CN109885598A - 故障识别方法、装置、计算机可读存储介质及电子设备 - Google Patents
故障识别方法、装置、计算机可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN109885598A CN109885598A CN201910074912.6A CN201910074912A CN109885598A CN 109885598 A CN109885598 A CN 109885598A CN 201910074912 A CN201910074912 A CN 201910074912A CN 109885598 A CN109885598 A CN 109885598A
- Authority
- CN
- China
- Prior art keywords
- index
- value
- series
- subsequence
- fault
- 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
- Navigation (AREA)
- Debugging And Monitoring (AREA)
Abstract
本公开涉及一种故障识别方法、装置、计算机可读存储介质及电子设备。方法包括：获取目标无人机在待评估时段内的第一指标数据集，其中，所述第一指标数据集包括按照时间顺序排列的多个指标值构成的指标序列；对所述第一指标数据集进行数据预处理，得到第二指标数据集；针对所述第二指标数据集中的每个指标序列，根据所述指标序列的指标特性，对所述指标序列进行二次数据处理，得到第三指标数据集；根据所述第三指标数据集，对所述目标无人机进行故障识别。由此，处理后的指标序列中各指标值的大小即可体现对应指标的优劣。之后，基于通过上述数据处理后的指标数据集，对目标无人机进行故障识别，由此，可以提高无人机故障识别的效率和准确性。
Description
技术领域
本公开涉及无人机领域，具体地，涉及一种故障识别方法、装置、计算机可读存储介质及电子设备。
背景技术
随着无人机行业的发展，用户对于无人机产品的要求越来越高，能够准确地对无人机的飞行故障进行识别，对于后续无人机的维护具有积极的指导意义。
目前主要通过以下两种方式进行无人机故障识别：(1)通过经验丰富的人员实际观察无飞机的飞行状态或后续查看无人机飞行数据来确定无人机是否存在故障；(2)通过构建控制系统仿真模型，通过模拟无人机的飞行过程，确定无人机的飞行故障，但无法保证构建的控制系统仿真模型的准确性，并且，现实飞行环境的多变性也增加了模型构建的难度。
另外，对于无人机数据通常只做普通归一化的数据预处理，然后应用支持向量机与神经网络等数据挖掘算法进行数据挖掘。其中，普通归一化是将指标数据映射到[0,1]区间上，并保证数据大小与间隔比例不变，但此种方式并不适用无人机的部分指标，例如，加速度计震动指标，因为加速度计本身是携带大量震动噪声，其值过大或是过小都可能是故障数据，普通归一化后并没有在数据处理层面将数据的质量的好坏在数据大小上进行体现。支持向量机算法对于二分类问题处理效果不错，但是对于过于复杂的分类问题的处理有一定的困难，而神经网络需要大量的样本数据作为训练支撑，才能达到一个较好的效果。在数据预处理较差并且样本数据有限的情况下应用上述方式对于无人机的飞行质量进行评价和故障识别，很难达到理想效果。
发明内容
为了克服相关技术中存在的问题，本公开提供一种故障识别方法、装置、计算机可读存储介质及电子设备。
为了实现上述目的，根据本公开实施例的第一方面，提供一种故障识别方法，包括：获取目标无人机在待评估时段内的第一指标数据集，其中，所述第一指标数据集包括按照时间顺序排列的多个指标值构成的指标序列；对所述第一指标数据集进行数据预处理，得到第二指标数据集；针对所述第二指标数据集中的每个指标序列，根据所述指标序列的指标特性，对所述指标序列进行二次数据处理，得到第三指标数据集；根据所述第三指标数据集，对所述目标无人机进行故障识别。
根据本公开实施例的第二方面，提供一种故障识别装置，包括：获取模块，用于获取目标无人机在待评估时段内的第一指标数据集，其中，所述第一指标数据集包括按照时间顺序排列的多个指标值构成的指标序列；第一数据处理模块，用于对所述获取模块获取到的所述第一指标数据集进行数据预处理，得到第二指标数据集；第二数据处理模块，用于针对所述第一数据处理模块得到的所述第二指标数据集中的每个指标序列，根据所述指标序列的指标特性，对所述指标序列进行二次数据处理，得到第三指标数据集；故障识别模块，用于根据所述第二数据处理模块得到的所述第三指标数据集，对所述目标无人机进行故障识别。
根据本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开第一方面提供的所述故障识别方法的步骤。
根据本公开实施例的第四方面，提供一种电子设备，包括：存储器，其上存储有计算机程序；处理器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面提供的所述故障识别方法的步骤。
根据本公开实施例的第五方面，提供一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行实现本公开第一方面提供的所述故障识别方法的步骤。
在上述技术方案中，在对目标无人机在待评估时段内的第一指标数据集进行数据预处理得到第二指标数据集后，针对该第二指标数据集中的每个指标序列，根据该指标序列的指标特征，对其进行二次数据处理，即针对不同的指标序列进行不同的数据处理，这样，处理后的指标序列中各指标值的大小即可体现对应指标的优劣。之后，基于通过上述数据处理后的指标数据集，对目标无人机进行故障识别，由此，可以提高无人机故障识别的效率和准确性。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据一示例性实施例示出的一种故障识别方法的流程图。
图2是根据一示例性实施例示出的一种根据第三指标数据集对目标无人机进行故障识别的方法的流程图。
图3是根据一示例性是实施例示出的一种建立Xgboost模型与分组之间的对应关系的方法的流程图。
图4是根据一示例性实施例示出的一种确定目标故障信息的方法的流程图。
图5是根据一示例性实施例示出的一种故障识别装置的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
图7是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
图1是根据一示例性实施例示出的一种故障识别方法的流程图。如图1所示，该方法可以包括以下步骤。
在步骤101中，获取目标无人机在待评估时段内的第一指标数据集。
在本公开中，该第一指标数据集可以包括按照时间顺序排列的多个指标值构成的指标序列。其中，第一指标数据集可以包括姿态角实际值、姿态角速率实际值、姿态角期望值、姿态角速率期望值、固连加速度计测量值、固连陀螺仪测量值、外置磁罗盘测量值、减震加速度计测量值、减震陀螺仪测量值、内置磁罗盘测量值、实际位置、实际速度、期望位置、期望速度、GPS水平定位精度、GPS垂直定位精度、PWM输出、遥控器输入指标等指标值构成的指标序列。
并且，上述待评估时段可以是用户设定的时段，也可以是默认的时段(例如，无人机最近一次的飞行时段)，在本公开中不作具体限定。
在步骤102中，对第一指标数据集进行数据预处理，得到第二指标数据集。
在本公开中，为了确保数据的一致性、完整性和可用性，在通过上述步骤101获取到第一指标数据集后，可以对其进行归一化处理、差分处理、异常值处理、缺失值补充、平滑处理、低通滤波处理等数据预处理操作。其中，由于这些数据预处理操作属于本领域技术人员公知的，在本公开中不再赘述。
在步骤103中，针对第二指标数据集中的每个指标序列，根据该指标序列的指标特性，对该指标序列进行二次数据处理，得到第三指标数据集。
在本公开中，在通过上述步骤102对第一指标数据集进行数据预处理后，为了使得指标序列中各指标值的大小能够体现对应指标的优劣，可以根据各指标序列的指标特性，采用的相应的数据处理方式，即针对不同的指标序列，可以采用不同的数据处理方式。具体来说，主要包括以下三种情况：
(1)当指标序列中各指标值和该指标序列中各指标值的平均值之间的差值、与相应指标的优劣直接相关时，对该指标序列进行差分后取绝对值，以得到第三指标数据集，其中，该第三指标数据集中每个指标序列的第一个指标值用零补充。
在本公开中，当指标序列中各指标值和该指标序列中各指标值的平均值之间的差值、与相应指标的优劣直接相关时，表明该指标序列中的各指标值存在一固定的中心点(即该指标序列中各指标值的平均值)、且指标值与中心点之间的距离远近能够直接体现相应指标的优劣，此时，可以对该指标序列进行差分后取绝对值。具体来说，可以先对该指标序列中的各指标值进行差分处理，即将指标序列中的各指标值分别与该指标值前的第一个指标值作差，之后，对各差值取绝对值，其中，第一个指标值空缺，可以用零进行补充。
示例地，上述指标序列为X＝{x1、x2、…、xn}，则对该指标序列中的各指标值进行差分处理后为X'＝{x2-x1、x3-x2、…、xn-xn-1}；对各差值取绝对值后为X”＝{|x2-x1|、|x3-x2|、…、|xn-xn-1|}；最后，用零补充第一个指标值后为X”'＝{0、|x2-x1|、|x3-x2|、…、|xn-xn-1|}。
其中，上述减震加速度计测量值、减震陀螺仪测量值等指标符合上述指标特征，可以采用该种数据处理方式。
(2)当任意两个指标序列中相应指标值之差与该两个指标序列对应的同类型无人机部件是否故障直接相关时，即两个指标序列是成对出现的，该两个指标序列中相应指标值之差(即两个指标序列中的对应指标值的分离程度)能够体现相对应的同类型无人机部件是否故障时，例如，减震加速度计测量值与固连加速度计测量值之差能够体现相对应的加速度计是否故障，可以采用以下方式进行数据处理：
首先，针对上述两个指标序列中的每个指标序列中的、前s-t+1个指标值中的每个指标值，分别将该指标值和该指标值后的连续t-1个指标值组成的指标序列确定为第一指标子序列，其中，s为上述指标序列的长度，t为上述第一指标子序列的长度。
示例地，s＝10，t＝5，上述两个指标序列分别为X＝{x1、x2、…、x10}、Y＝{y1、y2、…、y10}，则指标序列X＝{x1、x2、…、x10}中前6个指标值分别为x1、x2、…、x6，指标值x1与其后的连续4个指标值x2、x3、x4、x5组成的指标序列为x1、x2、x3、x4、x5，即得到第一指标子序列X1＝{x1、x2、x3、x4、x5}，指标值x2与其后的连续4个指标值x3、x4、x5、x6组成的指标序列为x2、x3、x4、x5、x6，即得到第一指标子序列X2＝{x2、x3、x4、x5、x6}，…，指标值x6与其后的连续4个指标值x7、x8、x9、x10组成的指标序列为x6、x7、x8、x9、x10，即得到第一指标子序列X6＝{x6、x7、x8、x9、x10}，这样，指标序列X＝{x1、x2、…、x10}对应的6个第一指标子序列分别为X1＝{x1、x2、x3、x4、x5}、X2＝{x2、x3、x4、x5、x6}、X3＝{x3、x4、x5、x6、x7}、X4＝{x4、x5、x6、x7、x8}、X5＝{x5、x6、x7、x8、x9}、X6＝{x6、x7、x8、x9、x10}。同理，指标序列Y＝{y1、y2、…、y10}对应的6个第一指标子序列分别为Y1＝{y1、y2、y3、y4、y5}、Y2＝{y2、y3、y4、y5、y6}、Y3＝{y3、y4、y5、y6、y7}、Y4＝{y4、y5、y6、y7、y8}、Y5＝{y5、y6、y7、y8、y9}、Y6＝{y6、y7、y8、y9、y10}。
又示例地，s＝100，t＝20，上述两个指标序列分别为X＝{x1、x2、…、x100}、Y＝{y1、y2、…、y100}，则指标序列X＝{x1、x2、…、x100}中前81个指标值分别为x1、x2、…、x81、指标序列Y＝{y1、y2、…、y100}中前81个指标值分别为y1、y2、…、y81，经过上述数据处理后，得到的指标序列X＝{x1、x2、…、x100}对应的81个第一指标子序列分别为X1＝{x1、x2、…、x20}、
X2＝{x2、x3、…、x21}、X3＝{x3、x4、…、x22}、…、X81＝{x81、x82、…、x100}，指标序列Y＝{y1、y2、…、y100}对应的81个第一指标子序列分别为Y1＝{y1、y2、…、y20}、Y2＝{y2、y3、…、y21}、Y3＝{y3、y4、…、y22}、…、Y81＝{y81、y82、…、y100}。
然后，针对第一指标序列对应的s-t+1个第一指标子序列中的每个第一指标子序列，分别将该第一指标子序列中的每个指标值与第二指标序列对应的s-t+1个第一指标子序列中的相应子序列中的对应指标值作差，并计算多个差值的平均值，将多个该平均值组成的序列确定为第三指标数据集。这样，相对于单点作差的波动性会减小，更容易体现指标变动。
其中，上述第一指标序列为上述两个指标序列中的一指标序列，第二指标序列为两个指标序列中的另一指标序列。
示例地，第一指标序列X＝{x1、x2、…、x10}对应的6个第一指标子序列分别为X1＝{x1、x2、x3、x4、x5}、X2＝{x2、x3、x4、x5、x6}、X3＝{x3、x4、x5、x6、x7}、X4＝{x4、x5、x6、x7、x8}、X5＝{x5、x6、x7、x8、x9}、X6＝{x6、x7、x8、x9、x10}，第二指标序列Y＝{y1、y2、…、y10}对应的6个第一指标子序列分别为Y1＝{y1、y2、y3、y4、y5}、Y2＝{y2、y3、y4、y5、y6}、Y3＝{y3、y4、y5、y6、y7}、Y4＝{y4、y5、y6、y7、y8}、Y5＝{y5、y6、y7、y8、y9}、Y6＝{y6、y7、y8、y9、y10}，针对第一指标子序列X1＝{x1、x2、x3、x4、x5}，可以分别将其中的每个指标值与相应的第一指标子序列Y1＝{y1、y2、y3、y4、y5}中的相应指标值作差，并计算多个差值的平均值，得到平均值针对第一指标子序列X2＝{x2、x3、x4、x5、x6}，可以分别将其中的每个指标值与相应的第一指标子序列Y2＝{y2、y3、y4、y5、y6}中的相应指标值作差，并计算多个差值的平均值，得到…，针对第一指标子序列X6＝{x6、x7、x8、x9、x10}，可以分别将其中的每个指标值与相应的第一指标子序列Y2＝{y2、y3、y4、y5、y6}中的相应指标值作差，并计算多个差值的平均值，得到则第三指标数据集为
其中，上述固连加速度计测量值与减震加速度计测量值、固连陀螺仪测量值与减震陀螺仪测量值等符合上述指标特征，可以采用该种数据处理方式。
(3)当任意两个指标序列中相应指标值分别为实际值、与该实际值对应的期望值时，即相应指标值之间存在跟随关系，例如，俯仰角度实际值、俯仰角度期望值，可以采用以下步骤(31)～步骤(37)所示的方式进行数据处理：
(31)、针对上述两个指标序列中的每个指标序列中的、前s-k+1个指标值中的每个指标值，分别将该指标值和该指标值后的连续k-1个指标值组成的指标序列确定为第二指标子序列，其中，s为上述指标序列的长度，k为上述第二指标子序列的长度。
在本公开中，可以采用上述确定第一指标子序列同样的方式来确定第二指标子序列，这里不再赘述。并且，第二指标子序列的长度k、上述第一指标子序列的长度t均可以是用户设定的值，也可以是默认的经验值，并且，二者可以相等，也可以不相等，在本公开中均不作具体限定。
(32)、针对第三指标序列对应的s-k+1个第二指标子序列中的每个第二指标子序列，从该第二指标子序列中分别删除后1、2、…、q个指标值，得到s-k+1个第一指标序列集。
(33)、针对第四指标序列对应的s-k+1个第二指标子序列中的每个第二指标子序列，从该第二指标子序列中分别删除前1、2、…、q个指标值，得到s-k+1个第二指标序列集。
其中，每个第一指标序列集包括q个第三指标子序列，每个第二指标序列集包括q个第四指标子序列；第三指标序列为上述两个指标序列中的一指标序列，第四指标序列为上述两个指标序列中的另一指标序列；q为整数，且q<s-k+1。
示例地，s＝10，k＝5，q＝3，上述两个指标序列分别为X＝{x1、x2、…、x10}、Y＝{y1、y2、…、y10}，其中，第三指标序列为X＝{x1、x2、…、x10}，第四指标序列为Y＝{y1、y2、…、y10}；并且，通过上述步骤(31)获得的第三指标序列X＝{x1、x2、…、x10}对应的6个第二指标子序列分别为X1＝{x1、x2、x3、x4、x5}、X2＝{x2、x3、x4、x5、x6}、X3＝{x3、x4、x5、x6、x7}、X4＝{x4、x5、x6、x7、x8}、X5＝{x5、x6、x7、x8、x9}、X6＝{x6、x7、x8、x9、x10}，针对第二指标子序列X1＝{x1、x2、x3、x4、x5}，从该子序列中分别删除后1个、后2个、后3个指标值后，得到3个第三指标子序列K11＝{x1、x2、x3、x4}、K12＝{x1、x2、x3}、K13＝{x1、x2}，即得到第一个第一指标序列集K1＝{K11、K12、K13}＝{{x1、x2、x3、x4}、{x1、x2、x3}、{x1、x2}}，针对第二指标子序列X2＝{x2、x3、x4、x5、x6}，从该子序列中分别删除后1个、后2个、后3个指标值后，得到3个第三指标子序列K21＝{x2、x3、x4、x5}、K22＝{x2、x3、x4}、K23＝{x2、x3}，即得到第二个第一指标序列集K2＝{K21、K22、K23}＝{{x2、x3、x4、x5}、{x2、x3、x4}、{x2、x3}}，…，针对第二指标子序列X6＝{x6、x7、x8、x9、x10}，从该子序列中分别删除后1个、后2个、后3个指标值后，得到3个第三指标子序列K61＝{x6、x7、x8、x9}、K62＝{x6、x7、x8}、K63＝{x6、x7}，即得到第六个第一指标序列集K6＝{K61、K62、K63}＝{{x6、x7、x8、x9}、{x6、x7、x8}、{x6、x7}}。综上，可得6个第一指标序列集，它们分别为K1、K2、...、K6。
另外，通过上述步骤(31)获得的第四指标序列Y＝{y1、y2、…、y10}对应的6个第二指标子序列分别为Y1＝{y1、y2、y3、y4、y5}、Y2＝{y2、y3、y4、y5、y6}、Y3＝{y3、y4、y5、y6、y7}、Y4＝{y4、y5、y6、y7、y8}、Y5＝{y5、y6、y7、y8、y9}、Y6＝{y6、y7、y8、y9、y10}，针对第二指标子序列Y＝{y1、y2、…、y10}，从该子序列中分别删除前1个、前2个、前3个指标值后，得到3个第四指标子序列R11＝{y2、y3、y4、y5}、R12＝{y3、y4、y5}、R13＝{y4、y5}，即得到第一个第二指标序列集R1＝{R11、R12、R13}＝{{y2、y3、y4、y5}、{y3、y4、y5}、{y4、y5}}，针对第二指标子序列Y2＝{y2、y3、y4、y5、y6}，从该子序列中分别删除前1个、前2个、前3个指标值后，得到3个第四指标子序列R21＝{y3、y4、y5、y6}、R22＝{y4、y5、y6}、R23＝{y5、y6}，即得到第二个第二指标序列集R2＝{R21、R22、R23}＝{{y3、y4、y5、y6}、{y4、y5、y6}、{y5、y6}}，…，针对第二指标子序列Y6＝{y6、y7、y8、y9、y10}，从该子序列中分别删除前1个、前2个、前3个指标值后，得到3个第四指标子序列R61＝{y7、y8、y9、y10}、R62＝{y8、y9、y10}、R63＝{y9、y10}，即得到第六个第一指标序列集K6＝{K61、K62、K63}＝{{x6、x7、x8、x9}、{x6、x7、x8}、{x6、x7}}。综上，可得6个第二指标序列集，它们分别为R1、R2、...、R6。
(34)、针对每个第一指标序列集中的每个第三指标子序列，将该第三指标子序列中的每个指标值与相应的第二指标序列集中的相应第四指标子序列中的对应指标值作差，并计算多个该差值的平均值。
(35)、将多个上述平均值中的最小值对应的第三指标子序列、第四指标子序列分别确定为第一目标子序列、第二目标子序列。
(36)、计算第一目标子序列与第二指标子序列之间的动态时间归整(DynamicTime Warping，DTW)距离。
(37)、将多个DTW距离组成的序列，确定为第三指标数据集。
示例地，针对指标序列X＝{x1、x2、…、x10}对应的第一个第一指标序列集K1＝{K11、K12、K13}＝{{x1、x2、x3、x4}、{x1、x2、x3}、{x1、x2}}中的第一个第三指标子序列K11＝{x1、x2、x3、x4}，其相应的第二指标序列集R1＝{R11、R12、R13}＝{{y2、y3、y4、y5}、{y3、y4、y5}、{y4、y5}}中的相应第四指标子序列为R11＝{y2、y3、y4、y5}，则可以将上述第一个第三指标子序列K11＝{x1、x2、x3、x4}中的每个指标值与相应的第四指标子序列R11＝{y2、y3、y4、y5}中的对应指标值作差，并计算多个差值的平均值，即针对指标序列X＝{x1、x2、…、x10}对应的第一个第一指标序列集K1＝{K11、K12、K13}＝{{x1、x2、x3、x4}、{x1、x2、x3}、{x1、x2}}中的第二个第三指标子序列K12＝{x1、x2、x3}，其相应的第二指标序列集R1＝{R11、R12、R13}＝{{y2、y3、y4、y5}、{y3、y4、y5}、{y4、y5}}中的相应第四指标子序列为R12＝{y3、y4、y5}，则可以将上述第二个第三指标子序列K12＝{x1、x2、x3}中的每个指标值与相应的第四指标子序列R12＝{y3、y4、y5}中的对应指标值作差，并计算多个差值的平均值，即针对指标序列X＝{x1、x2、…、x10}对应的第一个第一指标序列集K1＝{K11、K12、K13}＝{{x1、x2、x3、x4}、{x1、x2、x3}、{x1、x2}}中的第三个第三指标子序列K13＝{x1、x2}，其相应的第二指标序列集R1＝{R11、R12、R13}＝{{y2、y3、y4、y5}、{y3、y4、y5}、{y4、y5}}中的相应第四指标子序列为R13＝{y4、y5}，则可以将第三指标子序列K13＝{x1、x2}中的每个指标值与第四指标子序列R13＝{y4、y5}中的对应指标值作差，并计算多个差值的平均值，即之后，将d11、d12、d13中的最小值对应的第三指标子序列、第四指标子序列分别确定为第一目标子序列、第二目标子序列。示例地，d11>d13>d12，则可以将d11、d12、d13中的最小值d12对应的第三指标子序列K12＝{x1、x2、x3}、第四指标子序列R12＝{y3、y4、y5}分别确定为第一目标子序列、第二目标子序列，即第一目标子序列为{x1、x2、x3}、第二目标子序列为{y3、y4、y5}。最后，计算第一目标子序列{x1、x2、x3}和第二目标子序列{y3、y4、y5}之间的DTW距离。
同样地，可以按照上述方式，针对第一指标序列集K2、...、K6，分别确定出一个DTW距离。这样，可以确定出6个DTW距离，此时，可以将该确定出的6个DTW距离组成的序列确定为第三指标数据集。
另外，需要说明的是，上述第一目标子序列和第二目标子序列之间的DTW距离的具体计算方式，属于本领域技术人员公知的，在本公开中不再赘述。
此外，上述固连陀螺仪测量值与减震陀螺仪测量值、姿态角实际值与姿态角期望值、姿态角速率实际值与姿态角速率期望值、实际位置与期望位置、实际速度与期望速度等符合上述指标特征，可以采用该种数据处理方式。
返回图1，在步骤104中，根据第三指标数据集，对目标无人机进行故障识别。
在本公开中，在通过上述步骤103获取到第三指标数据后，可以根据该第三指标数据对目标无人机进行故障识别。具体来说，可以通过图2中所示的步骤1041～步骤1044来实现。
在步骤1041中，根据预设的分组与飞行状态之间的对应关系，确定与目标无人机的飞行状态对应的目标分组。
在本公开中，上述飞行状态可以包括机型、起落状态、飞行模式、厂家型号中的一者或两者以上，其中，机型可以包括直升机、多旋翼机等，起落状态可以包括起飞状态和降落状态，飞行模式可以包括姿态、定高、定点等模式，厂家型号为无人机生产厂家对该无人机作出的编号。
示例地，上述飞行状态可以包括机型、起落状态、飞行模式，机型包括直升机、多旋翼机，飞行模式包括姿态、定高、定点三种模式，则无人机可以按照飞行模式划分为如下表1中所示的12组：
表1分组与飞行状态的对应关系表
| 分组 | 飞行状态 |
| 组1 | 直升机、起飞、姿态 |
| 组2 | 直升机、起飞、定高 |
| 组3 | 直升机、起飞、定点 |
| 组4 | 直升机、落地、姿态 |
| 组5 | 直升机、落地、定高 |
| 组6 | 直升机、落地、定点 |
| 组7 | 多旋翼机、起飞、姿态 |
| 组8 | 多旋翼机、起飞、定高 |
| 组9 | 多旋翼机、起飞、定点 |
| 组10 | 多旋翼机、落地、姿态 |
| 组11 | 多旋翼机、落地、定高 |
| 组12 | 多旋翼机、落地、定点 |
示例地，上述目标无人机的飞行状态为直升机、起飞、定点，则通过表1中所示的分组与飞行状态的对应关系表可知，与该目标无人机的飞行状态对应的目标分组为组3。
在步骤1042中，根据预设的Xgboost模型与分组之间的对应关系，确定与目标分组匹配的目标Xgboost模型。
在本公开中，在通过上述步骤1041确定出与目标无人机的飞行状态对应的目标分组后，可以根据预设的极端梯度提升(eXtreme Gradient Boosting，Xgboost)模型与分组之间的对应关系，确定与上述目标分组匹配的目标Xgboost模型，其中，上述Xgboost模型可以用于处理回归及分类问题。
其中，无人机的飞行状态不同，其对应的指标值可能存在很大差异，因此，为了提高故障识别的准确度，可以针对不同的分组，设定不同的Xgboost模型。这样，通过Xgboost模型即可实现目标无人机的故障识别，而无需构建控制系统仿真模型，并且不需要较大的样本数据作为训练支撑。具体来说，上述Xgboost模型与分组之间的对应关系可以通过图3中所示的步骤301～步骤307来建立。
在步骤301中，获取多个无人机在预设历史时段内的第四指标数据集。
其中，上述第四指标数据集包括按照时间顺序排列的多个指标值构成的指标序列。
在步骤302中，对第四指标数据集进行数据预处理，得到第五指标数据集。
在本公开中，为了确保数据的一致性、完整性和可用性，在通过上述步骤301获取到第四指标数据集后，可以对其进行归一化处理、差分处理、异常值处理、缺失值补充、平滑处理、低通滤波处理等数据预处理操作。
在步骤303中，针对第五指标数据集中的每个指标序列，分别根据该指标序列的指标特性，对该指标序列进行二次数据处理，得到第六指标数据集。
在本公开中，可以采用上述步骤103中对第二指标数据集进行二次数据处理同样的方式来完成第五指标数据集的二次数据处理操作，此处不再赘述。
在步骤304中，根据多个无人机中各无人机的飞行状态，对多个无人机进行分组。
在本公开中，可以通过上述预设的分组与飞行状态之间的对应关系(如表1中所示)，确定各无人机的分组。
在步骤305中，针对每个分组，分别从第六指标数据集中确定出与该分组对应的目标指标序列。
在本公开中，针对不同的分组，采用不同的指标序列，从而建立不同的Xgboost模型。针对每个分组，可以根据预设的分组与入模指标(建模所用指标)的对应关系，确定出与该分组对应的目标入模指标，之后，将上述第六指标数据集中、与目标入模指标对应的指标序列确定为目标指标序列。
示例地，当分组为上表1中所示的组1、组4、组7、组10时，其对应的入模指标为姿态角实际值、姿态角速率实际值、姿态角期望值、姿态角速率期望值、固连加速度计测量值、固连陀螺仪测量值、外置磁罗盘测量值、减震加速度计测量值、减震陀螺仪测量值、内置磁罗盘测量值、GPS水平定位精度、GPS垂直定位精度、PWM输出，因此，可以将上述指标对应的指标序列确定为目标指标序列。
又示例地，当分组为上表1中所示的组3、组6、组9、组12时，其对应的入模指标为姿态角实际值、姿态角速率实际值、姿态角期望值、姿态角速率期望值、固连加速度计测量值、固连陀螺仪测量值、外置磁罗盘测量值、减震加速度计测量值、减震陀螺仪测量值、内置磁罗盘测量值、实际速度、期望速度、GPS水平定位精度、GPS垂直定位精度、PWM输出，因此，可以将上述指标对应的指标序列确定为目标指标序列。
在步骤306中，获取与目标指标序列对应的目标列。
在本公开中，该目标列可以包括多个故障值，其中，该故障值可以是用户针对不同的故障信息给出的一个标记号，故障信息可以包括是否故障和/或故障点。示例地，如下表2所示，故障值与故障信息的对应关系如下：
表2故障值与故障信息的对应关系表
| 故障值 | 故障信息 |
| 0 | 无人机无故障 |
| 1 | 无人机有故障 |
| 2 | 飞手操作异常-遥控操作失误 |
| 3 | 飞手操作异常-忽略导航精度操作 |
| 4 | 信号接收异常之数传/遥控器信号 |
| 5 | CPU卡停 |
| 6 | 陀螺仪测量数据异常 |
| 7 | 加速度计测量数据异常 |
| 8 | 磁罗盘测量数据异常 |
| 9 | GPS测量数据异常 |
| 10 | RTK测量数据异常 |
| 11 | 气压计测量数据异常 |
| 12 | 毫米波雷达(仿地)测量数据异常 |
| 13 | 导航速度解算异常 |
| 14 | 导航水平位置解算异常 |
| 15 | 导航高度解算异常 |
| 16 | 导航姿态解算异常 |
| 17 | 滤波器坐标系状态标志位异常 |
| 18 | 滤波器融合状态控制标志位异常 |
| 19 | 滤波器输出状态标志位异常 |
| 20 | 控制参数差 |
| 21 | 起飞判定延迟 |
| 22 | 执行器异常(舵机或是电机异常) |
在步骤307中，根据目标指标序列和目标列，建立与分组对应的Xgboost模型。
在本公开中，该Xgboost模型为多分类模型或二分类模型，其中，如上表2所示，当Xgboost模型为二分类模型对应的目标列的值为0或1，当Xgboost模型为多分类模型对应的目标列的值为0～22。
具体来说，可以通过以下方式来建立上述Xgboost模型：首先，将上述目标序列和目标列分为训练数据和测试数据，之后，基于该训练数据和测试数据对Xgboost模型进行训练与测试，以确定Xgboost模型的参数。其中，分类器每次迭代的模型为基于树的模型，Xgboost模型的参数主要包括：最大树深度、最小子树的权重、迭代步骤权重、应用原理对象、损失函数系数、随机采用的比例(取值范围为0.5～1)、树采样(即在建立树时，对特征采用的比例)、正则化系数(该参数用于控制Xgboost的正则化部分)和类别数(其中，该参数只针对Xgboost模型为多分类模型的情况)。Xgboost模型构建方式属于本领域技术人员公知的，所以在本公开中不再进行详细描述。
另外，还可以对上述Xgboost模型进行优化，例如，可以根据训练和测试效果，通过修改模型参数对模型进行优化。
返回图2，在步骤1043中，针对待评估时段内的每个待评估时间点，根据目标Xgboost模型，计算目标无人机在该待评估时间点时的目标故障值。
在步骤1044中，根据预设的故障值与故障信息之间的对应关系，确定与目标故障值对应的目标故障信息。
在本公开中，在通过上述步骤1043得到目标无人机在各待评估时间点时的目标故障值后，可以根据各目标故障值，确定各待评估时间点时的故障信息。具体来说，可以通过图4中所示的步骤10441～步骤10443来实现。
在步骤10441中，计算目标故障值与预设的故障值与故障信息之间的对应关系中的各故障值之间的差值的绝对值。
在步骤10442中，将多个差值的绝对值中的最小值对应的故障值确定为参考故障值。
在步骤10443中，将与参考故障值对应的故障信息确定为与目标故障值对应的目标故障信息。
在本公开中，每个待评估时间点，在确定出目标无人机在该待评估时间点时的目标故障值后，可以将预设的故障值与故障信息之间的对应关系中的所有故障值中、与该目标故障值的差的绝对值最小的故障值对应的故障信息确定为目标故障信息。
示例地，上述步骤1042确定出的目标Xgboost模型为二分类模型，故障值与故障信息之间的对应关系如上表2所示，目标无人机在该待评估时间点时的目标故障值为0.3。可见，该目标故障值0.3与表2中的故障值0的差的绝对值最小，可以将故障值0确定为参考故障值，其中，参考故障值0对应的故障信息为无人机无故障，因此，目标故障信息为无人机无故障，即目标无人机无故障。
又示例地，上述步骤1042确定出的目标Xgboost模型为二分类模型，故障值与故障信息之间的对应关系如上表2所示，目标无人机在该待评估时间点时的目标故障值为0.9。可见，该目标故障值0.9与表2中的故障值1的差的绝对值最小，可以将故障值1确定为参考故障值，其中，参考故障值1对应的故障信息为无人机有故障，因此，目标故障信息为无人机有故障，即目标无人机有故障。
又示例地，上述步骤1042确定出的目标Xgboost模型为多分类模型，故障值与故障信息之间的对应关系如上表2所示，目标无人机在该待评估时间点时的目标故障值为4.8。可见，该目标故障值4.8与表2中的故障值5的差的绝对值最小，可以将故障值5确定为参考故障值，其中，参考故障值5对应的故障信息为CPU卡停，因此，目标故障信息为CPU卡停，即目标无人机存在故障，该故障为CPU卡停。
又示例地，上述步骤1042确定出的目标Xgboost模型为多分类模型，故障值与故障信息之间的对应关系如上表2所示，目标无人机在该待评估时间点时的目标故障值为6.3。可见，该目标故障值6.3与表2中的故障值6的差的绝对值最小，可以将故障值6确定为参考故障值，其中，参考故障值6对应的故障信息为陀螺仪测量数据异常，因此，目标故障信息为陀螺仪测量数据异常，即目标无人机存在故障，且该故障为陀螺仪测量数据异常。
在上述技术方案中，在对目标无人机在待评估时段内的第一指标数据集进行数据预处理得到第二指标数据集后，针对该第二指标数据集中的每个指标序列，根据该指标序列的指标特征，对其进行二次数据处理，即针对不同的指标序列进行不同的数据处理，这样，处理后的指标序列中各指标值的大小即可体现对应指标的优劣。之后，基于通过上述数据处理后的指标数据集，对目标无人机进行故障识别，由此，可以提高无人机故障识别的效率和准确性。
图5是根据一示例性实施例示出的一种故障识别装置的框图。参照图5，该装置500可以包括：获取模块501，用于获取目标无人机在待评估时段内的第一指标数据集，其中，所述第一指标数据集包括按照时间顺序排列的多个指标值构成的指标序列；第一数据处理模块502，用于对所述获取模块501获取到的所述第一指标数据集进行数据预处理，得到第二指标数据集；第二数据处理模块503，用于针对所述第一数据处理模块502得到的所述第二指标数据集中的每个指标序列，根据所述指标序列的指标特性，对所述指标序列进行二次数据处理，得到第三指标数据集；故障识别模块504，用于根据所述第二数据处理模块503得到的所述第三指标数据集，对所述目标无人机进行故障识别。
可选地，所述第二数据处理模块503包括：第一数据处理子模块，用于当所述指标序列中各指标值和所述指标序列中各指标值的平均值之间的差值、与相应指标的优劣直接相关时，对所述指标序列进行差分后取绝对值，以得到第三指标数据集，其中，所述第三指标数据集中每个指标序列的第一个指标值用零补充；第二数据处理子模块，用于当任意两个指标序列中相应指标值之差与所述两个指标序列对应的同类型无人机部件是否故障直接相关时，采用以下方式进行数据处理：针对所述两个指标序列中的每个指标序列中的、前s-t+1个指标值中的每个指标值，分别将所述指标值和所述指标值后的连续t-1个指标值组成的指标序列确定为第一指标子序列，其中，s为所述指标序列的长度，t为所述第一指标子序列的长度；针对第一指标序列对应的s-t+1个第一指标子序列中的每个第一指标子序列，分别将所述第一指标子序列中的每个指标值与第二指标序列对应的s-t+1个第一指标子序列中的相应子序列中的对应指标值作差，并计算多个所述差值的平均值，将多个所述平均值组成的序列确定为所述第三指标数据集，其中，所述第一指标序列为所述两个指标序列中的一指标序列，所述第二指标序列为所述两个指标序列中的另一指标序列；第三数据处理子模块，用于当任意两个指标序列中相应指标值分别为实际值、与所述实际值对应的期望值时，采用以下方式进行数据处理：针对所述两个指标序列中的每个指标序列中的、前s-k+1个指标值中的每个指标值，分别将所述指标值和所述指标值后的连续k-1个指标值组成的指标序列确定为第二指标子序列，其中，s为所述指标序列的长度，k为所述第二指标子序列的长度；针对第三指标序列对应的s-k+1个第二指标子序列中的每个第二指标子序列，从所述第二指标子序列中分别删除后1、2、…、q个指标值，得到s-k+1个第一指标序列集，其中，每个所述第一指标序列集包括q个第三指标子序列，所述第三指标序列为所述两个指标序列中的一指标序列，q为整数，且q<s-k+1；针对第四指标序列对应的s-k+1个第二指标子序列中的每个第二指标子序列，从所述第二指标子序列中分别删除前1、2、…、q个指标值，得到s-k+1个第二指标序列集，其中，每个所述第二指标序列集包括q个第四指标子序列，所述第四指标序列为所述两个指标序列中的另一指标序列；针对每个所述第一指标序列集中的每个所述第三指标子序列，将所述第三指标子序列中的每个指标值与相应的第二指标序列集中的相应第四指标子序列中的对应指标值作差，并计算多个所述差值的平均值；将多个所述平均值中的最小值对应的第三指标子序列、第四指标子序列分别确定为第一目标子序列、第二目标子序列；计算所述第一目标子序列与所述第二指标子序列之间的DTW距离；将多个所述DTW距离组成的序列，确定为所述第三指标数据集。
可选地，所述故障识别模块504包括：第一确定子模块，用于根据预设的分组与飞行状态之间的对应关系，确定与所述目标无人机的飞行状态对应的目标分组，其中，所述飞行状态包括机型、起落状态、飞行模式、厂家型号中的一者或两者以上；第二确定子模块，用于根据预设的Xgboost模型与分组之间的对应关系，确定与所述第一确定子模块确定出的所述目标分组匹配的目标Xgboost模型；计算子模块，用于针对所述待评估时段内的每个待评估时间点，根据所述第二确定子模块确定出的所述目标Xgboost模型，计算所述目标无人机在所述待评估时间点时的目标故障值；第三确定子模块，用于根据预设的故障值与故障信息之间的对应关系，确定与所述计算子模块计算出的所述目标故障值对应的目标故障信息，其中，所述故障信息包括是否故障和/或故障点。
可选地，所述第三确定子模块包括：差值的绝对值计算子模块，用于计算所述计算子模块计算出的所述目标故障值与预设的故障值与故障信息之间的对应关系中的各故障值之间的差值的绝对值；参考故障值确定子模块，用于将所述差值的绝对值计算子模块计算出的多个所述差值的绝对值中的最小值对应的故障值确定为参考故障值；目标故障信息确定子模块，将与所述参考故障值确定子模块确定出的所述参考故障值对应的故障信息确定为与所述目标故障值对应的目标故障信息。
可选地，所述预设的Xgboost模型与分组之间的对应关系，通过以下方式建立：获取多个无人机在预设历史时段内的第四指标数据集，其中，所述第四指标数据集包括按照时间顺序排列的多个指标值构成的指标序列；对所述第四指标数据集进行数据预处理，得到第五指标数据集；针对所述第五指标数据集中的每个指标序列，分别根据所述指标序列的指标特性，对所述指标序列进行二次数据处理，得到第六指标数据集；根据所述多个无人机中各无人机的飞行状态，对所述多个无人机进行分组；针对每个分组，分别从所述第六指标数据集中确定出与所述分组对应的目标指标序列；获取与所述目标指标序列对应的目标列，其中，所述目标列包括多个故障值；根据所述目标指标序列和所述目标列，建立与所述分组对应的Xgboost模型，其中，所述Xgboost模型为多分类模型或二分类模型。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开提供的上述故障识别方法的步骤。
图6是根据一示例性实施例示出的一种电子设备600的框图。如图6所示，该电子设备600可以包括：处理器601，存储器602。该电子设备600还可以包括多媒体组件603，输入/输出(I/O)接口604，以及通信组件605中的一者或多者。
其中，处理器601用于控制该电子设备600的整体操作，以完成上述的故障识别方法中的全部或部分步骤。存储器602用于存储各种类型的数据以支持在该电子设备600的操作，这些数据例如可以包括用于在该电子设备600上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器602可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件603可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器602或通过通信组件605发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口604为处理器601和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件605用于该电子设备600与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件607可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，电子设备600可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的故障识别方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的故障识别方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器602，上述程序指令可由电子设备600的处理器601执行以完成上述的故障识别方法。
图7是根据一示例性实施例示出的一种电子设备700的框图。例如，电子设备700可以被提供为一服务器。参照图7，电子设备700包括处理器722，其数量可以为一个或多个，以及存储器732，用于存储可由处理器722执行的计算机程序。存储器732中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器722可以被配置为执行该计算机程序，以执行上述的故障识别方法。
另外，电子设备700还可以包括电源组件726和通信组件750，该电源组件726可以被配置为执行电子设备700的电源管理，该通信组件750可以被配置为实现电子设备700的通信，例如，有线或无线通信。此外，该电子设备700还可以包括输入/输出(I/O)接口758。电子设备700可以操作基于存储在存储器732的操作系统，例如Windows ServerTM，Mac OSXTM，UnixTM,LinuxTM等等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的故障识别方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器732，上述程序指令可由电子设备700的处理器722执行以完成上述的故障识别方法。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。
Claims (10)
1.一种故障识别方法，其特征在于，包括：
获取目标无人机在待评估时段内的第一指标数据集，其中，所述第一指标数据集包括按照时间顺序排列的多个指标值构成的指标序列；
对所述第一指标数据集进行数据预处理，得到第二指标数据集；
针对所述第二指标数据集中的每个指标序列，根据所述指标序列的指标特性，对所述指标序列进行二次数据处理，得到第三指标数据集；
根据所述第三指标数据集，对所述目标无人机进行故障识别。
2.根据权利要求1所述的方法，其特征在于，所述根据所述指标序列的指标特性，对所述指标序列进行二次数据处理，得到第三指标数据集，包括：
当所述指标序列中各指标值和所述指标序列中各指标值的平均值之间的差值、与相应指标的优劣直接相关时，对所述指标序列进行差分后取绝对值，以得到第三指标数据集，其中，所述第三指标数据集中每个指标序列的第一个指标值用零补充；
当任意两个指标序列中相应指标值之差与所述两个指标序列对应的同类型无人机部件是否故障直接相关时，采用以下方式进行数据处理：
针对所述两个指标序列中的每个指标序列中的、前s-t+1个指标值中的每个指标值，分别将所述指标值和所述指标值后的连续t-1个指标值组成的指标序列确定为第一指标子序列，其中，s为所述指标序列的长度，t为所述第一指标子序列的长度；
针对第一指标序列对应的s-t+1个第一指标子序列中的每个第一指标子序列，分别将所述第一指标子序列中的每个指标值与第二指标序列对应的s-t+1个第一指标子序列中的相应子序列中的对应指标值作差，并计算多个所述差值的平均值，将多个所述平均值组成的序列确定为所述第三指标数据集，其中，所述第一指标序列为所述两个指标序列中的一指标序列，所述第二指标序列为所述两个指标序列中的另一指标序列；
当任意两个指标序列中相应指标值分别为实际值、与所述实际值对应的期望值时，采用以下方式进行数据处理：
针对所述两个指标序列中的每个指标序列中的、前s-k+1个指标值中的每个指标值，分别将所述指标值和所述指标值后的连续k-1个指标值组成的指标序列确定为第二指标子序列，其中，s为所述指标序列的长度，k为所述第二指标子序列的长度；
针对第三指标序列对应的s-k+1个第二指标子序列中的每个第二指标子序列，从所述第二指标子序列中分别删除后1、2、…、q个指标值，得到s-k+1个第一指标序列集，其中，每个所述第一指标序列集包括q个第三指标子序列，所述第三指标序列为所述两个指标序列中的一指标序列，q为整数，且q<s-k+1；
针对第四指标序列对应的s-k+1个第二指标子序列中的每个第二指标子序列，从所述第二指标子序列中分别删除前1、2、…、q个指标值，得到s-k+1个第二指标序列集，其中，每个所述第二指标序列集包括q个第四指标子序列，所述第四指标序列为所述两个指标序列中的另一指标序列；
针对每个所述第一指标序列集中的每个所述第三指标子序列，将所述第三指标子序列中的每个指标值与相应的第二指标序列集中的相应第四指标子序列中的对应指标值作差，并计算多个所述差值的平均值；
将多个所述平均值中的最小值对应的第三指标子序列、第四指标子序列分别确定为第一目标子序列、第二目标子序列；
计算所述第一目标子序列与所述第二指标子序列之间的DTW距离；
将多个所述DTW距离组成的序列，确定为所述第三指标数据集。
3.根据权利要求1所述的方法，其特征在于，所述根据所述第三指标数据集，对所述目标无人机进行故障识别，包括：
根据预设的分组与飞行状态之间的对应关系，确定与所述目标无人机的飞行状态对应的目标分组，其中，所述飞行状态包括机型、起落状态、飞行模式、厂家型号中的一者或两者以上；
根据预设的Xgboost模型与分组之间的对应关系，确定与所述目标分组匹配的目标Xgboost模型；
针对所述待评估时段内的每个待评估时间点，根据所述目标Xgboost模型，计算所述目标无人机在所述待评估时间点时的目标故障值；
根据预设的故障值与故障信息之间的对应关系，确定与所述目标故障值对应的目标故障信息，其中，所述故障信息包括是否故障和/或故障点。
4.根据权利要求3所述的方法，其特征在于，所述根据预设的故障值与故障信息之间的对应关系，确定与所述目标故障值对应的目标故障信息，包括：
计算所述目标故障值与预设的故障值与故障信息之间的对应关系中的各故障值之间的差值的绝对值；
将多个所述差值的绝对值中的最小值对应的故障值确定为参考故障值；
将与所述参考故障值对应的故障信息确定为与所述目标故障值对应的目标故障信息。
5.根据权利要求3或4所述的方法，其特征在于，所述预设的Xgboost模型与分组之间的对应关系，通过以下方式建立：
获取多个无人机在预设历史时段内的第四指标数据集，其中，所述第四指标数据集包括按照时间顺序排列的多个指标值构成的指标序列；
对所述第四指标数据集进行数据预处理，得到第五指标数据集；
针对所述第五指标数据集中的每个指标序列，分别根据所述指标序列的指标特性，对所述指标序列进行二次数据处理，得到第六指标数据集；
根据所述多个无人机中各无人机的飞行状态，对所述多个无人机进行分组；
针对每个分组，分别从所述第六指标数据集中确定出与所述分组对应的目标指标序列；
获取与所述目标指标序列对应的目标列，其中，所述目标列包括多个故障值；
根据所述目标指标序列和所述目标列，建立与所述分组对应的Xgboost模型，其中，所述Xgboost模型为多分类模型或二分类模型。
6.一种故障识别装置，其特征在于，包括：
获取模块，用于获取目标无人机在待评估时段内的第一指标数据集，其中，所述第一指标数据集包括按照时间顺序排列的多个指标值构成的指标序列；
第一数据处理模块，用于对所述获取模块获取到的所述第一指标数据集进行数据预处理，得到第二指标数据集；
第二数据处理模块，用于针对所述第一数据处理模块得到的所述第二指标数据集中的每个指标序列，根据所述指标序列的指标特性，对所述指标序列进行二次数据处理，得到第三指标数据集；
故障识别模块，用于根据所述第二数据处理模块得到的所述第三指标数据集，对所述目标无人机进行故障识别。
7.根据权利要求6所述的装置，其特征在于，所述第二数据处理模块包括：
第一数据处理子模块，用于当所述指标序列中各指标值和所述指标序列中各指标值的平均值之间的差值、与相应指标的优劣直接相关时，对所述指标序列进行差分后取绝对值，以得到第三指标数据集，其中，所述第三指标数据集中每个指标序列的第一个指标值用零补充；
第二数据处理子模块，用于当任意两个指标序列中相应指标值之差与所述两个指标序列对应的同类型无人机部件是否故障直接相关时，采用以下方式进行数据处理：
针对所述两个指标序列中的每个指标序列中的、前s-t+1个指标值中的每个指标值，分别将所述指标值和所述指标值后的连续t-1个指标值组成的指标序列确定为第一指标子序列，其中，s为所述指标序列的长度，t为所述第一指标子序列的长度；
针对第一指标序列对应的s-t+1个第一指标子序列中的每个第一指标子序列，分别将所述第一指标子序列中的每个指标值与第二指标序列对应的s-t+1个第一指标子序列中的相应子序列中的对应指标值作差，并计算多个所述差值的平均值，将多个所述平均值组成的序列确定为所述第三指标数据集，其中，所述第一指标序列为所述两个指标序列中的一指标序列，所述第二指标序列为所述两个指标序列中的另一指标序列；
第三数据处理子模块，用于当任意两个指标序列中相应指标值分别为实际值、与所述实际值对应的期望值时，采用以下方式进行数据处理：
针对所述两个指标序列中的每个指标序列中的、前s-k+1个指标值中的每个指标值，分别将所述指标值和所述指标值后的连续k-1个指标值组成的指标序列确定为第二指标子序列，其中，s为所述指标序列的长度，k为所述第二指标子序列的长度；
针对第三指标序列对应的s-k+1个第二指标子序列中的每个第二指标子序列，从所述第二指标子序列中分别删除后1、2、…、q个指标值，得到s-k+1个第一指标序列集，其中，每个所述第一指标序列集包括q个第三指标子序列，所述第三指标序列为所述两个指标序列中的一指标序列，q为整数，且q<s-k+1；
针对第四指标序列对应的s-k+1个第二指标子序列中的每个第二指标子序列，从所述第二指标子序列中分别删除前1、2、…、q个指标值，得到s-k+1个第二指标序列集，其中，每个所述第二指标序列集包括q个第四指标子序列，所述第四指标序列为所述两个指标序列中的另一指标序列；
针对每个所述第一指标序列集中的每个所述第三指标子序列，将所述第三指标子序列中的每个指标值与相应的第二指标序列集中的相应第四指标子序列中的对应指标值作差，并计算多个所述差值的平均值；
将多个所述平均值中的最小值对应的第三指标子序列、第四指标子序列分别确定为第一目标子序列、第二目标子序列；
计算所述第一目标子序列与所述第二指标子序列之间的DTW距离；
将多个所述DTW距离组成的序列，确定为所述第三指标数据集。
8.根据权利要求6所述的装置，其特征在于，所述故障识别模块包括：
第一确定子模块，用于根据预设的分组与飞行状态之间的对应关系，确定与所述目标无人机的飞行状态对应的目标分组，其中，所述飞行状态包括机型、起落状态、飞行模式、厂家型号中的一者或两者以上；
第二确定子模块，用于根据预设的Xgboost模型与分组之间的对应关系，确定与所述第一确定子模块确定出的所述目标分组匹配的目标Xgboost模型；
计算子模块，用于针对所述待评估时段内的每个待评估时间点，根据所述第二确定子模块确定出的所述目标Xgboost模型，计算所述目标无人机在所述待评估时间点时的目标故障值；
第三确定子模块，用于根据预设的故障值与故障信息之间的对应关系，确定与所述计算子模块计算出的所述目标故障值对应的目标故障信息，其中，所述故障信息包括是否故障和/或故障点。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-5中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910074912.6A CN109885598B (zh) | 2019-01-25 | 2019-01-25 | 故障识别方法、装置、计算机可读存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910074912.6A CN109885598B (zh) | 2019-01-25 | 2019-01-25 | 故障识别方法、装置、计算机可读存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109885598A true CN109885598A (zh) | 2019-06-14 |
| CN109885598B CN109885598B (zh) | 2021-03-02 |
Family
ID=66926977
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910074912.6A Active CN109885598B (zh) | 2019-01-25 | 2019-01-25 | 故障识别方法、装置、计算机可读存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109885598B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114626487A (zh) * | 2022-05-16 | 2022-06-14 | 南昌工程学院 | 基于随机森林分类算法的线变关系校核方法 |
| CN115049039A (zh) * | 2021-03-08 | 2022-09-13 | 北京金茂绿建科技有限公司 | 基于神经网络的状态识别方法、神经网络训练方法、装置 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102749634A (zh) * | 2012-06-25 | 2012-10-24 | 北京航空航天大学 | 卫星导航区域增强系统中伪距加速度故障检测方法 |
| CN103698637A (zh) * | 2013-12-25 | 2014-04-02 | 云南电力调度控制中心 | 一种电力关键指标异常快速检测方法和装置 |
| CN103746829A (zh) * | 2013-12-20 | 2014-04-23 | 中国科学院计算技术研究所 | 一种基于集群的故障感知系统及其方法 |
| CN106100937A (zh) * | 2016-08-17 | 2016-11-09 | 北京百度网讯科技有限公司 | 系统监控方法和装置 |
| CN106200629A (zh) * | 2016-09-30 | 2016-12-07 | 山东科技大学 | 一种无人机飞行控制系统的故障可检测度分析方法 |
| CN106211256A (zh) * | 2016-07-08 | 2016-12-07 | 西北大学 | 一种基于数据关键性节点的无人机数据收集方法 |
| US20170031920A1 (en) * | 2015-07-31 | 2017-02-02 | RCRDCLUB Corporation | Evaluating performance of recommender system |
| KR101806217B1 (ko) * | 2017-06-20 | 2017-12-07 | 한국건설기술연구원 | 태양광 어레이의 열적외선 영상으로부터 오작동 패널을 자동 검출하는 방법 및 장치 |
| US20180046950A1 (en) * | 2015-07-28 | 2018-02-15 | Mitsubishi Electric Corporation | Time-series-data processing device |
| CN107844798A (zh) * | 2017-09-29 | 2018-03-27 | 上海元卓信息科技有限公司 | 一种基于机器学习的海量数据中检测异常值的方法 |
| US20180157978A1 (en) * | 2016-12-02 | 2018-06-07 | International Business Machines Corporation | Predicting Performance of Database Queries |
| CN108845242A (zh) * | 2018-05-25 | 2018-11-20 | 北京金风科创风电设备有限公司 | 故障识别方法和装置、计算机可读存储介质 |
| CN109034376A (zh) * | 2018-07-18 | 2018-12-18 | 东北大学 | 一种基于lstm的无人机飞行状态预测方法及系统 |
-
2019
- 2019-01-25 CN CN201910074912.6A patent/CN109885598B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102749634A (zh) * | 2012-06-25 | 2012-10-24 | 北京航空航天大学 | 卫星导航区域增强系统中伪距加速度故障检测方法 |
| CN103746829A (zh) * | 2013-12-20 | 2014-04-23 | 中国科学院计算技术研究所 | 一种基于集群的故障感知系统及其方法 |
| CN103698637A (zh) * | 2013-12-25 | 2014-04-02 | 云南电力调度控制中心 | 一种电力关键指标异常快速检测方法和装置 |
| US20180046950A1 (en) * | 2015-07-28 | 2018-02-15 | Mitsubishi Electric Corporation | Time-series-data processing device |
| US20170031920A1 (en) * | 2015-07-31 | 2017-02-02 | RCRDCLUB Corporation | Evaluating performance of recommender system |
| CN106211256A (zh) * | 2016-07-08 | 2016-12-07 | 西北大学 | 一种基于数据关键性节点的无人机数据收集方法 |
| CN106100937A (zh) * | 2016-08-17 | 2016-11-09 | 北京百度网讯科技有限公司 | 系统监控方法和装置 |
| CN106200629A (zh) * | 2016-09-30 | 2016-12-07 | 山东科技大学 | 一种无人机飞行控制系统的故障可检测度分析方法 |
| US20180157978A1 (en) * | 2016-12-02 | 2018-06-07 | International Business Machines Corporation | Predicting Performance of Database Queries |
| KR101806217B1 (ko) * | 2017-06-20 | 2017-12-07 | 한국건설기술연구원 | 태양광 어레이의 열적외선 영상으로부터 오작동 패널을 자동 검출하는 방법 및 장치 |
| CN107844798A (zh) * | 2017-09-29 | 2018-03-27 | 上海元卓信息科技有限公司 | 一种基于机器学习的海量数据中检测异常值的方法 |
| CN108845242A (zh) * | 2018-05-25 | 2018-11-20 | 北京金风科创风电设备有限公司 | 故障识别方法和装置、计算机可读存储介质 |
| CN109034376A (zh) * | 2018-07-18 | 2018-12-18 | 东北大学 | 一种基于lstm的无人机飞行状态预测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| C RAGO等: "Failure detection and identification and fault tolerant control using the IMM-KF with application to the Eagle-Eye UAV", 《CONFERENCE ON DECISION AND CONTROL》 * |
| 何梦林: "无人机的故障诊断与容错控制研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
| 彭向阳等: "无人机的故障诊断与容错控制研究", 《高电压技术》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115049039A (zh) * | 2021-03-08 | 2022-09-13 | 北京金茂绿建科技有限公司 | 基于神经网络的状态识别方法、神经网络训练方法、装置 |
| CN115049039B (zh) * | 2021-03-08 | 2023-11-14 | 北京金茂绿建科技有限公司 | 基于神经网络的状态识别方法、神经网络训练方法、装置 |
| CN114626487A (zh) * | 2022-05-16 | 2022-06-14 | 南昌工程学院 | 基于随机森林分类算法的线变关系校核方法 |
| CN114626487B (zh) * | 2022-05-16 | 2023-09-05 | 南昌工程学院 | 基于随机森林分类算法的线变关系校核方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109885598B (zh) | 2021-03-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109918718A (zh) | 无人机飞行质量评估方法、装置、存储介质及电子设备 | |
| CN110146909A (zh) | 一种定位数据处理方法 | |
| US20140046510A1 (en) | Estimating a wind vector | |
| CN111338383B (zh) | 基于gaas的自主飞行方法及系统、存储介质 | |
| CN104613965B (zh) | 一种基于双向滤波平滑技术的步进式行人导航方法 | |
| CN106705936A (zh) | 一种无人机高度优化方法及装置 | |
| CN103940442A (zh) | 一种采用加速收敛算法的定位方法及装置 | |
| CN109724602A (zh) | 一种基于硬件fpu的姿态解算系统及其解算方法 | |
| EP2881708A1 (en) | System and method for indoor localization using mobile inertial sensors and virtual floor maps | |
| CN106443062B (zh) | 无人机速度测量方法、装置及无人机 | |
| CN109885598A (zh) | 故障识别方法、装置、计算机可读存储介质及电子设备 | |
| CN106323272B (zh) | 一种获取航迹起始轨迹的方法及电子设备 | |
| CN107074360B (zh) | 无人飞行器的控制方法、飞行控制器及无人飞行器 | |
| CN107247459A (zh) | 抗干扰飞行控制方法及装置 | |
| CN108563897A (zh) | 一种基于极值搜索算法的四旋翼无人机参数辨识方法 | |
| CN112880674A (zh) | 一种行驶设备的定位方法、装置、设备及存储介质 | |
| CN109407706A (zh) | 无人机控制方法和装置 | |
| CN108303095A (zh) | 适用于非高斯系统的鲁棒容积目标协同定位方法 | |
| CN106969772A (zh) | 一种基于手机平台的导盲犬方法 | |
| CN110567493A (zh) | 一种磁力计校准数据采集方法、装置以及飞行器 | |
| KR102585821B1 (ko) | 증강 현실 장치 및 위치 설정 방법 | |
| CN112363196B (zh) | 车辆属性确定方法、装置、存储介质和电子设备 | |
| CN108051001A (zh) | 一种机器人移动控制方法、系统及惯性传感控制装置 | |
| CN115727871A (zh) | 一种轨迹质量检测方法、装置、电子设备和存储介质 | |
| CN109683604A (zh) | 自动行走设备及其定位方法及装置 |
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 |