CN108597057A - 一种基于噪音深度学习的无人机故障预测诊断系统及方法 - Google Patents

Abstract

本发明公开了一种基于噪音深度学习的无人机故障预测诊断系统及方法，包括云端中心，由服务器搭建而成，完成无人机噪音数据的深度学习训练，并将无人机的噪音进行分类，识别出具体故障；无人机模块，在无人机模块中配置有网络通信单元、计算单元、存储单元和噪音采集单元，噪音采集单元用于获取无人机的噪音数据；网络通信单元用于实现无人机模块与云端中心的通信连接；计算单元用于确定噪音对应的故障；存储单元用于存储数据。本发明的一种基于噪音深度学习的无人机故障预测诊断系统及方法与现有技术相比，能够综合其它因素结合声音深度学习模型进行预测性维护，提前故障预警和定位故障位置，实用性强，适用范围广泛，具有很好的推广使用价值。

Description

一种基于噪音深度学习的无人机故障预测诊断系统及方法

技术领域

本发明涉及人工智能领域，具体地说是一种基于噪音深度学习的无人机故障预测诊断系统及方法。

背景技术

无人驾驶飞机简称“无人机”，英文缩写为“UAV”，是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机，或者由车载计算机完全地或间歇地自主地操作。

随着无人机技术的发展以及关键零组件成本持续下降，大大降低了开发无人机系统的门槛，这也使得无人机得到了广泛的应用， 目前已经用在影视航拍、农林植保、快递运输、灾难救援、测绘、新闻报道、电力巡检等领域。无人机的体积和重量也在不断变小以适应更广的应用场景，同时无人机也变得更加智能，自动避障、自动跟踪目标等智能化功能都开始普及。

近年来，人工智能技术发展迅速，其商业化速度超出预期，人工智能将会给整个社会带来颠覆性的变化，已经成为未来各国重要的发展战略。特别是以深度学习为核心的算法演进，其超强的进化能力，在大数据的支持下，通过训练构建得到类似人脑结构的大规模卷积神经网络，已经可以解决各类问题。随着无人机的普及，其故障分析诊断成为关注的问题，由于无人机工作时间基本都在空中，产生的声音成为其比较有效的运行特征，硬件故障将会带来严重的后果，在这种情况下，如何有效利用深度学习技术结合声音采集，预测分析无人机故障成为一个亟需解决的问题。

发明内容

本发明的技术任务是针对以上不足之处，提供一种基于噪音深度学习的无人机故障预测诊断系统及方法。

一种基于噪音深度学习的无人机故障预测诊断系统，包括，

云端中心，由服务器搭建而成，完成无人机噪音数据的深度学习训练，并将无人机的噪音进行分类，识别出具体故障；

无人机模块，在无人机模块中配置有网络通信单元、计算单元、存储单元和噪音采集单元，其中噪音采集单元用于获取无人机的噪音数据；网络通信单元用于实现无人机模块与云端中心的通信连接，实现采集的噪音数据上传至云端中心，同时将云端中心的深度学习训练结果发送给无人机，再通过计算单元确定噪音对应的故障，及时发出故障报警及故障定位；存储单元用于存储采集的数据及云端中心发送来的数据。

所述无人机模块配置有若干个，且每个无人机模块均通过网络通信模块连接至云端中心。

一种基于噪音深度学习的无人机故障预测诊断方法，其实现过程为：

一、首先在云端中心收集声音数据，然后进行深度学习训练，得到通用声音识别模型；

二、通用声音识别模型采集无人机噪音历史数据并进行训练，将无人机产生的噪音进行分类，并将分类后的噪音与故障原因对应起来，从而识别出具体故障原因，然后将训练结果网络传输给无人机；

三、实时收集无人机运行中产生的噪音，并在出现故障时发出报警信息，确定故障位置，并将噪音信息数据发送给云端继续分析训练。

所述步骤二中网络传输给无人机的训练结果是无人机个性化噪音深度学习模型，该无人机个性化噪音深度学习模型的生成过程为：云端中心基于通用声音识别模型，通过采集的无人机噪音历史数据进行训练，对无人机产生的噪音进行分类，识别出具体故障原因，生成的模型即无人机个性化噪音深度学习模型，然后再将训练得到的无人机个性化噪音深度学习模型下载到无人机存储单元中。

所述步骤三中实时收集的噪音是指通过噪音采集单元采集无人机运行过程中产生的噪音数据，该噪音数据包括机械噪音、宽带噪音、旋转噪音、脉动噪音、气动噪音数据。

所述云端中心在无人机模块上传采集的噪音数据和故障数据后，进行故障诊断分析，完成优化训练，从而提高模型的预测准确率，提供辅助决策及预测性维护功能。

本发明的一种基于噪音深度学习的无人机故障预测诊断系统及方法和现有技术相比，具有以下有益效果：

本发明的一种基于噪音深度学习的无人机故障预测诊断系统及方法，充分考虑到无人机的实际运行环境，利用运行产生的噪音这一特征项作为无人机故障分析诊断的核心因素，结合深度学习技术，在云端使用大量声音数据进行训练，并结合无人机实际运行环境，产生具有个性化的识别无人机故障噪音模型，同时在无人机上实时采集，实时反馈，实时故障报警，且本发明提供的技术能够综合其它因素结合声音深度学习模型进行预测性维护，提前故障预警和定位故障位置，实用性强，适用范围广泛，具有很好的推广使用价值。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

附图1是本发明系统结构示例图。

附图2是本发明方法实现流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明的方案，下面结合具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如附图1所示，一种基于噪音深度学习的无人机故障预测诊断系统，利用云端聚集大量计算资源，结合大数据分析，将海量声音数据进行深度学习训练，得到通用声音识别模型，再通过采集的无人机噪音历史数据进行训练，对无人机产生的噪音进行分类，识别出具体故障原因；无人机通过声音检测传感装置收集无人机运行中产生的噪音，并利用无人机核心计算单元进行推理，实时故障报警，同时将噪音信息保存在无人机存储单元中；另外，无人机还存在网络传输模块，将噪音信息数据发送到云端用于分析训练。

其结构包括，

云端中心，由服务器搭建而成，完成无人机噪音数据的深度学习训练，并将无人机的噪音进行分类，识别出具体故障；

无人机模块，为了实现噪音采集分析推理，在无人机模块中配置有网络通信单元、计算单元、存储单元和噪音采集单元，其中噪音采集单元用于获取无人机的噪音数据；网络通信单元用于实现无人机模块与云端中心的通信连接，实现采集的噪音数据上传至云端中心，同时将云端中心的深度学习训练结果发送给无人机，再通过计算单元确定噪音对应的故障，及时发出故障报警及故障定位；存储单元用于存储采集的数据及云端中心发送来的数据。

所述无人机模块配置有若干个，且每个无人机模块均通过网络通信模块连接至云端中心。

如附图2所示，一种基于噪音深度学习的无人机故障预测诊断方法，为了实现无人机的噪音采集分析推理，利用无人机的核心计算单元进行实时计算和推理，通过存储单元来存储推理模型和噪音数据，并加装噪音采集单元，即声音检测用的各种传感装置来实时采集无人机运行过程中产生的噪音数据，再利用网络通信单元完成无人机本地数据上传到云端。另外，云端会持续收集噪音数据进行模型优化，并综合其它因素结合声音深度学习模型进行预测性维护，提前故障预警和定位故障位置。

该方法基于上述一种基于噪音深度学习的无人机故障预测诊断系统，其实现过程为：

一、首先在云端中心收集声音数据，然后进行深度学习训练，得到通用声音识别模型；

二、通用声音识别模型采集无人机噪音历史数据并进行训练，将无人机产生的噪音进行分类，并将分类后的噪音与故障原因对应起来，从而识别出具体故障原因，然后将训练结果网络传输给无人机；

三、实时收集无人机运行中产生的噪音，并在出现故障时发出报警信息，确定故障位置，并将噪音信息数据发送给云端继续分析训练。

所述步骤二中网络传输给无人机的训练结果是无人机个性化噪音深度学习模型，该无人机个性化噪音深度学习模型的生成过程为：云端中心基于通用声音识别模型，通过采集的无人机噪音历史数据进行训练，对无人机产生的噪音进行分类，识别出具体故障原因，生成的模型即无人机个性化噪音深度学习模型，然后再将训练得到的无人机个性化噪音深度学习模型下载到无人机存储单元中。

所述步骤三中实时收集的噪音是指通过噪音采集单元采集无人机运行过程中产生的噪音数据，该噪音数据包括机械噪音、宽带噪音、旋转噪音、脉动噪音、气动噪音数据。

所述云端中心在无人机模块上传采集的噪音数据和故障数据后，进行故障诊断分析，完成优化训练，从而提高模型的预测准确率，提供辅助决策及预测性维护功能。

进一步的，本发明中用于无人机故障诊断及预测分析方法，具体步骤如下：

步骤101、所述的云端中心聚集大量计算资源，利用海量声音数据进行进行深度学习训练，得到通用声音识别模型。

步骤102、所述的云端中心基于通用声音识别模型，通过采集的无人机噪音历史数据进行训练，对无人机产生的噪音进行分类，识别出具体故障原因，生成无人机个性化噪音深度学习模型。

步骤103、所述的无人机将所述的云端中心训练得到的噪音深度学习模型下载到无人机存储单元中。

步骤104、所述的无人机利用其声音检测传感装置采集无人机运行过程中产生的噪音数据并保存在本地存储单元，噪音数据包括机械噪音、宽带噪音、旋转噪音、脉动噪音、气动噪音等数据。

步骤105、所述的无人机利用收集的噪音数据基于本地噪音深度学习模型使用核心计算单元进行实时推理，并进行反馈。

步骤106、所述的无人机如果识别出运行故障，则发送故障报警通知，并做出相应的应急动作，保护无人机设备，同时记录下故障信息。

步骤107、所述的无人机在网络允许的情况下，将本地存储的噪音数据及故障数据，利用网络通信单元上传到云端中心。

步骤108、所述的云端中心利用所述的无人机采集的噪音数据和故障数据，进行优化训练，提高模型的预测准确率。

步骤109、所述的云端中心综合多种因素，利用所述的无人机采集的噪音数据和故障数据，结合无人机其他故障检测因素，进行故障诊断分析，提供辅助决策，同时云端中心提供预测性维护功能。

步骤110、循环执行步骤101至步骤109，持续优化推理及预测模型，满足无人机个性化需求，提升无人机工作效率。

通过上面具体实施方式，所述技术领域的技术人员可容易的实现本发明。但是应当理解，本发明并不限于上述的具体实施方式。在公开的实施方式的基础上，所述技术领域的技术人员可任意组合不同的技术特征，从而实现不同的技术方案。

除说明书所述的技术特征外，均为本专业技术人员的已知技术。

Claims (6)

1.一种基于噪音深度学习的无人机故障预测诊断系统，其特征在于，包括，

云端中心，由服务器搭建而成，完成无人机噪音数据的深度学习训练，并将无人机的噪音进行分类，识别出具体故障；

无人机模块，在无人机模块中配置有网络通信单元、计算单元、存储单元和噪音采集单元，其中噪音采集单元用于获取无人机的噪音数据；网络通信单元用于实现无人机模块与云端中心的通信连接，实现采集的噪音数据上传至云端中心，同时将云端中心的深度学习训练结果发送给无人机，再通过计算单元确定噪音对应的故障，及时发出故障报警及故障定位；存储单元用于存储采集的数据及云端中心发送来的数据。

2.根据权利要求1所述的一种基于噪音深度学习的无人机故障预测诊断系统，其特征在于，所述无人机模块配置有若干个，且每个无人机模块均通过网络通信模块连接至云端中心。

3.一种基于噪音深度学习的无人机故障预测诊断方法，其特征在于，基于上述无人机故障预测诊断系统，其实现过程为：

一、首先在云端中心收集声音数据，然后进行深度学习训练，得到通用声音识别模型；

二、通用声音识别模型采集无人机噪音历史数据并进行训练，将无人机产生的噪音进行分类，并将分类后的噪音与故障原因对应起来，从而识别出具体故障原因，然后将训练结果网络传输给无人机；

三、实时收集无人机运行中产生的噪音，并在出现故障时发出报警信息，确定故障位置，并将噪音信息数据发送给云端继续分析训练。

4.根据权利要求3所述的一种基于噪音深度学习的无人机故障预测诊断方法，其特征在于，所述步骤二中网络传输给无人机的训练结果是无人机个性化噪音深度学习模型，该无人机个性化噪音深度学习模型的生成过程为：云端中心基于通用声音识别模型，通过采集的无人机噪音历史数据进行训练，对无人机产生的噪音进行分类，识别出具体故障原因，生成的模型即无人机个性化噪音深度学习模型，然后再将训练得到的无人机个性化噪音深度学习模型下载到无人机存储单元中。

5.根据权利要求3所述的一种基于噪音深度学习的无人机故障预测诊断方法，其特征在于，所述步骤三中实时收集的噪音是指通过噪音采集单元采集无人机运行过程中产生的噪音数据，该噪音数据包括机械噪音、宽带噪音、旋转噪音、脉动噪音、气动噪音数据。

6.根据权利要求3所述的一种基于噪音深度学习的无人机故障预测诊断方法，其特征在于，所述云端中心在无人机模块上传采集的噪音数据和故障数据后，进行故障诊断分析，完成优化训练，从而提高模型的预测准确率，提供辅助决策及预测性维护功能。