CN115729200B - 一种无人机舵机故障检测模型的构建方法和装置、一种无人机舵机故障检测方法和装置 - Google Patents
一种无人机舵机故障检测模型的构建方法和装置、一种无人机舵机故障检测方法和装置 Download PDFInfo
- Publication number
- CN115729200B CN115729200B CN202110986749.8A CN202110986749A CN115729200B CN 115729200 B CN115729200 B CN 115729200B CN 202110986749 A CN202110986749 A CN 202110986749A CN 115729200 B CN115729200 B CN 115729200B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- steering engine
- fault detection
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 91
- 238000010276 construction Methods 0.000 title claims description 14
- 238000000034 method Methods 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 11
- 238000011176 pooling Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
一种无人机舵机故障检测模型的训练方法和装置、一种无人机舵机故障检测方法和装置,涉及无人机检测领域。现有的无人机飞行系统的控制中,舵机一旦发生故障,会导致无人机处于危险境地;通常是通过神经网络技术对舵机进行故障检测和特征学习,但是会存在因为无关数据的输入导致检测的准确性降低的问题,并且存在对于时间序列处理不完善,针对无人机数据拟合能力不强,时间成本高的问题。本申请提供了一种无人机舵机故障检测方法,包括:建立无人机舵机故障检测模型的步骤;对比所述模型中的舵机的当前时刻的理想值与所述的舵机实际飞行数据的步骤;根据所述的对比的结果判断舵机是否发生故障的步骤。可广泛普及于无人机检测应用中。
Description
技术领域
涉及无人机检测领域,具体涉及一种无人机舵机故障检测方法。
背景技术
随着现代技术的发展,无人机(Unmanned Aerial Vehicle,UAV)以其低成本、高效率的优点越来越受到人们的重视。作为飞行控制系统的重要组成部分,舵机一旦发生故障,无人机将无可避免地处于危险境地。因此,有必要对舵机进行实时故障检测,以便及时采取措施缓解故障影响,提高飞行安全。
基于物理模型的无人机执行器故障检测方法非常有效,在能够建立精确的物理机制时具有快速响应。然而,在实际应用中很难满足这一要求。相比之下,基于机器学习的方法由于其高性能和适用性而变得更具吸引力。利用机器学习模型对测量结果进行分析,通过输出与输入之间的对应映射关系,有效地获取目标信息。此外,该方法易于应用,不需要太多专家知识和技术。神经网络是机器学习领域的重要研究方向之一。
近年来,人们提出了多种神经网络,并将其应用于各种应用场景中。现有文献显示了这些神经网络良好的故障检测和特征学习性能,但其针对于时间序列数据的特征选择和故障检测没有达到非常理想的效果。同时,无关数据的输入会产生干扰,降低故障检测的准确性。现有方法对于时间序列处理不完善,针对无人机数据拟合能力不强,且时间成本高。
发明内容
现有的无人机飞行系统的控制中,舵机一旦发生故障,会导致无人机处于危险境地;通常是通过神经网络技术对舵机进行故障检测和特征学习,但是会存在因为无关数据的输入导致检测的准确性降低的问题,并且存在对于时间序列处理不完善,针对无人机数据拟合能力不强,时间成本高的问题;需要研究一种能够有效提取无人机时间序列数据特征,具备较高检测精度和较低时间开销的无人机舵机智能故障检测方法。
本申请采用的方案为:
一种无人机舵机故障检测模型的构建方法,所述方法包括:
选择最相关的输入特征变量,得到无干扰的特征数据的步骤;
将所述的无干扰的特征数据中的无人机时间序列进行重构,采集无人机数据的特征的步骤;
将所述的无人机数据的特征作为输入,对一维卷积神经网络模型进行构建的步骤;
将所述的无干扰的特征数据分割为训练集、验证集和测试集的步骤;
采用所述的训练集对模型进行训练的步骤;
采用Earlystop机制依据所述的验证集中的误差值对构建过程进行控制的步骤。
进一步,所述的选择最相关的输入特征变量的方法为:根据最大信息系数法采集无人机数据与升降舵的相关程度,筛选出相关的数据进行特征选择优化,具体为:通过下述公式:
其中,o表示升降舵的参数向量,i表示无人机的输入参数向量,p表示对应变量的概率值或对应变量间的联合概率值,MIC表示最大信息系数值,I表示互信息值,min{}表示取最小值,max{}表示取最大值,∑表示求和。
进一步,所述的方法还包括:对所述的无干扰的特征数据进行归一化处理的步骤,具体为:
通过公式:
其中,μ是输入数据X的均值,σ是输入数据X的方差,X=[x1,x2,…,xn],xi∈R表示无人机第i时刻的输入数据,n表示样本总长度。
进一步,所述的方法还包括:对所述的X和Y进行重构的步骤,具体为:
通过公式:
Xt=[xt-m+1,xt-m+2,…,xt]
其中,m表示时间步长;
得到重构后的无人机输入数据与舵机输出数据的步骤,具体为:
通过公式:
其中,Y=[y1,y2,…,yn],yi∈R表示第i时刻的舵机输出数据。
一种无人机舵机故障检测模型的构建装置,所述装置包括:
用于选择最相关的输入特征变量,采集无干扰的特征数据的模块;
用于将所述的无干扰的特征数据中的无人机时间序列进行重构,采集无人机数据的特征的模块;
用于将所述的无人机数据的特征作为输入,对一维卷积神经网络模型进行构建的模块。
一种无人机舵机故障检测方法,所述方法包括:
建立无人机舵机故障检测模型的步骤;
对比所述模型中的舵机的当前时刻的理想值与所述的舵机实际飞行数据的步骤;
根据所述的对比的结果判断舵机是否发生故障的步骤。
进一步,所述的建立无人机舵机故障检测模型的步骤具体为权利要求1中所述的一种无人机舵机故障检测模型的构建方法。
一种无人机舵机故障检测装置,所述装置包括:
模型模块,用于建立无人机舵机故障检测模型;
对比模块,用于对比所述模型模块中的无人机的当前时刻的理想值与所述的舵机实际飞行数据;
判断模块,用于根据所述的对比模块通过对比后输出的结果判断舵机是否发生故障的模块。
进一步,所述的模型模块具体为:所述的一种无人机舵机故障检测模型的构建装置。
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,所述处理器执行根据权利要求1中所述的一种无人机舵机故障检测模型的构建方法。
本申请的有益之处在于:
本申请解决了目前无人机检测领域亟待解决的问题,利用最大信息系数(MaximalInformation Coefficient,MIC)选择最相关的输入特征变量,避免不相关数据的干扰,提高故障检测的准确性。针对现有技术中存在的对于无人机数据选择脱离专家经验的同时完成无人机的在线准确故障检测无法实现的问题,提供了一种能够同时不依赖与于家经验的无人机数据特征选择以及高效率的故障检测方法,通过本方法能够在无人机发生故障时快速准确地检测到故障,避免损失;解决了目前无人机检测领域亟待解决的问题。
具体为;
本申请的无人机舵机故障检测模型的构建方法及装置的有益之处在于:
1.将无人机时间序列进行重构以充分提取无人机数据的特征,并将其作为输入数据对一维卷积神经网络模型进行构建,得到无人机舵机的故障检测模型。
2.本申请提供的方法通过一维卷积神经网络进行模型的构建,一维卷积神经网络对于时间序列数据的学习与处理能力非常强,对升降舵的状态预测精度高,还具有处理复杂度低、处理性能好的优点,解决了现有技术中对于时间序列处理不完善,针对无人机数据拟合能力不强,导致处理时间成本高的问题。
3.本申请提供的方法在通过一维卷积神经网络进行模型构建之前对无人机数据进行归一化处理,采用归一化处理之后的数据使得模型的构建结果更加理想。
4.本申请提供的方法通过最大信息系数法采集无人机数据与升降舵的相关程度,筛选出相关性更高的数据进行特征选择优化,采用的最大信息系数法对于无人机这类非线性数据的特征采集的精确度非常高,解决了现有技术中存在的因为不相关数据的导入造成的干扰。
本申请中基于上述模型构建方法实现的无人机舵机故障检测方法的优点在于:
1.该方法将使用本申请构建的模型预测的舵机当前时刻的理想值与通过实际飞行数据进行对比,由其残差来判断当前舵机是否发生故障,解决了目前通过神经网络技术对舵机进行故障检测和特征学习中存在的因为无关数据的输入导致检测的准确性降低和对于时间序列处理不完善,针对无人机数据拟合能力不强,时间成本高的问题。
本申请提供的方法能够作为无人机检测领域的一个新的研究、发展方向。
本申请所述的无人机舵机故障检测模型的构建方法及装置,适用于构建针对无人机的故障检测模型。本发明所述的无人机舵机故障检测方法适用于无人机的故障检测。
附图说明
图1为一种无人机舵机故障检测方法的故障检测原理示意图;
图2为实施方式十一中提到的升降舵偏转角的实验结果曲线坐标图;
图3为实施方式十一中提到的升降舵舵面的偏转角残差曲线坐标图;
图4为实施方式十一中提到的测试几两种故障模式的注入坐标图;
图5为实施方式十一中提到的两种故障模式下的故障检测ROC曲线坐标图。
具体实施方式
下面结合附图对本申请做进一步说明:
实施方式一、本实施方式提供了一种无人机舵机故障检测模型的构建方法,所述方法包括:
选择最相关的输入特征变量,得到无干扰的特征数据的步骤;
将所述的无干扰的特征数据中的无人机时间序列进行重构,采集无人机数据的特征的步骤;
将所述的无人机数据的特征作为输入,对一维卷积神经网络模型进行构建的步骤;
将所述的无干扰的特征数据分割为训练集、验证集和测试集的步骤;
采用所述的训练集对模型进行训练的步骤;
采用Earlystop机制依据所述的验证集中的误差值对构建过程进行控制的步骤。
所述的构建的步骤,具体为:
实现输入到输出的非线性回归映射,将重构后的数据输入到一维卷积神经网络模型中,一维卷积神经网络包括卷积层,池化层和全连接层。
无人机的输入数据首先输入到卷积层中,卷积层通过卷积核与输入进行卷积运算,将输入映射到新的特征空间中,再经过激活函数的非线性变换,得以充分进行特征提取,一维卷积层的公式如下:
其中,i是神经元,代表了卷积核,/>是第l-1层的第i个神经元的输出,*为卷积运算,ql是卷积核的偏移,/>是经激活运算后的输出,常用的激活函数有Sigmoid,Tanh,以及Relu。本实施方式使用Sigmoid。
经卷积层处理后的数据被输入到池化层,数据经卷积运算以及激活函数运算后维度增加,数据增多,可能会出现维度爆炸以及过拟合等问题,池化层通过保留有效信息,舍弃没用或者不重要的信息,可以有效地避免以上问题。池化通常包括最大值池化和平均值池化,本文使用的方法为最大值池化,公式如下:
其中,代表了经池化处理后的l层输出,/>表示经卷积层处理后的l层输入,k表示池化区域的大小,max{}为取最大值。
Flatten层作用是将卷积层与池化层的输出展平为一维,实现卷积层到全连接层的过渡后,数据输入到了全连接层,而全连接层使用的激活函数多为softmax,公式如下:
o=f(wl+1gml+1+ql+1)
其中o为最终输出,wl+1为l+1层的权重,ml+1为输入,ql+1为偏移量。
计算故障检测的统计阈值。首先根据回归模型的预测值和升降舵的实际监测值计算残差:
然后通过残差计算阈值:
T=μ+kσ
其中,μ是残差的平均值,σ是残差的标准差,k是一个常量。
实施方式二、本实施方式是对实施方式一提供的一种无人机舵机故障检测模型的构建方法的进一步限定,所述的选择最相关的输入特征变量的方法为:根据最大信息系数法采集无人机数据与升降舵的相关程度,筛选出相关的数据进行特征选择优化,具体为:通过下述公式:
其中,o表示升降舵的参数向量,i表示无人机的输入参数向量,p表示对应变量的概率值或对应变量间的联合概率值,MIC表示最大信息系数值,I表示互信息值,min{}表示取最小值,max{}表示取最大值,∑表示求和。
实施方式三、本实施方式是对实施方式一提供的一种无人机舵机故障检测模型的构建方法的进一步限定,所述的方法还包括:对所述的无干扰的特征数据进行归一化处理的步骤,具体为:
通过公式:
其中,μ是输入数据X的均值,σ是输入数据X的方差,X=[x1,x2,…,xn],xi∈R表示无人机第i时刻的输入数据,n表示样本总长度。
实施方式四、本实施方式是对实施方式三提供的一种无人机舵机故障检测模型的构建方法的进一步限定,所述的方法还包括:对所述的X和Y进行重构的步骤,具体为:
通过公式:
Xt=[xt-m+1,xt-m+2,…,xt]
其中,m表示时间步长;
得到重构后的无人机输入数据与舵机输出数据的步骤,具体为:
通过公式:
其中,Y=[y1,y2,…,yn],yi∈R表示第i时刻的舵机输出数据。
实施方式五、本实施方式提供了一种无人机舵机故障检测模型的构建装置,所述装置包括:
用于选择最相关的输入特征变量,采集无干扰的特征数据的模块;
用于将所述的无干扰的特征数据中的无人机时间序列进行重构,采集无人机数据的特征的模块;
用于将所述的无人机数据的特征作为输入,对一维卷积神经网络模型进行构建的模块。
实施方式六、参见图1说明本实施方式,本实施方式提供了一种无人机舵机故障检测方法,所述方法包括:
建立无人机舵机故障检测模型的步骤;
对比所述模型中的舵机的当前时刻的理想值与所述的舵机实际飞行数据的步骤;
根据所述的对比的结果判断舵机是否发生故障的步骤。
所述的判断舵机是否发生故障的步骤,具体为:
以升降舵的故障检测为例,当数据传入时,对无人机数据进行特征提取,选取与升降舵最大信息系数大于0.15的无人机数据作为输入,避免不相关数据造成的干扰。
当第t时刻的数据传入时,对无人机相关数据进行归一化处理和重构,处理后的数据如下:
将输入数据输入到一维卷积神经网络模型中,得到升降舵的O的估计值计算升降舵预测值与实际值的残差e,并将残差的绝对值与升降舵的阈值进行比较,如下:
当Q=1时,即认为无人机的升降舵发生故障。
故障检测指标:精准的故障检测可以有效的避免后续的损失。均方根误差(RMSE,Root Mean Square Error)是观测值与真值偏差的平方和观测次数n比值的平方根,在无人机数据的拟合中,均方根误差能够很好地反映出一维卷积神经网络模型的数据特征学习能力,计算公式如下:
其中,n为舵机样本的总长度,p为预测的结果,q为实际的结果,通过RMSE的计算公式可以有效衡量出模型的拟合精密度。
召回率(TPR,True Positive Rate)可用来定量地评估故障检测的结果,计算公式如下:
以下称本公式为:公式(1);
为了进一步评估检测结果的准确性,使用指标FPR(False Positive Rate)进一步验证:
以下称本公式为:公式(2);
其中,TP为异常样本中被正确检测到异常的数目,FN为异常样本中没有被检测到异常的数目,FP为正常样本中没有被检测到异常的数目,TN为正常样本中被正确检测到异常的数目。
改变阈值,将不同阈值下的TPR与FPR画成ROC(Receiver OperatingCharacteristic)曲线可以直观的判断检测效果的可行性,与此同时,使用其曲线下的面积(AUC,Area Under Curve)能够更加精确的评估检测效果。
实施方式七、本实施方式是对实施方式六提供的一种无人机舵机故障检测方法的进一步限定,所述的建立无人机舵机故障检测模型的步骤具体为实施方式一中提供的的一种无人机舵机故障检测模型的构建方法。
实施方式八、本实施方式提供了一种无人机舵机故障检测装置,所述装置包括:
模型模块,用于建立无人机舵机故障检测模型;
对比模块,用于对比所述模型模块中的无人机的当前时刻的理想值与所述的舵机实际飞行数据;
判断模块,用于根据所述的对比模块通过对比后输出的结果判断舵机是否发生故障的模块。
实施方式九、本实施方式是对实施方式八提供的一种无人机舵机故障检测装置的进一步限定,所述的模型模块具体为:实施方式五提供的一种无人机舵机故障检测模型的构建装置。
实施方式十、本实施方式提供了一种计算机设备,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,所述处理器执行根据权利要求1中所述的一种无人机舵机故障检测模型的构建方法。
实施方式十一、参见图2-5说明本实施方式,本实施方式是为申请提供的一种无人机舵机故障检测方法提供一个具体可行的方案,具体为:
本实施方式以无人机舵机的相关参数作为输入,以升降舵作为输出,如表1所示,计算输入与输出的最大信息系数,本实施方式中取与升降舵相关系数大于0.15的无人机参数作为输入。
表1无人机飞参数据列表及其最大信息系数
通过最大信息系数方法进行特征选择优化后确认神经网络的输入与输出。如图2所示,图2为升降舵偏转角的实验结果曲线;将数据分为三个数据集以充分验证实验结果的准确性,参数样本的总长度为30000个样本点,将前18000个样本点作为构建集,中间的6000个样本点作为验证集,后6000个样本点作为测试集。
测试集上模型的预测均方根误差为RMSE=0.2882,表示通过本申请构建的模型的拟合精度较优,与现有各类构建模型的方法接近,甚至强于现有模型的构建方法,并且所提方法具有良好的计算效率。从结果中可看出特征优化后的一维卷积神经网络模型能够很好地学习无人机时序特征,具有很强的数据拟合能力,且神经网络结构较为简单,时间成本低,能够在短时间内完成对舵机的预测。
2)以升降舵为例,将正常飞行状态下的无人机数据输入到模型进行构建与学习,如图3所示,图3为升降舵舵面的偏转角残差曲线;得到无故障发生时的残差,并通过残差计算正常飞行状态下的阈值,阈值T=0.7596。
3)如图4所示,图4为测试集两种故障模式的注入;在测试集中的第3500个点注入两种无人机常见的故障:恒偏差故障与漂移故障,通过对两种故障模式的检测验证本发明的有效性与实用性。
4)统计升降舵在正常飞行状态过程中舵机被判定为故障的总的采样点数NTN、在正常飞行状态过程中舵机被判定为正常的总的采样点数NFP、发生故障后能够被正确检测出的采样点数NTP、发生故障后没有被检测到异常的采样点数NFN。通过实施方式六中提到的公式(1)和(2)计算出检测结果的TPR与FPR,并画出ROC曲线,如图5所示,可以直观的看出本发明所提出的故障检测方法具有很高的准确度,同现有各构建模型的方法相比,所提出的方法具有与其相当甚至优于其的检测精度。
5)在完成故障检测后,为了进一步确认诊断方法的精确度,本发明分别对恒偏差故障以及漂移故障的检测结果根据实施方式六中提到的公式(1)和(2)进行多指标的评估,得到指标结果如表2所示,表中的结果证实了本发明所提出的方法的有效性和实用性。
表2无人机舵机在两种故障模式下的评价指标
故障类型 | TPR | FPR | AUC |
恒偏差故障 | 0.9955 | 0.0143 | 0.9997 |
漂移故障 | 0.9425 | 0.0143 | 0.9822 |
Claims (6)
1.一种无人机舵机故障检测模型的构建方法,其特征在于:所述方法包括:
选择最相关的输入特征变量,得到无干扰的特征数据的步骤;
将所述的无干扰的特征数据中的无人机时间序列进行重构,采集无人机数据的特征的步骤;
将所述的无人机数据的特征作为输入,对一维卷积神经网络模型进行构建的步骤;
将所述的无干扰的特征数据分割为训练集、验证集和测试集的步骤;
采用所述的训练集对模型进行训练的步骤;
采用Earlystop机制依据所述的验证集中的误差值对构建过程进行控制的步骤。
2.根据权利要求1所述的一种无人机舵机故障检测模型的构建方法,其特征在于,所述的选择最相关的输入特征变量的方法为:根据最大信息系数法采集无人机数据与升降舵的相关程度,筛选出相关的数据进行特征选择优化,具体为:通过下述公式:
其中,o表示升降舵的参数向量,i表示无人机的输入参数向量,p表示对应变量的概率值或变量间的联合概率值,MIC表示最大信息系数值,I表示变量间的互信息,min{}表示取最小值,max{}表示取最大值,∑表示求和。
3.一种无人机舵机故障检测模型的构建装置,其特征在于,所述装置包括:
用于选择最相关的输入特征变量,采集无干扰的特征数据的模块;
用于将所述的无干扰的特征数据中的无人机时间序列进行重构,采集无人机数据的特征的模块;
用于将所述的无人机数据的特征作为输入,对一维卷积神经网络模型进行构建的模块。
4.一种无人机舵机故障检测方法,其特征在于,所述方法包括:
建立无人机舵机故障检测模型的步骤;
对比所述模型中的舵机的当前时刻的理想值与所述的舵机实际飞行数据的步骤;
根据所述的对比的结果判断舵机是否发生故障的步骤;
所述的建立无人机舵机故障检测模型的步骤具体为权利要求1中所述的一种无人机舵机故障检测模型的构建方法。
5.一种无人机舵机故障检测装置,其特征在于,所述装置包括:
模型模块,用于建立无人机舵机故障检测模型;
对比模块,用于对比所述模型模块中的无人机的当前时刻的理想值与所述的舵机实际飞行数据;
判断模块,用于根据所述的对比模块通过对比后输出的结果判断舵机是否发生故障的模块;
所述的模型模块具体为:权利要求3所述的一种无人机舵机故障检测模型的构建装置。
6.一种计算机设备,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中所述的一种无人机舵机故障检测模型的构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110986749.8A CN115729200B (zh) | 2021-08-26 | 2021-08-26 | 一种无人机舵机故障检测模型的构建方法和装置、一种无人机舵机故障检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110986749.8A CN115729200B (zh) | 2021-08-26 | 2021-08-26 | 一种无人机舵机故障检测模型的构建方法和装置、一种无人机舵机故障检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115729200A CN115729200A (zh) | 2023-03-03 |
CN115729200B true CN115729200B (zh) | 2024-05-31 |
Family
ID=85289915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110986749.8A Active CN115729200B (zh) | 2021-08-26 | 2021-08-26 | 一种无人机舵机故障检测模型的构建方法和装置、一种无人机舵机故障检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115729200B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100071554A (ko) * | 2008-12-19 | 2010-06-29 | 주식회사 대한항공 | 적응 미지입력 관측기를 이용한 무인항공기의 조종면 구동기 고장진단방법 |
CN104050242A (zh) * | 2014-05-27 | 2014-09-17 | 哈尔滨理工大学 | 基于最大信息系数的特征选择、分类方法及其装置 |
CN108664950A (zh) * | 2018-05-22 | 2018-10-16 | 天津大学 | 一种基于深度学习的电能质量扰动识别与分类方法 |
CN110705658A (zh) * | 2019-08-15 | 2020-01-17 | 哈尔滨工业大学 | 一种基于多变量回归的无人机飞参数据故障检测与恢复方法 |
-
2021
- 2021-08-26 CN CN202110986749.8A patent/CN115729200B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100071554A (ko) * | 2008-12-19 | 2010-06-29 | 주식회사 대한항공 | 적응 미지입력 관측기를 이용한 무인항공기의 조종면 구동기 고장진단방법 |
CN104050242A (zh) * | 2014-05-27 | 2014-09-17 | 哈尔滨理工大学 | 基于最大信息系数的特征选择、分类方法及其装置 |
CN108664950A (zh) * | 2018-05-22 | 2018-10-16 | 天津大学 | 一种基于深度学习的电能质量扰动识别与分类方法 |
CN110705658A (zh) * | 2019-08-15 | 2020-01-17 | 哈尔滨工业大学 | 一种基于多变量回归的无人机飞参数据故障检测与恢复方法 |
Non-Patent Citations (3)
Title |
---|
基于MIC的深度置信网络研究;曾安;郑齐弥;;计算机科学;20160815(08);全文 * |
基于卷积神经网络的刀具磨损在线监测;曹大理;孙惠斌;张纪铎;莫蓉;;计算机集成制造系统;20201231(01);全文 * |
曾安 ; 郑齐弥 ; .基于MIC的深度置信网络研究.计算机科学.2016,(08),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115729200A (zh) | 2023-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111964908B (zh) | 一种基于多尺度权值分配卷积神经网络模型的变工况下轴承故障诊断方法 | |
CN106528975B (zh) | 一种应用于电路与系统的故障预测与健康管理方法 | |
WO2022116570A1 (zh) | 一种基于麦克风阵列的工业设备故障信号定位与识别方法 | |
US11137322B2 (en) | Diagnosing method of engine condition and diagnostic modeling method thereof | |
CN111860446A (zh) | 一种卫星遥测时序数据未知模式的检测系统与方法 | |
CN113111591B (zh) | 基于模块化配电终端内部故障自动诊断方法、装置及设备 | |
CN112487694B (zh) | 一种基于多退化指标的复杂设备剩余寿命预测方法 | |
CN114692758A (zh) | 电力通信故障分析方法、装置、终端设备及介质 | |
CN111680725A (zh) | 基于重构贡献的气体传感器阵列多故障隔离算法 | |
CN114417699A (zh) | 泵阀故障检测方法 | |
CN112101142A (zh) | 泥浆泵运行状态评估方法、监控终端和计算机可读存储介质 | |
CN116384224A (zh) | 一种基于条件化参数动态卷积神经网络的航空发动机寿命预测方法 | |
CN112232370A (zh) | 发动机的故障分析预测方法 | |
KR101505975B1 (ko) | 엔진 고장 진단 방법 및 고장 진단 시스템 | |
Kotenko et al. | An approach for intelligent evaluation of the state of complex autonomous objects based on the wavelet analysis | |
CN109960881B (zh) | 基于格兰杰因果性的过程变量评估方法 | |
CN117312807B (zh) | 一种断路器的控制状态分析方法及系统 | |
CN112990106B (zh) | 水下物体检测方法、装置、计算机设备和存储介质 | |
Ribeiro et al. | Rotating machinery fault diagnosis using similarity-based models | |
CN115729200B (zh) | 一种无人机舵机故障检测模型的构建方法和装置、一种无人机舵机故障检测方法和装置 | |
CN116658433A (zh) | 一种耐颗粒型磁力泵智能检测方法及系统 | |
CN114841222B (zh) | 构建高压断路器故障检测模型的方法、检测方法及配电系统 | |
CN116451163A (zh) | 基于深度残差网络的光纤电流互感器故障诊断方法 | |
CN114564877B (zh) | 一种滚动轴承寿命预测方法、系统、设备及可读存储介质 | |
CN115902557A (zh) | 开关柜故障诊断处理方法、装置及非易失性存储介质 |
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 |