CN109606730B - 一种基于量子神经网络的无人机故障识别系统及识别方法 - Google Patents
一种基于量子神经网络的无人机故障识别系统及识别方法 Download PDFInfo
- Publication number
- CN109606730B CN109606730B CN201811254496.XA CN201811254496A CN109606730B CN 109606730 B CN109606730 B CN 109606730B CN 201811254496 A CN201811254496 A CN 201811254496A CN 109606730 B CN109606730 B CN 109606730B
- Authority
- CN
- China
- Prior art keywords
- phase
- unmanned aerial
- aerial vehicle
- data
- motor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
- B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
- B64F5/60—Testing or inspecting aircraft components or systems
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Transportation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明涉及无人机技术领域,具体涉及一种基于量子神经网络的无人机故障识别系统,通过无人机故障识别系统,所述电控单元在接收到启动信号后驱动三相全桥电路以对三相电机的每相桥臂进行电路自检,所述中控单元根据电机故障自检模式,进行相应的自检数据分析,在无人机起飞前判断无人机电机是否发生异常故障,利用大量的试验数据进行对神经网络进行训练,从而在快速、准确的输出故障识别结果,相比于传统的故障识别,通过对无人机电机的自检回路进行故障识别,具有更高的可靠性,并由于多层激励函数的量子神经网络对具有不确定性、两类模式之间存在交叉数据的模式识别问题有较好的分类效果,可以消除不同故障模式数据交叉和数据噪声的影响。
Description
技术领域
本发明涉及无人机技术领域,具体涉及一种基于量子神经网络的无人机故障识别系统。
背景技术
目前,应用在无人机上的电机大多是三相无刷直流电机,需要电子调速器进行控制,电子调速器一般采用六拍式方波的方式来控制。而无人机在正常起飞之前,为避免电机启动异常导致炸机情况发生,在无人机上电时会进行电机的自检,然而,有的电子调速器没有电流检测,仅通过上电后电机是否发出声响来人为判断,判断不准确;有的电子调速器具有电流检测,但大多数是对直流母线电流进行检测,而且采用康铜丝电流采样方式,精度不高,无法准确获取电机的定子电阻;
而电机故障诊断的难点是其收到各种因素的影响,例如负载、饱和度、意外操作、噪音和温度等使故障模式相互影响,各种故障模式数据有不同程度的交叉,如果仅应用常规的信号分析处理的方法进行故障诊断,就会存在误判,如何消除不同故障模式数据交叉的影响,提高故障时精度显得尤为重要,而目前市面上还没有出现此类问题的识别系统,或者识别方法。
发明内容
为了有效解决上述问题,本发明提供一种基于量子神经网络的无人机故障识别系统。
本发明的具体技术方案如下:一种基于量子神经网络的无人机故障识别系统,所述无人机故障识别系统包括电机单元、中控单元、及安全防护单元;
所述电机单元为无人机三相电机;
所述中控单元与所述电机单元、安全防护单元连接,所述中控单元包括飞行控制器、及电子调速器,所述飞行控制器与所述电子调速器连接,所述电子调速器对三相电机的每个相桥臂依次输入检测电流,检测电流根据不同的三相全桥电路进行电路检测,并将反馈数据输入所述飞行控制器;
所述飞行控制器将反馈数据进行量子神经网络分析处理,通过量子神经网络的电机故障自检模式,迅速相应的数据模式匹配,确保在无人机起飞前快速响应自检结果;
电子调速器包括三相全桥电路、驱动单元、检测电流单元、电控单元;
所述驱动单元与三相全桥电路连接,所述检测电流单元与三相全桥电路连接,所述电控单元与驱动单元连接;
所述三相全桥电路包括若干个开关管,所述开关管根据三相电机的每相桥臂进行电连接,形成完整的三相电机的自检电路;
所述无人机的三相全桥电路的三相桥臂定义为第一相桥臂、第二相桥臂、第三相桥臂,所述第一相桥臂、第二相桥臂、第三相桥臂中的每相桥臂单独设置有对应的上桥开关管和下桥开关管;
所述检测电流单元包括第一采样电阻R1、第二采样电阻R2和第三采样电阻R3,第一采样电阻R1连接在第一相桥臂的下桥开关管L12与地线之间,第二采样电阻R2连接在第二相桥臂的下桥开关管L22与地线之间,第三采样电阻R3连接在第三相桥臂的下桥开关管L32与地线之间;
所述飞行控制器具有量子神经网络计算处理的神经网络处理单元,所述神经网络处理单元包括电流检测模块、数据输入模块、数据分析模块、及数据输出模块,所述电流检测模块用于检测三相全桥电路的电流数据,所述数据输入模块将对应检测采样电阻的采样电流、检测电压、及采样电阻阻值输入所述数据分析模块进行量子神经网络分析,并通过数据输出模块输出检测结果;
所述数据分析模块为多层激励函数量子神经网络,量子神经网络包括M个输入单元、L个隐单元和L个输出单元;
将连接第j个输入单元与第i个隐单元的连接权值记为Wij,将连接第i个隐单元与第k个输出单元的连接权值记为Wki令XP=[X1 p,X2 p,…XM p]T,其中p=1,2,…,N,是训练样本集的N个输入特征向量,假设多级隐单元具有ns个离散的状态或级别,因此激励函数为ns个sigmoid函数的叠加,量子间隔为θS,这个多级隐单元的输出为下式:
一种基于量子神经网络的无人机故障识别方法,所述故障识别方法应用所述故障识别系统,所述故障识别方法包括以下步骤:
所述故障识别方法包括以下步骤:
S1启动电路自检:在无人机起飞前,飞行控制器发出启动信号到电子调速器,电子调速器的电控单元通过驱动电路驱动三相全桥电路依次输出额定电压至对应电机;
S2采集检测电流:所述检测电流单元采集相应三相电机每相桥臂的电流;
S3第一自检分析:将对于第一相桥臂、第二相桥臂、第三相桥臂的电流采样数据都输入至所述中控单元中,进行数据模式分析;
S3.1通过计算获得三相电机中OA相与OB相的总电阻值R12、三相电机中OA相与OC相的总电阻值R13,通过分析电阻值数据,若R12与两者的平均电阻值(R12+R13)/2的差值小于两者的平均电阻值(R12+R13)/2的1.5-5%,电阻值R13与两者的平均电阻值(R12+R13)/2的差值小于两者的平均电阻值(R12+R13)/2的1.5-5%,则说明检测无人机电机对应的电机数据为安全电机数据执行步骤S3.2;
若分析电阻值数据不满足步骤3.1的检测条件,则执行步骤6;
步骤3.2通过计算获得三相电机中OB相与OA相的总电阻值R21、三相电机中OB相与OC相的总电阻值R23,通过分析电阻值数据,若R21与两者的平均电阻值(R21+R23)/2的差值小于两者的平均电阻值(R21+R23)/2的1.5-5%,电阻值R23与两者的平均电阻值(R21+R23)/2的差值小于两者的平均电阻值(R21+R23)/2的1.5-5%,则说明检测无人机电机对应的电机数据为安全电机数据执行步骤S3.3;
若分析电阻值数据不满足步骤3.2的检测条件,则执行步骤6;
步骤3.3通过计算获得三相电机中OC相与OA相的总电阻值R31、三相电机中OC相与OB相的总电阻值R32,通过分析电阻值数据,若R31与两者的平均电阻值(R31+R32)/2的差值小于两者的平均电阻值(R31+R32)/2的1.5-5%,电阻值R32与两者的平均电阻值(R31+R32)/2的差值小于两者的平均电阻值(R31+R32)/2的1.5-5%,则说明检测无人机电机对应的电机数据为安全电机数据执行步骤S4;
若分析电阻值数据不满足步骤3.3的检测条件,则执行步骤6;
S4第二自检分析:对于第一采样电阻R1、第二采样电阻R2和第三采样电阻R3的相桥臂的电阻关系,满足R12≈R21,R13≈R31,R23≈R32的电阻值关系,则执行步骤5;
若对应的电阻关系不满足R12≈R21,R13≈R31,R23≈R32,则执行步骤6;
步骤5无人机起飞:所述无人机电机的满足步骤3、及步骤4的检测,无人机正常起飞;
步骤6停飞检测:每个所述电控单元都与所述飞行控制器连接,所述飞行控制器具有量子神经网络计算处理的神经网络处理单元,所述飞行控制器与所述中控模块连接,若出现故障情况,所述飞行控制器自动控制对应的三相电机停止起飞工作,并将故障信号传递至中控模块,所述中控模块将停止所有三相电机起飞工作,从而停止无人机起飞;
所述神经网络处理单元包括电流检测模块、数据输入模块、数据分析模块、及数据输出模块,所述电流检测模块用于检测三相全桥电路的电流数据,所述数据输入模块将对应检测采样电阻的采样电流、检测电压、及采样电阻阻值输入所述数据分析模块进行量子神经网络分析,所述数据输出模块将无人机电机的三相电阻不平衡、电机接头接触问题、电机缺相等故障作为分析结果输出;
所述数据分析模块为多层激励函数量子神经网络,假设网络有M个输入单元、L个隐单元和L个输出单元构成,将连接第j个输入单元与第i个隐单元的连接权值记为Wij,将连接第i个隐单元与第k个输出单元的连接权值记为Wki令XP=[X1 p,X2 p,…XM p]T,其中p=1,2,…,N,是训练样本集的N个输入特征向量,假设多级隐单元具有ns个离散的状态或级别,因此激励函数为ns个sigmoid函数的叠加,量子间隔为θS,这个多级隐单元的输出为下式:
所述步骤5中还包括安全防护步骤,所述安全防护步骤包括:所述安全防护单元包括姿态传感器、电热点火器、气体发生室、及安全气囊包,所述姿态传感器与所述中控模块连接,所述电热点火器与所述中控模块连接;
所述无人机下方设置所述电热点火器、气体发生室、及安全气囊包,所述电热点火器与所述气体发生室连接,所述气体发生室与安全气囊包连通;
所述无人机在遇到影响飞行平衡的情况时,若中控模块通过量子神经网络分析,无人机仍处于可允许范围内的正常状态时,所述中控模块对各个飞行控制器发出调节指令,所述飞行控制器神经网络处理单元中预先内置的无人机失衡模式,迅速进行对应无人机电机的动力调节,使得所述无人机恢复平衡状态;
若中控模块通过量子神经网络分析,无人机处于完全失控的紧急危险状态时,所述中控模块控制所述电热点火器工作,将所述电热点火器点燃,所述气体反应室内的气体发生剂迅速受热汽化,将大量的氮气充满所述安全气囊包,所述安全气囊包迅速膨胀,在无人机下方展开成圆盘状的气囊结构,保护所述无人机的安全坠落。
进一步地,量子神经网络的学习分为两个步骤,第一步骤是对连接权值进行调整,使得网络能将输入数据映射到不同的类空间中;
第二步骤是呈现在类空间中模糊的或者不确定的信息,需要通过调整量子间隔来完成映射。
进一步地,量子间隔调整算法的思想是使得量子神经网络基于同一类样本数据的隐层神经元的输出变化最小;
对于第m个类Cm,第i个隐单元的输出方差如下式:
在上式中:Oi,p表示第i个隐单元在输入向量Xp下的输出,
,表示Cm的基数,xp:xp∈Cm表示属于类Cm的所有样本。
×(<Vi,m,s》>-Vi,p,s)
在上式中,ηθ是学习率,Vi,p,s=oi,p,s(1-oi,p,s)这里oi,p,s表示第i个隐单元的第s个量子层在输入向量xp下的输出。本发明的有益之处:应用本发明所述一种基于量子神经网络的无人机故障识别系统,通过无人机故障识别系统,所述电控单元在接收到启动信号后驱动三相全桥电路以对三相电机的每相桥臂依次输出两次检测电压,以及输出的检测电压获取相应的检测电流,并将检测电流数据传递至所述中控单元,所述中控单元根据电机故障自检模式,进行相应的自检数据分析,在无人机起飞前判断无人机电机是否发生异常故障,利用大量的试验数据进行对神经网络进行训练,从而在快速、准确的输出故障识别结果,相比于传统的故障识别,通过对无人机电机的自检回路进行故障识别,具有更高的可靠性,并由于多层激励函数的量子神经网络对具有不确定性、两类模式之间存在交叉数据的模式识别问题有较好的分类效果,可以消除不同故障模式数据交叉和数据噪声的影响。
附图说明
图1为本发明第一实施例所述故障识别系统的电路结构示意图;
图2为本发明第一实施例所述神经网络处理单元的处理数据图;
图3为本发明所述安全防护单元的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
如图1所示,为本发明第一实施例的整体结构示意图,该实施例提供了一种基于量子神经网络的无人机故障识别系统,所述无人机故障识别系统应用于六飞行翼的无人机上,所述无人机故障识别系统包括电机单元、中控单元、安全防护单元,所述中控单元连接所述电机单元、及安全防护单元,所述电机单元包括若干个用于带动所述无人机飞行的三相电机,所述中控单元包括至少一个中控模块、及若干个飞行控制器1、及若干个电子调速器2,所有所述飞行控制器1与所述中控模块连接,并每个所述三相电机都对应有至少一个飞行控制器1、及至少一个电子调速器2。
其中,所述电子调速器2与飞行控制器1相连,电子调速器2包括三相全桥电路21、驱动单元22、检测电流单元23和电控单元24,三相全桥电路21的输出端与电机单元相连,每个所述三相电机都对应有所述三相全桥电路21,所述三相全桥电路21包括开关管,驱动单元22用于驱动三相全桥电路21中的开关管,检测电流单元23用于检测三相全桥电路21中每相桥臂的电流;
电控单元24用于接收飞行控制器1发出的启动信号,并在接收到启动信号后通过驱动单元22驱动三相全桥电路21以对三相电机的每相桥臂依次输出两次检测电压,以及输出的检测电压获取相应的检测电流,并将检测电流数据传递至所述中控单元,所述中控单元根据电机故障自检模式,进行相应的自检数据分析,在无人机起飞前判断无人机电机是否发生异常故障,其中,开关管包括但不限于MOS管,或其他金属-氧化物半导体场效应晶体管;
当无人机要起飞时,飞行控制器1会发出启动信号如PPM(Pulse PositionModulation,脉冲位置调制)信号到电子调速器2。电子调速器2的电控单元24在接收到飞行控制器1发出的启动信号后,会通过驱动电路22驱动三相全桥电路21依次输出额定电压至电机,同时,通过检测电流单元23采集相应的电流,然后根据采集的电流和电机的三相电压计算电机的三相电阻阻值,并计算三相电阻阻值与无人机电机的额定阻值,所述中控单元最后根据电机故障自检模式,进行相应的自检数据分析,判断相应的电机是否发生异常故障;
由于电子调速器2能够准确计算出电机的三相电阻阻值、及电流变化,因而能够准确判断出电机的三相电阻中任意一相电阻是否发生异常,从而准确判断出电机的三相电阻不对称的情况,有效避免了炸机情况的发生,而且,在无人机每次起飞时,电子调速器2都对电机是否发生异常进行检测,因而可以保证每次飞行的启动故障保护。
进一步地,在本实施例中,所述无人机的三相全桥电路的三相桥臂定义为第一相桥臂、第二相桥臂、第三相桥臂,检测电流单元21可包括第一采样电阻R1、第二采样电阻R2和第三采样电阻R3,第一采样电阻R1连接在第一相桥臂的下桥开关管L12与地之间,第二采样电阻R2连接在第二相桥臂的下桥开关管L22与地之间,第三采样电阻R3连接在第三相桥臂的下桥开关管L32与地之间,所述第一采样电阻R1、第二采样电阻R2和第三采样电阻R3为阻值等间隔依次增大的采样电阻;
所述三相全桥电路21中的每相桥臂包括上桥开关管和下桥开关管,其中,电控单元24通过对第一相桥臂的上桥开关管L21进行PWM控制、控制第一相桥臂的下桥开关管L12处于常开通状态以及控制第一相桥臂的上桥开关管L11、第三相桥臂的上桥开关管L31、第二相桥臂的下桥开关管L22和第三相桥臂的下桥开关管L32处于关断状态,以使三相全桥电路21对电机AB两相输出第一次额定检测电压,同时通过检测电流单元23检测第一相桥臂的电流以获取第一次电流I11;
所述电控单元24通过对第三相桥臂的上桥开关管L31进行PWM控制、控制第一相桥臂的下桥开关管L12处于常开通状态以及控制第一相桥臂的上桥开关管L11、第二相桥臂的上桥开关管L21、第二相桥臂的下桥开关管L22和第三相桥臂的下桥开关管L32处于关断状态,以使三相全桥电路21对电机CA两相输出第二次额定检测电压,同时通过检测电流单元23检测第一相桥臂的电流以获取第二次电流I12;
通过上述电流检测方式,检测出关于第二相桥臂的两组电流数据I21、I22,第三相桥臂的两组电流数据I31、I32,并将对于第一相桥臂、第二相桥臂、第三相桥臂的电流采样数据都输入至所述中控单元中,进行数据模式分析;
所述检测电流单元23为具有检测电阻两端电流的模块,所述检测电流23为本领域的常规检测电流模块,在此不做具体限定;
在本实施例中,通过上述检测电路,对于所述第一采样电阻R1的检测数据,计算出三相电机中OA相与OB相(图)的总电阻值R12、及三相电机中OA相与OC相的总电阻值R13,对于所述第二采样电阻R2的检测数据,计算出三相电机中OB相与OC相的总电阻值R23、及三相电机中OB相与OA相的总电阻值R21,对于所述第三采样电阻R3的检测数据,计算出三相电机中OC相与OB相的总电阻值R32、及三相电机中OC相与OA相的总电阻值R31,如下图:
第一采样电阻的检测电路 | 第二采样电阻的检测电路 | 第三采样电阻的检测电路 |
R12 | R23 | R32 |
R13 | R21 | R31 |
具体而言,电控单元24在接收到飞行控制器1发出的启动信号后,可先对开关管L21、L31依次进行PWM控制,并控制L12处于常开状态,以及控制其他开关管处于关断状态,以对无人机电机依次输出额定检测电压U11,在对开关管L21进行PWM控制,控制L12处于常开状态时,检测到的电流记为I11,对开关管L31进行PWM控制,控制L12处于常开状态时,检测到的电流记为I12,由于在相同的输入电压下、相同的第一采样电阻R1,在电桥回路中经过相邻的相桥臂中,因此检测出三相电机的相间的电流数据,由于三相直流电阻存在的平衡关系,并检测三相直流电阻值与出厂额定直流电阻值之差不大于的额定直流电阻值2%,根据大量实验数据获得,通过计算获得三相电机中OA相与OB相的总电阻值R12、三相电机中OA相与OC相的总电阻值R13,通过分析电阻值数据,若R12与两者的平均电阻值(R12+R13)/2的差值小于两者的平均电阻值(R12+R13)/2的1.5-5%,电阻值R13与两者的平均电阻值(R12+R13)/2的差值小于两者的平均电阻值(R12+R13)/2的1.5-5%,则说明检测无人机电机的此组数据为无人机电机的安全电机数据。
应用上述的检测方式,同样针对第二采样电阻R2和第三采样电阻R3检测出相同一个无人机电机的相邻相桥臂的电机阻值数据,并分别通过针对第一采样电阻R1、第二采样电阻R2和第三采样电阻R3的相桥臂的电阻关系,可以获得R12≈R21,R13≈R31,R23≈R32的电阻值关系,从而进一步地通过多组数据、及对应的电阻值判断该电机的是否存在故障;
进一步地,由于无人机电机为小型三相电机,而小型三相电机的电机绕组线的横截面相对较小,导致绕组阻值相对较大,使得所述检测电压加载在所述三相电机内时,可以明显检测不同相间的电流变化,从而更好判断对应电阻值之间的变化,如果所述电控单元24根据电机的三相电阻阻值判断电机是否发生异常故障时,其中,如果三相电阻阻值中任意一相电阻阻值存在异常,通过第一采样电阻R1、第二采样电阻R2和第三采样电阻R3的电阻值比较,判断无人机电机是否发生三相电阻不平衡故障,或者是电机的接头出现接触不良或者电机出现缺相等故障;
每个所述电控单元24都与所述飞行控制器1连接,若出现故障情况,所述飞行控制器1自动控制对应的三相电机停止起飞工作,并将故障信号传递至中控模块,所述中控模块将停止所有三相电机起飞工作,从而停止无人机起飞;
所述电控单元24、所述飞行控制器1、中控模块可以为本领域的单片机、或微处理器结构;
进一步地,如图2所示,所述飞行控制器1具有量子神经网络计算处理的神经网络处理单元,所述神经网络处理单元包括电流检测模块、数据输入模块、数据分析模块、及数据输出模块,所述电流检测模块用于检测三相全桥电路21的电流数据,所述数据输入模块将对应检测采样电阻的采样电流、检测电压、及采样电阻阻值输入所述数据分析模块进行量子神经网络分析,所述数据输出模块将无人机电机的三相电阻不平衡、电机接头接触问题、电机缺相等故障作为分析结果输出,由于无人机故障模式数据存在不同程度的交叉,因此将量子神经网络应用于无人机电机识别,可以消除不同故障模式交叉和噪声影响。
所述数据分析模块为多层激励函数量子神经网络,假设网络有M个输入单元、L个隐单元和L个输出单元构成,将连接第j个输入单元与第i个隐单元的连接权值记为Wij,将连接第i个隐单元与第k个输出单元的连接权值记为Wki令XP=[X1 p,X2 p,…XM p]T,其中p=1,2,…,N,是训练样本集的N个输入特征向量,假设多级隐单元具有ns个离散的状态或级别,因此激励函数为ns个sigmoid函数的叠加,量子间隔为θS,这个多级隐单元的输出为下式:
进一步地,量子神经网络的学习分为两个步骤,第一是对连接权值进行调整,使得网络能将输入数据映射到不同的类空间中;二是呈现在类空间中模糊的或者不确定的信息,需要通过调整量子间隔来完成映射,权值调整采用标准BP算法,限于篇幅,标准BP学习算法为本领域的标准算法,在此不做具体限定,一旦网络权值调整好后,就可以对量子间隔进行调整。
量子间隔调整算法的思想是使得量子神经网络基于同一类样本数据的隐层神经元的输出变化最小,本质也是基于梯度下降的算法。
对于第m个类Cm,第i个隐单元的输出方差如下式:
在(3)式中:Oi,p表示第i个隐单元在输入向量Xp下的输出,
×(<Vi,m,s》>-Vi,p,s)
在本实施例中,在所述中控单元的量子神经网络的计算处理中,所述数据输入模块至少需要3个输入特征数据,并对于量子神经网络处理数据的输出结果,至少需要搭建三组故障输出模式,根据经验和大量试验反馈,所述数据分析模块采用至少3个sigmoid函数叠加产生至少3层激励函数;
在本实施例中,输入特征数据为采样电流、检测电压、及采样电阻阻值,并选取参数β=0.1-0.3,η=0.7-0.8,ηθ=0.5,|Cm|=10,网络误差E=0.01,然后利用大量的试验数据进行对神经网络进行训练,从而在快速、准确的输出故障识别结果,若R12与平均电阻值(R12+R13)/2的差值不满足小于平均电阻值(R12+R13)/2的1.5-5%的关系,电阻值R13与平均电阻值(R12+R13)/2的差值不满足小于平均电阻值(R12+R13)/2的1.5-5%的关系,则输出故障识别结果为三相电阻不平衡,同样针对第二采样电阻R2和第三采样电阻R3检测出相同一个无人机电机的相邻相桥臂的电机阻值数据,从而多次验证三相电机的电阻平衡;
若针对第一采样电阻R1、第二采样电阻R2和第三采样电阻R3的相桥臂的电阻关系,可以获得不同采样电阻之间计算获得的R12、R13、R21、R23、R31、R32之间不满足R12≈R21,R13≈R31,R23≈R32的电阻值关系,或者有某两相的电阻值趋近于无限大,输出故障识别结果为电机出现缺相故障,相比于传统的故障识别,通过对无人机电机的自检回路进行故障识别,具有更高的可靠性,并由于多层激励函数的量子神经网络对具有不确定性、两类模式之间存在交叉数据的模式识别问题有较好的分类效果,可以消除不同故障模式数据交叉和数据噪声的影响。
进一步地,如图3所示,所述安全防护单元与所述控制单元连接,并所述安全防护单元包括姿态传感器、电热点火器、气体发生室、及安全气囊包,所述姿态传感器与所述中控模块连接,所述电热点火器与所述中控模块连接;
所述无人机下方设置所述电热点火器、气体发生室、及安全气囊包,所述电热点火器与所述气体发生室连接,所述气体发生室与安全气囊包连通,在本实施例中,所述电热点火器为电雷管结构,所述气体发生室为内置有气体发生剂的反应室结构,所述电热点火器设置在所述气体反应室内,所述气体发生剂为固态氮粒体;
在突发紧急情况时,所述姿态传感器将检测到无人机的位置偏移情况,在满足触发所述安全气囊包工作时,所述中控模块控制所述电热点火器工作,将所述电热点火器点燃,所述气体反应室内的气体发生剂迅速受热汽化,将大量的氮气充满所述安全气囊包,所述安全气囊包迅速膨胀,在无人机下方展开成圆盘状的气囊结构,保护所述无人机的安全坠落。
在本发明的第二实施例中,提供一种基于量子神经网络的无人机故障识别方法,所述故障识别方法应用于所述故障识别系统,所述故障识别方法包括以下步骤:
S1启动电路自检:在无人机起飞前,飞行控制器1发出启动信号到电子调速器,电子调速器2的电控单元24通过驱动电路驱动三相全桥电路依次输出额定电压至对应电机;
所述S1具体包括以下步骤:
S1.1所述电控单元24通过对第一相桥臂的上桥开关管L21进行PWM控制、控制第一相桥臂的下桥开关管L12处于常开通状态以及控制第一相桥臂的上桥开关管L11、第三相桥臂的上桥开关管L31、第二相桥臂的下桥开关管L22和第三相桥臂的下桥开关管L32处于关断状态,以使三相全桥电路21对电机AB两相输出第一次额定检测电压,同时通过检测电流单元23检测第一相桥臂的电流以获取第一次电流I11;
S1.2所述电控单元24通过对第三相桥臂的上桥开关管L31进行PWM控制、控制第一相桥臂的下桥开关管L12处于常开通状态以及控制第一相桥臂的上桥开关管L11、第二相桥臂的上桥开关管L21、第二相桥臂的下桥开关管L22和第三相桥臂的下桥开关管L32处于关断状态,以使三相全桥电路21对电机输出第二次额定检测电压,同时通过检测电流单元23检测第一相桥臂的电流以获取第二次电流I12;
S1.3通过控制所述上桥开关管、及下桥开关管,依次检测出关于第二相桥臂的两组电流数据I21、I22,第三相桥臂的两组电流数据I31、I32,并将对于第一相桥臂、第二相桥臂、第三相桥臂的电流采样数据都输入至所述中控单元中,进行数据模式分析;
S2采集检测电流:所述检测电流单元21采集相应三相电机每相桥臂的电流;
所述步骤S2具体包括以下步骤:
S2.1检测电流单元21可包括第一采样电阻R1、第二采样电阻R2和第三采样电阻R3,第一采样电阻R1连接在第一相桥臂的下桥开关管L12与地之间,第二采样电阻R2连接在第二相桥臂的下桥开关管L22与地之间,第三采样电阻R3连接在第三相桥臂的下桥开关管L32与地之间;
S2.2对于所述第一采样电阻R1的检测数据,计算出第一相桥臂与第二相桥臂之间的电阻值R12、及第一相桥臂与第三相桥臂之间的电阻值R13,对于所述第二采样电阻R2的检测数据,计算出第二相桥臂与第三相桥臂之间的电阻值R23、及第二相桥臂与第一相桥臂之间的电阻值R21,对于所述第三采样电阻R3的检测数据,计算出第三相桥臂与第二相桥臂之间的电阻值R32、及第三相桥臂与第一相桥臂之间的电阻值R31;
S3第一自检分析:将对于第一相桥臂、第二相桥臂、第三相桥臂的电流采样数据都输入至所述中控单元中,进行数据模式分析;
所述步骤S3具体包括以下步骤:
S3.1通过计算获得三相电机中OA相与OB相的总电阻值R12、三相电机中OA相与OC相的总电阻值R13,通过分析电阻值数据,若R12与两者的平均电阻值(R12+R13)/2的差值小于两者的平均电阻值(R12+R13)/2的1.5-5%,电阻值R13与两者的平均电阻值(R12+R13)/2的差值小于两者的平均电阻值(R12+R13)/2的1.5-5%,则说明检测无人机电机对应的电机数据为安全电机数据执行步骤S3.2;
若分析电阻值数据不满足步骤3.1的检测条件,则执行步骤6;
步骤3.2通过计算获得三相电机中OB相与OA相的总电阻值R21、三相电机中OB相与OC相的总电阻值R23,通过分析电阻值数据,若R21与两者的平均电阻值(R21+R23)/2的差值小于两者的平均电阻值(R21+R23)/2的1.5-5%,电阻值R23与两者的平均电阻值(R21+R23)/2的差值小于两者的平均电阻值(R21+R23)/2的1.5-5%,则说明检测无人机电机对应的电机数据为安全电机数据执行步骤S3.3;
若分析电阻值数据不满足步骤3.2的检测条件,则执行步骤6;
步骤3.3通过计算获得三相电机中OC相与OA相的总电阻值R31、三相电机中OC相与OB相的总电阻值R32,通过分析电阻值数据,若R31与两者的平均电阻值(R31+R32)/2的差值小于两者的平均电阻值(R31+R32)/2的1.5-5%,电阻值R32与两者的平均电阻值(R31+R32)/2的差值小于两者的平均电阻值(R31+R32)/2的1.5-5%,则说明检测无人机电机对应的电机数据为安全电机数据执行步骤S4;
若分析电阻值数据不满足步骤3.3的检测条件,则执行步骤6;
S4第二自检分析:对于第一采样电阻R1、第二采样电阻R2和第三采样电阻R3的相桥臂的电阻关系,满足R12≈R21,R13≈R31,R23≈R32的电阻值关系,则执行步骤5;
若对应的电阻关系不满足R12≈R21,R13≈R31,R23≈R32,则执行步骤6;
步骤5无人机起飞:所述无人机电机的满足步骤3、及步骤4的检测,无人机正常起飞;
步骤6停飞检测:每个所述电控单元24都与所述飞行控制器1连接,所述飞行控制器1与所述中控模块连接,若出现故障情况,所述飞行控制器1自动控制对应的三相电机停止起飞工作,并将故障信号传递至中控模块,所述中控模块将停止所有三相电机起飞工作,从而停止无人机起飞。
所述步骤6还包括神经网络处理步骤,所述神经网络处理单元包括电流检测模块、数据输入模块、数据分析模块、及数据输出模块,所述电流检测模块用于检测三相全桥电路21的电流数据,所述数据输入模块将对应检测采样电阻的采样电流、检测电压、及采样电阻阻值输入所述数据分析模块进行量子神经网络分析,所述数据输出模块将无人机电机的三相电阻不平衡、电机接头接触问题、电机缺相等故障作为分析结果输出;
所述数据分析模块为多层激励函数量子神经网络,假设网络有M个输入单元、L个隐单元和L个输出单元构成,将连接第j个输入单元与第i个隐单元的连接权值记为Wij,将连接第i个隐单元与第k个输出单元的连接权值记为Wki令XP=[X1 p,X2 p,…XM p]T,其中p=1,2,…,N,是训练样本集的N个输入特征向量,假设多级隐单元具有ns个离散的状态或级别,因此激励函数为ns个sigmoid函数的叠加,量子间隔为θS,这个多级隐单元的输出为下式:
进一步地,在所述步骤5中还包括安全防护步骤,
所述安全防护步骤包括:所述安全防护单元包括姿态传感器、电热点火器、气体发生室、及安全气囊包,所述姿态传感器与所述中控模块连接,所述电热点火器与所述中控模块连接;
所述无人机下方设置所述电热点火器、气体发生室、及安全气囊包,所述电热点火器与所述气体发生室连接,所述气体发生室与安全气囊包连通;
所述中控模块内也具有量子神经网络计算处理的神经网络处理单元,具体为,所述姿态传感器设置在所述无人机底面一侧,用于采集无人机飞行姿态的航向角、俯仰角、横滚角、及飞行各种姿态的保持时间作为飞行数据输入所述数据分析模块进行量子神经网络分析,利用大量的试验数据进行神经网络训练,所述无人机在遇到影响飞行平衡的情况时,若中控模块通过量子神经网络分析,无人机仍处于可允许范围内的正常状态时,所述中控模块对各个飞行控制器1发出调节指令,所述飞行控制器1神经网络处理单元中预先内置的无人机失衡模式,迅速进行对应无人机电机的动力调节,使得所述无人机恢复平衡状态;
若中控模块通过量子神经网络分析,无人机处于完全失控的紧急危险状态时,所述中控模块的神经网络处理单元快速、准确输出识别危险情况,启动预先内置好的安全防护模式,启动安全防护单元工作;
具体为,在突发紧急情况时,所述姿态传感器将检测到无人机的位置偏移情况,在满足触发所述安全气囊包工作时,所述中控模块控制所述电热点火器工作,将所述电热点火器点燃,所述气体反应室内的气体发生剂迅速受热汽化,将大量的氮气充满所述安全气囊包,所述安全气囊包迅速膨胀,在无人机下方展开成圆盘状的气囊结构,保护所述无人机的安全坠落;所述中控模块的神经网络处理单元通过大量的实验数据进行训练,获得无人机失衡模式、安全防护模式等飞行过程中紧急情况的处理模式,从而在快速、准确的输出识别结果,并采取相应动作,避免无人机在空中的失控现象,提高飞行安全保障,具有更高的可靠性。
对于本领域的普通技术人员而言,根据本发明的教导,在不脱离本发明的原理与精神的情况下,对实施方式所进行的改变、修改、替换和变形仍落入本发明的保护范围之内。
Claims (4)
1.一种基于量子神经网络的无人机故障识别系统,其特征在于,所述无人机故障识别系统包括电机单元、中控单元、及安全防护单元;
所述电机单元为无人机三相电机;
所述中控单元与所述电机单元、安全防护单元连接,所述中控单元包括飞行控制器、及电子调速器,所述飞行控制器与所述电子调速器连接,所述电子调速器对三相电机的每个相桥臂依次输入检测电流,检测电流根据不同的三相全桥电路进行电路检测,并将反馈数据输入所述飞行控制器;
所述飞行控制器将反馈数据进行量子神经网络分析处理,通过量子神经网络的电机故障自检模式,迅速相应的数据模式匹配,确保在无人机起飞前快速响应自检结果;
电子调速器包括三相全桥电路、驱动单元、检测电流单元、电控单元;
所述驱动单元与三相全桥电路连接,所述检测电流单元与三相全桥电路连接,所述电控单元与驱动单元连接;
所述三相全桥电路包括若干个开关管,所述开关管根据三相电机的每相桥臂进行电连接,形成完整的三相电机的自检电路;
所述无人机的三相全桥电路的三相桥臂定义为第一相桥臂、第二相桥臂、第三相桥臂,所述第一相桥臂、第二相桥臂、第三相桥臂中的每相桥臂单独设置有对应的上桥开关管和下桥开关管;
所述检测电流单元包括第一采样电阻R1、第二采样电阻R2和第三采样电阻R3,第一采样电阻R1连接在第一相桥臂的下桥开关管L12与地线之间,第二采样电阻R2连接在第二相桥臂的下桥开关管L22与地线之间,第三采样电阻R3连接在第三相桥臂的下桥开关管L32与地线之间;
所述飞行控制器具有量子神经网络计算处理的神经网络处理单元,所述神经网络处理单元包括电流检测模块、数据输入模块、数据分析模块、及数据输出模块,所述电流检测模块用于检测三相全桥电路的电流数据,所述数据输入模块将对应检测采样电阻的采样电流、检测电压、及采样电阻阻值输入所述数据分析模块进行量子神经网络分析,并通过数据输出模块输出检测结果;
所述数据分析模块为多层激励函数量子神经网络,量子神经网络包括M个输入单元、L个隐单元和L个输出单元;
将连接第j个输入单元与第i个隐单元的连接权值记为Wij,将连接第i个隐单元与第k个输出单元的连接权值记为Wki令XP=[X1 p,X2 p,…XM p]T,其中p=1,2,…,N,是训练样本集的N个输入特征向量,假设多级隐单元具有ns个离散的状态或级别,因此激励函数为ns个sigmoid函数的叠加,量子间隔为θS,这个多级隐单元的输出为下式:
一种基于量子神经网络的无人机故障识别方法,所述故障识别方法应用所述故障识别系统,所述故障识别方法包括以下步骤:
所述故障识别方法包括以下步骤:
S1启动电路自检:在无人机起飞前,飞行控制器发出启动信号到电子调速器,电子调速器的电控单元通过驱动电路驱动三相全桥电路依次输出额定电压至对应电机;
S2采集检测电流:所述检测电流单元采集相应三相电机每相桥臂的电流;
S3第一自检分析:将对于第一相桥臂、第二相桥臂、第三相桥臂的电流采样数据都输入至所述中控单元中,进行数据模式分析;
S3.1通过计算获得三相电机中OA相与OB相的总电阻值R12、三相电机中OA相与OC相的总电阻值R13,通过分析电阻值数据,若R12与两者的平均电阻值(R12+R13)/2的差值小于两者的平均电阻值(R12+R13)/2的1.5-5%,电阻值R13与两者的平均电阻值(R12+R13)/2的差值小于两者的平均电阻值(R12+R13)/2的1.5-5%,则说明检测无人机电机对应的电机数据为安全电机数据执行步骤S3.2;
若分析电阻值数据不满足步骤3.1的检测条件,则执行步骤6;
步骤3.2通过计算获得三相电机中OB相与OA相的总电阻值R21、三相电机中OB相与OC相的总电阻值R23,通过分析电阻值数据,若R21与两者的平均电阻值(R21+R23)/2的差值小于两者的平均电阻值(R21+R23)/2的1.5-5%,电阻值R23与两者的平均电阻值(R21+R23)/2的差值小于两者的平均电阻值(R21+R23)/2的1.5-5%,则说明检测无人机电机对应的电机数据为安全电机数据执行步骤S3.3;
若分析电阻值数据不满足步骤3.2的检测条件,则执行步骤6;
步骤3.3通过计算获得三相电机中OC相与OA相的总电阻值R31、三相电机中OC相与OB相的总电阻值R32,通过分析电阻值数据,若R31与两者的平均电阻值(R31+R32)/2的差值小于两者的平均电阻值(R31+R32)/2的1.5-5%,电阻值R32与两者的平均电阻值(R31+R32)/2的差值小于两者的平均电阻值(R31+R32)/2的1.5-5%,则说明检测无人机电机对应的电机数据为安全电机数据执行步骤S4;
若分析电阻值数据不满足步骤3.3的检测条件,则执行步骤6;
S4第二自检分析:对于第一采样电阻R1、第二采样电阻R2和第三采样电阻R3的相桥臂的电阻关系,满足R12≈R21,R13≈R31,R23≈R32的电阻值关系,则执行步骤5;
若对应的电阻关系不满足R12≈R21,R13≈R31,R23≈R32,则执行步骤6;
步骤5无人机起飞:所述无人机电机的满足步骤3、及步骤4的检测,无人机正常起飞;
步骤6停飞检测:每个所述电控单元都与所述飞行控制器连接,所述飞行控制器具有量子神经网络计算处理的神经网络处理单元,所述飞行控制器与所述中控单元连接,若出现故障情况,所述飞行控制器自动控制对应的三相电机停止起飞工作,并将故障信号传递至中控单元,所述中控单元将停止所有三相电机起飞工作,从而停止无人机起飞;
所述神经网络处理单元包括电流检测模块、数据输入模块、数据分析模块、及数据输出模块,所述电流检测模块用于检测三相全桥电路的电流数据,所述数据输入模块将对应检测采样电阻的采样电流、检测电压、及采样电阻阻值输入所述数据分析模块进行量子神经网络分析,所述数据输出模块将无人机电机的三相电阻不平衡、电机接头接触问题、电机缺相等故障作为分析结果输出;
所述数据分析模块为多层激励函数量子神经网络,假设网络有M个输入单元、L个隐单元和L个输出单元构成,将连接第j个输入单元与第i个隐单元的连接权值记为Wij,将连接第i个隐单元与第k个输出单元的连接权值记为Wki令XP=[X1 p,X2 p,…XM p]T,其中p=1,2,…,N,是训练样本集的N个输入特征向量,假设多级隐单元具有ns个离散的状态或级别,因此激励函数为ns个sigmoid函数的叠加,量子间隔为θS,这个多级隐单元的输出为下式:
所述步骤5中还包括安全防护步骤,所述安全防护步骤包括:所述安全防护单元包括姿态传感器、电热点火器、气体发生室、及安全气囊包,所述姿态传感器与所述中控单元连接,所述电热点火器与所述中控单元连接;
所述无人机下方设置所述电热点火器、气体发生室、及安全气囊包,所述电热点火器与所述气体发生室连接,所述气体发生室与安全气囊包连通;
所述无人机在遇到影响飞行平衡的情况时,若中控单元通过量子神经网络分析,无人机仍处于可允许范围内的正常状态时,所述中控单元对各个飞行控制器发出调节指令,所述飞行控制器神经网络处理单元中预先内置的无人机失衡模式,迅速进行对应无人机电机的动力调节,使得所述无人机恢复平衡状态;
若中控单元通过量子神经网络分析,无人机处于完全失控的紧急危险状态时,所述中控单元控制所述电热点火器工作,将所述电热点火器点燃,所述气体发生室内的气体发生剂迅速受热汽化,将大量的氮气充满所述安全气囊包,所述安全气囊包迅速膨胀,在无人机下方展开成圆盘状的气囊结构,保护所述无人机的安全坠落。
2.根据权利要求1所述一种基于量子神经网络的无人机故障识别系统,其特征在于,量子神经网络的学习分为两个步骤,第一步骤是对连接权值进行调整,使得网络能将输入数据映射到不同的类空间中;
第二步骤是呈现在类空间中模糊的或者不确定的信息,需要通过调整量子间隔来完成映射。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811254496.XA CN109606730B (zh) | 2018-10-25 | 2018-10-25 | 一种基于量子神经网络的无人机故障识别系统及识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811254496.XA CN109606730B (zh) | 2018-10-25 | 2018-10-25 | 一种基于量子神经网络的无人机故障识别系统及识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109606730A CN109606730A (zh) | 2019-04-12 |
CN109606730B true CN109606730B (zh) | 2020-11-17 |
Family
ID=66002805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811254496.XA Active CN109606730B (zh) | 2018-10-25 | 2018-10-25 | 一种基于量子神经网络的无人机故障识别系统及识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109606730B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110456805B (zh) * | 2019-06-24 | 2022-07-19 | 深圳慈航无人智能系统技术有限公司 | 一种无人机智能循迹飞行系统及方法 |
CN112415378A (zh) * | 2019-08-19 | 2021-02-26 | 顺丰科技有限公司 | 电机断路检测系统、无人机及电机断路检测方法 |
WO2021232401A1 (zh) * | 2020-05-22 | 2021-11-25 | 深圳市大疆创新科技有限公司 | 电子调速器及检测方法、电路和无人飞行器 |
CN112884051B (zh) * | 2021-02-26 | 2022-11-29 | 哈尔滨工业大学 | 数据驱动的轻量级无人机多部件在线复杂故障诊断方法 |
US11453511B1 (en) * | 2021-07-13 | 2022-09-27 | Beta Air, Llc | Systems and methods for data verification at start up |
CN117651678A (zh) * | 2021-12-01 | 2024-03-05 | 深圳市大疆创新科技有限公司 | 无人机的控制方法、控制装置、无人机及存储介质 |
CN114496227B (zh) * | 2022-01-26 | 2023-04-28 | 电子科技大学 | 基于量子神经网络的病情发展预测系统及平台 |
WO2023245480A1 (zh) * | 2022-06-22 | 2023-12-28 | 深圳市大疆创新科技有限公司 | 相电压采样电路的故障检测方法、装置及可移动平台 |
CN115310618A (zh) * | 2022-08-09 | 2022-11-08 | 北京百度网讯科技有限公司 | 量子操作中的量子噪声消除方法及装置、电子设备和介质 |
US12020122B1 (en) | 2022-12-15 | 2024-06-25 | International Business Machines Corporation | Mitigating errors in measurements from a quantum system by defining regions of trust |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872165A (zh) * | 2010-06-13 | 2010-10-27 | 西安交通大学 | 一种基于遗传神经网络的风电机组故障诊断方法 |
CN102707228A (zh) * | 2011-11-12 | 2012-10-03 | 江苏兴航智控科技股份有限公司 | 基于神经网络专家系统的电机故障智能诊断系统 |
CN102883548B (zh) * | 2012-10-16 | 2015-03-18 | 南京航空航天大学 | 基于量子神经网络的贴片机元器件贴装调度优化方法 |
CN105905307B (zh) * | 2016-06-17 | 2017-09-01 | 广州极飞科技有限公司 | 无人机及无人机的电机控制系统和电机故障检测方法 |
-
2018
- 2018-10-25 CN CN201811254496.XA patent/CN109606730B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109606730A (zh) | 2019-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109606730B (zh) | 一种基于量子神经网络的无人机故障识别系统及识别方法 | |
Wang et al. | Active fault-tolerant control for a quadrotor helicopter against actuator faults and model uncertainties | |
US11628950B2 (en) | Actuator monitoring system using inertial sensors | |
Napolitano et al. | Kalman filters and neural-network schemes for sensor validation in flight control systems | |
CN109388138A (zh) | 基于深度学习的自动驾驶车辆、自动驾驶控制装置及自动驾驶控制方法 | |
CN101697079B (zh) | 用于航天器实时信号处理的盲系统故障检测与隔离方法 | |
CN108196532A (zh) | 一种基于非线性自适应观测器的无人机纵向飞行控制系统故障检测与分离方法 | |
US10955843B1 (en) | Verified inference engine for autonomy | |
Bošković et al. | Failure detection, identification and reconfiguration in flight control | |
Bole et al. | Online prediction of battery discharge and estimation of parasitic loads for an electric aircraft | |
CN106406340A (zh) | 四旋翼无人飞行器及其控制方法 | |
EP2286182A2 (en) | Terrain awareness warning system forward looking protection envelope switching | |
Park et al. | Multiclass classification fault diagnosis of multirotor UAVs utilizing a deep neural network | |
US6114976A (en) | Vehicle emergency warning and control system | |
CN113189870A (zh) | 一种火箭推力下降故障下椭圆救援轨道的轨迹重规划方法 | |
Bateman et al. | Actuators fault diagnosis and tolerant control for an unmanned aerial vehicle | |
Thanaraj et al. | Actuator fault detection and isolation on multi-rotor UAV using extreme learning neuro-fuzzy systems | |
Singh et al. | Neural network based sensor fault detection for flight control systems | |
Wang et al. | Fly-crash-recover: A sensor-based reactive framework for online collision recovery of uavs | |
CN109835333A (zh) | 一种保持车辆在车道中间行驶的控制系统及控制方法 | |
Osmic et al. | Failure mode and effects analysis for large scale multirotor unmanned aerial vehicle controlled by moving mass system | |
Valdes et al. | Dynamic neural network-based fault detection and isolation for thrusters in formation flying of satellites | |
Thanaraj et al. | Active fault tolerant control on multi-rotor UAVs using ELM-based neuro-fuzzy system | |
Momtaz et al. | Hierarchical check based detection and diagnosis of sensor-actuator malfunction in autonomous systems: A quadcopter study | |
Bahbah et al. | Input feature selection for real-time transient stability assessment for artificial neural network (ANN) using ANN sensitivity analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |