CN113673611A - 基于深度森林的飞行器故障诊断方法和系统 - Google Patents
基于深度森林的飞行器故障诊断方法和系统 Download PDFInfo
- Publication number
- CN113673611A CN113673611A CN202110980186.1A CN202110980186A CN113673611A CN 113673611 A CN113673611 A CN 113673611A CN 202110980186 A CN202110980186 A CN 202110980186A CN 113673611 A CN113673611 A CN 113673611A
- Authority
- CN
- China
- Prior art keywords
- fault
- sensor
- data
- value
- motor
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000007637 random forest analysis Methods 0.000 claims abstract description 31
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 24
- 239000000126 substance Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000007257 malfunction Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 238000003066 decision tree Methods 0.000 description 18
- 239000013598 vector Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012952 Resampling Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network 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
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供了一种基于深度森林的飞行器故障诊断方法和系统，包括：获取目标飞行器的传感器数据；目标飞行器为待诊断故障飞行器；对传感器数据进行小波包分解，得到传感器数据的能量特征数据；将能量特征数据代入到训练之后的基于深度森林的故障诊断模型，得到故障诊断结果。本发明缓解了现有技术中存在的随机森林算法的泛化能力不足的技术问题。
Description
技术领域
本发明涉及故障诊断技术领域，尤其是涉及一种基于深度森林的飞行器故障诊断方法和系统。
背景技术
目前四旋翼无人机故障诊断方法主要包括基于解析模型的故障诊断方法、基于信号分析的故障诊断方法、基于数据驱动的故障诊断方法。
其中基于数据驱动的故障诊断方法，不依赖于建立系统的精确模型，利用人工智能技术进行故障诊断，是目前故障诊断技术的主要研究方向。随着海量数据的获取能力与计算机性能的快速提高，基于数据驱动的故障诊断也必将迎来发展契机。其中随机森林法是常用的故障诊断的方法，随机森林具有超参数少、分类性能好、有较强的容忍噪声的能力以及不会出现过拟合现象等特点，已经被广泛应用于故障诊断领域，例如航空发动机故障诊断、电力电子电路故障诊断和滚动轴承故障诊断等，均取得的了很好的效果，它也是当前的研究热点。但是随机森林算法在故障诊断上仍然存在局限和不足，随机森林算法在做故障诊断时，每棵树在参与最终的决策时的权重都设置成一样的，导致了随机森林算法的泛化能力不足的问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于深度森林的飞行器故障诊断方法和系统，以缓解现有技术中存在的随机森林算法的泛化能力不足的技术问题。
第一方面，本发明实施例提供了一种基于深度森林的飞行器故障诊断方法，包括：获取目标飞行器的传感器数据；所述目标飞行器为待诊断故障飞行器；对所述传感器数据进行小波包分解，得到所述传感器数据的能量特征数据；将所述能量特征数据代入到训练之后的基于深度森林的故障诊断模型，得到故障诊断结果；所述方法还包括：基于所述目标飞行器的传感器，建立所述目标飞行器的故障模型；所述传感器包括：角度传感器，角速度传感器；基于所述故障模型，构建基于深度森林的故障诊断模型和生成故障数据集；对所述故障数据集进行小波包分解，得到能量特征集；将所述能量特征集作为训练集，对所述基于深度森林的故障诊断模型进行训练，得到训练之后的基于深度森林的故障诊断模型；所述传感器还包括电机转速传感器；基于所述目标飞行器的传感器，建立所述目标飞行器的故障模型，包括：基于电机转速传感器，建立所述目标飞行器的故障模型为：
其中，
为电机转速传感器在没有故障时的转速值，
为电机转速传感器在发生恒偏差故障时的转速值，mdev为电机恒偏差故障的转速偏差值，
为电机转速传感器在发生卡死故障时的转速值，
为电机转速传感器发生电机增益损失故障时的转速值，mlose为电机增益损失的百分比，
为电机转速传感器发生数据离群故障时的转速值，moutlier为电机数据离群的故障程度大小，δ为数据离群参数。
进一步地，基于所述目标飞行器的传感器，建立所述目标飞行器的故障模型，包括：基于角度传感器，建立所述目标飞行器的故障模型为：
基于角速度传感器，建立所述目标飞行器的故障模型为：
其中，θ是角度传感器没有故障时的角度值，θ恒偏差是角度传感器发生恒偏差故障时的角度值，cdev是角度传感器恒偏差故障的偏差值，θ失效和cfailure是角度传感器失效之后的角度值，θ增益损失是角度传感器发生增益损失故障时的角度值，close为角度传感器增益百分比，θ数据离群是角度传感器发生数据离群故障时的角度值，coutlier为数据离群故障程度大小，
是角速度传感器没有故障时的角速度值，
是角速度传感器发生恒偏差时的角速度值，gdev为角速度传感器恒偏差故障的偏差值，
和gfailure是角速度传感器失效之后的角速度值，
是角速度传感器发生数据离群故障时的角速度值，goutlier为角速度传感器数据离群的值，δ为数据离群参数。
进一步地，基于所述故障模型，构建基于深度森林的故障诊断模型，包括：基于所述故障模型，构建随机森林模型；基于多粒度扫描和级联森林，构建基于深度森林的故障诊断模型；所述级联森林包括多个层级的随机森林模型。
第二方面，本发明实施例还提供了一种基于深度森林的飞行器故障诊断系统，包括：获取模块，分解模块和诊断模块；其中，所述获取模块，用于获取目标飞行器的传感器数据；所述目标飞行器为待诊断故障飞行器；所述分解模块，用于对所述传感器数据进行小波包分解，得到所述传感器数据的能量特征数据；所述诊断模块，用于将所述能量特征数据代入到训练之后的基于深度森林的故障诊断模型，得到故障诊断结果；所述系统还包括：构建模块，用于：基于所述目标飞行器的传感器，建立所述目标飞行器的故障模型；所述传感器包括：角度传感器，角速度传感器；基于所述故障模型，构建基于深度森林的故障诊断模型；所述传感器还包括电机转速传感器；基于所述目标飞行器的传感器，建立所述目标飞行器的故障模型，包括：基于电机转速传感器，建立所述目标飞行器的故障模型为：
其中，
为电机转速传感器在没有故障时的转速值，
为电机转速传感器在发生恒偏差故障时的转速值，mdev为电机恒偏差故障的转速偏差值，
为电机转速传感器在发生卡死故障时的转速值，
为电机转速传感器发生电机增益损失故障时的转速值，mlose为电机增益损失的百分比，
为电机转速传感器发生数据离群故障时的转速值，moutlier为电机数据离群的故障程度大小，δ为数据离群参数。
进一步地，所述系统还包括：训练模块，用于：基于所述故障模型，生成故障数据集；对所述故障数据集进行小波包H分解，得到能量特征集；将所述能量特征集作为训练集，对所述基于深度森林的故障诊断模型进行训练，得到训练之后的基于深度森林的故障诊断模型。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法的步骤。
第四方面，本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行上述第一方面所述方法。
本发明提供了一种基于深度森林的飞行器故障诊断方法和系统，包括：获取目标飞行器的传感器数据；目标飞行器为待诊断故障飞行器；对传感器数据进行小波包分解，得到传感器数据的能量特征数据；将能量特征数据代入到训练之后的基于深度森林的故障诊断模型，得到故障诊断结果。本发明通过利用深度森林对飞行器的故障进行诊断的方式，缓解了现有技术中存在的随机森林算法的泛化能力不足的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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他的附图。
图1为本发明实施例提供的一种基于深度森林的飞行器故障诊断方法的流程图；
图2为本发明实施例提供的一种小波包分解结构示意图；
图3为本发明实施例提供的一种对基于深度森林的故障诊断模型的训练过程的流程图；
图4为本发明实施例提供的一种决策树的结构示意图；
图5为本发明实施例提供的一种多粒度扫描的示意图；
图6为本发明实施例提供的一种级联森林的结构示意图；
图7为本发明实施例提供的一种基于深度森林的飞行器故障诊断系统的示意图；
图8为本发明实施例提供的另一种基于深度森林的飞行器故障诊断系统的示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
无人机是由无线遥控以及利用自行提供的程序进行操纵的不载人飞行器。无人机主要分为两类，多旋翼无人机和固定翼无人机。固定翼无人机被广泛应用于军事领域，与传统飞机相比，其具有生产周期短、续航时间长、易于维护保养以及成本低等优点，通常用于执行战场侦察、搜寻救援、火力支援以及作战通信等任务，在恶劣任务环境下极大降低了人员伤亡并提高执行效率。四旋翼无人机具有体积较小、操作简单、灵活性好、垂直起降等特点。四旋翼无人机被广泛应用到偏向生活相关的农业、商业、能源、交通和医疗等领域，注重低成本和便捷性等经济效益提升，可靠性不及军用机，飞行速度较慢。目前在民用领域，被广泛应用到通讯增强、农林植保、物流运输、灾情、侦测、电力巡检、影视航拍等方面，给我们的生活带来了极大的便利。由于无人机的广泛应用，近年来吸引了众多学者对其进行深入研究。
四旋翼无人机依靠控制两组旋转方向相反的旋翼转速，完成对其俯仰、偏航、滚转以及升降的控制，同时利用产生的反扭力矩克服机体本身的旋转。由于四旋翼无人机是一个欠驱动的强耦合系统，并且搭载了很多传感器与执行机构，因此其稳定性与可靠性已经成为专家学者目前的研究重点。随着对四旋翼无人机技术研究的深入，其执行机构与传感器也越来越复杂。四旋翼无人机由于多样性的任务，往往需要脱离地面工作，强振动、多扰动因此也是四旋翼无人机工作环境的重要特性，在频繁的飞行过程中，不可避免地会有各种各样的执行机构与传感器发生故障，这将会对四旋翼无人机的飞行性能产生很严重的影响，可能造成四旋翼无人机的机体损坏甚至由于传感器与执行机构无法正常运转导致的人员伤亡。因此对四旋翼无人机进行故障诊断十分必要。
有鉴于此，本发明实施例提供一种基于深度森林的飞行器故障诊断方法，旨在解决现有技术中的随机森林方法在应对四旋翼无人机故障诊断时，由于四旋翼无人机的工作特性具有强振动、多干扰而导致的泛化能力不足的问题，并且提高故障诊断的精度。
图1是根据本发明实施例提供的一种基于深度森林的飞行器故障诊断方法的流程图。如图1所示，该方法具体包括如下步骤：
步骤S102，获取目标飞行器的传感器数据；目标飞行器为待诊断故障飞行器。在本发明实施例中，目标飞行器为无人机。
步骤S104，对传感器数据进行小波包分解，得到传感器数据的能量特征数据。
小波包分解是将数据投影到小波包基函数张成的空间，让数据的信号通过一系列中心频率不同但是带宽相同的滤波器，在频域内，将时域故障数据信号实现分解。图2是根据本发明实施例提供的一种小波包分解结构示意图。如图2所示，通过小波包分解的方法，对传感器输出的状态信息在频域内进行分解，实现对原始信号降维，便于进行后续的故障诊断工作。低频部分主要是描述信号的主体成分，小波包分解之后得到的信号，相当于原始信号的消噪；而高频部分更多的是由于系统的噪声或者因故障引起的细节部分。通过小波包分解之后可以得到各频段的能量信号，因此根据各频段的能量分布，可以有效地反应出系统是否发生故障。
步骤S106，将能量特征数据代入到训练之后的基于深度森林的故障诊断模型，得到故障诊断结果。
本发明提供了一种基于深度森林的飞行器故障诊断方法，通过利用深度森林对飞行器的故障进行诊断的方式，缓解了现有技术中存在的随机森林算法的泛化能力不足的技术问题。
在本发明实施例中，在对目标飞行器进行故障诊断之前，方法还包括对基于深度森林的故障诊断模型的训练过程。具体的，图3是根据本发明实施例提供的一种对基于深度森林的故障诊断模型的训练过程的流程图。如图3所示，该过程包括如下步骤：
步骤S301，基于目标飞行器的传感器，建立目标飞行器的故障模型；传感器包括：角度传感器，角速度传感器。其中，角度传感器检测的是目标飞行器的俯仰角的角度值，加速度传感器检测的是目标飞行器的俯仰角的角速度值。
步骤S302，基于故障模型，构建基于深度森林的故障诊断模型和生成故障数据集。
步骤S303，对故障数据集进行小波包分解，得到能量特征集。
步骤S304，将能量特征集作为训练集，对基于深度森林的故障诊断模型进行训练，得到训练之后的基于深度森林的故障诊断模型。
在本发明实施例中，目标飞行器的角度传感器的故障分为四类，分别是恒偏差、失效、增益损失和数据离群；角速度传感器的故障分为三类，分别是恒偏差、失效和数据离群。
具体的，基于角度传感器，建立目标飞行器的故障模型为：
基于角速度传感器，建立目标飞行器的故障模型为：
其中，θ是角度传感器没有故障时的角度值，θ恒偏差是角度传感器发生恒偏差故障时的角度值，cdev是角度传感器恒偏差故障的偏差值，θ失效和cfailure是角度传感器失效之后的角度值，θ增益损失是角度传感器发生增益损失故障时的角度值，close为角度传感器增益百分比，θ数据离群是角度传感器发生数据离群故障时的角度值，coutlier为数据离群故障程度大小，
是角速度传感器没有故障时的角速度值，
是角速度传感器发生恒偏差时的角速度值，gdev为角速度传感器恒偏差故障的偏差值，
和gfailure是角速度传感器失效之后的角速度值，
是角速度传感器发生数据离群故障时的角速度值，goutlier为角速度传感器数据离群的值，δ为数据离群参数。
可选地，目标飞行器的传感器还包括电机转速传感器。电机转速传感器的故障分为四类，分别为：卡死、恒偏差、增益损失和数据离群。
具体的，基于电机转速传感器，建立目标飞行器的故障模型为：
其中，
为电机转速传感器在没有故障时的转速值，
为电机转速传感器在发生恒偏差故障时的转速值，mdev为电机恒偏差故障的转速偏差值，
为电机转速传感器在发生卡死故障时的转速值，
为电机转速传感器发生电机增益损失故障时的转速值，mlose为电机增益损失的百分比，
为电机转速传感器发生数据离群故障时的转速值，moutlier为电机数据离群的故障程度大小，δ为数据离群参数。
可选地，基于故障模型，构建基于深度森林的故障诊断模型，包括如下步骤：
基于故障模型，构建随机森林模型；
基于多粒度扫描和级联森林，构建基于深度森林的故障诊断模型；级联森林包括多个层级的随机森林模型。
随机森林是2001年提出的一种集成学习方法，随机森林包含多个决策树，将各个决策树的决策结果整合在一起作为最终的输出结果。随机森林的具体过程为：第一步，利用bootstrap算法将原数据集随机分成多个子样本数据集提供给各个决策树进行训练，第二步，在设计决策树时，每个决策树随机选择一个包含m个特征的子样本，然后进行属性划分。
其中，bootstrap重采样算法是一种小样本增广样本的统计方法，其核心思想是：有放回采样，每次重采样的子样本作为bootstrap样本。
决策树是一种表现映射关系的树状预测模型，决策树中有根节点，层层分叉形成叶节点，最终形成每一个属性代表一个路径的树状预测模型，图4为本发明实施例提供的一种决策树的结构示意图，如图4所示，每一个叶节点最终得到不同特征的概率，将所有的叶节点的概率整合运算，得到决策树最终的预测概率。
随机森林故障诊断的具体步骤如下：
第一步，随机森林每次通过bootstrap重采样将原始故障特征中的样本按照设定的比例随机筛选出来，生成一个子样本作为一个决策树的样本数据集。另外，没有被抽中的故障特征数据，用于验证决策树分类的准确率，这些样本称为袋外数据。
第二步，在第一步生成的每一棵决策树的每个节点处，从设定的样本特征数(即故障类型数)M中选择一部分m个样本特征作为该决策树分类的特征数量，通常取原始特征的
向下取整的数目作为选择的特征树数。然后在每个决策树的每个节点处按照不纯度最小的原则选择α个特征作为该节点的分类属性。
第三步，根据特征α，将每个节点分成两个分支，之后从剩下的特征中选择效果最好的特征，然后通过不断递归的方式，构造决策树的分支使其不断生长，然后当无法继续分类时或者达到设定的最小分类不纯度时，中止分类得到最终的分类结果，即每个故障类型的概率，概率最大的故障类型即为诊断出的故障类型，也就是故障诊断最终的诊断结果。
随机森林算法的主要参数如表1所示：
表1随机森林参数
深度森林是由多粒度扫描和级联森林构成，使用多粒度扫描增加样本数据数量，然后级联森林是受到深度神经网络中的层层处理的启发，可以进一步提取特征并输出最终的故障诊断结果。
多粒度扫描是在卷积神经网络中使用多卷积核的启发下产生的，它可以为级联森林提取更多的样本。图5是根据本发明实施例提供的一种多粒度扫描的示意图。如图5所示，多粒度扫描时，以滑动时窗对原始数据进行扫描。以400维度的数据特征为例，通过3个大小分别为100、200和300的滑动时窗对其进行扫描，分别得到301、201、101个特征向量。这些特征向量将用于训练对应的随机森林和完全随机森林，然后将生成表征向量。因此，其他窗口和所有这些特征向量都被连接到转换的特征向量中。如图5所示，假设在这里有4个分类特征和3个窗口用于扫描，然后森林产生602，402，202四维类向量，这将被连接到与原始400维特征向量对应的4824维变换的特征向量中。与原始特征向量相比，变换的特征向量具有更高的维度和增强特征表示。
级联森林是包含一定层级的集成分类树，每一层包含一定数量的随机森林与完全随机森林，接收前一级的特征向量，并将这些特征向量经过处理之后输出到下一级。
图6是根据本发明实施例提供的一种级联森林的结构示意图。如图6所示，结合多粒度扫描得到的特征向量，将其作为级联森林的第一级输入，每个森林将通过计算叶节点的不同类别训练的百分比来生成类分布的估计哪些有关的特征向量的样本落入，然后对森林中所有决策树的每个类的每个节点求这些估计值的平均值，如图4所示。然后将这些森林的估计与原始的森林连接到新特征向量中，这将被采取作为一个下一个层级的输入。为了降低每森林产生的过拟合的风险，由k次交叉验证产生。相关的水平森林将产生各自的估计，这将用于验证当前的级别是否足够，通过平均同一类的这些估计并选择具有最大值作为预测的类别。如果没有显着的分类结果增益，这意味着当前的层级数量就足够了并且中止训练程序。深度森林可以自适应地决定其模型复杂性或结构深度，只要训练过程足够，而不是训练时间的长度。
在设计基于深度森林的故障诊断模型时，将故障数据从2维增加为4维，然后直接注入到多粒度扫描中，经过一系列分类计算，最终输出故障诊断结果。
深度森林的主要参数包括多粒度扫描的窗口大小、窗口数量、随机森林与完全随机森林的数量以及随机森林与完全随机森林的内部参数。
本发明实施例采用网格搜索的方式对深度森林与随机森林进行参数整定优化，网格搜索的意义在于它可以自动调参，将参数输入之后，就可以给出最优的结果与参数。
最后，通过设计好的故障诊断模型对通过小波包分解得到的故障信号的能量特征进行故障诊断，将一部分能量特征注入到基于深度森林的故障诊断模型中，训练出故障诊断模型，然后将剩下的故障数据作为测试数据，注入到故障诊断模型中进行故障诊断，实现了基于深度森林的方法提高飞行器的故障诊断的泛化能力与故障诊断精度的技术效果。
实施例二：
图7是根据本发明实施例提供的一种基于深度森林的飞行器故障诊断系统的示意图。如图7所示，该系统包括：获取模块10，分解模块20和诊断模块30。
具体的，获取模块10，用于获取目标飞行器的传感器数据；目标飞行器为待诊断故障飞行器。在本发明实施例中，目标飞行器为无人机。
分解模块20，用于对传感器数据进行小波包分解，得到传感器数据的能量特征数据。
诊断模块30，用于将能量特征数据代入到训练之后的基于深度森林的故障诊断模型，得到故障诊断结果。
本发明提供了一种基于深度森林的飞行器故障诊断系统，通过利用深度森林对飞行器的故障进行诊断的方式，缓解了现有技术中存在的随机森林算法的泛化能力不足的技术问题。
可选地，图8是根据本发明实施例提供的另一种基于深度森林的飞行器故障诊断系统的示意图。如图8所示，该系统还包括：构建模块40，用于：
基于目标飞行器的传感器，建立目标飞行器的故障模型；传感器包括：角度传感器，角速度传感器；
基于故障模型，构建基于深度森林的故障诊断模型。
具体的，基于角度传感器，建立目标飞行器的故障模型为：
基于角速度传感器，建立目标飞行器的故障模型为：
其中，θ是角度传感器没有故障时的角度值，θ恒偏差是角度传感器发生恒偏差故障时的角度值，cdev是角度传感器恒偏差故障的偏差值，θ失效和cfailure是角度传感器失效之后的角度值，θ增益损失是角度传感器发生增益损失故障时的角度值，close为角度传感器增益百分比，θ数据离群是角度传感器发生数据离群故障时的角度值，coutlier为数据离群故障程度大小，
是角速度传感器没有故障时的角速度值，
是角速度传感器发生恒偏差时的角速度值，gdev为角速度传感器恒偏差故障的偏差值，
和gfailure是角速度传感器失效之后的角速度值，
是角速度传感器发生数据离群故障时的角速度值，goutlier为角速度传感器数据离群的值，δ为数据离群参数。
可选地，目标飞行器的传感器还包括电机转速传感器。电机转速传感器的故障分为四类，分别为：卡死、恒偏差、增益损失和数据离群。
具体的，基于电机转速传感器，建立目标飞行器的故障模型为：
其中，
为电机转速传感器在没有故障时的转速值，
为电机转速传感器在发生恒偏差故障时的转速值，mdev为电机恒偏差故障的转速偏差值，
为电机转速传感器在发生卡死故障时的转速值，
为电机转速传感器发生电机增益损失故障时的转速值，mlose为电机增益损失的百分比，
为电机转速传感器发生数据离群故障时的转速值，moutlier为电机数据离群的故障程度大小，δ为数据离群参数。
可选地，如图8所示，该系统还包括：训练模块50，用于：
基于故障模型，生成故障数据集；
对故障数据集进行小波包分解，得到能量特征集；
将能量特征集作为训练集，对基于深度森林的故障诊断模型进行训练，得到训练之后的基于深度森林的故障诊断模型。
本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例一中的方法的步骤。
本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器执行上述实施例一中的方法。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种基于深度森林的飞行器故障诊断方法，其特征在于，包括：
获取目标飞行器的传感器数据；所述目标飞行器为待诊断故障飞行器；
对所述传感器数据进行小波包分解，得到所述传感器数据的能量特征数据；
将所述能量特征数据代入到训练之后的基于深度森林的故障诊断模型，得到故障诊断结果；
所述方法还包括：
基于所述目标飞行器的传感器，建立所述目标飞行器的故障模型；所述传感器包括：角度传感器，角速度传感器；
基于所述故障模型，构建基于深度森林的故障诊断模型和生成故障数据集；
对所述故障数据集进行小波包分解，得到能量特征集；
将所述能量特征集作为训练集，对所述基于深度森林的故障诊断模型进行训练，得到训练之后的基于深度森林的故障诊断模型；
所述传感器还包括电机转速传感器；基于所述目标飞行器的传感器，建立所述目标飞行器的故障模型，包括：
基于电机转速传感器，建立所述目标飞行器的故障模型为：
其中，
为电机转速传感器在没有故障时的转速值，
为电机转速传感器在发生恒偏差故障时的转速值，mdev为电机恒偏差故障的转速偏差值，
为电机转速传感器在发生卡死故障时的转速值，
为电机转速传感器发生电机增益损失故障时的转速值，mlose为电机增益损失的百分比，
为电机转速传感器发生数据离群故障时的转速值，moutlier为电机数据离群的故障程度大小，δ为数据离群参数。
2.根据权利要求1所述的方法，其特征在于，基于所述目标飞行器的传感器，建立所述目标飞行器的故障模型，包括：
基于角度传感器，建立所述目标飞行器的故障模型为：
基于角速度传感器，建立所述目标飞行器的故障模型为：
其中，θ是角度传感器没有故障时的角度值，θ恒偏差是角度传感器发生恒偏差故障时的角度值，cdev是角度传感器恒偏差故障的偏差值，θ失效和cfailure是角度传感器失效之后的角度值，θ增益损失是角度传感器发生增益损失故障时的角度值，close为角度传感器增益百分比，θ数据离群是角度传感器发生数据离群故障时的角度值，coutlier为数据离群故障程度大小，
是角速度传感器没有故障时的角速度值，
是角速度传感器发生恒偏差时的角速度值，gdev为角速度传感器恒偏差故障的偏差值，
和gfailure是角速度传感器失效之后的角速度值，
是角速度传感器发生数据离群故障时的角速度值，goutlier为角速度传感器数据离群的值，δ为数据离群参数。
3.根据权利要求1所述的方法，其特征在于，基于所述故障模型，构建基于深度森林的故障诊断模型，包括：
基于所述故障模型，构建随机森林模型；
基于多粒度扫描和级联森林，构建基于深度森林的故障诊断模型；所述级联森林包括多个层级的随机森林模型。
4.一种基于深度森林的飞行器故障诊断系统，其特征在于，包括：获取模块，分解模块和诊断模块；其中，
所述获取模块，用于获取目标飞行器的传感器数据；所述目标飞行器为待诊断故障飞行器；
所述分解模块，用于对所述传感器数据进行小波包分解，得到所述传感器数据的能量特征数据；
所述诊断模块，用于将所述能量特征数据代入到训练之后的基于深度森林的故障诊断模型，得到故障诊断结果；
所述系统还包括：构建模块，用于：
基于所述目标飞行器的传感器，建立所述目标飞行器的故障模型；所述传感器包括：角度传感器，角速度传感器；
基于所述故障模型，构建基于深度森林的故障诊断模型；
所述传感器还包括电机转速传感器；基于所述目标飞行器的传感器，建立所述目标飞行器的故障模型，包括：
基于电机转速传感器，建立所述目标飞行器的故障模型为：
其中，
为电机转速传感器在没有故障时的转速值，
为电机转速传感器在发生恒偏差故障时的转速值，mdev为电机恒偏差故障的转速偏差值，
为电机转速传感器在发生卡死故障时的转速值，
为电机转速传感器发生电机增益损失故障时的转速值，mlose为电机增益损失的百分比，
为电机转速传感器发生数据离群故障时的转速值，moutlier为电机数据离群的故障程度大小，δ为数据离群参数。
5.根据权利要求4所述的系统，其特征在于，所述系统还包括：训练模块，用于：
基于所述故障模型，生成故障数据集；
对所述故障数据集进行小波包H分解，得到能量特征集；
将所述能量特征集作为训练集，对所述基于深度森林的故障诊断模型进行训练，得到训练之后的基于深度森林的故障诊断模型。
6.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至3任一项所述的方法的步骤。
7.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1-3任一项所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110980186.1A CN113673611B (zh) | 2021-08-25 | 2021-08-25 | 基于深度森林的飞行器故障诊断方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110980186.1A CN113673611B (zh) | 2021-08-25 | 2021-08-25 | 基于深度森林的飞行器故障诊断方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113673611A true CN113673611A (zh) | 2021-11-19 |
| CN113673611B CN113673611B (zh) | 2024-02-27 |
Family
ID=78546050
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110980186.1A Active CN113673611B (zh) | 2021-08-25 | 2021-08-25 | 基于深度森林的飞行器故障诊断方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113673611B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117786560A (zh) * | 2024-02-28 | 2024-03-29 | 通用电梯股份有限公司 | 一种基于多粒度级联森林的电梯故障分类方法及电子设备 |
| CN117908385A (zh) * | 2024-03-19 | 2024-04-19 | 西北工业大学 | 基于参数辨识的飞行器滑模控制方法 |
-
2021
- 2021-08-25 CN CN202110980186.1A patent/CN113673611B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| SHAOJIE AI，ET AL.: "Fault Diagnosis of the Four-Rotor Unmanned Aerial Vehicle using the Optimized Deep Forest Algorithm based on the Wavelet Packet Translation", 《2021 8TH INTERNATIONAL CONFERENCE ON DEPENDABLE SYSTEMS AND THEIR APPLICATIONS (DSA)》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117786560A (zh) * | 2024-02-28 | 2024-03-29 | 通用电梯股份有限公司 | 一种基于多粒度级联森林的电梯故障分类方法及电子设备 |
| CN117786560B (zh) * | 2024-02-28 | 2024-05-07 | 通用电梯股份有限公司 | 一种基于多粒度级联森林的电梯故障分类方法及电子设备 |
| CN117908385A (zh) * | 2024-03-19 | 2024-04-19 | 西北工业大学 | 基于参数辨识的飞行器滑模控制方法 |
| CN117908385B (zh) * | 2024-03-19 | 2024-05-24 | 西北工业大学 | 基于参数辨识的飞行器滑模控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113673611B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113673611A (zh) | 基于深度森林的飞行器故障诊断方法和系统 | |
| Sadhu et al. | On-board deep-learning-based unmanned aerial vehicle fault cause detection and identification | |
| CN109657945B (zh) | 一种基于数据驱动的工业生产过程故障诊断方法 | |
| Liang et al. | Data-driven fault diagnosis of FW-UAVs with consideration of multiple operation conditions | |
| CN112668498B (zh) | 空中辐射源个体智能增量识别方法、系统、终端及应用 | |
| Hu et al. | Research on uav balance control based on expert-fuzzy adaptive pid | |
| CN115204302A (zh) | 一种无人机小样本故障诊断系统及方法 | |
| CN112598046A (zh) | 一种多机协同空战中的目标战术意图识别方法 | |
| CN113191185A (zh) | 一种利用Dense2Net的雷达探测无人机目标分类方法 | |
| CN111781942A (zh) | 一种基于自构造模糊神经网络的容错飞行控制方法 | |
| 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 | |
| Sadhu et al. | On-board deep-learning-based unmanned aerial vehicle fault cause detection and classification via fpgas | |
| CN109725626B (zh) | 一种多旋翼无人机动力系统故障在线诊断系统及方法 | |
| Jeon et al. | Detecting structural anomalies of quadcopter UAVs based on LSTM autoencoder | |
| CN116756225B (zh) | 一种基于计算机网络安全的态势数据信息处理方法 | |
| CN108830032A (zh) | 一种基于神经网络的无人机天气预警方法 | |
| CN112069738A (zh) | 基于dbn和多层模糊lstm的电动舵机剩余寿命预测方法及系统 | |
| CN110908365A (zh) | 一种无人机传感器故障诊断方法、系统及可读存储介质 | |
| CN115660039A (zh) | 一种舰载机故障智能诊断方法、系统、设备及介质 | |
| CN115205582A (zh) | 一种拟图智能化航空传感器故障检测与分类方法 | |
| CN113960989A (zh) | 一种基于卷积神经网络的四旋翼无人机智能故障诊断方法 | |
| CN111160439A (zh) | 一种无人机系统自主能力评价方法、系统及可读存储介质 | |
| Yang et al. | Fault diagnosis method of multi-rotor UAV based on one-dimensional convolutional neural network with adaptive batch normalization algorithm | |
| CN117784120B (zh) | 一种无人机飞行状态监测方法及系统 | |
| Liu et al. | Fault diagnosis application of short wave transmitter based on stacked auto-encoder |
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 |