CN113435317A - 一种无人机遥测数据相关性分析方法 - Google Patents
一种无人机遥测数据相关性分析方法 Download PDFInfo
- Publication number
- CN113435317A CN113435317A CN202110712515.4A CN202110712515A CN113435317A CN 113435317 A CN113435317 A CN 113435317A CN 202110712515 A CN202110712515 A CN 202110712515A CN 113435317 A CN113435317 A CN 113435317A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- signal
- data
- telemetering data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000010219 correlation analysis Methods 0.000 title claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000002596 correlated effect Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 4
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 claims description 2
- 230000036541 health Effects 0.000 description 5
- 239000010687 lubricating oil Substances 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000000110 cooling liquid Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明公开了一种无人机遥测数据相关性分析方法,属于无人机技术领域。该方法首先输入无人机遥测数据,并使用低通滤波器对其进行滤波;然后对滤波后的无人机遥测数据进行标准化处理;接着计算无人机遥测数据每类信号的标准差;计算无人机遥测数据两个信号之间的协方差,构建无人机遥测数据的协方差矩阵;最后计算无人机遥测数据两个信号之间的相关系数,构建无人机遥测数据的相关系数矩阵。本发明采用基于相关系数矩阵的无人机遥测数据相关性分析方法,泛化性强,操作简单,并且可以量化无人机遥测数据的相关性。
Description
技术领域
本发明属于无人机技术领域,特别是指一种无人机遥测数据相关性分析方法,可用于对无人机知识图谱的构建,为无人机健康管理提供支撑。
背景技术
在无人机测控数据分析方面,由于原始数据壁垒,相关研究很少。而且无人机维修保障上还存在诸多问题,如故障的预测诊断能力不够、预测诊断机制不健全、不及时等。
对无人机测控数据进行分析是因为不同的状态监测、故障预测和健康评估方法对原始数据的特征需求不同,对采集到的原始数据进行符合故障预测及健康管理要求的分析,以满足后续决策需要。由于无人机关键数据较多且复杂,需要数据集设计、完整性分析、相关性分析、异常分析等处理,以满足关键测控信息及故障信息的挖掘精度和计算效率。尤其是无人机遥测数据相关性分析,是无人机智能测控技术的关键组成部分。
现有技术中,无人机遥测数据相关性分析以专家知识系统为主,该方法效率较低,泛化性较差,在新装备上难以快速形成专家知识系统。而且专家系统往往只能分析无人机遥测数据的正/负相关关系,很难对其进行量化,影响了无人机的健康管理。
发明内容
有鉴于此,本发明提出了一种无人机遥测数据相关性分析方法,该方法基于相关系数矩阵进行无人机遥测数据的相关性分析,能够自适应地得到相关性分析结果。
为了实现上述目的,本发明采用的技术方案为:
一种无人机遥测数据相关性分析方法,包括如下步骤:
步骤1,输入无人机遥测数据,并使用低通滤波器对其进行滤波;
步骤2,对滤波后的无人机遥测数据进行标准化处理;
步骤3,计算无人机遥测数据每类信号的标准差;
步骤4,计算无人机遥测数据两个信号之间的协方差,构建无人机遥测数据的协方差矩阵;
步骤5,计算无人机遥测数据两个信号之间的相关系数,构建无人机遥测数据的相关系数矩阵。
进一步的,所述低通滤波器的滤波方式为均值平滑滤波,滤波处理公式为:
其中,i(t)为滤波后信号,i(t′)为滤波前信号,W为信号处理窗口,N(W)表示窗口宽度或窗口内离散信号帧数。
进一步的,步骤2所述的标准化处理是基于原始数据的均值和标准差进行数据的标准化,经过处理的数据符合标准正态分布,即均值为0,标准差为1,标准化处理公式为:
其中,x为标准化处理前的数据,x*为标准化处理后的数据,u为所有样本数据的均值,σ为所有样本数据的标准差。
进一步的,步骤3中标准差的计算方式为:
其中,Sx为信号x的标准差,xi为信号x中的第i个数值,x表示信号x的均值,n表示信号长度。
进一步的,步骤4的具体方式如下:
4a)计算两种信号之间的协方差:
4b)计算无人机遥测数据的协方差矩阵C:
其中,m为无人机遥测数据中的信号总数,x1,x2,...,xm为各个信号。
进一步的,步骤5的具体方式如下:
5a)计算两种信号之间的相关系数,相关系数的取值在1到-1之间,1表示两个信号完全线性相关,-1表示两个信号完全负相关,0表示两个变量不相关,数据越趋近于0表示相关关系越弱,相关系数的计算公式如下:
其中,rxy表示信号x与信号y的相关系数,cov(x,y)表示信号x与信号y的协方差,Sx表示信号x的标准差,Sy表示信号y的标准差;
5b)基于无人机遥测数据的协方差矩阵,计算无人机遥测数据的相关系数矩阵R:
其中,m为无人机遥测数据中的信号总数,x1,x2,...,xm为各个信号。
本发明与现有技术相比具有如下优点:
1、本发明采用基于相关系数矩阵的无人机遥测数据相关性分析方法,泛化性强,操作简单。
2、本发明中,相关系数的取值区间在1到-1之间,1表示两个信号完全线性相关,-1表示两个信号完全负相关,0表示两个变量不相关,数据越趋近于0表示相关关系越弱,可以全面展现无人机遥测数据的相关性。
附图说明
图1为本发明的总流程图。
图2为某无人机遥测数据的滑油压力信号图。
图3为某无人机遥测数据滑油压力信号的低通滤波处理结果图。
具体实施方式
以下结合附图对本发明的技术方案和效果做进一步的详细说明。
参照图1,一种无人机遥测数据相关性分析方法,包括如下步骤:
步骤1,输入无人机遥测数据,并使用低通滤波器对其进行滤波。低通滤波器是一种过滤方式,规则为低频信号能正常通过,而超过设定临界值的高频信号则被阻隔、减弱,本方法采用均值平滑滤波作为低通滤波器,用于低频信号提取,均值平滑滤波计算公式如下:
式中,i(t)为滤波后信号,i(t′)为滤波前信号,W为信号处理窗口,N(W)表示窗口宽度或窗口内离散信号帧数,本方法取值为5。
步骤2,对滤波后的无人机遥测数据进行标准化处理,基于原始数据的均值和标准差进行数据的标准化,经过处理的数据符合标准正态分布,即均值为0,标准差为1,转化函数为:
式中,x为标准化处理前的数据,x*为标准化处理后的数据,u为所有样本数据的均值,σ为所有样本数据的标准差。
步骤3,计算无人机遥测数据每类信号的标准差,计算方式为:
步骤4,计算无人机遥测数据两个信号之间的协方差,构建无人机遥测数据的协方差矩阵,操作步骤如下:
4a)协方差用来衡量两个信号的总体误差,如果两个信号的变化趋势一致,协方差就是正值,说明两个信号正相关。如果两个信号的变化趋势相反,协方差就是负值,说明两个信号负相关。如果两个信号相互独立,那么协方差就是0,说明两个变量不相关,以下是协方差的计算公式:
4b)计算无人机遥测数据的协方差矩阵。协方差只能对两组数据进行相关性分析,当有两组以上数据时就需要使用协方差矩阵。假设无人机遥测数据一共包含m组信号,则协方差矩阵的计算方式为:
式中,m为无人机遥测数据中的信号总数,x1,x2,...,xm为各个信号。
步骤5,计算无人机遥测数据两个信号之间的相关系数,构建无人机遥测数据的相关系数矩阵,步骤如下:
5a)计算两种信号之间的相关系数。相关系数是反应信号之间关系密切程度的统计指标,相关系数的取值区间在1到-1之间,1表示两个信号完全线性相关,-1表示两个信号完全负相关,0表示两个变量不相关,数据越趋近于0表示相关关系越弱。相关系数的计算公式如下:
式中,rxy表示信号x与y的相关系数,Sxy表示信号x与y的协方差,Sx表示信号x的标准差,Sy表示信号y的标准差;
5b)基于无人机遥测数据的协方差矩阵,计算无人机遥测数据的相关系数矩阵,相关系数矩阵的计算方式为:
本方法的效果可以通过以下仿真实验进一步说明:
1、实验条件与方法
硬件平台为:Intel(R)Core(TM)i5-9400F CPU@2.90GHZ、32GB RAM;
软件平台为:Visual Studio 2013;
实验方法:本方法。
2、仿真内容与结果
采集某无人机遥测数据,使用滑油压力信号实验低通滤波性能,图2给出了滑油压力信号图,经过低通滤波处理后,图3给出了滑油压力信号低通滤波处理结果图,通过本方法可以得到无人机遥测数据的相关系数矩阵。
对于无人机异常检测来说,无人机遥测参数之间存在显著的关联关系,比如解封门-转速、冷却液温度-累计加速时间、滑油压力-滑油温度、排气温度-发动机转速等。所以,通过对无人机遥测数据进行相关性分析,提取构建各个参数间的关联关系,就能够通过某一参数的异常变化及时发现另外一个具有关联关系的参数的变化情况,从而为无人机健康管理提供支撑。
Claims (6)
1.一种无人机遥测数据相关性分析方法,其特征在于,包括如下步骤:
步骤1,输入无人机遥测数据,并使用低通滤波器对其进行滤波;
步骤2,对滤波后的无人机遥测数据进行标准化处理;
步骤3,计算无人机遥测数据每类信号的标准差;
步骤4,计算无人机遥测数据两个信号之间的协方差,构建无人机遥测数据的协方差矩阵;
步骤5,计算无人机遥测数据两个信号之间的相关系数,构建无人机遥测数据的相关系数矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110712515.4A CN113435317A (zh) | 2021-06-25 | 2021-06-25 | 一种无人机遥测数据相关性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110712515.4A CN113435317A (zh) | 2021-06-25 | 2021-06-25 | 一种无人机遥测数据相关性分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113435317A true CN113435317A (zh) | 2021-09-24 |
Family
ID=77754642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110712515.4A Pending CN113435317A (zh) | 2021-06-25 | 2021-06-25 | 一种无人机遥测数据相关性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435317A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038457A (zh) * | 2017-04-01 | 2017-08-11 | 北京机械设备研究所 | 一种基于主分量信噪比的遥测数据压缩批处理方法 |
CN111274543A (zh) * | 2020-01-17 | 2020-06-12 | 北京空间飞行器总体设计部 | 一种基于高维空间映射的航天器系统异常检测方法 |
CN111611294A (zh) * | 2020-04-30 | 2020-09-01 | 中国西安卫星测控中心 | 星敏感器数据异常检测方法 |
-
2021
- 2021-06-25 CN CN202110712515.4A patent/CN113435317A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038457A (zh) * | 2017-04-01 | 2017-08-11 | 北京机械设备研究所 | 一种基于主分量信噪比的遥测数据压缩批处理方法 |
CN111274543A (zh) * | 2020-01-17 | 2020-06-12 | 北京空间飞行器总体设计部 | 一种基于高维空间映射的航天器系统异常检测方法 |
CN111611294A (zh) * | 2020-04-30 | 2020-09-01 | 中国西安卫星测控中心 | 星敏感器数据异常检测方法 |
Non-Patent Citations (2)
Title |
---|
打不倒的小强: "均值、标准差、方差、协方差、相关", 《微信公众号:沿途模式识别》 * |
熊宇虹等: "基于数据挖掘的航天遥测数据分析系统的设计", 《空间电子技术》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110895526A (zh) | 一种大气监测系统中数据异常的修正方法 | |
CN110348150B (zh) | 一种基于相关概率模型的故障检测方法 | |
CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
KR20190013017A (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
CN115496644A (zh) | 基于数据识别的固体废弃物处理设备监测方法 | |
CN113962308A (zh) | 一种航空设备故障预测方法 | |
CN112002114A (zh) | 一种基于5G-ZigBee通信的机电设备无线数据采集系统和方法 | |
CN111080074A (zh) | 基于网络多特征关联的系统服役安全态势要素获取方法 | |
CN112861350A (zh) | 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法 | |
CN115858794B (zh) | 用于网络运行安全监测的异常日志数据识别方法 | |
CN112598144A (zh) | 基于相关性分析的cnn-lstm突发故障预警方法 | |
CN114637263A (zh) | 一种异常工况实时监测方法、装置、设备及存储介质 | |
CN115828170A (zh) | 一种基于掘进机电控数据的故障检测方法 | |
WO2023044770A1 (zh) | 干泵宕机的预警方法、装置、电子设备、存储介质及程序 | |
CN105718733B (zh) | 基于模糊贴近度和粒子滤波的故障预报方法 | |
CN117076869B (zh) | 旋转机械时频域融合故障诊断方法及系统 | |
CN201017233Y (zh) | 基于小波分析的工业生产过程故障诊断装置 | |
CN110455399B (zh) | 用分布式光纤对建筑结构振动进行全局预警的方法 | |
CN111339986A (zh) | 基于时域/频域分析的装备用频规律挖掘方法和系统 | |
CN113435317A (zh) | 一种无人机遥测数据相关性分析方法 | |
CN116522993A (zh) | 一种基于对抗自编码网络的化工过程故障检测方法 | |
CN114580472B (zh) | 工业互联网中因果与注意力并重的大型设备故障预测方法 | |
CN112228042B (zh) | 一种基于云边协同计算的抽油机井工况相似性判别方法 | |
CN113283157A (zh) | 智能冲压压力机部件生命周期预测系统、方法、终端、介质 | |
CN114429240A (zh) | 高速公路设备运行状态监测方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210924 |
|
RJ01 | Rejection of invention patent application after publication |