CN114037012B - 基于相关性分析与深度学习的飞行数据异常检测方法 - Google Patents

Abstract

本发明适用于无人机设备异常检测技术领域，提供了一种基于相关性分析与深度学习的飞行数据异常检测方法，采用人工神经网络相关性分析法发现飞行数据中的多种非线性相关关系，从数据层面明确飞行参数之间的相关关系，并利用这种相关关系来判断所采集的数据是否异常，当所采集的数据值偏离了相关关系一定范围时，即判定为数据异常。采用本发明的基于相关性分析与深度学习的飞行数据异常检测方法对异常数据的检测精度较传统的异常检测方法有大幅度提高，检测速度也有明显提高。

Description

基于相关性分析与深度学习的飞行数据异常检测方法

技术领域

本发明涉及无人机设备异常检测技术领域，尤其是涉及一种基于相关性分析与深度学习的飞行数据异常检测方法。

背景技术

无人机具有体积小、重量轻、成本低、机动性强、危险系数低、任务功能复杂等多种优势，其被广泛用于摄影、电力巡检、环境监测、军事等多个领域。无人机飞行数据能直接反映无人机运行状态，通过对无人机飞行数据开展异常检测研究，能及时发现异常，避免无人机因异常而造成灾难性事故。

无人机作为一个包含机械、电子、液压等部件的复杂系统，其飞行数据具有高维、时间序列的特点。由于受到无人机结构的影响，飞行数据之间存在复杂的关联关系。无人机飞行数据中关联关系可以总结为时间相关与空间相关，其中时间相关是指飞行数据在时间维度上具有相关性，空间相关是指飞行数据在空间维度上具有相关关系，即各个飞行参数之间由于受到无人机结构的影响存在相关性。

目前针对无人机飞行数据进行异常检测的方法主要包含基于专家知识、基于模型和数据驱动的方法。其中基于专家知识的方法需要无人机领域的专家利用其专家知识来总结专家系统，以此来构建无人机飞行数据异常检测模型，难点在于专家知识难以获取、专家知识转变为编码困难，通常需要专家与知识工程师进行耗时的开发。基于模型的方法通常需要建立一个精确的物理模型，在相同输入和运行环境的条件下，通过模型测量值和真实测量值之间的残差是否超过设定阈值来判断是否发生异常。但无人机是一个包含机械、电子、液压等部分的复杂系统，要建立一个精确、完整的无人机物理或仿真模型十分困难。

数据驱动的方法根据飞行数据之间的相关关系可以分为基于时间相关的方法和基于时空相关的方法，基于时间相关的方法仅考虑到传感器自身历史数据，没有考虑到飞行数据之间的影响，该类方法存在很大的局限性。基于时空相关的方法是综合利用飞行数据中的空间相关性和时间相关性，但通常需要大量专家知识来对异常检测模型输入参数进行选取。因为无人机飞行参数成百上千，若不进行选取会导致异常检测模型无法收敛。

在无人机运行过程中发生异常，为使得异常对无人机的影响降到最低，需对无人机异常数据的恢复值进行预测。目前无人机异常恢复值预测的方法较少，大部分方法仅在仿真数据中进行验证，在实际无人机飞行数据中效果不佳。

综上所述，目前针对无人机飞行数据进行异常检测的方法均不能很好的实施，且检测精度有待提高。

发明内容

为解决现有技术存在的问题，本发明提供了一种基于相关性分析与深度学习的飞行数据异常检测方法，结合相关性分析法和深度学习的方法，能够显著提高异常数据的检测精度，还能够进行异常值的恢复，并且恢复值的准确度也较高。

一种基于相关性分析与深度学习的飞行数据异常检测方法，其特征在于，S10.准备正常飞行状态下的数据样本

将正常飞行状态下的M组飞行数据分为四个数据样本：第一数据样本、第二数据样本、第三数据样本和第四数据样本；

每个数据样本中包含相同组数或不同组数的飞行数据；每一组飞行数据包括N个飞行参数；

S20.构造并训练人工神经网络模型

将N个飞行参数两两一组，分别作为人工神经网络模型的输入和输出，得到N*(N-1)个模型，采用第一数据样本对人工神经网络进行训练；

S30.相关性分析

将第二数据样本输入到步骤S20中训练完成的人工神经网络模型中，得到第一估计值序列；

计算第一估计值序列与真实值之间的第一相关系数，进一步得到N*(N-1)个输入参数与输出参数之间的第二相关系数，建立N个飞行参数的强相关参数集合；

S40.构造并训练深度学习异常检测模型

构造深度学习异常检测模型，所述深度学习异常检测模型的输入参数为待检测参数的强相关参数集合，输出参数为待检测参数；

采用第三数据样本对深度学习异常检测模型进行训练；

S50.残差生成

S51.将第四数据样本输入到步骤S40训练完成的深度学习异常检测模型中，得到待检测参数的第二估计值序列；

S52.计算第二估计值序列与真实值之间的残差，得到残差序列；

S53.计算残差的均值u与标准差δ，设定正常参数的范围为((μ-Aδ),(μ+Aδ))，其中A为设定系数；

S60.异常检测

S61.将传感器采集的参数输入S40中训练完成的深度学习异常检测模型中，得到第三估计值序列；

S62.计算第三估计值序列与所采集的参数值的差值；

当该差值超出正常参数范围时，判定为异常；

当该差值未超出正常参数范围时，判定为正常。

进一步地，所述的N个飞行参数包含以下参数：俯仰角速率、滚转角速率、偏航角速率、侧向过载、法向过载、北向速度、东向速度、横滚角、轴向过载、俯仰角、横滚角、攻角、侧滑角、左升降舵指令、右升降舵指令、左副翼指令、右副翼指令，高度。

进一步地，当检测到异常后，将第三估计值序列中的估计值作为恢复值。

进一步地，步骤S30中，第一估计值序列与真实值之间的相关系数为Pearson相关系数。

进一步地，步骤S30中，所述建立N个飞行参数的强相关性参数集合的方法为：设定第二相关系数的阈值，将小于阈值的第二相关系数的参数对剔除。

采用本发明的基于相关性分析与深度学习的飞行数据异常检测方法，相对于现有技术的异常数据检测方法，至少具有以下有益效果：

1.本发明结合相关性分析与深度学习方法，非常适用于具有复杂、高维特点的飞行数据进行异常检测，提高了异常检测精度。

2.本发明构建了人工神经网络相关性分析法，具有较强的非线性表达能力，能从飞行数据中发现多种非线性相关关系，从数据层面明确了飞行参数之间的相关关系。

3.本发明使用相关性分析方法建立强相关参数集，为深度学习异常检测模型提供输入参数选择依据，降低了模型的复杂度，减少了飞行参数使用的数量，提高了计算速度，提高了深度学习异常检测模型的学习能力。

4.本发明使用的深度学习异常检测模型，能很好的挖掘输入参数与输出参数在时间维度和空间维度上的相关关系，提供精确的输出参数估计值，从而进一步的提供异常检测精度。

5.本发明结合相关性分析法和深度学习的方法，相较于基于传统的异常检测方法，其检测速度、检测精度都有明显提高。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例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，下面所描述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他的附图。

图1是本发明实施例的一种基于相关性分析与深度学习的飞行数据异常检测方法的流程图；

图2是本发明实施例的人工神经网络结构图；

图3是本发明实施例的一种深度学习异常检测模型图；

图4是采用本发明的基于相关性分析与深度学习的飞行数据异常检测方法与传统机器学习方法异常检测结果的比较图；

图5是采用本发明的基于相关性分析与深度学习的飞行数据异常检测方法与传统机器学习方法恢复值预测结果的比较图。

具体实施方式

以下的说明提供了许多不同的实施例、或是例子，用来实施本发明的不同特征。以下特定例子所描述的元件和排列方式，仅用来精简的表达本发明，其仅作为例子，而并非用以限制本发明。

一种基于相关性分析与深度学习的飞行数据异常检测方法，包括以下步骤：

S10.准备正常飞行状态下的数据样本

将正常飞行状态下的M组飞行数据分为四个数据样本：第一数据样本、第二数据样本、第三数据样本和第四数据样本；第一数据样本用来训练人工神经网络相关性分析模型，第二数据样本用来测试相关性分析模型的精度，第三数据样本用来训练深度学习异常检测模型，第四数据样本用来确定正常数据的残差允许范围。

每一组飞行数据包括N个飞行参数；所述的N个飞行参数包含以下参数：俯仰角速率、滚转角速率、偏航角速率、侧向过载、法向过载、北向速度、东向速度、横滚角、轴向过载、俯仰角、横滚角、攻角、侧滑角、左升降舵指令、右升降舵指令、左副翼指令、右副翼指令，高度，本实施例中N设定为18，包含以上18个参数。

本实施方式中，采集无人机正常飞行时的各飞行参数的飞行数据，无人机飞行一次采集一组数据，M组数据即飞行M次所采集的数据，例如飞行12次所采集的数据，M为12；每个数据样本可以有相同组数的飞行数据，也可以为不同组数的飞行数据；即可以将12组数据平均分为四个数据样本，每个数据样本3组数据，也可以不平均分，使得每个数据样本中的数据组数不同；

S20.构造并训练人工神经网络模型

将N个飞行参数两两一组，分别作为人工神经网络模型的输入和输出，得到N*(N-1)个模型，采用第一数据样本对人工神经网络进行训练；

本实施例中，共构建306个模型，并利用第一数据样本对每个模型进行训练，具体如图2所示，假设分析横滚角和俯仰角之间的相关性，其输入参数为横滚角，输出参数为俯仰角，仅提取第一数据样本中的横滚角和俯仰角数据进行分析。

对第一数据样本中横滚角进行窗宽为301，步长为10的划窗处理，横滚角划窗后的单个样本为(x_t-n,x_t-n+1,…,x_t,…,x_t+n-1,x_t+n)。相应的俯仰角进行窗宽为1，步长为1的划窗处理，俯仰角的单个为y_t，共得到k1个输入输出样本。其中t为飞行数据记录的时间戳，n为1/2滑窗宽，本实施例中n为150。将(x_t-n,x_t-n+1,…,x_t,…,x_t+n-1,x_t+n)输入到人工神经网络神经网络相关性分析模型，yt作为模型的输出目标值，训练模型，使得模型输出的估计值和y_t之间残差尽可能小，完成人工神经网络模型的训练。

S30.相关性分析

将第二数据样本输入到步骤S20中训练完成的人工神经网络模型中，得到第一估计值序列；

计算第一估计值序列与真实值之间的Pearson相关系数，定义为第一相关系数，再进一步得到306个输入参数与输出参数之间的相关性，定义为第二相关系数；

设定第二相关系数阈值，将小于设定阈值的第二相关系数的参数对剔除，大于等于设定阈值的相关参数的参数对保留，最终得到18个参数之间的306个相关关系的强相关参数集合；

本实施例中，第二相关系数阈值设定为0.6，本领域技术人员可以根据实际需要来设定该阈值。

以横滚角为例，与横滚角相关的参数对包括以另外17个参数为输入，横滚角为输出的参数对，以及以横滚角为输入，以另外17个参数为输出的参数对，假设这些参数对的第二相关参数计算出来以后，大于等于设定阈值的参数对有：以偏航角速率、横滚角速率、左副翼指令、右副翼指令为输入，以横滚角为输出的参数对。则横滚角的相关参数集合为[偏航角速率，滚转角速率，左副翼指令，右副翼指令]。如此类推，共获得18个飞行参数的强相关参数集合。

S40.构造并训练深度学习异常检测模型

构造深度学习异常检测模型，所述深度学习异常检测模型的输入参数为待检测参数的强相关参数集合，输出参数为待检测参数；采用第三数据样本对深度学习异常检测模型进行训练；

本实施例中构造18个深度学习异常检测模型，其是分别以18个飞行参数为待检测对象的异常检测模型，利用第三数据样本对深度学习异常检测模型进行训练。具体地，如图3所示：

以待检测对象为横滚角为例，其强相关参数集合包含[偏航角速率，滚转角速率，左副翼指令，右副翼指令]四个飞行参数。以强相关参数集合作为深度学习异常检测模型的输入，横滚角作为模型输出的目标值。

从第三数据样本中提取横滚角、偏航角速率、滚转角速率、左副翼指令，右副翼指令五个飞行参数数据。对输入数据偏航角速率、滚转角速率、左副翼指令，右副翼指令进行窗宽为400，步长为10的划窗处理，得到单个输入样本(X_t-399,X_t-398,…,X_t-1,X_t)，其中X_t为向量，是t时刻偏航角速率、滚转角速率、左副翼指令，右副翼指令的值。其对应的模型输出横滚角进行窗宽为1，步长10的划窗处理。得到单个输出目标值样本为Y_t,Y_t为t时刻横滚角的值。

将(X_t-399,X_t-398,…,X_t-1,X_t)作为深度学习异常检测模型的输入，Y_t作为模型输出的目标值，完成模型训练。

S50.残差生成

S51.将第四数据样本输入到步骤S40训练完成的深度学习异常检测模型中，得到待检测参数的第二估计值序列；本实施例中，深度学习异常检测模型输入输出样本制作同步骤S40；

S52.计算第二估计值序列与真实值之间的残差，得到残差序列；

S53.计算残差的均值u与标准差δ，设定正常参数的范围为((μ-Aδ),(μ+Aδ))，其中A为设定系数；例如A可以设置为2-5，本实施例中设置为3，正常参数的范围为((μ-3δ),(μ+3δ))；

S60.异常检测

S61.将传感器采集的参数输入S40中训练完成的深度学习异常检测模型中，得到第三估计值序列；

S62.计算第三估计值序列与所采集的参数值的差值；

当该差值超出正常参数范围时，判定为异常；

当该差值未超出正常参数范围时，判定为正常。

值得说明的是，本发明的异常检测方法当模型构建并训练好以后，每次检测过程中，只需按照步骤S60将传感器采集的参数输入到训练完成的深度学习异常检测模型中即可，无需重复执行步骤S10-S50。

本实施例中，为了比较本发明的检测方法与传统检测方法的效果，在步骤S60中，先制作了异常数据，采用人工植入异常的方式，在第四数据样本中人为植入了异常数据，将第四样本输入到步骤S40中训练完成的深度学习异常检测模型中，得到第三估计值序列，并计算第三估计值序列与所采集的参数值的差值，从而判断数据是否异常，结果如图4所示，采用本发明的基于相关性分析与深度学习的飞行数据异常检测方法所检测的准确度为100％，即每一个人工植入的异常数据均被检测出来；而采用传统机器学习方法-KNN和SVR方法检测的结果均有不同程度的漏检率，由此可以看出，采用本发明的基于相关性分析与深度学习的飞行数据异常检测方法的异常检测精度明显提高。

同时，采用本发明的基于相关性分析与深度学习的飞行数据异常检测方法在检测到异常时，将第三估计值序列中的估计值作为恢复值。由此，本发明还能够预测异常恢复值。将该估计值与正常值进行比较计算恢复预测值的预测误差，如图5所示，采用本发明的方法预测的恢复值的均方误差为0.0003，平均绝对误差为0.0147，远低于采用传统机器学习方法-SVR的恢复值预测结果的误差值。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于相关性分析与深度学习的飞行数据异常检测方法，其特征在于，

S10.准备正常飞行状态下的数据样本

将正常飞行状态下的M组飞行数据分为四个数据样本：第一数据样本、第二数据样本、第三数据样本和第四数据样本；

每个数据样本中包含相同组数或不同组数的飞行数据；每一组飞行数据包括N个飞行参数；

S20.构造并训练人工神经网络模型

将N个飞行参数两两一组，分别作为人工神经网络模型的输入和输出，得到N*(N-1)个模型，采用第一数据样本对人工神经网络进行训练；

S30.相关性分析

将第二数据样本输入到步骤S20中训练完成的人工神经网络模型中，得到第一估计值序列；

计算第一估计值序列与真实值之间的第一相关系数，进一步得到N*(N-1)个输入参数与输出参数之间的第二相关系数，建立N个飞行参数的强相关参数集合；

S40.构造并训练深度学习异常检测模型

构造深度学习异常检测模型，所述深度学习异常检测模型的输入参数为待检测参数的强相关参数集合，输出参数为待检测参数；

采用第三数据样本对深度学习异常检测模型进行训练；

S50.残差生成

S51.将第四数据样本输入到步骤S40训练完成的深度学习异常检测模型中，得到待检测参数的第二估计值序列；

S52.计算第二估计值序列与真实值之间的残差，得到残差序列；

S53.计算残差的均值u与标准差δ，设定正常参数的范围为((μ-Aδ),(μ+Aδ))，其中A为设定系数；

S60.异常检测

S61.将传感器采集的参数输入S40中训练完成的深度学习异常检测模型中，得到第三估计值序列；

S62.计算第三估计值序列与所采集的参数值的差值；

当该差值超出正常参数范围时，判定为异常；

当该差值未超出正常参数范围时，判定为正常。

2.根据权利要求1所述的一种基于相关性分析与深度学习的飞行数据异常检测方法，其特征在于，所述的N个飞行参数包含以下参数：俯仰角速率、滚转角速率、偏航角速率、侧向过载、法向过载、北向速度、东向速度、轴向过载、俯仰角、横滚角、攻角、侧滑角、左升降舵指令、右升降舵指令、左副翼指令、右副翼指令，高度。

3.根据权利要求1所述的一种基于相关性分析与深度学习的飞行数据异常检测方法，其特征在于，当检测到异常后，将第三估计值序列中的估计值作为恢复值。

4.根据权利要求1所述的一种基于相关性分析与深度学习的飞行数据异常检测方法，其特征在于，步骤S30中，第一估计值序列与真实值之间的相关系数为Pearson相关系数。

5.根据权利要求1或4所述的一种基于相关性分析与深度学习的飞行数据异常检测方法，其特征在于，步骤S30中，所述建立N个飞行参数的强相关性参数集合的方法为：设定第二相关系数的阈值，将小于阈值的第二相关系数的参数对剔除。

Images