CN111222549B - 一种基于深度神经网络的无人机故障预测方法 - Google Patents
一种基于深度神经网络的无人机故障预测方法 Download PDFInfo
- Publication number
- CN111222549B CN111222549B CN201911396401.2A CN201911396401A CN111222549B CN 111222549 B CN111222549 B CN 111222549B CN 201911396401 A CN201911396401 A CN 201911396401A CN 111222549 B CN111222549 B CN 111222549B
- Authority
- CN
- China
- Prior art keywords
- neural network
- unmanned aerial
- data
- deep neural
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 47
- 230000036541 health Effects 0.000 claims abstract description 32
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000007621 cluster analysis Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000002441 reversible effect Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 238000012098 association analyses Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于深度神经网络的无人机故障预测方法,涉及无人机故障预警技术领域,能够针对无人机海量飞行数据实现无人机设备的故障预警;该方法包括:S1、提取无人机设备的历史运行数据,并进行预处理和聚类分析,得到训练数据集;S2、将训练数据集输入到深度神经网络模型中进行训练;S3、采集无人机设备的实时运行数据,并进行预处理;S4、将预处理后的实时运行数据输入到训练好的深度神经网络模型中,得到设备是否健康的结果;S5、利用健康度度量模型对S4得到的结果进行评分,判断其是否在阈值范围内,若在阈值范围内则没有输出,若不在则进行预警。本发明提供的技术方案适用于无人机设备故障预警的过程中。
Description
【技术领域】
本发明涉及无人机故障预警技术领域,尤其涉及一种基于深度神经网络的无人机故障预测方法。
【背景技术】
无人机作为高技术武器系统,其故障预测与维修保障越来越受到人们的重视。无人机维修保障技术一直在不断演进,原来由事件主宰的维修或时间相关的维修被基于状态的维修所取代。
故障预测对于无人机维修保障具有重要意义,故障预测的准备度使得无人机在飞行中及飞行前能及时发现故障隐患,避免计划外故障带来的损失和重大事件。其中的关键在于高维多元数据的拟合/回归分析。数据拟合/回归分析是一种预测性的建模技术,它研究的是因变量(目标)和自变量(预测器)之间的关系。这种技术通常用于预测分析,时间序列模型以及发现变量之间的因果关系。
传统的数据拟合/回归分析主要采用线性回归、逻辑回归、多项式回归、逐步回归、岭回归、套索回归、Elastic Net回归等方法。在统计学里面,一般采用最大似然和最小二乘法直接导出解析解。其解析解里面有一个矩阵的逆。求逆和伪逆运算有一些快速算法可以利用。所以对于数据量小的回归问题,直接用解析解就可以快速的得到模型的参数。而对于大数据分析,海量数据导致内存的开销巨大,这时候直接求解析解是不现实的。无人机飞行数据所监测的数据点数较多,是一个典型的海量高维非线性分布数据,传统的方法在处理这一类问题面临挑战。
因此,有必要研究一种基于深度神经网络的无人机故障预测方法来应对现有技术的不足,以解决或减轻上述一个或多个问题。
【发明内容】
有鉴于此,本发明提供了一种基于深度神经网络的无人机故障预测方法,能够针对无人机海量飞行数据实现无人机设备的故障预警。
一方面,本发明提供一种基于深度神经网络的无人机故障预测方法,其特征在于,步骤包括:
S1、提取无人机设备的历史运行数据,并进行预处理和聚类分析,得到训练数据集;
S2、将训练数据集输入到深度神经网络模型中进行训练;
S3、采集无人机设备的实时运行数据,并进行预处理;
S4、将预处理后的实时运行数据输入到训练好的深度神经网络模型中,得到设备是否健康的结果;
S5、利用健康度度量模型对S4得到的结果进行评分,判断其是否在阈值范围内,若在阈值范围内则没有输出,若不在则进行预警。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,S1中和S3中的预处理均包括:对提取的历史运行数据按时间进行统计,得到时间同步数据,再对时间同步数据进行特征提取。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,S1中聚类分析采用均值聚类进行类别划分并剔除异常数据。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述均值聚类具体为寻找一个阈值K,将数据的向量分为{1、2、...、K}和{K+1、K+2、...、256}两部分,将特征提取的均值按阈值K划分的两部分进行分类。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,确定阈值K的原则是:在可操作的范围内,选择使背景与目标之间的类间方差最大的K值。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S2中对深度神经网络模型进行训练时,将温度、湿度、震动、位移和工况作为输入参数,故障或健康作为输出参数,从而对深度神经网络模型进行训练。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,对深度神经网络模型进行训练时,先初始化权重和偏置,再进行前向传输,最后进行逆向反馈,从而完成一次深度神经网络的训练过程;通过不断地使用足够多的数据进行训练,从而得到健康模型或故障模型。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S4中将实时运行数据中的温度、湿度、震动、位移和工况作为输入参数输入到训练好的深度神经网络模型中,输出健康或者故障。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S5的具体内容为:采用S4中深度神经网络模型的输出结果作为健康度度量模型的输入,由健康度度量模型计算出健康度评分,再判断健康度评分是否在阈值范围内,若不在,则进行预警。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述健康度度量模型具体为:
其中,P1-PM为M维空间的向量的每一维测试数据向量取值;C1-CN为N维空间的向量的每一维训练数据向量取值;P为测试集矩阵;C为训练集矩阵;T代表矩阵转置。
与现有技术相比,本发明可以获得包括以下技术效果:能够针对无人机海量飞行数据实现无人机设备的故障预警,且训练效率高,实时预测精度高,可靠性强。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有技术效果。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明一个实施例提供的基于深度神经网络的无人机故障预测方法的流程图。
【具体实施方式】
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的″一种″、″所述″和″该″也旨在包括多数形式,除非上下文清楚地表示其他含义。
一种基于神经网络的无人机关键设备多参数预警方法,对特定设备多个参数间的相关特征进行分析,基于深度神经网络模型结构及其学习算法,通过对设备参数历史数据的训练,构建能够精确拟合设备正常运行状况数据的神经网络模型。当设备故障或劣化时,通过该模型与设备实际数据的比对和偏差判断,实现各参数的实时预警。具体的发明内容包括:一种适合高维数据拟合的神经网络模型,包括模型的神经元个数、层次和训练方法;针对不同属性之间的关联分析,降低维度,提高训练效率。
基于深度神经网络的无人机故障预测方法,过程包括:离线学习训练过程和在线实时预测过程。
离线学习训练过程包括数据采集、数据预处理、聚类分析和深度神经网络模型训练;
1)数据采集:用于从数据库中采集历史运行数据,包括震动数据、电流数据、电压数据、温度、湿度、气压、工况等;
2)数据预处理:用于将采集到的历史运行数据按时间进行统计,得到时间同步数据;此外还需要对时间同步数据进行关联分析和规范化处理,即对时间同步数据进行特征提取,提取数据波形的均值、方差、极值、波段、功率谱、过零点等统计特征来代表原有的时序数据作为特征矢量;因为故障是跟时间相关的,采集的数据都是时序数据,所以需要基于时序数据做特征提取;
3)聚类分析:对历史运行数据进行聚类分析,自动进行工况划分和剔除异常数据,形成训练数据集;
运用均值聚类方法,首先要确定聚类数目;采用基于模板匹配的方法,先进行目标区域的提取,通过自适应阈值的调整和背景更新进行优化,从而在实时性和计算代价等方面可以大大提高聚类算法的效率;
均值聚类具体为:寻找一个阈值K,将数据的向量分为1、2、...、K和K+1、...、256两部分;算法分类的原理是让背景和目标之间的类间方差最大,因为背景和目标之间的类间方差越大,说明构成数据的2部分的差别越大,错分的可能性越小;
通过聚类算法得到几个类别;远离聚类的向量即是异常数据,将异常数据剔除,剩余的数据为训练数据集,数据集已经通过聚类算法分成了两类;一类是故障状态下的数据集合,一类是正常状态下的数据集合;
4)深度神经网络模型训练:结合数据分布情况,自动选择合适的深度神经网络模型,设置神经元和隐层的个数,对选定的数据进行模型训练与调优;在对神经网络模型进行训练时,把传感器的数据例如温度、湿度、震动、位移和工况等作为参数输入,输出为故障或是健康;
数据分布的越分散,需要更深的神经网络模型进行计算,本方法采用7个神经元,2个隐层训练网络;在训练网络之前,需要随机初始化权重和偏置,对每一个权重取的一个随机实数,每一个偏置取的一个随机实数,之后就开始进行前向传输;神经网络的训练是由多趟迭代完成的,每一趟迭代都使用训练集的所有记录,而每一次训练网络只使用一条记录;对隐藏层和输出层的每一个结点都按照图1中的方式计算输出值,就完成前向传播的过程,紧接着是进行逆向反馈;完成一次神经网络的训练过程,通过不断的使用所有数据记录进行训练,从而得到一个分类模型。
在线实时预测过程包括数据采集、数据预处理、参数预测、曲线展示及数据预警、健康度度量、人机交互。
1)数据采集:从数据库中或者通过传感器获取当前运行数据;
2)数据预处理:由于各传感器采集的数据时间不同步,需要进行预处理,进行数据估计,获取时间同步数据;此外还需要对数据进行关联分析和规范化处理,即对时间同步数据进行特征提取,提取数据波形的均值、方差、极值、波段、功率谱、过零点等统计特征来代表原有的时序数据作为特征矢量;
3)参数预测:获取训练好的模型,对实时运行的设备工况进行在线参数预测;
训练好的模型可以从一组工况数据对参数的取值进行预测,将工况数据和环境数据作为输入参数,通过模型的计算输出预测的结果数值,根据预测的结果数值进而推断出设备是否健康;
4)曲线展示及数据预警:将预测的结果和实际运行的数据以曲线等多种方式展示给用户,同时利用健康度度量模型对预测结果进行评估,自动判断是否超过阈值,若超过阈值则进行预警。
健康度度量模型进行健康度评价时,采用参数预测的结果作为该模型的输入数据,由健康度度量模型计算出健康度评分,健康度评分低于正常取值区间时给出数据预警;基于高斯混合模型(GMM)的健康度建模方法,通过计算实测状态与健康基准状态之间的相对偏差距离来建立健康度模型;
通过以下公式进行偏差距离来计算健康程度:
5)人机交互:提供用户交互,利用用户新选定的数据,进行增量学习,使模型具有进化功能,不仅适合新数据,也能很好的遗忘最早的历史数据,即结果反馈&增量训练;选定数据的标准是根据时间、工况或者特殊状况、故障等维度来对数据进行筛选和选择的,会尽量选择有特殊情况的数据,例如极端条件下的飞行状态数据。
本发明涉及分布式计算、神经网络算法、数据接入、数据预处理、数据分析与挖掘等技术领域,能够对无人机的核心设备故障进行预测;该方法为提前预判无人机是否会出现飞行故障提供了一种基于数据驱动的方法,而不是完全基于机理模型。本发明提供的技术方案适用于无人机飞行及使用时需要监测主要部件的健康状况并预判是否会出现故障。
以上对本申请实施例所提供的一种基于深度神经网络的无人机故障预测方法,进行了详细介绍。以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
如在说明书及权利要求书当中使用了某些词汇来指称特定组件。本领域技术人员应可理解,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求书并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求书当中所提及的″包含″、″包括″为一开放式用语,故应解释成″包含/包括但不限定于″。″大致″是指在可接收的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式,然所述描述乃以说明本申请的一般原则为目的,并非用以限定本申请的范围。本申请的保护范围当视所附权利要求书所界定者为准。
还需要说明的是,术语″包括″、″包含″或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下,由语句″包括一个......″限定的要素,并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
应当理解,本文中使用的术语″和/或″仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符″/″,一般表示前后关联对象是一种″或″的关系。
上述说明示出并描述了本申请的若干优选实施例,但如前所述,应当理解本申请并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述申请构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围,则都应在本申请所附权利要求书的保护范围内。
Claims (7)
1.一种基于深度神经网络的无人机故障预测方法,其特征在于,步骤包括:
S1、提取无人机设备的历史运行数据,并进行预处理和聚类分析,得到训练数据集;
S2、将训练数据集输入到深度神经网络模型中进行训练;
对深度神经网络模型进行训练时,将温度、湿度、震动、位移和工况作为输入参数,故障或健康作为输出参数,从而对深度神经网络模型进行训练;
对深度神经网络模型进行训练时,先初始化权重和偏置,再进行前向传输,最后进行逆向反馈,从而完成一次深度神经网络的训练过程;通过不断地使用足够多的数据进行训练,从而得到健康模型或故障模型;
具体的训练过程为:用7个神经元,2个隐层训练网络;在训练网络之前,需要随机初始化权重和偏置,对每一个权重取得一个随机实数,每一个偏置取得一个随机实数,之后就开始进行前向传输;神经网络的训练是由多趟迭代完成的,每一趟迭代都使用训练集的所有记录,而每一次训练网络只使用一条记录;对隐藏层和输出层的每一个结点进行计算输出值,就完成前向传播的过程,紧接着是进行逆向反馈;完成一次神经网络的训练过程,通过不断的使用所有数据记录进行训练,从而得到一个分类模型;
S3、采集无人机设备的实时运行数据,并进行预处理;
S4、将预处理后的实时运行数据输入到训练好的深度神经网络模型中,得到设备是否健康的结果;
S5、利用健康度度量模型对S4得到的结果进行评估,判断其是否在阈值范围内,若在阈值范围内则没有输出,若不在则进行预警;
所述健康度度量模型具体为:
其中,P1-PM为M维空间的向量的每一维测试数据向量取值;C1-CN为N维空间的向量的每一维训练数据向量取值;P为测试集矩阵;C为训练集矩阵;T代表矩阵转置。
2.根据权利要求1所述的基于深度神经网络的无人机故障预测方法,其特征在于,S1中和S3中的预处理均包括:对提取的历史运行数据按时间进行统计,得到时间同步数据,再对时间同步数据进行特征提取。
3.根据权利要求2所述的基于深度神经网络的无人机故障预测方法,其特征在于,S1中聚类分析采用均值聚类进行类别划分并剔除异常数据。
4.根据权利要求3所述的基于深度神经网络的无人机故障预测方法,其特征在于,所述均值聚类具体为寻找一个阈值K,将数据的向量分为{1、2、...、K}和{K+1、K+2、...、256}两部分,将特征提取的均值按阈值K划分的两部分进行分类。
5.根据权利要求4所述的基于深度神经网络的无人机故障预测方法,其特征在于,确定阈值K的原则是:在可操作的范围内,选择使背景与目标之间的类间方差最大的K值。
6.根据权利要求1所述的基于深度神经网络的无人机故障预测方法,其特征在于,所述S4中将实时运行数据中的温度、湿度、震动、位移和工况作为输入参数输入到训练好的深度神经网络模型中,输出健康或者故障。
7.根据权利要求1所述的基于深度神经网络的无人机故障预测方法,其特征在于,所述S5的具体内容为:采用S4中深度神经网络模型的输出结果作为健康度度量模型的输入,由健康度度量模型计算出健康度评分,再判断健康度评分是否在阈值范围内,若不在,则进行预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911396401.2A CN111222549B (zh) | 2019-12-30 | 2019-12-30 | 一种基于深度神经网络的无人机故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911396401.2A CN111222549B (zh) | 2019-12-30 | 2019-12-30 | 一种基于深度神经网络的无人机故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111222549A CN111222549A (zh) | 2020-06-02 |
CN111222549B true CN111222549B (zh) | 2023-10-24 |
Family
ID=70827985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911396401.2A Active CN111222549B (zh) | 2019-12-30 | 2019-12-30 | 一种基于深度神经网络的无人机故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222549B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163297B (zh) * | 2020-09-30 | 2023-07-18 | 厦门科灿信息技术有限公司 | 设备健康预测系统 |
CN112508105B (zh) * | 2020-12-11 | 2024-03-19 | 南京富岛信息工程有限公司 | 一种采油机故障检测与检索方法 |
CN112762990A (zh) * | 2020-12-29 | 2021-05-07 | 陕西新泓水艺环境科技有限公司 | 设备健康度的预测方法及预测系统 |
CN112836941B (zh) * | 2021-01-14 | 2024-01-09 | 哈电发电设备国家工程研究中心有限公司 | 一种煤电机组汽轮机高加系统在线健康状况评估方法 |
CN112835770B (zh) * | 2021-04-22 | 2021-08-06 | 南京铉盈网络科技有限公司 | 基于稠密神经网络模型的法院自助阅卷终端工况评估方法 |
CN113253292B (zh) * | 2021-05-17 | 2024-02-09 | 湖北怡辉河天科技有限公司 | 一种基于人工智能技术的无人机预警处理方法及系统 |
CN113255777B (zh) * | 2021-05-28 | 2023-01-31 | 郑州轻工业大学 | 基于多模态敏感特征选取融合的设备故障预警方法及系统 |
CN113392998B (zh) * | 2021-07-01 | 2023-12-22 | 南京易自助网络科技有限公司 | 预判性运维规划方法及终端 |
CN113514109A (zh) * | 2021-08-18 | 2021-10-19 | 广东新创华科环保股份有限公司 | 一种无人机飞行故障检测方法和系统 |
CN114091629B (zh) * | 2022-01-21 | 2022-07-15 | 西安羚控电子科技有限公司 | 一种试飞数据智能处理系统及其方法 |
CN115169650B (zh) * | 2022-06-20 | 2022-11-22 | 四川观想科技股份有限公司 | 一种大数据分析的装备健康预测方法 |
CN115650006B (zh) * | 2022-10-24 | 2023-12-12 | 昆山广联发通信服务有限公司 | 一种基于大数据的电梯安全监测预警方法及系统 |
CN116304695B (zh) * | 2023-03-07 | 2024-04-09 | 珠海紫燕无人飞行器有限公司 | 一种基于卷积神经网络预测无人机震动故障的方法及系统 |
CN116664015A (zh) * | 2023-07-26 | 2023-08-29 | 深圳市森树强电子科技有限公司 | 一种智能充电桩管理系统及其方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2270618A2 (en) * | 2009-06-26 | 2011-01-05 | Honeywell International Inc. | Method and system for fault determination for aircraft |
CN103528586A (zh) * | 2013-10-31 | 2014-01-22 | 中国航天时代电子公司 | 基于故障网格的航迹规划算法设计 |
WO2016059505A1 (en) * | 2014-10-14 | 2016-04-21 | Uab "Locatory.Com" | A system and a method for recognition of aerospace parts in unstructured text |
CN107256396A (zh) * | 2017-06-12 | 2017-10-17 | 电子科技大学 | 基于卷积神经网络的船目标isar图像特征学习方法 |
CN108009730A (zh) * | 2017-12-05 | 2018-05-08 | 河海大学常州校区 | 一种光伏电站系统健康状态分析方法 |
CN108460481A (zh) * | 2018-01-30 | 2018-08-28 | 中国航天电子技术研究院 | 基于循环神经网络的无人机侦察目标演变规律预测方法 |
CN108875771A (zh) * | 2018-03-30 | 2018-11-23 | 浙江大学 | 一种基于稀疏高斯伯努利受限玻尔兹曼机和循环神经网络的故障分类模型及方法 |
CN109212617A (zh) * | 2018-08-24 | 2019-01-15 | 中国石油天然气股份有限公司 | 电成像测井相自动识别方法及装置 |
EP3460611A1 (en) * | 2017-09-25 | 2019-03-27 | The Boeing Company | System and method for aircraft fault detection |
CN109977624A (zh) * | 2019-05-06 | 2019-07-05 | 上海交通大学 | 基于深度神经网络的光伏电站缓变故障监测方法 |
CN109992916A (zh) * | 2019-04-09 | 2019-07-09 | 山东超越数控电子股份有限公司 | 一种基于飞参数据的机务外场飞机发动机故障预测方法,终端及可读存储介质 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN110263846A (zh) * | 2019-06-18 | 2019-09-20 | 华北电力大学 | 基于故障数据深度挖掘及学习的故障诊断方法 |
-
2019
- 2019-12-30 CN CN201911396401.2A patent/CN111222549B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2270618A2 (en) * | 2009-06-26 | 2011-01-05 | Honeywell International Inc. | Method and system for fault determination for aircraft |
CN103528586A (zh) * | 2013-10-31 | 2014-01-22 | 中国航天时代电子公司 | 基于故障网格的航迹规划算法设计 |
WO2016059505A1 (en) * | 2014-10-14 | 2016-04-21 | Uab "Locatory.Com" | A system and a method for recognition of aerospace parts in unstructured text |
CN107256396A (zh) * | 2017-06-12 | 2017-10-17 | 电子科技大学 | 基于卷积神经网络的船目标isar图像特征学习方法 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
EP3460611A1 (en) * | 2017-09-25 | 2019-03-27 | The Boeing Company | System and method for aircraft fault detection |
CN108009730A (zh) * | 2017-12-05 | 2018-05-08 | 河海大学常州校区 | 一种光伏电站系统健康状态分析方法 |
CN108460481A (zh) * | 2018-01-30 | 2018-08-28 | 中国航天电子技术研究院 | 基于循环神经网络的无人机侦察目标演变规律预测方法 |
CN108875771A (zh) * | 2018-03-30 | 2018-11-23 | 浙江大学 | 一种基于稀疏高斯伯努利受限玻尔兹曼机和循环神经网络的故障分类模型及方法 |
CN109212617A (zh) * | 2018-08-24 | 2019-01-15 | 中国石油天然气股份有限公司 | 电成像测井相自动识别方法及装置 |
CN109992916A (zh) * | 2019-04-09 | 2019-07-09 | 山东超越数控电子股份有限公司 | 一种基于飞参数据的机务外场飞机发动机故障预测方法,终端及可读存储介质 |
CN109977624A (zh) * | 2019-05-06 | 2019-07-05 | 上海交通大学 | 基于深度神经网络的光伏电站缓变故障监测方法 |
CN110263846A (zh) * | 2019-06-18 | 2019-09-20 | 华北电力大学 | 基于故障数据深度挖掘及学习的故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
Complex System Fault Diagnostic Method based on Convolutional Neural Network;Hongzheng Fang 等;《2019 Prognostics and System Health Management Conference (PHM-Paris)》;150-155 * |
基于深度学习的飞行器智能故障诊断方法;姜洪开 等;《机械工程学报》;第55卷(第7期);27-34 * |
Also Published As
Publication number | Publication date |
---|---|
CN111222549A (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
CN109766583B (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
Bektas et al. | A neural network filtering approach for similarity-based remaining useful life estimation | |
CN106951695B (zh) | 多工况下的机械设备剩余使用寿命计算方法及系统 | |
CN112085124B (zh) | 一种基于图注意力网络的复杂网络节点分类方法 | |
US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
Sedano et al. | A soft computing method for detecting lifetime building thermal insulation failures | |
CN111412977A (zh) | 一种机械设备振动感知数据的预处理方法 | |
CN111062508A (zh) | 一种基于大数据技术评估风电机组实时运行状态的方法 | |
CN112231980B (zh) | 一种发动机寿命预测方法、存储介质及计算设备 | |
CN108776017B (zh) | 一种改进chsmm的滚动轴承剩余寿命预测方法 | |
CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
Zhang et al. | Remaining Useful Life Prediction of Rolling Bearings Using Electrostatic Monitoring Based on Two‐Stage Information Fusion Stochastic Filtering | |
Qiu et al. | A piecewise method for bearing remaining useful life estimation using temporal convolutional networks | |
CN115375026A (zh) | 一种多故障模式下的航空发动机寿命预测方法 | |
Wang et al. | A spatiotemporal feature learning-based RUL estimation method for predictive maintenance | |
CN111275136A (zh) | 基于小样本下的故障预测系统及其预警方法 | |
Abdulaal et al. | Real-time synchronization in neural networks for multivariate time series anomaly detection | |
CN113743010A (zh) | 基于eemd能量熵的滚动轴承运行状态评估方法 | |
CN113126489A (zh) | 一种基于cnn-gru-binn的重型燃气轮机控制系统智能bit设计方法 | |
Dang et al. | seq2graph: Discovering dynamic non-linear dependencies from multivariate time series | |
Luo et al. | A novel method for remaining useful life prediction of roller bearings involving the discrepancy and similarity of degradation trajectories |
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 |