CN113850138B - 一种基于数据驱动的无人飞行器传感器故障检测方法、系统及装置 - Google Patents

一种基于数据驱动的无人飞行器传感器故障检测方法、系统及装置 Download PDF

Info

Publication number
CN113850138B
CN113850138B CN202110982779.1A CN202110982779A CN113850138B CN 113850138 B CN113850138 B CN 113850138B CN 202110982779 A CN202110982779 A CN 202110982779A CN 113850138 B CN113850138 B CN 113850138B
Authority
CN
China
Prior art keywords
data
unmanned aerial
aerial vehicle
hidden layer
fault detection
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
Application number
CN202110982779.1A
Other languages
English (en)
Other versions
CN113850138A (zh
Inventor
彭宇
罗悦
陈波
冯梦琪
刘连胜
顾彬彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Beijing Institute of Electronic System Engineering
Original Assignee
Harbin Institute of Technology
Beijing Institute of Electronic System Engineering
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology, Beijing Institute of Electronic System Engineering filed Critical Harbin Institute of Technology
Priority to CN202110982779.1A priority Critical patent/CN113850138B/zh
Publication of CN113850138A publication Critical patent/CN113850138A/zh
Application granted granted Critical
Publication of CN113850138B publication Critical patent/CN113850138B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Abstract

一种基于数据驱动的无人飞行器传感器故障检测方法、系统及装置，属于无人机飞行器故障检测领域。目前无人飞行器传感器很难被检测，发生故障很容易造成无人飞行器坠毁。本发明设计一种故障检测方法、系统和装置实现无人飞行器故障检测，包括：采集无人飞行器传感器参数数据、电机数据和舵面数据；对采集的传感器参数数据、电机数据和舵面数据进行预处理，过滤掉高频噪声；根据无人飞行器的预处理的数据，使用深度学习算法对数据进行特征提取，并对目标参数进行预估；目标参数的估计值与观测值进行求取残差处理，并根据预设的阈值进行判断无人飞行器是否发生故障。本发明适用于无人飞行器故障检测领域，提升无人飞行器飞行的安全性。

Description

一种基于数据驱动的无人飞行器传感器故障检测方法、系统 及装置
技术领域
本发明涉及无人机飞行器领域，特别涉及无人飞行器传感器故障检测领域。
背景技术
无人飞行器是一种由电力或燃油驱动的无人驾驶且可重复使用的航空器。近年来，无人飞行器受到世界各国的广泛关注，在军事领域发挥了极大作用。这主要是由于其相比于有人飞行器拥有大量优势：因不需要载人而带来的隐蔽性，大幅度降低了其伤亡率；因低廉的造价，在特定场景中可以不计数量地使用；因体积较小，可以灵活地起降和控制等。
鉴于如上优势，无人飞行器被广泛应用于侦查、干扰、打击、防御和刺杀等常见军事场景。但是由于缺少飞行员在环，仅依靠飞手无法及时对无人飞行器所处的情况做出判断并发出控制指令，同时由于无人飞行器通常受到其体积和载重等因素的限制，无法搭载足够的冗余传感器，一旦传感器发生故障很容易造成无人飞行器失效，导致坠毁。
为及时预测和发现无人飞行器故障，保障其重复使用次数和任务完成能力，就需要对无人飞行器进行状态监测、故障诊断和预测。因此就需要应用故障预测与健康管理prognostics and health management技术，简称PHM技术。PHM技术主要是通过传感器采集数据，并使用针对特定无人飞行器预设计或训练的算法和模型对数据进行分析，从而预测无人飞行器系统或部件的健康状态，再据此进行系统的视情况维修。传统的事后维修和定期维修，前者会使无人飞行器依旧存在执行任务中发生故障的风险，而后者会浪费大量的人力物力。
发明内容
本发明的目的是在无人飞行器飞行时利用传感器进行故障检测，既避免了事后维修无人飞行器依旧承担不可避免的损伤风险，又避免了定期维修浪费大量的人力物力，提升了无人飞行器飞行的安全性。
本发明主要对执行机构和传感器进行故障检测，其中执行机构主要包括多旋翼无人飞行器的每一个电机和固定翼无人飞行器的各个舵面，而传感器包括加速度传感器、角速度传感器和GPS等。在相同工况下，无人飞行器正常运行时，其传感器数据与飞控给执行机构的执行机构存在内在规律，通过分析这些数据可以提取这些规律。而在不同的工况下，这些规律也是不同的，因此对于不同的工况，需要提取出相应的规律。当无人飞行器发生故障时，相应的传感器的输出会发生异常的变化并背离所提取的规律，因此，本发明设计一种故障检测方法来实现对无人飞行器故障的自动检测方法和装置。
一种基于数据驱动的无人飞行器传感器故障检测方法，所述无人飞行器包括电机，固定翼无人飞行器的各个舵面和传感器，所述方法包括：
采集无人飞行器的传感器参数数据、电机数据和舵面数据；
对采集无人飞行器的传感器参数数据、电机数据和舵面数据进行预处理，过滤掉高频噪声；
利用已完成预处理的无人飞行器的传感器参数数据、电机数据和舵面数据，根据深度学习算法对数据进行特征提取，并对目标参数进行预估，得到目标参数预估值；
目标参数估计值与观测值进行求取残差处理，并根据预设的阈值进行判断无人飞行器是否产生故障。
所述输入无人飞行器的传感器参数数据、电机数据和舵面数据是具有相关性的传感器参数数据、电机数据和舵面数据，利用参数分析计算皮尔逊相关系数和斯皮尔曼等级相关系数，挑选与目标参数相关的参数作为输入参数。
所述对采集无人飞行器的传感器参数数据、电机数据和舵面数据进行预处理过程为：
根据z-score标准化规则，将不同量级的数据转化为统一量度的z-score分值进行计算；其公式如下：
所述利用已完成预处理的无人飞行器的传感器参数数据、电机数据和舵面数据，根据深度学习算法对数据进行提取特征，采用下述方法获得：
特征提取采用门循环单元Gate Recurrent Unit，简称GUR。保证特征提取的复杂度，减少网络推理中的参数数量；
门循环单元的神经元包含了两种门结构，即重置门rj和更新门zj；
其中，重置门rj保留了前一时刻中的重要的信息，它的计算方法如下：
rj＝σ([Wrx]j+[Urh<t-1>]j)
其中，σ是Sigmoid函数，[.]j是指向量中的第j个元素，x是当前时刻的输入，ht-1是当前前一时刻隐藏层的输入，Wr和Ur分别是训练得到的权重矩阵；
更新门zj计算公式如下：
zj＝σ([Wzx]j+[Uzh<t-1>]j)
其中，隐藏层状态计算公式如下：
前一时刻隐藏层状态ht-1和候选隐藏层状态决定当前时刻隐藏层状态，其中候选隐藏层状态则可由以下公式得到：
如果重置门rj趋近于0，那么前一时刻的隐藏层状态不对当前时刻产生影响，即候选隐藏层状态完全由当前时刻输入决定，通过隐藏层的变换就能够摒弃掉与预测参数不相关的信息。
所述对目标参数进行预估方法为：
构建无人飞行器传感器参数估计网络结构，该网络结构分为6层，第一层是输入层，第二层是门循环单元1隐藏层，第三层是门循环单元2隐藏层，第四层是门循环单元3隐藏层，第五层是门循环单元4隐藏层，第六层是输出层，其中每层输入时间窗长度为10，步幅为1，所以输入数据X的结构为：
X＝[xt-9,xt-8,K,xt]
第二层门循环单元1隐藏层是构建特征层，第三层门循环单元2隐藏层和第五层是门循环单元4隐藏层是特征提取层，提取所需的特征；
第六层输出层使用全连接法，用于基于回归的方法对所需参数进行完整时间步的估计，最下层输出层Y的结构如下：
Y＝[yt-9,yt-8,K,yt]
所述方法还包括将所述故障判断传输至无人飞行器的飞行控制器。
本发明提供一种基于数据驱动的无人飞行器传感器故障检测系统，所述无人飞行器包括电机，固定翼无人飞行器的各个舵面和传感器，其特征在于，所述系统包括：
用于采集无人飞行器传感器参数数据、电机数据和舵面数据的输入单元；
用于处理无人机飞行器的传感器参数数据、电机数据和舵面数据的处理单元；
用于特征提取传感器参数数据的提取单元；
用于预估目标参数的预估单元；
用于处理目标参数的预估值与观测值的处理单元；
用于判断无人机故障的判断单元。
本发明提供一种基于数据驱动的无人飞行器传感器故障检测装置，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上文所述的一种基于数据驱动的无人飞行器传感器故障检测方法的指令。
本发明提供一种计算机可读存储介质，所述计算机可读存储介质用于储存计算机程序，所述计算机程序执行如上文所述的一种基于数据驱动的无人飞行器传感器故障检测方法。
本发明提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行如上文所述的无人飞行器传感器故障检测方法。
本发明的有益效果在于：
本发明是在无人飞行器飞行时利用传感器信号进行故障检测，既避免了事后维修无人飞行器依旧存在执行任务中发生故障的风险，又避免了定期维修浪费大量的人力物力，提升了无人飞行器飞行的安全性。
本发明一种基于无人飞行器传感器数据的故障检测方法、系统和装置，利用传感器信号进行故障检测，以及时发现无人飞行器是否发生故障，为飞行控制器或飞手对无人飞行器进行控制提供依据，防止无人飞行器坠毁并提供无人飞行器维修依据。
附图说明
图1为本发明实施例提供的一种无人飞行器传感器故障检测方法结构示意图；
图2为本发明实施例提供的一种门循环单元的神经元结构图；
图3为本发明实施例提供的一种无人飞行器传感器参数估计网络结构；
图4为本发明实施例提供的一种横滚角原始数据示意图；
图5为本发明实施例提供的一种验证集横滚角估计结果示意图；
图6为本发明实施例提供的一种故障检测结果示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中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申请一部分实施例，而不是全部的实施例。
实施例一、参见图1说明本实施方式，实施例一所述的一种基于数据驱动的无人飞行器传感器故障检测方法，所述无人飞行器包括电机，固定翼无人飞行器的各个舵面和传感器，所述方法包括：
采集无人飞行器的传感器参数数据、电机数据和舵面数据；
对采集无人飞行器的传感器参数数据、电机数据和舵面数据进行预处理，过滤掉高频噪声；
利用已完成预处理的无人飞行器的传感器参数数据、电机数据和舵面数据，根据深度学习算法对数据进行特征提取，并对目标参数进行预估，得到目标参数预估值；
目标参数估计值与观测值进行求取残差处理，并根据预设的阈值进行判断无人飞行器是否产生故障。
本实施方式所述的方法是利用传感器进行故障检测，以及时发现无人飞行器是否发生故障。
实施例二、参见图1说明本实施方式。实施例二是对实施例一所述的一种基于数据驱动的无人飞行器传感器故障检测方法的进一步限定，本实施例中，所述输入无人飞行器的传感器参数数据、电机数据和舵面数据是具有相关性的传感器参数数据、电机数据和舵面数据，利用参数分析计算皮尔逊相关系数和斯皮尔曼等级相关系数，挑选与目标参数相关的参数作为输入参数。
本实施方式所述的方法是通过获得与目标参数相关的参数作为输入参数，尽可能还原传感器数据与飞控给执行机构的执行机构存在内在规律，保证输入参数的可靠性。
实施例三、参见图1说明本实施方式。实施例三是对实施例一所述的一种基于数据驱动的无人飞行器传感器故障检测方法的进一步限定，本实施例中，所述对采集无人飞行器的传感器参数数据、电机数据和舵面数据进行预处理过程为：
根据z-score标准化规则，将不同量级的数据转化为统一量度的z-score分值进行计算；其公式如下：
对于任一一种参数，其中x是时间序列中的原始数据，μ是时间序列所有数据的均值，σ是时间序列所有数据的标准差。
无人飞行器传感器采集到的原始数据中，包含了大量高频率的噪声，这是由于空域中存在一定的干扰或者无人飞行器本身执行机构振动和风对机体产生的影响，为了去除这些影响，使用小波分析的方法去噪。
由于无人飞行器上各个传感器所采集的参数的量纲和量级不同，如果直接送入神经网络进行特征提取，很容易造成在某些参数上的过拟合或降低收敛速度，因此需要对采集的数据进行标准化。
本实施方式所述的方法优点是将不同量级的数据转化为统一量度的z-score分值，避免某些参数上的过拟合和收敛速度改变，保证采集数据的准确性。
实施例四、参见图2说明本实施方式。实施例三是对实施例一所述的一种基于数据驱动的无人飞行器传感器故障检测方法的进一步限定，本实施例中，所述利用已完成预处理的无人飞行器的传感器参数数据、电机数据和舵面数据，根据深度学习算法对数据进行提取特征，采用下述方法获得：
特征提取采用门循环单元；
门循环单元的神经元包含两种门结构，即重置门rj和更新门zj；
其中，重置门rj保留前一时刻中的重要的信息，计算方法如下：
rj＝σ([Wrx]j+[Urh<t-1>]j)
其中，σ是Sigmoid函数，[.]j是指向量中的第j个元素，x是当前时刻的输入，ht-1是当前前一时刻隐藏层的输入，Wr是当前时刻训练得到的权重矩阵，Ur是当前的前一时刻训练得到的权重矩阵；
更新门zj计算公式如下：
zj＝σ([Wzx]j+[Uzh<t-1>]j)
其中，隐藏层状态计算公式如下：
前一时刻隐藏层状态ht-1和候选隐藏层状态决定当前时刻隐藏层状态，其中候选隐藏层状态则可由以下公式得到：
重置门rj趋近于0，前一时刻的隐藏层状态不对当前时刻产生影响，即候选隐藏层状态完全由当前时刻输入决定。
本实施方式所述的方法利用重置门和更新门并只有一个张量输出，不仅能保证特征提取的复杂度，也能减少网络推理中的参数数量，从而提高推理速度；通过隐藏层的变换就能够摒弃掉与预测参数不相关的信息。
实施例五、参见图3至图6说明本实施方式。实施例五是对实施例一所述的一种基于数据驱动的无人飞行器传感器故障检测方法的进一步限定，本实施例中，所述对目标参数进行预估方法为：
构建无人飞行器传感器参数估计网络结构，该网络结构分为6层，第一层是输入层，第二层是门循环单元1隐藏层，第三层是门循环单元2隐藏层，第四层是门循环单元3隐藏层，第五层是门循环单元4隐藏层，第六层是输出层，其中每层输入时间窗长度为10，步幅为1，所以输入数据X的结构为：
X＝[xt-9,xt-8,K,xt]
第二层门循环单元1隐藏层是构建特征层，第三层门循环单元2隐藏层和第五层是门循环单元4隐藏层是特征提取层；
第六层输出层使用全连接法，基于回归法对所需参数进行完整时间步的估计，第六层输出层Y的结构如下：
Y＝[yt-9,yt-8,K,yt]
本实施例采用的仿机型为一台F450四旋翼无人机，其飞行轨迹为直线向前。仿真过程中共采集到6000个样本点，其中前5000个点作为训练集，后1000个点作为验证集，为了验证方法的有效性，在验证集的横滚角参数的第501到600个点上注入了偏置故障。
输入的参数为：
I＝[Pitch,Yaw,GyrX,GyrY,GyrZ,Alt,RC1,RC2,RC3,RC4]
其中Pitch是俯仰角，Yaw是偏航角，GyrX，GyrY和GyrZ分别是陀螺仪的三轴输出，Alt是对地高度，RC1，RC2，RC3和RC4分别是飞行控制器发送给四个执行机构的输出信号。输出的参数是横滚角Roll，其原始数据如图4所示。
参数估计模型在验证集上的预测结果如图5所示，其中虚线曲线为原始数据，实线曲线为估计结果。
残差结果如图6所示，图中曲线为残差，直线为故障检测阈值。根据检测结果计算阈值过程中，横滚角的均值为0.3916，标准差为1.2106，则阈值设定为-2.0296和2.8128。如图6所示，第501到600号位置的数据残差大于阈值，因此被确定为故障数据。该结果与注入故障的位置一致，可证明本发明的有效性。
本实施方式所述的方法是基于回归的方法对所需参数进行完整时间步的估计，将目标参数的估计值与观测值求取残差，并根据预设的阈值进行判断，如果残差超过阈值，则认为无人飞行器传感器发生故障。相反，如果残差未超过阈值，则无人飞行器运行正常。
实施例六，实施例六是对实施例一所述的一种基于数据驱动的无人飞行器传感器故障检测方法的进一步限定，本实施例中，还包括将所述故障判断传输至无人飞行器的飞行控制器。
实施例七、实施例七所述的一种基于数据驱动的无人飞行器传感器故障检测系统，所述无人飞行器包括电机，固定翼无人飞行器的各个舵面和传感器，其特征在于，所述系统包括：
用于采集无人飞行器的传感器参数数据、电机数据和舵面数据的输入单元；
用于处理无人飞行器的传感器参数数据、电机数据和舵面数据的处理单元；
用于特征提取传感器参数数据的提取单元；
用于预估目标参数的预估单元；
用于处理目标参数的预估值与观测值的处理单元；
用于判断无人机故障的判断单元。
实施例八、实施例八所述的一种基于数据驱动的无人飞行器传感器故障检测装置，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上文所述的一种基于数据驱动的无人飞行器传感器故障检测方法的指令。
实施例九、实施例九所述的一种计算机可读存储介质，所述计算机可读存储介质用于储存计算机程序，所述计算机程序执行如上文所述的一种基于数据驱动的无人飞行器传感器故障检测方法。
实施例十、实施例十所述的一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行如上文所述的无人飞行器传感器故障检测方法。

Claims (7)

1.一种基于数据驱动的无人飞行器传感器故障检测方法，所述无人飞行器包括电机，固定翼无人飞行器的各个舵面和传感器，其特征在于，所述方法包括：
采集无人飞行器的传感器参数数据、电机数据和舵面数据；
对采集无人飞行器的传感器参数数据、电机数据和舵面数据进行预处理；
利用已完成预处理的无人飞行器的传感器参数数据、电机数据和舵面数据，根据深度学习算法对数据进行特征提取，并对目标参数进行预估，得到目标参数预估值；
目标参数估计值与观测值进行求取残差处理，并根据预设的阈值进行判断无人飞行器是否产生故障；
所述对采集无人飞行器的传感器参数数据、电机数据和舵面数据进行预处理过程为：
根据z-score标准化规则，将不同量级的数据转化为统一量度的z-score分值进行计算；其公式如下：
对于任一一种参数，其中是时间序列中的原始数据，/>是时间序列所有数据的均值，是时间序列所有数据的标准差；
所述利用已完成预处理的无人飞行器的传感器参数数据、电机数据和舵面数据，根据深度学习算法对数据进行提取特征，采用下述方法获得：
特征提取采用门循环单元；
门循环单元的神经元包含两种门结构，即重置门和更新门/>；
其中，重置门保留前一时刻中的信息，计算方法如下：
其中，是Sigmoid函数，/>是指向量中的第/>个元素，/>是当前时刻的输入， />是当前前一时刻隐藏层的输入，/>是当前时刻训练得到的权重矩阵，/>是当前的前一时刻训练得到的权重矩阵；
更新门计算公式如下：
其中，隐藏层状态计算公式如下：
前一时刻隐藏层状态和候选隐藏层状态/>决定当前时刻隐藏层状态，其中候选隐藏层状态由以下公式获得：
重置门趋近于0，前一时刻的隐藏层状态不对当前时刻产生影响，即候选隐藏层状态完全由当前时刻输入决定；
所述对目标参数进行预估方法为：
构建无人飞行器传感器参数估计网络结构，该网络结构分为6层，第一层是输入层，第二层是门循环单元1隐藏层，第三层是门循环单元2隐藏层，第四层是门循环单元3隐藏层，第五层是门循环单元4隐藏层，第六层是输出层，其中每层输入时间窗长度为10，步幅为1，所以输入数据的结构为：
第二层门循环单元1隐藏层是构建特征层，第三层门循环单元2隐藏层和第五层是门循环单元4隐藏层是特征提取层；
第六层输出层使用全连接法，基于回归法对所需参数进行完整时间步的估计，第六层输出层的结构如下：
。
2.根据权利要求1所述的方法，其特征在于，所述输入无人飞行器的传感器参数数据、电机数据和舵面数据是具有相关性的传感器参数数据、电机数据和舵面数据，利用参数分析计算皮尔逊相关系数和斯皮尔曼等级相关系数，挑选与目标参数相关的参数作为输入参数。
3.根据权利要求1所述的方法，其特征在于，还包括将所述故障判断传输至无人飞行器的飞行控制器。
4.一种基于数据驱动的无人飞行器传感器故障检测系统，所述无人飞行器包括电机，固定翼无人飞行器的各个舵面和传感器，其特征在于，所述系统是基于权利要求1所述的一种基于数据驱动的无人飞行器传感器故障检测方法实现的，所述系统包括：
用于采集无人飞行器的传感器参数数据、电机数据和舵面数据的输入单元；
用于处理无人飞行器的传感器参数数据、电机数据和舵面数据的处理单元；
用于特征提取传感器参数数据的提取单元；
用于预估目标参数的预估单元；
用于处理目标参数的预估值与观测值的处理单元；
用于判断无人机故障的判断单元。
5.一种基于数据驱动的无人飞行器传感器故障检测装置，其特征在于，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如权利要求1-3任一项所述的一种基于数据驱动的无人飞行器传感器故障检测方法的指令。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于储存计算机程序，所述计算机程序执行权利要求1-3任一项所述的一种基于数据驱动的无人飞行器传感器故障检测方法。
7.一种计算机设备，其特征在于：包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行根据权利要求1-3中任一项中所述的无人飞行器传感器故障检测方法。
CN202110982779.1A 2021-08-25 2021-08-25 一种基于数据驱动的无人飞行器传感器故障检测方法、系统及装置 Active CN113850138B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110982779.1A CN113850138B (zh) 2021-08-25 2021-08-25 一种基于数据驱动的无人飞行器传感器故障检测方法、系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110982779.1A CN113850138B (zh) 2021-08-25 2021-08-25 一种基于数据驱动的无人飞行器传感器故障检测方法、系统及装置

Publications (2)

Publication Number Publication Date
CN113850138A CN113850138A (zh) 2021-12-28
CN113850138B true CN113850138B (zh) 2024-03-22

Family

ID=78976296

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110982779.1A Active CN113850138B (zh) 2021-08-25 2021-08-25 一种基于数据驱动的无人飞行器传感器故障检测方法、系统及装置

Country Status (1)

Country Link
CN (1) CN113850138B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117171681B (zh) * 2023-11-03 2024-01-30 贵州大学 非平衡小样本下的无人机舵面智能故障诊断方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106649727A (zh) * 2016-12-23 2017-05-10 南京航空航天大学 一种用于无人机飞行控制系统故障检测的数据库构建方法
CN112596535A (zh) * 2020-12-14 2021-04-02 一飞(海南)科技有限公司 无人机多传感器三余度飞行控制系统、方法及存储介质
CN112884051A (zh) * 2021-02-26 2021-06-01 哈尔滨工业大学 数据驱动的轻量级无人机多部件在线复杂故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106649727A (zh) * 2016-12-23 2017-05-10 南京航空航天大学 一种用于无人机飞行控制系统故障检测的数据库构建方法
CN112596535A (zh) * 2020-12-14 2021-04-02 一飞(海南)科技有限公司 无人机多传感器三余度飞行控制系统、方法及存储介质
CN112884051A (zh) * 2021-02-26 2021-06-01 哈尔滨工业大学 数据驱动的轻量级无人机多部件在线复杂故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何永福 ; 王少军 ; 王文娟 ; 彭宇 ; 刘大同 ; .基于过采样投影近似基追踪的无人机异常检测.仪器仪表学报.2016,(第07期),全文. *

Also Published As

Publication number Publication date
CN113850138A (zh) 2021-12-28

Similar Documents

Publication Publication Date Title
CN108594788B (zh) 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法
CN112629863B (zh) 变工况下动态联合分布对齐网络的轴承故障诊断方法
CN111274737A (zh) 一种机械设备剩余使用寿命预测方法及系统
CN109581871B (zh) 免疫对抗样本的工业控制系统入侵检测方法
Sadhu et al. On-board deep-learning-based unmanned aerial vehicle fault cause detection and identification
CN110288046B (zh) 一种基于小波神经网络与隐马尔科夫模型的故障预测方法
Liu et al. An audio-based fault diagnosis method for quadrotors using convolutional neural network and transfer learning
CN110427988B (zh) 一种基于深度学习的机载飞参数据健康诊断方法
Ji et al. Model-free fault diagnosis for autonomous underwater vehicles using sequence convolutional neural network
CN108427400B (zh) 一种基于神经网络解析冗余的飞机空速管故障诊断方法
CN111460676B (zh) 多旋翼飞行器在大气紊流扰动下的健康性能评估方法
CN115204302A (zh) 一种无人机小样本故障诊断系统及方法
Ren et al. From traditional to deep learning: Fault diagnosis for autonomous vehicles
CN113850138B (zh) 一种基于数据驱动的无人飞行器传感器故障检测方法、系统及装置
Titouna et al. An online anomaly detection approach for unmanned aerial vehicles
CN110723152B (zh) 一种保障自动驾驶安全的人工智能检测方法、装置、设备或存储介质
Jiao et al. End-to-end uncertainty-based mitigation of adversarial attacks to automated lane centering
Chen et al. On-line and non-invasive anomaly detection system for unmanned aerial vehicle
Xiong et al. Steering actuator fault diagnosis for autonomous vehicle with an adaptive denoising residual network
Zou et al. Fault detection strategy of vehicle wheel angle signal via long short-term memory network and improved sequential probability ratio test
Chen et al. A fault detection method based on enhanced GRU
You et al. An adaptable UAV sensor data anomaly detection method based on TCN model transferring
CN116907772A (zh) 桥梁结构监测传感器的自诊断与故障源鉴别方法及系统
CN112560252B (zh) 一种航空发动机剩余寿命预测方法
Zhao et al. Fuzzy health degree-based dynamic performance evaluation of quadrotors in the presence of actuator and sensor faults

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