CN111487991B - 一种面向无人机集群的安全等级预测方法及系统 - Google Patents
一种面向无人机集群的安全等级预测方法及系统 Download PDFInfo
- Publication number
- CN111487991B CN111487991B CN202010262767.7A CN202010262767A CN111487991B CN 111487991 B CN111487991 B CN 111487991B CN 202010262767 A CN202010262767 A CN 202010262767A CN 111487991 B CN111487991 B CN 111487991B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- individual
- cluster
- performance degradation
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000015556 catabolic process Effects 0.000 claims abstract description 93
- 238000006731 degradation reaction Methods 0.000 claims abstract description 93
- 230000001186 cumulative effect Effects 0.000 claims abstract description 42
- 230000007423 decrease Effects 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 16
- 238000013139 quantization Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000003930 cognitive ability Effects 0.000 abstract description 3
- 239000013598 vector Substances 0.000 description 17
- 238000004891 communication Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000004927 fusion Effects 0.000 description 7
- 230000036541 health Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000006378 damage Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 108010014173 Factor X Proteins 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 231100001261 hazardous Toxicity 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000010415 tropism Effects 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Abstract
本发明公开了一种面向无人机集群的安全等级预测方法及系统,包括:基于设定的无人机集群失效类型,将无人机集群中的每个个体无人机基于自身的飞行状态数据计算出自身的性能衰退轨道;每个个体无人机基于自身的性能衰退轨道获得累积失效概率预测值;领航机订阅所有个体无人机广播的累积失效概率预测值,并计算无人机集群的危险失效概率;领航机基于所述无人机集群的危险失效概率确定无人机集群的安全等级。本发明的技术方案将会提升无人机集群对自身安全与风险的认知能力,间接提升了无人机集群的抗毁能力。
Description
技术领域
本发明涉及无人机集群的安全与风险评估领域,具体涉及一种面向无人机集群的安全等级预测方法及系统。
背景技术
在动态环境下,无人机集群进行复杂协作、编队变换是一项非常具有挑战性的技术难题,然而执行这些行为的前提是无人机集群必须能够认知自身的安全状态。对于具有自主飞行能力的无人机,由于人退出直接控制,所以对无人机的安全与风险状态提出了更高需求。只要使用无人机就存在风险,无人机集群的风险远高于单架无人机,人工智能的引入又加剧了无人机受道德模糊甚至恶意使用技术的可能性。黑客可以通过渗透系统给无人机集群设定程序,使无人机启动失灵,或执行任务途中失去动力。除了黑客渗透无人机的通信链路外,导致无人机事故的因素还包括:系统技术故障、数据链信息传输不稳定或者受到干扰、地面站控制系统故障、恶劣的气象条件等。
为了减小无人机事故发生概率,在无人机的设计过程中一般会采用状态检测和余度设计管理技术,甚至有些高配置的无人机还会搭载故障预测与健康管理系统。故障预测与健康管理系统被设计并嵌入到机载计算单元,被用于降低因执行机构、控制舵面、传感器故障造成的脆弱性,其中的故障诊断与自修复重构技术是无人机实现自主控制的保障,能够提高无人机的生存能力和飞行安全性。虽然,故障预测与健康管理系统可以解决集群中个体无人机的故障诊断、剩余使用寿命预测等问题,但是,当故障监测系统发生漏报警、剩余使用寿命预测结果存在延迟误差、意外工况发生突变时,这些情况将会增加无人机集群的飞行风险。
传统的风险定量分析方法实际上就是以发生过的事情为基础,很大程度上都是建立在过去经验和大量历史数据基础上的,所以无法为无人机这样的新技术提供足够和必要的信息用于风险控制。传统的可靠性模型的失效率预测和安全评价方法也不适用于无人机集群,理由是:(1)可靠性手册推荐的失效率计算模型的参数往往是经验参数,不完整的、不同年代混杂,往往是不可靠的,也没有考虑储存、运输、装配、应力等对无人机造成的潜在伤害,而且制造过程中的工艺、材料,质量控制水平严格程度等因素会导致无人机潜在的失效;(2)对于处于试验阶段的无人机,需要在设计阶段不断反馈修正安全设计,并无有效的失效率数据可供参考;(3)无人机集群操作中所采集的紧急状态下的数据非常有限,而缺少了操作数据就很难使用传统的定量分析方法进行系统层上的安全评价。
从目前的技术水平来看,现有的技术方法主要关注单架无人机的健康管理、故障重构、容错控制、碰撞检测与规避等,例如专利(申请号201610075393.1)公布了一种无人机安全管理系统及方法,通过无线通信模块将有关信息传送到监控中心,通过监控中心对无人机进行远程监控与控制,解决无人机黑飞乱飞带来的安全隐患。但是,类似方法依靠监控中心,并不适用于自主飞行的无人机集群。
发明内容
为了解决现有技术中所存在的上述不足,本发明提供了一种面向无人机集群的安全等级预测方法,包括:
基于设定的无人机集群失效类型,将无人机集群中的每个个体无人机基于自身的飞行状态数据计算出自身的性能衰退轨道;
每个个体无人机基于自身的性能衰退轨道获得累积失效概率预测值;
基于所述累积失效概率预测值结合预先设定的评价指标确定无人机集群的安全等级。
优选的,所述基于设定的无人机集群失效类型,将无人机集群中的每个个体无人机基于自身的飞行状态数据计算出自身的性能衰退轨道,包括:
基于设定的无人机集群失效类型从集群中所有无人机的控制器输出接口解析出机载传感器数据;
个体无人机基于从机载传感器数据组成的海量飞行状态数据中提取性能衰退特征;
基于个体无人机在运行周期内的性能衰退特征采用欧式距离法计算出自身的性能衰退轨道。
优选的,所述个体无人机基于从机载传感器数据组成的海量飞行状态数据中提取性能衰退特征,包括:
每个个体无人机从自身的飞行状态数据中提取粗特征;
对所述粗特征进行信息融合处理,得到个体无人机在运行周期内的性能衰退特征。
优选的,所述基于个体无人机在运行周期内的性能衰退特征采用欧式距离法计算出自身的性能衰退轨道,包括:
将个体无人机在运行周期内的性能衰退特征代入自组织映射模型,得到最小量化误差;
由所有运行周期的最小量化误差组成性能衰退轨道;
其中,所述最小量化误差为个体无人机在运行周期内的性能衰退特征与最佳匹配单元之间的欧氏距离。
优选的,所述每个个体无人机基于自身的性能衰退轨道获得累积失效概率预测值,包括:
对每个个体无人机的性能衰退轨道采用模拟抽样算法模拟得到每个个体无人机所有可能的性能衰退轨道;
将每个个体无人机所有可能的性能衰退轨道代入训练好的性能衰退预测模型,统计待预测运行周期内,性能衰退轨道的首达阈值次数与衰退轨道模拟次数;
基于性能衰退轨道的首达阈值次数与衰退轨道模拟次数的比值进行概率分布估计,计算出累积失效概率预测值。
优选的,所述基于所述累积失效概率预测值结合预先设定的评价指标确定无人机集群的安全等级,包括:
领航机基于订阅的所有个体无人机的累积失效概率预测值,计算无人机集群的危险失效概率;
领航机基于所述无人机集群的危险失效概率确定无人机集群的安全等级;
其中所述个体无人机的类型为领航机或非领航机。
优选的,所述领航机基于订阅的所有个体无人机的累积失效概率预测值,计算无人机集群的危险失效概率,包括:
领航机对所有个体无人机的累积失效概率预测值利用层次分析法进行计算,获得每个个体无人机对无人机集群失效概率的权重;
领航机基于每个个体无人机对无人机集群失效概率的权重获得无人机集群的累积失效概率预测值;
领航机基于所述无人机集群的累积失效概率预测值获得无人机集群危险失效概率。
优选的,所述领航机基于所述无人机集群的危险失效概率确定无人机集群的安全等级,包括:
领航机基于所述无人机集群的危险失效概率与预先设定的划分等级确定无人机集群的安全等级。
基于同一发明构思,本发明还提供了一种面向无人机集群的安全等级预测系统,包括:
第一计算模块,用于基于设定的无人机集群失效类型,将无人机集群中的每个个体无人机基于自身的飞行状态数据计算出自身的性能衰退轨道;
第二计算模块,用于每个个体无人机基于自身的性能衰退轨道获得累积失效概率预测值;
确定模块,用于基于所述累积失效概率预测值结合预先设定的评价指标确定无人机集群的安全等级。
优选的,所述第一计算模块,包括:
解析单元,用于基于设定的无人机集群失效类型从集群中所有无人机的控制器输出接口解析出机载传感器数据;
提取单元,用于个体无人机基于从机载传感器数据组成的海量飞行状态数据中提取性能衰退特征;
计算单元,用于基于个体无人机在运行周期内的性能衰退特征采用欧式距离法计算出自身的性能衰退轨道。
本发明提供的技术方案具有以下有益效果:
本发明提供的技术方案,基于设定的无人机集群失效类型,将无人机集群中的每个个体无人机基于自身的飞行状态数据计算出自身的性能衰退轨道;每个个体无人机基于自身的性能衰退轨道获得累积失效概率预测值;基于所述累积失效概率预测值结合预先设定的评价指标确定无人机集群的安全等级。本发明利用飞行状态数据进行计算,突破了必须停机才能进行风险评估的约束,通过该发明使无人机集群具有对自身功能与安全状态的认知能力。
附图说明
图1为本发明中一种面向无人机集群的安全等级预测流程图;
图2为本发明实施例中一种面向无人机集群的安全等级预测具体流程图;
图3为本发明实施例中无人机集群的常见失效类型;
图4为本发明实施例中性能衰退特征与性能衰退轨道之间的关系。
图5为本发明实施例中无人机集群的安全等级划分示意图。
具体实施方式
为了更好地理解本发明,下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1:如图1所示,本发明提供了一种面向无人机集群的安全等级预测评价方法,包括:
S1基于设定的无人机集群失效类型,将无人机集群中的每个个体无人机基于自身的飞行状态数据计算出自身的性能衰退轨道;
S2每个个体无人机基于自身的性能衰退轨道获得累积失效概率预测值;
S3基于所述累积失效概率预测值结合预先设定的评价指标确定无人机集群的安全等级。
通过图2对图1提供的技术方案进行具体分析,包括:无人机集群的失效类型分析、无人机的飞行状态数据采集、无人机的性能衰退特征提取、无人机集群的累计失效概率和对无人机集群的安全等级评价。
对上述步骤进行具体分析:
(1)无人机集群的失效类型分析,包括:
从机械结构、电气电路、系统软件、通信链路这四个方面分析无人机集群的失效类型,分析失效影响因素以及各因素之间的动态耦合关系。由于“系统的整体大于部分之和”,即部分构成紧密联系成整体后,就能够产生新的属性、特征、更加强大的功能,因此也要考虑数量增加导致的失效类型,比如通信堵塞、无人机之间的碰撞等发生的风险。
无人机集群是由几百上千架的无人机个体、操作系统及其应用软件、通信链路组成的,出现的失效类型也是多种多样的,如图3所示本实施例列举无人机集群的常见失效类型,包括:
按不同类型和不同尺寸的无人机划分,包括机械结构故障、操作系统及应用软件失效电气电路失效和传感器失效;
按无人机之间的通信链路划分,包括障碍物遮挡、通信被渗透和通信设备故障。
(2)无人机的飞行状态数据采集,包括:
对集群中的所有无人机的控制器输出接口进行解析,得到机载传感器数据。
个体无人机对多传感器数据存储和积累,得到海量飞行状态数据。这里的海量数据是相对当前计算机处理能力而言的,凡是在无人机机载计算单元上处理数据时出现内存溢出提示的数据量,都可以称之为海量数据。
(3)无人机的性能衰退特征提取,包括:
个体无人机执行运算,从海量飞行状态数据中提取性能衰退特征;
本实施例基于深度神经网络模型提取性能衰退特征,首先从机载传感器数据中提取粗特征;这里的粗特征指的是时域特征、频域特征、时频域参数或自定义的统计特征;
然后,对粗特征进行信息融合处理,得到无人机的性能衰退特征(精特征);
本实施例以集群中编号UAV_ID=j,j=1,2,…,n,的个体无人机为例,飞行状态数据单元1:n的粗特征值Xj输入到深层自编码器网络(AE)模型,模型输出为可表征无人机性能衰退的深层特征(精特征)。
用数学公式表达如下:
本发明基于深层神经网络模型对无人机飞行控制器解析的粗特征进行变换,提取隐含的性能衰退,提升了特征提取的精度。
最后,基于编号为UAV_ID=j的无人机的性能衰退特征计算出该无人机的性能衰退轨道,包括:
Wi(t+1)=Wi(t)-α(t)·hci(t)·(Ui(t)-Wi(t))
式中,t+1和t分别为两个相邻的运动周期,Wi为SOM第i个神经元的权值向量,Ui(t)为输入向量,hci(t)为t运行周期获取邻近神经元的方式。
最小量化误差定义为输入向量U(t)与最佳匹配单元(BMU)之间的欧氏距离,计算表达式为:
图4展示了数据处理单元、性能衰退特征与性能衰退轨道之间的关系,其中编号UAV_ID=j无人机的性能衰退轨道γj是由MQE1:t组成,飞行状态数据指的是个体无人机的机载传感器数据。
本发明采用欧氏距离法得到衰退样本数据与正样本数据之间的距离量,进一步获得无人机性能衰退轨道,但实现方法不限于欧拉距离、自组织映射神经模型等,可以利用表征个体无人机性能衰退特征的其他通用方法。
(4)无人机集群的累计失效概率,包括:
第一步:计算个体无人机的累积失效概率预测:
从(3)中可以得到个体无人机的性能衰退轨道γj值及其对应运行周期,这些已知数据被用于构建该无人机对应的性能衰退预测模型。
首先,采用状态空间模型作为性能衰退预测模型,并估计模型参数;
然后,为了减小模型参数估计的不确定性,采用模拟抽样算法模拟个体无人机所有可能的性能衰退轨道;
最后,统计未来某运行周期时,性能衰退轨道的首达阈值次数与衰退轨道模拟次数,其比值用于概率分布估计,计算出累积失效概率预测值。
累积失效概率也称不可靠度,是无人机在规定的条件下和规定的时间内丧失规定功能的概率。
第二步:每架无人机与无人机集群中的其他无人机进行通信,广播自身的累积失效概率预测值,订阅其他无人机的累积失效概率密度预测值。
每个无人机均可评估集群的风险,此处选择集群中的某一架无人机作为领航者。
第三步:领航者基于层次分析法计算出无人机集群的累积失效概率预测值。
无人机集群一般采用的组织模式是领航者-跟随者,无人机集群编队组织方式是领航机只有一架,跟随者有多架。将无人机集群中相同类型和尺寸的无人机归为一类,那么集群中至少存在2种类型,分别是:领航者、跟随者。这里,将无人机集群的安全影响因素记为X=[x1,x2,…,xn],分别对应领航者的结构性能优劣、领航者的通信能力强弱、跟随者1的结构性能优劣、跟随者1的通信能力强弱,跟随者2的结构性能优劣、跟随者2的通信能力强弱等。
基于层次分析法计算出各个影响因素X=[x1,x2,…,xn]对无人机集群的累积失效概率预测值P的权重。
层次分析法的实现步骤如下:
首先,确定准则Bi,i=1,2,3,4,5,6,对目标A的权重向量;
然后,两两比较Bi对目标矩阵A的重要程度,构造准则Bi,i=1,2,3,4,5,6,对目标A的成对比较判断矩阵;
最后,通过求解判断矩阵A的最大特征值λmax和相应的特征向量。
判断矩阵是否通过一致性检验,采用的一致性指标为:
CI的值由判断矩阵计算获得。CI=0,有完全的一致性;CI接近于0,有满意的一致性;CI越大,不一致越严重。
为衡量CI的大小,引入随机一致性指标RI:
一般情况下,RI的值通过查表1获得。
表1平均随机一致性指标RI标准值
矩阵阶数 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
RI | 0 | 0 | 0.58 | 0.90 | 1.12 | 1.24 | 1.32 | 1.41 | 1.45 | 1.49 |
在检验判断矩阵是否具有满意的一致性时,还需将CI和随机一致性指标RI进行比较,得出检验系数CR,计算表达式如下:
CR=CI/RI
如果CR<0.1,则认为该判断矩阵通过一致性检验,否则就不具有满意一致性。
无人机集群的累积失效概率预测值P与影响因子X的关系式为:
P=KX
其中,K为判断矩阵A的最大特征值相应的特征向量,即目标A的权重向量;X为各因素导致集群失效发生的概率。
(5)对无人机集群的安全等级评价。
这里定义的安全等级是综合考虑无人机集群的失效概率、危险损害严重程度、暴露在危险中的时间、避免危险损害的可能性等因素来评价的。定义四种等级分别为:SL1-高风险等级,SL2-警告风险等级,SL3-中等风险等级,SL4-低风险等级。SL的数值越高,说明无人机集群的安全程度越小。
无人机集群的危险失效概率的计算表达式为:
r(t)=S·F·(1-C)·O·P(t)
式中,r(t)为危险失效概率;S为危险损害的严重程度;F为暴露在危险中的时间;C为避免危险损害的可能性;O为危险发生的可能性,一般取1;t为运行周期,单位:h;其中,将S·F·(1-C)·O称为无人机集群风险因子,P(t)为前面步骤计算得到的无人机集群尺度累积失效概率值。
采用每小时需求危险失效概率界定的安全等级,关系如表2所示。
表2安全等级与需求每小时危险失效概率的关系
借鉴风险评价降低到合理可行(ALARP)评价框,可以得到无人机集群的安全等级界定如5所示。
本发明提供的技术方案与现有的风险矩阵、概率风险模型等风险管理方法相比,其显著优点在于,该方法融合了故障预测与健康管理、风险与安全评估、可靠性预测等有关研究内容,基于数据驱动方法计算危险失效概率,减小了人为主观臆断,以及必须停机才能风险评估的约束。该发明的应用,将会使无人机集群具有自身功能与安全状态的认知能力。在获知自身健康和安全状态的基础上,无人机集群可以通过集群模式重构,主动快速实现组织能力恢复或者最优化,因此,该发明间接提升了无人机集群的抗毁能力。
本发明适配于不同尺寸和不同类型的无人机,包括但不限于多旋翼、固定翼、混合翼等。该方法具有通用性,还可以推广应用到多智能体集群。不仅适用于当前已经初步具备“狭义人工智能”的群体无人机,而且适用于未来具有“广义人工智能”的无人机集群,此时的无人机能够设定宏达目标并控制自我意识或感知。
本发明综合考虑可靠性预测、安全与风险评估等概念,融合了预测与健康管理技术,采用数据驱动方式来实现评价无人机集群的安全等级。
实施例2:本实施例采用一个由六架四旋翼无人机组成的集群进行案例分析,具体实施步骤如下:
(1)对集群中的个体无人机飞行控制器输出接口进行适配处理,采集机载传感器输出数据。
采用的机载传感器输出数据类型包括:GPS纬度(单位:度)、GPS经度(单位:度)、航向角(单位:度)、俯仰角度(单位:度)、横滚角度(单位:度)、水平飞行速度(单位:mm/s)、垂向飞行速度(单位:mm/s)、气压计测量的高度(单位:m)、机身温度(单位:度)、三轴方向的振动加速度(单位:m/s2)、飞行控制器的电压值(单位:V)、磁航向角(单位:度)。
(2)分析无人机集群的失效类型,选择整机失效的粗特征。这里选择的粗特征为:电池电压峰值、振动加速度有效值、飞行控制器的温度、软件的可靠度、通信带宽等。
(3)采用深层特征优化融合模型从个体无人机的海量飞行状态数据中提取无人机的性能衰退特征(精特征),再构建无人机的性能衰退轨道。
深层特征优化融合模型是在深层自编码器(一种深度神经网络)结构上的改进:(1)在深层自编码器最小化误差损失函数上添加任务正则项。任务正则项的作用是使深层自编码器不仅具有数据重构功能,还能增强输出时间序列数据的单调能力;(2)对深层自编码器最后一层隐含层的各神经元节点平均分组为多个子模块,计算各子模块的最小量化误差向量,并优化加权融合,其目的是强化蕴含信息量大的子模块,弱化或丢弃蕴含信息小的子模块。
深层自编码器网络是在自编码器的基础上,对隐含层及其前向连接层之间权重参数的调整,将隐含层hN-1的神经元节点平均分组模块化,记为p组,计算各子模块的最小量化误差向量MQE1:t作为候选特征。假设HN为隐含层hN-1的神经元节点数量,各子模块的神经元数量为HN/p。为编号UAV_ID=j无人机第kth个子模块的候选性能衰退特征向量,k取值从1到p。采用优化算法计算优化融合的权重系数ω。在得到深层自编码器网络模型参数基础上,将测试数据Xtest输入到深层自编码器网络,输出果为对应测试数据的性能衰退轨道。
将优化融合权重系数计算转化为一个单目标优化问题,目标是得到一组最佳的权重系数ωi,i=1,2,…,p,使融合得到的多条性能衰退轨道具有平均最优的综合性能指标。本案例采用的是灰狼群优化算法解决多传感器数据特征优化融合问题。
采用目标函数的数学表达式为:
式中,γj为编号UAV_ID=j无人机的性能衰退轨道;为编号UAV_ID=j无人机第p个子模块输出的深层特征(精特征)向量;Γ是所有n条性能衰退轨道向量组成的矩阵;a为ωi取值的约束下限,b为ωi取值的约束上限;此处ζi=1,i=1,2,3。采用的性能衰退轨道预测能力的表征指标有:单调性、趋向性、可预测性。
单调性的表达式为:
式中,n为性能衰退轨道向量γj的长度,m1为集群中无人机的数量。
可预测性的表达式为:
趋向性定义为绝对相关系数的最小值,表达式为:
式中,γj为编号UAV_ID=j无人机的性能衰退轨道向量,m1为集群中无人机的数量。
(4)无人机集群的累积失效概率预测,包括:
针对个体无人机,在得到其性能衰退轨道的基础上,采用状态空间模型构建性能衰退预测模型,并估计模型参数。采用蒙特卡罗方法模拟出可能发生的性能衰退轨道,统计未来某运行周期时性能衰退轨道的首达软阈值的次数与衰退轨道总模拟次数,其比值作为概率分布估计,再计算出累积失效概率预测值。
经计算,未来第100个运行周期时,领航者机械结构的累积失效概率为0.8102,跟随者机械结构的失效概率平均值为(0.1474+0.4632+0.7854+0.7482+0.67)/5=0.5628。假设影响无人机集群安全的主要因素为:领航者的结构性能优劣、领航者的通信能力强弱、跟随者的结构性能优劣、跟随者的通信能力强弱,本实施例中假设领航者和跟随者的通信能力失效概率均等于0.5,各因素导致无人机集群失效概率对应为:P=[0.8102,0.5,0.5628,0.5]。
首先建立层次分析模型,确定准则Bi,i=1,2,3,4,对目标A的权重向量。构造准则Bi对目标A的成对比较判断矩阵为:
利用MATLAB软件求得判断矩阵A的最大特征值为4.1315,相应的特征向量W=[0.1116,-0.0365 0.2321,-0.0365,0.2049]。RI的值查表获得RI=0.9。经计算,CR=0.0487<0.1,故通过检验。计算出无人机集群的累积失效概率预测值为:
P=KP=0.1541
(5)评价无人机集群的安全等级。
假设该无人机集群风险因子为0.5,则可以得到无人机集群的安全等级为SL1。
本发明提供的技术方案将会使无人机集群具有认知自身安全与风险的能力。即使无人机集群在承受伤害力或遭遇极端力量打击,无人机群体中的部分无人机由于发生故障退出集群,或者部分无人机的性能不断退化,该方法也能适用。
实施例3:基于同一发明构思,本发明还提供了一种面向无人机集群的安全等级预测系统,包括:
第一计算模块,用于基于设定的无人机集群失效类型,将无人机集群中的每个个体无人机基于自身的飞行状态数据计算出自身的性能衰退轨道;
第二计算模块,用于每个个体无人机基于自身的性能衰退轨道获得累积失效概率预测值;
确定模块,用于基于所述累积失效概率预测值结合预先设定的评价指标确定无人机集群的安全等级。
实施例中,所述第一计算模块,包括:
解析单元,用于基于设定的无人机集群失效类型从集群中所有无人机的控制器输出接口解析出机载传感器数据;
提取单元,用于个体无人机基于从机载传感器数据组成的海量飞行状态数据中提取性能衰退特征;
计算单元,用于基于个体无人机在运行周期内的性能衰退特征采用欧式距离法计算出自身的性能衰退轨道。
实施例中,所述第二计算模块,包括:
第一计算单元,用于对每个个体无人机的性能衰退轨道采用模拟抽样算法模拟得到每个个体无人机所有可能的性能衰退轨道;
第二计算单元,用于将每个个体无人机所有可能的性能衰退轨道代入训练好的性能衰退预测模型,统计待预测运行周期内,性能衰退轨道的首达阈值次数与衰退轨道模拟次数;
第三计算单元,用于基于性能衰退轨道的首达阈值次数与衰退轨道模拟次数的比值进行概率分布估计,计算出累积失效概率预测值。
实施例中,所述确定模块,包括:
整合计算,用于领航机基于订阅的所有个体无人机的累积失效概率预测值,计算无人机集群的危险失效概率;
确定单元,用于领航机基于所述无人机集群的危险失效概率确定无人机集群的安全等级;
其中所述个体无人机的类型为领航机或非领航机。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (9)
1.一种面向无人机集群的安全等级预测方法,其特征在于,包括:
基于设定的无人机集群失效类型,将无人机集群中的每个个体无人机基于自身的飞行状态数据计算出自身的性能衰退轨道;
每个个体无人机基于自身的性能衰退轨道获得累积失效概率预测值;
基于所述累积失效概率预测值结合预先设定的评价指标确定无人机集群的安全等级;
所述每个个体无人机基于自身的性能衰退轨道获得累积失效概率预测值,包括:
对每个个体无人机的性能衰退轨道采用模拟抽样算法模拟得到每个个体无人机所有可能的性能衰退轨道;
将每个个体无人机所有可能的性能衰退轨道代入训练好的性能衰退预测模型,统计待预测运行周期内,性能衰退轨道的首达阈值次数与衰退轨道模拟次数;
基于性能衰退轨道的首达阈值次数与衰退轨道模拟次数的比值进行概率分布估计,计算出累积失效概率预测值。
2.如权利要求1所述的方法,其特征在于,所述基于设定的无人机集群失效类型,将无人机集群中的每个个体无人机基于自身的飞行状态数据计算出自身的性能衰退轨道,包括:
基于设定的无人机集群失效类型从集群中所有无人机的控制器输出接口解析出机载传感器数据;
个体无人机基于从机载传感器数据组成的海量飞行状态数据中提取性能衰退特征;
基于个体无人机在运行周期内的性能衰退特征采用欧式距离法计算出自身的性能衰退轨道。
3.如权利要求2所述的方法,其特征在于,所述个体无人机基于从机载传感器数据组成的海量飞行状态数据中提取性能衰退特征,包括:
每个个体无人机从自身的飞行状态数据中提取粗特征;
对所述粗特征进行信息融合处理,得到个体无人机在运行周期内的性能衰退特征;
所述粗特征指的是时域特征、频域特征、时频域参数或自定义的统计特征。
4.如权利要求2所述的方法,其特征在于,所述基于个体无人机在运行周期内的性能衰退特征采用欧式距离法计算出自身的性能衰退轨道,包括:
将个体无人机在运行周期内的性能衰退特征代入自组织映射模型,得到最小量化误差;
由所有运行周期的最小量化误差组成性能衰退轨道;
其中,所述最小量化误差为个体无人机在运行周期内的性能衰退特征与最佳匹配单元之间的欧氏距离。
5.如权利要求1所述的方法,其特征在于,所述基于所述累积失效概率预测值结合预先设定的评价指标确定无人机集群的安全等级,包括:
领航机基于订阅的所有个体无人机的累积失效概率预测值,计算无人机集群的危险失效概率;
领航机基于所述无人机集群的危险失效概率确定无人机集群的安全等级;
其中所述个体无人机的类型为领航机或非领航机。
6.如权利要求5所述的方法,其特征在于,所述领航机基于订阅的所有个体无人机的累积失效概率预测值,计算无人机集群的危险失效概率,包括:
领航机对所有个体无人机的累积失效概率预测值利用层次分析法进行计算,获得每个个体无人机对无人机集群失效概率的权重;
领航机基于每个个体无人机对无人机集群失效概率的权重获得无人机集群的累积失效概率预测值;
领航机基于所述无人机集群的累积失效概率预测值获得无人机集群危险失效概率。
7.如权利要求5所述的方法,其特征在于,所述领航机基于所述无人机集群的危险失效概率确定无人机集群的安全等级,包括:
领航机基于所述无人机集群的危险失效概率与预先设定的划分等级确定无人机集群的安全等级。
8.一种面向无人机集群的安全等级预测系统,其特征在于,包括:
第一计算模块,用于基于设定的无人机集群失效类型,将无人机集群中的每个个体无人机基于自身的飞行状态数据计算出自身的性能衰退轨道;
第二计算模块,用于每个个体无人机基于自身的性能衰退轨道获得累积失效概率预测值;
确定模块,用于基于所述累积失效概率预测值结合预先设定的评价指标确定无人机集群的安全等级;
相应的,所述第二计算模块,包括:
第一计算单元,用于对每个个体无人机的性能衰退轨道采用模拟抽样算法模拟得到每个个体无人机所有可能的性能衰退轨道;
第二计算单元,用于将每个个体无人机所有可能的性能衰退轨道代入训练好的性能衰退预测模型,统计待预测运行周期内,性能衰退轨道的首达阈值次数与衰退轨道模拟次数;
第三计算单元,用于基于性能衰退轨道的首达阈值次数与衰退轨道模拟次数的比值进行概率分布估计,计算出累积失效概率预测值。
9.如权利要求8所述的系统,其特征在于,所述第一计算模块,包括:
解析单元,用于基于设定的无人机集群失效类型从集群中所有无人机的控制器输出接口解析出机载传感器数据;
提取单元,用于个体无人机基于从机载传感器数据组成的海量飞行状态数据中提取性能衰退特征;
计算单元,用于基于个体无人机在运行周期内的性能衰退特征采用欧式距离法计算出自身的性能衰退轨道。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010262767.7A CN111487991B (zh) | 2020-04-03 | 2020-04-03 | 一种面向无人机集群的安全等级预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010262767.7A CN111487991B (zh) | 2020-04-03 | 2020-04-03 | 一种面向无人机集群的安全等级预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111487991A CN111487991A (zh) | 2020-08-04 |
CN111487991B true CN111487991B (zh) | 2021-02-05 |
Family
ID=71794633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010262767.7A Expired - Fee Related CN111487991B (zh) | 2020-04-03 | 2020-04-03 | 一种面向无人机集群的安全等级预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111487991B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112147897B (zh) * | 2020-09-28 | 2021-10-12 | 南京航空航天大学 | 离散不确定多时滞四旋翼系统的容错控制方法 |
CN112184042B (zh) * | 2020-10-09 | 2022-05-13 | 中国民航大学 | 无人机失控或失去动力故障状态坠地伤人风险评估方法 |
CN112882385B (zh) * | 2021-01-12 | 2022-04-22 | 南京航空航天大学 | 基于隔离/移除故障个体的蜂群无人机可重构性评估方法 |
CN112925344B (zh) * | 2021-01-25 | 2022-01-04 | 南京航空航天大学 | 基于数据驱动和机器学习的无人机飞行工况预测方法 |
CN113177719A (zh) * | 2021-05-07 | 2021-07-27 | 民航成都电子技术有限责任公司 | 民航净空安全风险评估方法、装置、计算机设备及存储介质 |
CN113359834B (zh) * | 2021-06-22 | 2022-06-10 | 中国民用航空总局第二研究所 | 一种无人机运行监控方法、系统及监控平台 |
CN113743461B (zh) * | 2021-07-29 | 2024-04-09 | 中国人民解放军军事科学院国防科技创新研究院 | 无人机集群健康度评估方法及装置 |
CN113721478A (zh) * | 2021-08-02 | 2021-11-30 | 中国人民解放军军事科学院国防科技创新研究院 | 一种集群无人系统推演及故障诊断方法、系统 |
CN114020036B (zh) * | 2021-12-03 | 2023-12-12 | 南京大学 | 一种多无人机编队阵型变换时的防碰撞方法 |
CN116520756B (zh) * | 2023-06-29 | 2023-09-26 | 北京创博联航科技有限公司 | 数据采集监控系统、航电系统以及无人机 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3254404A4 (en) * | 2015-03-31 | 2018-12-05 | SZ DJI Technology Co., Ltd. | Authentication systems and methods for generating flight regulations |
CN106741987B (zh) * | 2016-12-12 | 2019-02-01 | 北京航天测控技术有限公司 | 一种无人机机载健康管理监测系统 |
CN108322248A (zh) * | 2017-12-14 | 2018-07-24 | 中国航空工业集团公司上海航空测控技术研究所 | 一种基于协同无人机安全性与可靠性的维护系统及方法 |
CN108170162B (zh) * | 2017-12-30 | 2022-03-25 | 天津职业技术师范大学 | 多尺度风扰分析无人机机群协调控制系统性能评估方法 |
CN109215165B (zh) * | 2018-08-08 | 2021-06-22 | 南京航空航天大学 | 一种民用飞机apu性能评估及故障预警方法 |
CN110276125A (zh) * | 2019-06-20 | 2019-09-24 | 中国航空发动机研究院 | 基于数据的航空发动机整机性能衰退评估与预测方法 |
-
2020
- 2020-04-03 CN CN202010262767.7A patent/CN111487991B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN111487991A (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111487991B (zh) | 一种面向无人机集群的安全等级预测方法及系统 | |
CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
CN111476263A (zh) | 基于sdae和改进gwo-svm的轴承缺陷识别方法 | |
CN109141847B (zh) | 一种基于mscnn深度学习的飞机系统故障诊断方法 | |
CN109800875A (zh) | 基于粒子群优化和降噪稀疏编码机的化工故障检测方法 | |
CN110321940B (zh) | 飞行器遥测数据特征提取与分级分类方法及装置 | |
CN104986347B (zh) | 一种民机航线飞行员操作差错的实时检测方法 | |
CN110795309A (zh) | 一种用于微小卫星的层次化软件健康管理方法和系统 | |
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 | |
CN110737976A (zh) | 一种基于多维度信息融合的机械设备健康评估方法 | |
CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN114969990A (zh) | 一种多模型融合的航空电子产品健康评估方法 | |
CN112085869A (zh) | 一种基于飞参数据的民机飞行安全性分析方法 | |
CN112257914A (zh) | 一种基于随机森林的航空安全因果预测方法 | |
Liang et al. | 1d convolutional neural networks for fault diagnosis of high-speed train bogie | |
CN116129510A (zh) | 基于眼动数据评估飞行员对不同编码信息感知的方法与装置 | |
CN113536671B (zh) | 一种基于lstm的锂电池寿命预测方法 | |
CN110705693A (zh) | 一种无人机异常行为识别模块及其识别方法 | |
CN112395952A (zh) | 一种用于铁轨缺陷检测的无人机 | |
CN114692786B (zh) | 一种基于多源数据融合的民机故障诊断方法 | |
CN111368971A (zh) | 一种无人机集群协同降落排序方法及系统 | |
CN113435780B (zh) | 一种基于神经网络的应急通信感知装备体系效能评估方法 | |
CN112966785B (zh) | 一种智能化星座状态识别方法和系统 | |
CN113139344A (zh) | 一种面向多重失效模式的民用飞机运行风险评估方法 | |
Minghua et al. | Rough Set Neural Network Evaluation Method for UAV Reconnaissance Effectiveness |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210205 |