CN109918718B - 无人机飞行质量评估方法、装置、存储介质及电子设备 - Google Patents
无人机飞行质量评估方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN109918718B CN109918718B CN201910075731.5A CN201910075731A CN109918718B CN 109918718 B CN109918718 B CN 109918718B CN 201910075731 A CN201910075731 A CN 201910075731A CN 109918718 B CN109918718 B CN 109918718B
- Authority
- CN
- China
- Prior art keywords
- index
- sequence
- value
- evaluation
- values
- 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
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Complex Calculations (AREA)
Abstract
本公开涉及一种无人机飞行质量评估方法、装置、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;对第一指标数据集进行数据预处理,得第二指标数据集;针对第二指标数据集中的每个指标序列,根据指标序列的指标特性,对指标序列进行二次数据处理,得第三指标数据集;确定第三指标数据集中、与待评估指标对应的各指标序列中的各指标值的评价值。由此,指标序列中各指标值的大小可体现对应指标的优劣,可保证后续确定出的各指标值的评价值更加精确、直观,便于用户对目标无人机的飞行质量做出准确评估。并且,无需构建控制系统仿真模型,省时省力。此外,用户还可根据不同评价值的组合对无人机的飞行故障进行识别。
Description
技术领域
本公开涉及无人机领域,具体地,涉及一种无人机飞行质量评估方法、装置、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,能够准确获知无人机的飞行质量,对于后期无人机飞行故障识别、摔机率预测,以及飞行控制策略的优化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飞行质量评估:(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评价无人机的飞行质量,但飞行质量评估很容易受到主观因素的影响,评价标准不统一;(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,确定无人机的飞行质量,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,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,本公开提供一种无人机飞行质量评估方法、装置、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,提供一种无人机飞行质量评估方法,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;确定所述第三指标数据集中、与待评估指标对应的各指标序列中的各指标值的评价值,其中,所述评价值用于评价所述目标无人机的飞行质量。
根据本公开实施例的第二方面,提供一种无人机飞行质量评估装置,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;确定模块,用于确定所述第二数据处理模块得到的所述第三指标数据集中、与待评估指标对应的各指标序列中的各指标值的评价值。
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无人机飞行质量评估方法的步骤。
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无人机飞行质量评估方法的步骤。
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无人机飞行质量评估方法的步骤。
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。由此,可以保证基于通过上述数据处理后的指标数据集确定出的各指标序列中的各指标值的评价值更加精确、直观,便于用户对目标无人机的飞行质量做出准确评估。并且,避免了构建控制系统仿真模型,省时省力。此外,用户还可以根据不同评价值的组合对无人机的飞行故障进行识别。
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无人机飞行质量评估方法的流程图。
图2是根据一示例性实施例示出的一种确定各指标序列中的各指标值的评价值的方法的流程图。
图3是根据一示例性是实施例示出的一种确定目标评估函数的方法的流程图。
图4是根据另一示例性实施例示出的一种无人机飞行质量评估方法的流程图。
图5是根据又一示例性实施例示出的一种无人机飞行质量评估方法的流程图。
图6是根据一示例性实施例示出的一种无人机飞行质量评估装置的框图。
图7是根据一示例性实施例示出的一种电子设备的框图。
图8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无人机飞行质量评估方法的流程图。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GPS水平速度精度、GPS水平定位精度、GPS垂直定位精度、三轴减震加速度计测量值、三轴固连加速度计测量值、三轴减震陀螺仪测量值、三轴固连陀螺仪测量值、三向导航速度的实际值与期望值、三向位移期望值与实际值、三向速度期望值与实际值、三轴姿态期望值与实际值、三轴角速度期望值与实际值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。
其中,上述三轴减震加速度计测量值、三轴固连加速度计测量值、三轴减震陀螺仪测量值、三轴固连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。
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}。
(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,三轴减震加速度计测量值与三轴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,上述三轴减震加速度计测量值与三轴固连加速度计测量值、三轴减震陀螺仪测量值与三轴固连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。
(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,上述三轴减震陀螺仪测量值与三轴固连陀螺仪测量值、三向导航速度的实际值与期望值、三向位移期望值与实际值、三向速度期望值与实际值、三轴姿态期望值与实际值、三轴角速度期望值与实际值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,确定第三指标数据集中、与待评估指标对应的各指标序列中的各指标值的评价值。
在本公开中,上述各评价值可以用于评价目标无人机的飞行质量。在通过上述步骤103得到第三指标数据集后,可以再次确定第三指标数据集中、与待评估指标对应的各指标序列中的各指标值的评价值。具体来说,可以通过图2中所示的步骤1041~步骤1042来确定第三指标数据集中、与待评估指标对应的各指标序列中的各指标值的评价值。
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,并获取与该目标分组对应的待评估指标。
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,根据预设的评估函数与分组之间的对应关系,确定与目标分组匹配的目标评估函数。
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,可以根据预设的评估函数与分组之间的对应关系,确定与上述目标分组匹配的目标评估函数。
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,为了提高各指标值的评价值的计算精度,可以针对不同的分组,设定不同的评估函数。这样,通过评估函数即可确定各指标值的评价值,而无需构建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,可以通过图3中所示的步骤10421~步骤10426来实现。
在步骤10421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,第四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;
在步骤10422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10421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10423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10424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10425中,针对每个分组内的所有无人机对应的第六指标数据集中的每个指标序列,分别确定该指标序列中各指标值的均值、标准差。
在步骤10426中,至少根据每个分组内的所有无人机对应的第六指标数据集中的每个指标序列中各指标值的均值和标准差,确定与该分组对应的评估函数。
示例地,预设的分组与飞行状态之间的对应关系中包括3个分组(即组1、组2和组3),上述多个无人机包括无人机1、无人机2、无人机3、无人机4、无人机5,其中,无人机1、无人机4对应的分组为组3、无人机2对应分组为组1、无人机3和无人机5对应的分组为组2。这样,可以计算组1内无人机2对应的第六指标数据集中每个指标序列中各指标值的均值和标准差,并至少根据该均值和标准差确定组1对应的评估函数;同样地,可以计算组2内无人机3和无人机5对应的第六指标数据集中每个指标序列中各指标值的均值和标准差,并至少根据该均值和标准差确定组2对应的评估函数;计算组3内无人机1和无人机4对应的第六指标数据集中每个指标序列中各指标值的均值和标准差,并至少根据该均值和标准差确定组3对应的评估函数。
在本公开中,上述分组对应的评估函数的确定方式可以有多种,在一种实施方式中,可以根据每个分组内的所有无人机对应的第六指标数据集中的每个指标序列中各指标值的均值和标准差,确定与该分组对应的评估函数。
示例地,可以通过以下等式(1)来确定相应分组对应的评估函数:
其中,p(x)为所述评估函数;x为待评估的指标值;μ为所述均值;σ为所述标准差。
在另一种实施方式中,可以根据每个分组内的所有无人机对应的第六指标数据集中的每个指标序列中各指标值的均值、标准差以及该指标序列中各指标值中的最小值,确定与该分组对应的评估函数。
示例地,可以通过以下等式(2)来确定相应分组对应的评估函数:
其中,min为所述最小值。
返回图2,在步骤1043中,根据目标评估函数,确定第三指标数据集中、与待评估指标对应的各指标序列中的各指标值的评价值。
在本公开中,在通过上述步骤1042确定出与目标分组匹配的目标评估函数后,可以将第三指标数据集中、与待评估指标对应的各指标序列中的各指标值分别代入该目标评估函数,从而可得到相应的评价值。
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。由此,可以保证基于通过上述数据处理后的指标数据集确定出的各指标序列中的各指标值的评价值更加精确、直观,便于用户对目标无人机的飞行质量做出准确评估。并且,避免了构建控制系统仿真模型,省时省力。此外,用户还可以根据不同评价值的组合对无人机的飞行故障进行识别。
另外,为了便于更加直观、清楚地了解各指标序列的总体状况,可以计算上述第三指标数据集中、与待评估指标对应的每个指标序列的第一总评价值。具体来说,上述方法还可以包括图4中所示的步骤105。
在步骤105中,针对第三指标数据集中、与待评估指标对应的每个指标序列,分别根据该指标序列中各指标值的评价值,确定指标序列的第一总评价值。
在本公开中,可以先针对第三指标数据集中、与待评估指标对应的每个指标序列,分别根据该指标序列中各指标值的评价值,确定出各指标序列的第一总评价值的分位数;之后,根据该分位数确定各指标序列的第一总评价值。
示例地,可以通过以下等式(3)来确定各指标序列的第一总评价值的分位数:
其中,P1为所述第一总评价值的分位数;m为所述指标序列中各指标值的评价值中、评价值大于预设阈值的评价值的数量,所述预设阈值大于零、且小于或等于0.5,优选地,m=0.3;n为所述指标序列中各指标值的评价值的总数量;C1、C2为常数,且C1为整数、1<C1≤200、0<C2<0.1,优选地,C1=25,C2=0.05。
在确定各指标序列的第一总评价值的分位数后,可以先将该指标序列中的各指标值按照对应的评价值从小到大排序,将排序后的指标序列中的第个指标值对应的评价值确定为该指标序列的第一总评价值。也就是说,在确定各指标序列的第一总评价值的分位数后,可以先将该指标序列中的各指标值的评价值按照从小到大依次排序,并将排名在第个的评价值确定为该指标序列的第一总评价值。
示例地,P1=0.05、n=100,则指标序列x1、x2、x3、x4、x5、…、x100中的各指标值按照对应的评价值从小到大排序后为x5、x4、x99、x41、x56、…、x98则可以将该排序后的指标序列x5、x4、x99、x41、x56、…、x98中的第5个指标值x56对应的评价值确定为该指标序列的第一总评价值。
此外,为了便于更加直观、清楚地了解某一待评估时间点各指标值的总体状况,可以计算上述第三指标数据集中、与该待评估时间点对应的每个指标序列的第二总评价值。具体来说,上述方法还可以包括图5中所示的步骤106~步骤109。
在步骤106中,从第三指标数据集中、与待评估指标对应的各指标序列中各指标值的评价值中,获取与待评估时间点对应的各指标值的评价值,得到第一评价值序列。
在步骤107中,将第一评价值序列中的各评价值按照数值从大到小依次排列,得到第二评价值序列,将第一评价值序列中的各评价值按照数值从小到大依次排列,得到第三评价值序列。
在步骤108中,将第三评价值序列中的各评价值与该第三评价序列的评价值的比值,依次确定为第二评价序列中各评价值的权重。
在步骤109中,根据第二评价序列中各评价值的权重,对第二评价序列中的各评价值进行加权求和,得到第二总评价值。
在本公开中,上述待评估时间点可以为上述待评估时段内的某一时间点,并且,与该时间点对应有多个指标的指标值。上述第三评价序列的评价值为第三评价序列中各评价值的和。
示例地,上述第一评价值序列为P11、P12、P13、P14、P15、其中,P12>P15>P14>P13>P11,则第二评价值序列为P12、P15、P14、P13、P11、第三评价值序列为P11、P13、P14、P15、P12,则第二评价值序列P12、P15、P14、P13、P11中评价值P12、P15、P14、P13、P11的权重分别为则第二总评价值为
另外,在确定出第三指标数据集中各指标序列中各指标值、以及对应的所述评价值、各指标序列的第一总评价值、第二总评价值后,可以可视化显示这些数据,以便于用户对无人机的飞行质量进行评估,方便快捷。
图6是根据一示例性实施例示出的一种无人机飞行质量评估装置的框图。参照图6,该装置600可以包括:获取模块601,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602,用于对所述获取模块601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603,用于针对所述第一数据处理模块602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;确定模块604,用于确定所述第二数据处理模块603得到的所述第三指标数据集中、与待评估指标对应的各指标序列中的各指标值的评价值,其中,所述评价值用于评价所述目标无人机的飞行质量。
可选地,所述第二数据处理模块603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,所述确定模块604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,并获取与所述目标分组对应的待评估指标,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,用于根据预设的评估函数与分组之间的对应关系,确定与所述目标分组匹配的目标评估函数;第三确定子模块,用于根据所述目标评估函数,确定所述第三指标数据集中、与所述待评估指标对应的各指标序列中的各指标值的评价值。
可选地,上述装置600还包括对应关系建立模块,其中,所述对应关系建立模块包括:获取子模块,用于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;所述第一数据处理模块602,还用于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;所述第二数据处理模块603,还用于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;分组子模块,用于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;第四确定子模块,还用于针对每个分组内的所有无人机对应的第六指标数据集中的每个指标序列,分别确定所述指标序列中各指标值的均值、标准差;第五确定子模块,用于至少根据所述均值和所述标准差,确定与所述分组对应的评估函数。
可选地,所述第五确定子模块,用于根据所述均值和所述标准差,通过以上等式(1),确定与所述分组对应的评估函数。
可选地,所述第五确定子模块,用于根据所述均值、所述标准差以及所述指标序列中各指标值中的最小值通过以上等式(2),确定与所述分组对应的评估函数。
可选地,上述装置600还可以包括:第一总评价值确定模块,用于针对所述第三指标数据集中、与所述待评估指标对应的每个指标序列,分别根据所述指标序列中各指标值的评价值,确定所述指标序列的第一总评价值。
可选地,所述第一总评价值确定模块包括:分位数确定子模块,用于针对所述第三指标数据集中、与所述待评估指标对应的每个指标序列,分别根据所述指标序列中各指标值的评价值,通过以上等式(3),确定所述指标序列的第一总评价值的分位数;第一总评价值确定子模块,用于将所述指标序列中的各指标值按照对应的评价值从小到大排序,将排序后的指标序列中的第个指标值对应的评价值确定为所述指标序列的第一总评价值。
可选地,上述装置600还可以包括:第一评价值序列获取模块,用于从所述第三指标数据集中、与所述待评估指标对应的各指标序列中各指标值的所述评价值中,获取与待评估时间点对应的各指标值的评价值,得到第一评价值序列;排序模块,用于将所述第一评价值序列中的各评价值按照数值从大到小依次排列,得到第二评价值序列,将所述第一评价值序列中的各评价值按照数值从小到大依次排列,得到第三评价值序列;权重确定模块,用于将所述第三评价值序列中的各评价值与所述第三评价序列的评价值的比值,依次确定为所述第二评价序列中各评价值的权重,其中,所述第三评价序列的评价值为所述第三评价序列中各评价值的和;第二总评价值确定模块,用于根据所述第二评价序列中各评价值的所述权重,对所述第二评价序列中的各评价值进行加权求和,得到第二总评价值。
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无人机飞行质量评估方法的步骤。
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。如图7所示,该电子设备700可以包括:处理器701,存储器702。该电子设备700还可以包括多媒体组件703,输入/输出(I/O)接口704,以及通信组件705中的一者或多者。
其中,处理器701用于控制该电子设备700的整体操作,以完成上述的无人机飞行质量评估方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作,这些数据例如可以包括用于在该电子设备700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702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703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702或通过通信组件705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704为处理器701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705用于该电子设备700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或5G,NB-IOT(Narrow Band Internet of Things,窄带物联网),或者它们中一种或者多种的组合,因此相应的该通信组件705可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,电子设备700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,用于执行上述的无人机飞行质量评估方法。
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无人机飞行质量评估方法的步骤。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702,上述程序指令可由电子设备700的处理器701执行以完成上述的无人机飞行质量评估方法。
图8是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以被提供为一服务器。参照图8,电子设备800包括处理器822,其数量可以为一个或多个,以及存储器832,用于存储可由处理器822执行的计算机程序。存储器832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822可以被配置为执行该计算机程序,以执行上述的无人机飞行质量评估方法。
另外,电子设备800还可以包括电源组件826和通信组件850,该电源组件826可以被配置为执行电子设备800的电源管理,该通信组件850可以被配置为实现电子设备800的通信,例如,有线或无线通信。此外,该电子设备800还可以包括输入/输出(I/O)接口858。电子设备800可以操作基于存储在存储器832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无人机飞行质量评估方法的步骤。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832,上述程序指令可由电子设备800的处理器822执行以完成上述的无人机飞行质量评估方法。
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 (11)
1.一种无人机飞行质量评估方法,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;
确定所述第三指标数据集中、与待评估指标对应的各指标序列中的各指标值的评价值,其中,所述评价值用于评价所述目标无人机的飞行质量;
其中,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。
2.根据权利要求1所述的方法,其特征在于,所述确定所述第三指标数据集中、与待评估指标对应的各指标序列中的各指标值的评价值,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,并获取与所述目标分组对应的待评估指标,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;
根据预设的评估函数与分组之间的对应关系,确定与所述目标分组匹配的目标评估函数;
根据所述目标评估函数,确定所述第三指标数据集中、与所述待评估指标对应的各指标序列中的各指标值的评价值。
3.根据权利要求2所述的方法,其特征在于,所述预设的评估函数与分组之间的对应关系,通过以下方式来建立:
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;
针对每个分组内的所有无人机对应的第六指标数据集中的每个指标序列,分别确定所述指标序列中各指标值的均值、标准差;
至少根据所述均值和所述标准差,确定与所述分组对应的评估函数。
6.根据权利要求1-5中任一项所述的方法,其特征在于,所述方法还包括:
针对所述第三指标数据集中、与所述待评估指标对应的每个指标序列,分别根据所述指标序列中各指标值的评价值,确定所述指标序列的第一总评价值。
7.根据权利要求6所述的方法,其特征在于,所述针对所述第三指标数据集中、与所述待评估指标对应的每个指标序列,分别根据所述指标序列中各指标值的评价值,确定所述指标序列的第一总评价值,包括:
针对所述第三指标数据集中、与所述待评估指标对应的每个指标序列,分别根据所述指标序列中各指标值的评价值,通过以下公式,确定所述指标序列的第一总评价值的分位数:
其中,P1为所述第一总评价值的分位数;m为所述指标序列中各指标值的评价值中、评价值大于预设阈值的评价值的数量,所述预设阈值大于零、且小于或等于0.5;n为所述指标序列中各指标值的评价值的总数量;C1、C2为常数,且C1为整数、1<C1≤200、0<C2<0.1;
8.根据权利要求1-5中任一项所述的方法,其特征在于,所述方法还包括:
从所述第三指标数据集中、与所述待评估指标对应的各指标序列中各指标值的所述评价值中,获取与待评估时间点对应的各指标值的评价值,得到第一评价值序列;
将所述第一评价值序列中的各评价值按照数值从大到小依次排列,得到第二评价值序列,将所述第一评价值序列中的各评价值按照数值从小到大依次排列,得到第三评价值序列;
将所述第三评价值序列中的各评价值与所述第三评价序列的评价值的比值,依次确定为所述第二评价序列中各评价值的权重,其中,所述第三评价序列的评价值为所述第三评价序列中各评价值的和;
根据所述第二评价序列中各评价值的所述权重,对所述第二评价序列中的各评价值进行加权求和,得到第二总评价值。
9.一种无人机飞行质量评估装置,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;
确定模块,用于确定所述第二数据处理模块得到的所述第三指标数据集中、与待评估指标对应的各指标序列中的各指标值的评价值;
其中,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。
10.一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1-8中任一项所述方法的步骤。
11.一种电子设备,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1-8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910075731.5A CN109918718B (zh) | 2019-01-25 | 2019-01-25 | 无人机飞行质量评估方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910075731.5A CN109918718B (zh) | 2019-01-25 | 2019-01-25 | 无人机飞行质量评估方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109918718A CN109918718A (zh) | 2019-06-21 |
CN109918718B true CN109918718B (zh) | 2023-01-10 |
Family
ID=66960750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910075731.5A Active CN109918718B (zh) | 2019-01-25 | 2019-01-25 | 无人机飞行质量评估方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109918718B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111276247B (zh) * | 2020-01-16 | 2023-12-19 | 超越科技股份有限公司 | 一种基于大数据处理的飞参数据健康评估方法及设备 |
CN112418772A (zh) * | 2020-04-17 | 2021-02-26 | 蔡敏 | 一种结合多无人机协同的物流配送方法及云控制中心 |
CN112365707B (zh) * | 2020-09-22 | 2022-08-02 | 合肥工业大学 | 无人机交通巡逻业务的评价方法和系统 |
CN113257043A (zh) * | 2021-05-31 | 2021-08-13 | 中航信移动科技有限公司 | 飞机颠簸识别方法、装置、计算机设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704994A (zh) * | 2017-09-04 | 2018-02-16 | 国网浙江省电力公司电力科学研究院 | 一种计量自动化生产系统运行状况评估方法及系统 |
CN109241617A (zh) * | 2018-09-03 | 2019-01-18 | 哈尔滨工业大学 | 一种基于系统分类的制导控制半实物仿真系统可信度评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5316433B2 (ja) * | 2010-01-26 | 2013-10-16 | 富士通株式会社 | 最適化処理プログラム、方法及び装置 |
-
2019
- 2019-01-25 CN CN201910075731.5A patent/CN109918718B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704994A (zh) * | 2017-09-04 | 2018-02-16 | 国网浙江省电力公司电力科学研究院 | 一种计量自动化生产系统运行状况评估方法及系统 |
CN109241617A (zh) * | 2018-09-03 | 2019-01-18 | 哈尔滨工业大学 | 一种基于系统分类的制导控制半实物仿真系统可信度评估方法 |
Non-Patent Citations (1)
Title |
---|
品牌评估的粗糙集方法及应用;岑霆;《工业工程与管理》;20101010(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109918718A (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109918718B (zh) | 无人机飞行质量评估方法、装置、存储介质及电子设备 | |
CN110990756B (zh) | 基于可拓型逐层分析的空中目标航迹质量评估方法 | |
CN107633331A (zh) | 时间序列模型建立方法及装置 | |
CN109726764A (zh) | 一种模型选择方法、装置、设备和介质 | |
CN109885598B (zh) | 故障识别方法、装置、计算机可读存储介质及电子设备 | |
CN115082920A (zh) | 深度学习模型的训练方法、图像处理方法和装置 | |
CN111860568B (zh) | 数据样本的均衡分布方法、装置及存储介质 | |
WO2015153910A1 (en) | Determining job applicant fit score | |
CN109814101B (zh) | 一种航空器位置预测的方法及装置 | |
CN112985867B (zh) | 舵机测试方法、装置、设备及存储介质 | |
CN110443648B (zh) | 信息投放方法、装置、电子设备及存储介质 | |
CN110618692A (zh) | 用于控制无人机起飞的方法和装置 | |
CN114035536B (zh) | 一种基于蒙特卡洛法的飞行控制系统鲁棒性评估方法 | |
RU2666980C1 (ru) | Способ адаптивного управления качеством технически сложного изделия вдоль жизненного цикла | |
CN115758717A (zh) | 模拟亮温偏差的估算方法、装置、电子设备及存储介质 | |
CN113961765B (zh) | 基于神经网络模型的搜索方法、装置、设备和介质 | |
CN111880576B (zh) | 基于视觉的无人机飞行控制方法及装置 | |
Hryshchenko et al. | Dependability of avionics unmanned aerial vehicles | |
CN111461328B (zh) | 一种神经网络的训练方法 | |
CN114547917A (zh) | 仿真预测方法、装置、设备及存储介质 | |
CN113868939A (zh) | 一种风功率的概率密度评估方法、装置、设备及介质 | |
CN112801287A (zh) | 神经网络性能评估方法及装置、电子设备及存储介质 | |
WO2022252079A1 (zh) | 数据处理方法及装置 | |
CN115809404B (zh) | 一种检测阈值计算方法、装置、存储介质及电子设备 | |
Asher et al. | Developing a probabilistic load spectrum for fatigue modeling |
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 |