CN109725626A - 一种多旋翼无人机动力系统故障在线诊断系统及方法 - Google Patents
一种多旋翼无人机动力系统故障在线诊断系统及方法 Download PDFInfo
- Publication number
- CN109725626A CN109725626A CN201811385615.5A CN201811385615A CN109725626A CN 109725626 A CN109725626 A CN 109725626A CN 201811385615 A CN201811385615 A CN 201811385615A CN 109725626 A CN109725626 A CN 109725626A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- unmanned plane
- aerial vehicle
- fault diagnosis
- 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.)
- Granted
Links
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种多旋翼无人机动力系统故障在线诊断系统及方法,在线诊断系统设有无人机模块、PC端神经网络训练模块和地面实时诊断模块;无人机模块设有存储单元和通信单元;PC端神经网络训练模块用于利用准备好的数据集构造出一个能实时诊断多旋翼无人机动力系统故障的神经网络;地面实时诊断模块用于手动构造一个神经网络。构造训练数据集和测试数据集;数据选择和预处理;构建深度神经网络;实现地面故障诊断平台。利用深度神经网络解决实体多旋翼无人机的故障诊断问题,在无人机多特征变量中成功提取有效特征变量,在此之上加入卷积层、dropout以及L2正则化来优化整个神经网络,得一个较高准确率的诊断结果。
Description
技术领域
本发明涉及无人机动力系统,尤其是涉及基于深度学习的一种多旋翼无人机动力系统故障在线诊断系统及方法。
背景技术
无人机指的就是无人驾驶飞机,简称为“UAV”,其最大的特色是在不载有飞行驾驶人员的情况下可以通过智能自主飞行或遥控完成指定飞行。而多旋翼无人机特指旋翼数量大于等于三的一种无人直升飞机,其通过每个轴上的电动机互相配合完成整个无人机的快速灵活的运动。目前在农业植保、农林测绘、娱乐摄影等领域得到了极大的运用。
多旋翼无人机得到很大发展的同时,有很多问题仍然待我们解决。比如无人机动力系统故障问题,整个多旋翼动力系统具体包括电调,电机和桨叶,这些都属于常见高发故障。为了解决这个问题,在早期研究过程中,已经有人尝试研究了通过建模仿真分析然后诊断故障。但是一方面多旋翼无人机是一个高维非线性系统,传统建模无法很好的吻合,而且还少了实际运用的功能性。另一方面,多旋翼无人机的特征众多,如何从这些特征里找到有用的特征成为了一个难题。
作为机器学习的一个分支,利用深度神经网络进行智能故障诊断近些年来发展迅速,得到了广泛的关注和研究。其中卷积神经网络更是在图像处理领域和信号分析上取得了巨大的进步。思考其优点,一方面可以充分逼近任意复杂的非线性关系,另一方面可以利用隐含层快速提取出有效特征。这些优点给多旋翼无人机的动力系统故障诊断提供了帮助。
樊立明等(樊立明,胡永红.基于神经网络的无人机传感器故障诊断技术研究,计算机测量与控制,2011,19(3):562-564)报道了基于神经网络的无人机传感器故障诊断技术研究。
发明内容
本发明针对背景技术中指出的现有问题,提供基于卷积神经网络的一种多旋翼无人机动力系统故障在线诊断系统及方法。
所述多旋翼无人机动力系统故障在线诊断系统设有无人机模块、PC端神经网络训练模块和地面实时诊断模块;
所述无人机模块设有存储单元和通信单元,所述存储单元用于快速大量收集无人机飞行数据,所述无人机飞行数据用于神经网络训练,所述通信单元用于无人机和地面诊断模块通信,并提供实时交互的媒介;
所述PC端神经网络训练模块用于利用准备好的数据集构造出一个能实时诊断多旋翼无人机动力系统故障的神经网络;
所述地面实时诊断模块用于手动构造一个神经网络,所述神经网络的结构和参数为PC端训练好的神经网络架构,然后通过无线通信设备,实时接收无人机下送的数据,通过对数据的实时解析、选择处理、输入神经网络,最终得到对无人机动力系统的一个诊断结果。
所述无人机模块可采用开源无人飞控系统pixhawk。所述通信单元可采用CUAV的433MHZ 500mW的无线数传。
所述PC端神经网络训练模块的具体硬件配置可选择i7-6700K CPU,内存为8GDDR4,显卡为NVIDA GTX 1080,系统为Ubuntu 14.04。
所述地面实时诊断模块的软件模块提供对无人机的一个数据显示和人工监控的平台。
所述多旋翼无人机动力系统故障在线诊断方法包括以下步骤:
1)构造训练数据集和测试数据集;
在步骤1)中,所述构造训练数据集和测试数据集获得完整有效数据集的方法可为;
(1)选取合适的故障注入方式,针对无人机动力系统故障,综合考虑软件模拟注入故障和硬件注入故障不同方案,在实验过程中,软件注入故障会受到飞控系统内部限制,无法真实模拟故障,最终选择破坏机翼的方法,具体在机翼故障注入方案中,为了保证桨叶的对称性,更加真实地代表动力系统故障,选择双边对称破坏掉相同长度的桨叶;
(2)为了便于选取数据,保证故障诊断的准确性,在飞行稳定时加入额外遥控数据,为了更大表现出故障特征,给无人机一个持续激励信号,使得检测故障更准确;所述持续激励信号用于激发系统特性或模式,采用方波或正弦波,满足以下条件:
其中,T是周期,E是下限值,u(t)是输入信号,通过在软件内部控制高度信号中加入模拟遥控信号达到持续激励;
(3)在无人机飞行过程中,为了获取多样性数据,采用不同时间段,不同地点,每次获取一段数据样本后更换不同的电机模拟故障,保证无人机飞行稳定性的情况下多次飞行,将数据保存到内存卡上,然后将内存卡上保存的数据文件转换为包含无人机特征数据的csv文件,构造出多个数据集,并考虑每个数据集的多样性和数据量。
2)数据选择和预处理;
在步骤2)中,所述数据选择和预处理的具体方法可为:对无人机的数据进行初始分析,去除无效数据,并对数据集中的变量进行第一步的人工选取和归一化,具体如下:
(1)去除无人机起飞和下落阶段数据,根据步骤1)第(2)部分中加入额外的遥控信号标记数据,再根据遥控数据判断,即可选取有效数据;
(2)飞行数据集中包括无人机的各种信息和参数,对无人机的各种信息和参数做第一步选择,选取作为有效特征的变量进行第二步神经网络的输入,经过对无人机的一个基本了解以及对各个参数变量的物理意义的理解,最终选取其中13个有可能作为有效的特征变量,分别为滚转角(ATT_Roll)、俯仰角(ATT_Pitch)、滚转角速度(ATT_RollRate)、俯仰角速度(ATT_PitchRate)、偏航角速度(ATT_YawRaye)、x方向加速度(ATT_GX)、y方向加速度(ATT_GY)、六个电机给定输出(OUT0~5);
(3)对数据做归一化处理,具体方法如下:
不同输入有不同的量纲,为了缩小输入空间,降低调参难度并且防止梯度消失问题,对数据做归一化处理,所述归一化处理是将数据缩小到[0,1]区间,由于采用的批数据处理,找到批次中对应数据的最大值max和最小值min,原数据和对应的归一化后的数据可以表示为:
在无人机的数据中,对应于会有小数的情况,代表方向上的区别,不能用标准化的归一化方法,以以下方式标准化:
其中,max为批次所有数据绝对值的最大值。
3)构建深度神经网络;
在步骤3)中,所述构建深度神经网络的具体方法可为:在所构造数据集的基础上,构造神经网络,又根据诊断结果优化网络结构和训练方法,所构造的深度神经网络中包括输入层、一维卷积层、池化层、展开层、全连接层和输出层,在实际训练过程中加入Dropout层和L2正则化,提高模型诊断的正确率;
对于具有多个输入的单个神经元,其输出可以表示为:
式中,f为激活函数,WT为权重矩阵,采用的激活函数为tanh函数如下:
所述神经网络中卷积层对二维图像进行处理,运用一维卷积对序列进行两次处理;
神经网络中采用的是交叉熵作为代价函数,具体如下:
上式中yi为标签值,为预测输出,i为输出层节点。
所述L2正则化是结构风险最小化策略,其中正则项为对模型的一个约束。选取13个特征变量的数据作为神经网络的输入,分别为滚转角(ATT_Roll)、俯仰角(ATT_Pitch)、滚转角速度(ATT_RollRate)、俯仰角速度(ATT_PitchRate)、偏航角速度(ATT_YawRaye)、x方向加速度(ATT_GX)、y方向加速度(ATT_GY)和6个电机给定输出(OUT0~5)。上述这些特征变量中肯定有无效特征。针对无效特征数据输入神经网络的情况,利用隐含层权重加入正则项的方式,解决了无效特征输入神经网络可能带来的深度神经网络过拟合的问题。损失函数采用交叉熵函数,正则项为L2范数,即整个代价函数为:
式中w为权重矩阵,λ为正则项系数,loss为交叉熵函数;
关于dropout正则化,指的是在深度学习网络训练过程中,一定概率暂时丢弃某个神经元节点,在此要注意的两个词:一个是训练,另一个是暂时。Dropout只有在训练过程中才会起作用,而且对于采用min-batch训练时,每个batch都会更新神经元丢弃状态。
4)实现地面故障诊断平台。
在步骤4)中,所述实现地面故障诊断平台的具体方法可为:
第一步,将所构建的神经网络的结构和参数保存,keras提供相应的工具,使用model.save(filepath)将神经网络的结构和权重保存在一个HDF5文件中;据此在C++中根据HDF5文件构造出相同的神经网络;
第二步,根据mavlink协议,将无线数传实时从无人机接收到的数据解析出来,动态输入神经网络中;
第三步,对无人机下传的数据和经由深度神经网络诊断出的结果做一个综合展示。
本发明利用深度神经网络成功解决了实体多旋翼无人机的故障诊断问题,在无人机多特征变量中成功提取有效特征变量,且在此之上加入卷积层、dropout以及L2正则化来优化整个神经网络,最终得到一个较高准确率的诊断结果。进一步的,将深度神经网络运用到自己的实时诊断系统中,有较大应用前景。
附图说明
图1是本发明采用多旋翼电机编号示意图。
图2是本发明采用持续激励信号示意图。
图3是本发明所采用深度神经网络结构图。
图4是本发明所述故障诊断系统总体结构示意图。
具体实施方式
以下实施例将结合附图对本发明作进一步的说明。
本发明基于深度神经网络,对无人机动力系统的故障诊断进行研究。在研究过程中对深度神经网络结构和训练方式进行优化,最终效果较佳,为了进一步解释本发明的流程,特将具体实施方式说明如下。
一、构造训练数据集和测试数据集,为了获得完整有效的数据集,要注意以下几点:
(1)选取合适的故障注入方式,针对无人机动力系统故障,综合考虑软件模拟注入故障和硬件注入故障不同方案。在实验过程中,软件注入故障会受到飞控系统内部限制,无法真实模拟故障,最终选择破坏机翼的方法,高效简单。具体在机翼故障注入方案中,尝试几种,最终为了保证桨叶的对称性,更加真实地代表动力系统故障,可选择双边对称破坏掉相同长度的桨叶,整个桨叶长31cm,两边各剪断5cm。
(2)为了便于选取数据,保证故障诊断的准确性,在飞行稳定时加入额外遥控数据作为标记,在实际遥控过程中,加入的遥控6通道。此外,为了更大地表现出故障特征,给出无人机一个持续激励信号,使得检测故障更准确。
所述持续激励信号是用来激发系统特性或模式的,一般会采用方波或者正弦波,其满足以下条件:
其中,T是周期,E是下限值,u(t)是输入信号。最终设计信号如图2(图中A的大小为0.05,T0大小为0.5s,T的大小为2s)。通过在软件内部控制高度信号中加入模拟遥控信号达到持续激励要求。
(3)在无人机飞行过程中,为了获取多样性数据,采用不同时间段,不同地点,每次获取一段数据样本后一定要更换不同的电机模拟故障。无论如何,保证无人机飞行稳定性的情况下多次飞行,将数据保存到内存卡上。然后将内存卡上保存的数据文件转换为自己所需的数据集。需要构造出多个数据集,每个数据集的多样性和数据量都要考虑。最终,构造出4个数据集,每个数据集里面包含7类样本,每个样本训练集为20000条数据,测试集为6000条数据。
二、数据选择和预处理,对无人机的数据进行初始分析,去除无效数据,并对数据集中的变量进行第一步的人工选取和归一化,具体如下:
(1)去除无人机起飞和下落阶段数据,前面方法中已经提到加入额外的遥控信号标记了数据,这一步根据遥控数据判断即可将有效数据选取出来。
(2)飞行数据集中包括无人机的各种信息和参数,需要对这些数据做第一步选择,选取一些有可能作为有效特征的变量进行下一步神经网络的输入。经过对无人机的一个基本了解以及对各个参数变量的物理意义的理解,最终选取了其中13个有可能作为有效特征的变量,分别为滚转角(ATT_Roll)、俯仰角(ATT_Pitch)、滚转角速度(ATT_RollRate)、俯仰角速度(ATT_PitchRate)、偏航角速度(ATT_YawRaye)、x方向加速度(ATT_GX)、y方向加速度(ATT_GY)和6个电机给定输出(OUT0~5)。
(3)对数据做归一化处理。不同输入有不同的量纲,为了缩小输入空间,降低调参难度并且防止梯度消失问题,一般要对数据做归一化处理。一般的归一化处理是将数据缩小到[0,1]区间,由于采用的批数据处理,找到批次中对应数据的最大值max和最小值min,原数据和对应的归一化后的数据可以表示为:
在无人机的数据中,对应于会有小数的情况,代表方向上的区别,所以不能用标准化的归一化方法,在此以以下方式标准化:
其中,max为批次所有数据绝对值的最大值。
三、构建深度神经网络,在所构造数据集的基础上,构造自己的神经网络,又根据诊断结果一步步优化网络结构和训练方法。最终,所构造的深度神经网络中包括输入层、一维卷积层、池化层、展开层、全连接层和输出层,在实际训练过程中加入了Dropout层和L2正则化,提高模型诊断的正确率。整个深度神经网络隐含层有8层,分别为32个维度为3的卷积核的一维卷积层、池化窗口大小为2的池化层、64个维度为3的卷积核的一维卷积层、池化窗口大小为2的池化层以及4层全连接层,其中全连接层神经元数量为512、256、128、64。最后一层为softmax层,输出7类结果对应概率。具体神经网络结构见图3。神经网络输出层及其对应含义(电机分布参照示意图1)参见表1,四组数据集下20次实验测试诊断准确率参见表2。
表1
表2
对于具有多个输入的单个神经元,其输出可以表示为:
式中f为激活函数,WT为权重矩阵,采用的激活函数为tanh函数:
所述神经网络中卷积层一般用来对二维图像进行处理,在这边运用一维卷积对序列进行两次处理,效果较好。
神经网络中采用的是交叉熵作为代价函数,在测试过程中有较好效果,具体如下:
上式中yi为标签值,为预测输出,i为输出层节点。
所述正则化是结构风险最小化策略,其中正则项就是对模型的一个约束。在前面的特征变量选择中,由于采取经验选取得方式,难免会有一些无效特征数据输入了神经网络,利用隐含层权重加入正则化的方式,可以更好地解决深度神经网络过拟合的问题。本发明中损失函数采用的是交叉熵函数,正则项为L2范数,即所以整个代价函数为:
式中w为权重矩阵,具体在运用过程中,正则项系数选择为0.02。
关于dropout正则化,指的是在深度学习网络训练过程中,一定概率暂时丢弃某个神经元节点。在此,要注意的两个词是:一个是训练,另一个是暂时。Dropout只有在训练过程中才会起作用,而且对于采用min-batch训练时,每个batch都会更新神经元丢弃状态。在实际操作过程中,采用的batch大小是128,然后除了输入和输出层以外的所有层都加了dropout,这里采用的值是0.3,也就是每个神经元被丢弃的概率是30%。
四、地面故障诊断平台的实现。
第一步,将所构建的神经网络的结构和参数保存下来,keras提供了相应的工具,使用model.save(filepath)将神经网络的结构和权重保存在一个HDF5文件中。据此就可以在QT平台下根据这个文件构造出相同的神经网络。
第二步,根据mavlink协议,将无线数传实时从无人机接收到的数据解析出来,动态输入神经网络中。
第三步,对无人机下传的数据和经由深度神经网络诊断出的结果做一个综合展示。整个故障诊断系统见图4(图中无人机是基于pixhawk开源飞控的六轴无人机,无线数传采用的是CUAV的433MHZ 500mW的无线数传)。
Claims (10)
1.一种多旋翼无人机动力系统故障在线诊断系统,其特征在于设有无人机模块、PC端神经网络训练模块和地面实时诊断模块;
所述无人机模块设有存储单元和通信单元,所述存储单元用于快速大量收集无人机飞行数据,所述无人机飞行数据用于神经网络训练,所述通信单元用于无人机和地面诊断模块通信,并提供实时交互的媒介;
所述PC端神经网络训练模块用于利用准备好的数据集构造能实时诊断多旋翼无人机动力系统故障的神经网络;
所述地面实时诊断模块用于手动构造一个神经网络,所述神经网络的结构和参数为PC端训练好的神经网络架构,然后通过无线通信设备,实时接收无人机下送的数据,通过对数据的实时解析、选择处理、输入神经网络,最终得到对无人机动力系统的一个诊断结果。
2.如权利要求1所述一种多旋翼无人机动力系统故障在线诊断系统,其特征在于所述无人机模块采用开源无人飞控系统pixhawk。
3.如权利要求1所述一种多旋翼无人机动力系统故障在线诊断系统,其特征在于所述通信单元采用CUAV的433MHZ 500mW的无线数传。
4.如权利要求1所述一种多旋翼无人机动力系统故障在线诊断系统,其特征在于所述PC端神经网络训练模块的具体硬件配置选择i7-6700K CPU,内存为8G DDR4,显卡为NVIDAGTX 1080,系统为Ubuntu 14.04。
5.如权利要求1所述一种多旋翼无人机动力系统故障在线诊断系统,其特征在于所述地面实时诊断模块的软件模块提供对无人机的一个数据显示和人工监控的平台。
6.多旋翼无人机动力系统故障在线诊断方法,其特征在于包括以下步骤:
1)构造训练数据集和测试数据集;
2)数据选择和预处理;
3)构建深度神经网络;
4)实现地面故障诊断平台。
7.如权利要求6所述多旋翼无人机动力系统故障在线诊断方法,其特征在于在步骤1)中,所述构造训练数据集和测试数据集获得完整有效数据集的方法为;
(1)选取合适的故障注入方式,针对无人机动力系统故障,综合考虑软件模拟注入故障和硬件注入故障不同方案,选择破坏机翼的方法,在机翼故障注入方案中,选择双边对称破坏掉相同长度的桨叶;
(2)在飞行稳定时加入额外遥控数据,给无人机一个持续激励信号,所述持续激励信号用于激发系统特性或模式,采用方波或正弦波,满足以下条件:
其中,T是周期,E是下限值,u(t)是输入信号,通过在软件内部控制高度信号中加入模拟遥控信号达到持续激励;
(3)在无人机飞行过程中,为了获取多样性数据,采用不同时间段,不同地点,每次获取一段数据样本后更换不同的电机模拟故障,保证无人机飞行稳定性的情况下多次飞行,将数据保存到内存卡上,然后将内存卡上保存的数据文件转换为包含无人机特征数据的csv文件,构造出多个数据集,并考虑每个数据集的多样性和数据量。
8.如权利要求6所述多旋翼无人机动力系统故障在线诊断方法,其特征在于在步骤2)中,所述数据选择和预处理的具体方法为:对无人机的数据进行初始分析,去除无效数据,并对数据集中的变量进行第一步的人工选取和归一化,具体如下:
(1)去除无人机起飞和下落阶段数据,根据步骤1)第(2)部分中加入额外的遥控信号标记数据,再根据遥控数据判断,即选取有效数据;
(2)飞行数据集中包括无人机的各种信息和参数,对无人机的各种信息和参数做第一步选择,选取作为有效特征的变量进行第二步神经网络的输入,选取其中13个作为有效特征的变量,分别为滚转角、俯仰角、滚转角速度、俯仰角速度、偏航角速度、x方向加速度、y方向加速度和6个电机给定输出;
(3)对数据做归一化处理,具体方法如下:
将数据缩小到[0,1]区间,由于采用的批数据处理,找到批次中对应数据的最大值max和最小值min,原数据和对应的归一化后的数据表示为:
在无人机的数据中,以以下方式标准化:
其中,max为批次所有数据绝对值的最大值。
9.如权利要求6所述多旋翼无人机动力系统故障在线诊断方法,其特征在于在步骤3)中,所述构建深度神经网络的具体方法为:在所构造数据集的基础上,构造神经网络,又根据诊断结果优化网络结构和训练方法,所构造的深度神经网络中包括输入层、一维卷积层、池化层、展开层、全连接层和输出层,在实际训练过程中加入Dropout层和L2正则化,提高模型诊断的正确率;
对于具有多个输入的单个神经元,其输出表示为:
式中,f为激活函数,WT为权重矩阵,采用的激活函数为tanh函数如下:
所述神经网络中卷积层对二维图像进行处理,运用一维卷积对序列进行两次处理;
神经网络中采用的是交叉熵作为代价函数,具体如下:
上式中yi为标签值,为预测输出,i为输出层节点;
所述L2正则化是结构风险最小化策略,其中正则项为对模型的一个约束,选取13个特征变量的数据作为神经网络的输入,分别为滚转角、俯仰角、滚转角速度、俯仰角速度、偏航角速度、x方向加速度、y方向加速度和6个电机给定输出;上述特征变量中肯定有无效特征,针对无效特征数据输入神经网络的情况,利用隐含层权重加入正则项的方式,解决无效特征输入神经网络可能带来的深度神经网络过拟合的问题,损失函数采用交叉熵函数,正则项为L2范数,即整个代价函数为:
上式中w为权重矩阵,λ为正则项系数,loss为交叉熵函数。
10.如权利要求6所述多旋翼无人机动力系统故障在线诊断方法,其特征在于在步骤4)中,所述实现地面故障诊断平台的具体方法为:
第一步,将所构建的神经网络的结构和参数保存,keras提供相应的工具,使用model.save将神经网络的结构和权重保存在一个HDF5文件中;据此在C++中根据HDF5文件构造出相同的神经网络;
第二步,根据mavlink协议,将无线数传实时从无人机接收到的数据解析出来,动态输入神经网络中;
第三步,对无人机下传的数据和经由深度神经网络诊断出的结果做一个综合展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811385615.5A CN109725626B (zh) | 2018-11-20 | 2018-11-20 | 一种多旋翼无人机动力系统故障在线诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811385615.5A CN109725626B (zh) | 2018-11-20 | 2018-11-20 | 一种多旋翼无人机动力系统故障在线诊断系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109725626A true CN109725626A (zh) | 2019-05-07 |
CN109725626B CN109725626B (zh) | 2020-10-09 |
Family
ID=66295052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811385615.5A Expired - Fee Related CN109725626B (zh) | 2018-11-20 | 2018-11-20 | 一种多旋翼无人机动力系统故障在线诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109725626B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633791A (zh) * | 2019-09-26 | 2019-12-31 | 北航(四川)西部国际创新港科技有限公司 | 一种基于卷积神经网络的无人机异常行为识别方法 |
CN110717260A (zh) * | 2019-09-26 | 2020-01-21 | 杭州电子科技大学 | 一种无人机机动能力模型建立方法 |
CN111429215A (zh) * | 2020-03-18 | 2020-07-17 | 北京互金新融科技有限公司 | 数据的处理方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103983453A (zh) * | 2014-05-08 | 2014-08-13 | 南京航空航天大学 | 一种航空发动机的执行机构和传感器故障诊断的区分方法 |
CN104866596A (zh) * | 2015-05-29 | 2015-08-26 | 北京邮电大学 | 一种基于自动编码器的视频分类方法及装置 |
CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
CN107491606A (zh) * | 2017-08-17 | 2017-12-19 | 安徽工业大学 | 基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法 |
CN107992029A (zh) * | 2017-12-15 | 2018-05-04 | 中国电子产品可靠性与环境试验研究所 | 基于状态监测的无人机性能检测装置 |
CN108106841A (zh) * | 2017-12-21 | 2018-06-01 | 西安交通大学 | 基于内置编码器信号的行星齿轮箱智能故障诊断方法 |
CN108444708A (zh) * | 2018-04-16 | 2018-08-24 | 长安大学 | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 |
-
2018
- 2018-11-20 CN CN201811385615.5A patent/CN109725626B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103983453A (zh) * | 2014-05-08 | 2014-08-13 | 南京航空航天大学 | 一种航空发动机的执行机构和传感器故障诊断的区分方法 |
CN104866596A (zh) * | 2015-05-29 | 2015-08-26 | 北京邮电大学 | 一种基于自动编码器的视频分类方法及装置 |
CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
CN107491606A (zh) * | 2017-08-17 | 2017-12-19 | 安徽工业大学 | 基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法 |
CN107992029A (zh) * | 2017-12-15 | 2018-05-04 | 中国电子产品可靠性与环境试验研究所 | 基于状态监测的无人机性能检测装置 |
CN108106841A (zh) * | 2017-12-21 | 2018-06-01 | 西安交通大学 | 基于内置编码器信号的行星齿轮箱智能故障诊断方法 |
CN108444708A (zh) * | 2018-04-16 | 2018-08-24 | 长安大学 | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633791A (zh) * | 2019-09-26 | 2019-12-31 | 北航(四川)西部国际创新港科技有限公司 | 一种基于卷积神经网络的无人机异常行为识别方法 |
CN110717260A (zh) * | 2019-09-26 | 2020-01-21 | 杭州电子科技大学 | 一种无人机机动能力模型建立方法 |
CN111429215A (zh) * | 2020-03-18 | 2020-07-17 | 北京互金新融科技有限公司 | 数据的处理方法和装置 |
CN111429215B (zh) * | 2020-03-18 | 2023-10-31 | 北京互金新融科技有限公司 | 数据的处理方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109725626B (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107238388B (zh) | 多无人机任务分配与航迹规划联合优化方法及装置 | |
CN107682216B (zh) | 一种基于深度学习的网络流量协议识别方法 | |
CN110070183A (zh) | 一种弱标注数据的神经网络模型训练方法及装置 | |
CN107169608A (zh) | 多无人机执行多任务的分配方法及装置 | |
CN109725626A (zh) | 一种多旋翼无人机动力系统故障在线诊断系统及方法 | |
CN105354587B (zh) | 一种风力发电机组齿轮箱的故障诊断方法 | |
CN112131760A (zh) | 基于cbam模型的航空发动机剩余寿命预测方法 | |
CN108199795A (zh) | 一种设备状态的监测方法和装置 | |
Nesteruk et al. | Image compression and plants classification using machine learning in controlled-environment agriculture: Antarctic station use case | |
CN108648020A (zh) | 用户行为量化方法、系统、设备及存储介质 | |
CN107066759A (zh) | 一种汽轮机转子振动故障诊断方法及装置 | |
Yaqot et al. | Unmanned aerial vehicle (UAV) in precision agriculture: business information technology towards farming as a service | |
CN110298374A (zh) | 一种基于深度学习的驾驶轨迹能耗分析方法和装置 | |
EP3201845A1 (en) | Vibration signatures for prognostics and health monitoring of machinery | |
CN108229557A (zh) | 一种具有标签的神经网络的加速训练方法及系统 | |
CN111913405A (zh) | 多软件联合仿真系统 | |
CN115510950A (zh) | 基于时间卷积网络的飞行器遥测数据异常检测方法及系统 | |
CN107944488A (zh) | 基于层次化深度网络的长时序列数据处理方法 | |
CN102968553A (zh) | 一种飞行器着陆风险评测方法 | |
Vargas et al. | System identification of multi-rotor uavs using echo state networks | |
CN108875578A (zh) | 一种自适应群智能优化sar雷达空中飞行目标识别系统 | |
CN115034432A (zh) | 一种风电场风力发电机组风速预测方法 | |
CN107122472A (zh) | 大规模非结构化数据提取方法、其系统、分布式数据管理平台 | |
Silalahi et al. | Real-Time Examination System for New Students at Pandemic Time Covid 19 Using Fuzzy Logic | |
Fu et al. | UAVDet: A Lightweight Fast Detection Model for Marine Ships based on Edge Mobile Devices |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201009 Termination date: 20211120 |
|
CF01 | Termination of patent right due to non-payment of annual fee |