Laval, France
1 shared publication
Latest Publications
- 9 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Optimisation de la reconfiguration automatique et du diagnostic des actionneurs d'un drone modulaire
Les drones sont aujourd'hui liés à de nombreux secteurs d'activité et leur nombre est en constante augmentation sur le marché mondial. Hexadrone, constructeur français de multirotor, a développé une structure de drone ayant pour vocation une multiplicité des usages avec comme objectif une modification matérielle restreinte pour effectuer différentes missions. L'objectif de cette thèse est de développer une architecture logicielle et matérielle évolutive et connectée suivant les contraintes liées à chaque métier/application. Le développement des fonctions est basé sur la reconnaissance des modules connectés au drone pour le diagnostic des actionneurs et la reconfiguration automatique du contrôleur, pour prendre en considération chaque évolution de la structure. L'étude se compose de deux axes de développement : Le diagnostic des actionneurs du drone, basé sur l'analyse des données issues de capteurs spécifiques, qui seront analysées en temps réel afin de garantir la sécurité du drone et de ses utilisateurs ; la reconnaissance des éléments modulables du drone à partir de sous-ensembles interchangeables (charges utiles, actionneurs pour passer d'une motorisation aérienne à une terrestre ou maritime, etc.), détectés automatiquement par l'ordinateur de bord qui en adaptera le comportement de la machine.
- 9 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Optimisation de la reconfiguration automatique et du diagnostic des actionneurs d'un drone modulaire
Les drones sont aujourd'hui liés à de nombreux secteurs d'activité et leur nombre est en constante augmentation sur le marché mondial. Hexadrone, constructeur français de multirotor, a développé une structure de drone ayant pour vocation une multiplicité des usages avec comme objectif une modification matérielle restreinte pour effectuer différentes missions. L'objectif de cette thèse est de développer une architecture logicielle et matérielle évolutive et connectée suivant les contraintes liées à chaque métier/application. Le développement des fonctions est basé sur la reconnaissance des modules connectés au drone pour le diagnostic des actionneurs et la reconfiguration automatique du contrôleur, pour prendre en considération chaque évolution de la structure. L'étude se compose de deux axes de développement : Le diagnostic des actionneurs du drone, basé sur l'analyse des données issues de capteurs spécifiques, qui seront analysées en temps réel afin de garantir la sécurité du drone et de ses utilisateurs ; la reconnaissance des éléments modulables du drone à partir de sous-ensembles interchangeables (charges utiles, actionneurs pour passer d'une motorisation aérienne à une terrestre ou maritime, etc.), détectés automatiquement par l'ordinateur de bord qui en adaptera le comportement de la machine.
- 10 January 2024
- Published by Institute of Electrical and Electronics Engineers (IEEE) in IEEE Transactions on Vehicular Technology
- Vol. 73 (4) , 4671-4682
Generating Fault Databases Through Simulated and Experimental Multi-Rotor UAV Propulsion Systems
A light-gray-box simulation model is proposed for a multi-rotor propulsion chain designed to inject various faults into the system to generate fault behavior data sets. The model integrates the electrical and thermal characteristics of each component to model the interactions between components when faults are introduced. The simulated model is compared with an experimental test bench incorporating real hardware components, on which various faults can be injected to assess the accuracy of the simulated model. The propulsion chain consists of an Electronic Speed Controller, a Permanent Magnet Synchronous Motor, and a propeller. The faults considered are introduced on the three components of the propulsion chain. Electronic Speed Controller faults are applied to the power transistors; motor failures are open circuit, overheating and friction; and propeller failures are blade breakage and propeller loss. Using simulation of components with various failures, the model is designed to generate scalable, systematic, and reproducible behavior datasets for the development of fault detection systems which would eliminate the need for real hardware components.
- 10 January 2024
- Published by Institute of Electrical and Electronics Engineers (IEEE) in IEEE Transactions on Vehicular Technology
- Vol. 73 (4) , 4671-4682
Generating Fault Databases Through Simulated and Experimental Multi-Rotor UAV Propulsion Systems
A light-gray-box simulation model is proposed for a multi-rotor propulsion chain designed to inject various faults into the system to generate fault behavior data sets. The model integrates the electrical and thermal characteristics of each component to model the interactions between components when faults are introduced. The simulated model is compared with an experimental test bench incorporating real hardware components, on which various faults can be injected to assess the accuracy of the simulated model. The propulsion chain consists of an Electronic Speed Controller, a Permanent Magnet Synchronous Motor, and a propeller. The faults considered are introduced on the three components of the propulsion chain. Electronic Speed Controller faults are applied to the power transistors; motor failures are open circuit, overheating and friction; and propeller failures are blade breakage and propeller loss. Using simulation of components with various failures, the model is designed to generate scalable, systematic, and reproducible behavior datasets for the development of fault detection systems which would eliminate the need for real hardware components.