CN116304695B - 一种基于卷积神经网络预测无人机震动故障的方法及系统 - Google Patents
一种基于卷积神经网络预测无人机震动故障的方法及系统 Download PDFInfo
- Publication number
- CN116304695B CN116304695B CN202310208002.9A CN202310208002A CN116304695B CN 116304695 B CN116304695 B CN 116304695B CN 202310208002 A CN202310208002 A CN 202310208002A CN 116304695 B CN116304695 B CN 116304695B
- Authority
- CN
- China
- Prior art keywords
- vibration
- data
- historical
- flight sensor
- unmanned aerial
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 82
- 230000002159 abnormal effect Effects 0.000 claims abstract description 77
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000001845 vibrational spectrum Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 230000002779 inactivation Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000007621 cluster analysis Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 15
- 230000004913 activation Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种基于卷积神经网络预测无人机震动故障的方法及系统，包括：获取无人机的历史飞行传感器数据，并进行预处理和聚类分析，得到一训练数据集；构建一卷积神经网络模型，将训练数据集输入到卷积神经网络模型中进行训练，得到预测模型；通过无人机上的飞行传感器采集装置对无人机的传感器数据进行实时采集，并对实时采集到的飞行传感器数据进行预处理，得到实际震动频谱数据；将实际震动频谱数据输入到预测模型中，获得若干预测结果，并判断若干预测结果中概率最高的预测结果是否为正常；若否，则获取各异常概率和正常概率，并根据各异常概率和正常概率输出相应的异常震动信息。本发明达到对无人机自动进行实时震动故障预测的目的。
Description
技术领域
本发明涉及无人机故障检测技术领域，具体涉及一种基于卷积神经网络预测无人机震动故障的方法及系统。
背景技术
无人机是一种由远程无线电信号或由本身携带的轨迹规划软件控制的无人飞行器，相较于有人驾驶飞行器，无人机的自主能力有了显著的提高，生存能力大大加强，可替代人在恶劣环境下完成任务，同时不需要担忧驾驶员的生命安全，可执行高危险性的任务，因此在军事、民用以及科研等领域得到了广泛的应用。
随着科技的不断发展，无人机在日常生活中越来越常见，功能也日趋强大，结构也越来越复杂，从而导致售后维修保障难度越来越大。传统的事后维修、视情维修和定期维修已经不太适合无人机系统维修保障的特点。因此为了使无人机系统能够时刻处于良好的技术状态，随时能够执行各种任务，预防性维修十分重要，需要对无人机进行故障预测，而所有故障中最容易出现的故障是震动故障，因此对震动故障进行预测十分有必要。
目前现有技术对无人机的震动故障进行预测的过程为：获取无人机的加速度计或陀螺仪采集的时域数据后，将其生成频谱图，再通过人工分析频谱图中可能存在震动异常的地方，从而得出相应的震动异常信息。但是采用人工的方式对震动异常进行分析，需要花费大量的时间并且容易出错，另外只能在无人机离线状态下进行数据分析操作，无法在无人机执行任务时进行实时分析。
发明内容
为了克服现有技术的不足，本发明提供一种基于卷积神经网络预测无人机震动故障的方法及系统用于解决现有的无人机震动故障预测技术采用人工的方式，需要花费大量时间、容易出错以及只能在离线状态下进行分析的技术问题，从而达到对无人机自动进行实时震动故障预测的目的。
为解决上述问题，本发明所采用的技术方案如下：
一种基于卷积神经网络预测无人机震动故障的方法，包括以下步骤：
获取无人机的历史飞行传感器数据，并进行预处理和聚类分析，得到一训练数据集；
构建一卷积神经网络模型，将所述训练数据集输入到所述卷积神经网络模型中进行训练，得到一预测模型；
通过所述无人机上的飞行传感器采集装置对所述无人机的传感器数据进行实时采集，并对实时采集到的飞行传感器数据进行预处理，得到实际震动频谱数据；
将所述实际震动频谱数据输入到所述预测模型中，获得若干预测结果，并判断所述若干预测结果中概率最高的预测结果是否为正常；
若否，则获取各异常概率和正常概率，并根据所述各异常概率和所述正常概率输出相应的异常震动信息；
其中，所述各异常概率包括：旋翼头震动异常概率、主旋翼震动异常概率、尾旋翼震动异常概率、电机震动异常概率以及机体震动异常概率。
作为本发明优选的实施方式，在获取无人机的历史飞行传感器数据，并进行预处理时，包括：
在所述无人机的历史数据中提取所述飞行传感器采集装置采集的历史飞行传感器数据，并将所述历史飞行传感器数据作为历史震动时域数据；
将所述历史震动时域数据通过傅里叶变换算法转换成历史震动频域数据。
作为本发明优选的实施方式，在将所述历史震动时域数据通过傅里叶变换算法转换成历史震动频域数据时，包括：
对采集到长度为S的历史飞行传感器数据时间序列进行分割，将所述历史飞行传感器数据时间序列分割为F个不重叠的等长{t(i),i＝1,2,3,.......,S}时移窗口序列，具体如公式1所示：
Tn＝[t((n-1)L+j),n＝1,2,....,F,j＝1,2,.....,L] (1)；
式中，F代表窗口数，L代表窗口长度，n代表窗口序号，Tn代表对应的时移窗口序列；
使用快速傅里叶变换算法对每段时移窗口序列Tn进行频域转换，将所述历史震动时域数据Tn转换为所述历史震动频域数据Tm，具体如公式2所示：
式中，L代表采样点数量，WL代表复数变换值。
作为本发明优选的实施方式，在提取无人机的历史震动数据，并进行聚类分析时，包括：
对转换得到的所述历史震动频域数据Tm进行震动异常划分和剔除异常数据，形成所述训练数据集。
作为本发明优选的实施方式，在进行震动异常划分时，包括：
选取所述历史震动频域数据Tm上特定频段的数据作为特征，使用聚类算法将所有所述历史飞行传感器数据U标记为z个类别，具体如公式3所示：
根据所述标记将所有所述历史飞行传感器数据的特征张量S分解成z个对应类别的特征张量，具体如公式4所示：
式中，
对每个类别设定一组时间步长G，将所述每个类别/>转换为|G|个训练数据集。
作为本发明优选的实施方式，在使用聚类算法将所有所述历史飞行传感器数据U标记为z个类别时，包括：
对收集的所有所述历史飞行传感器数据拟定z个小集合，针对每个拟定的小集合手动选取一个初始中心样本；
利用K-means聚类算法把所有所述历史飞行传感器数据中的每个飞行传感器数据分配到距离最近的中心样本的簇中，并重新获得每个簇的中心样本，再迭代地进行飞行传感器数据的分配和中心样本的更新，直至每类簇中心点的变化达到无穷小；
迭代完成后的z个簇即为所有所述历史飞行传感器数据U标记出的z个类别。
作为本发明优选的实施方式，在剔除异常数据时，包括：
将剔除异常数据后t时刻的训练数据集Y记为Yt，Qt为剔除异常数据前训练数据集Y在t时刻的取值，α为滑动平均系数，α∈[0，1]；
若α＝0时，不使用所述滑动平均系数α，则Yt＝Qt；
若α≠0时，使用滑动平均系数α，则通过滑动平均算法剔除所述|G|个训练数据集中的异常数据，具体如公式5所示：
Yt＝α*Yt-1+(1-α)*Qt (5)。
作为本发明优选的实施方式，在将所述训练数据集输入到卷积神经网络模型中进行训练时，包括：
使用所述训练数据集中的所有数据对所述卷积神经网络模型迭代一次，完成一次所述卷积神经网络模型的训练过程；
通过不断地使用所述训练数据集中的所有数据对所述卷积神经网络模型进行多次迭代，从而得到所述预测模型；
其中，在进行训练时，还包括：使用随机失活方法降低所述训练数据集中节点间的相互依赖性实现正则化。
作为本发明优选的实施方式，在使用随机失活方法降低所述训练数据集中节点间的相互依赖性实现正则化时，包括：
利用回归问题的目标函数作为所述预测模型的目标函数，具体如公式6所示：
式中，K代表训练的目标函数，代表输入训练样本n后预测模型预测的震动异常概率值，qc(n)代表训练样本n对应的真实震动异常概率值，S代表训练数据集，n代表训练数据集中的训练样本；
通过在所述预测模型的每层神经网络添加随机失活dropout，然后对所述预测模型参数添加L2正则项，获得最终的目标函数，具体如公式7所示：
式中，F代表模型的所有参数，代表一个控制正则项惩罚强度的超参，||F||代表F的范数，即模长；
通过将所述最终的目标函数作为所述预测模型的目标函数，抑制所述预测模型的过拟合。
一种基于卷积神经网络预测无人机震动故障的系统，包括：
训练数据集构建单元：用于获取无人机的历史飞行传感器数据，并进行预处理和聚类分析，得到一训练数据集；
预测模型构建单元：用于构建一卷积神经网络模型，将所述训练数据集输入到所述卷积神经网络模型中进行训练，得到一预测模型；
实时采集单元：用于通过所述无人机上的飞行传感器采集装置对所述无人机的传感器数据进行实时采集，并对实时采集到的飞行传感器数据进行预处理，得到实际震动频谱数据；
预测单元：用于将所述实际震动频谱数据输入到所述预测模型中，获得若干预测结果，并判断所述若干预测结果中概率最高的预测结果是否为正常；
异常震动信息输出单元：用于当所述概率最高的预测结果为非正常时，则获取各异常概率和正常概率，并根据所述各异常概率和所述正常概率输出相应的异常震动信息；
其中，所述各异常概率包括：旋翼头震动异常概率、主旋翼震动异常概率、尾旋翼震动异常概率、电机震动异常概率以及机体震动异常概率。
相比现有技术，本发明的有益效果在于：
(1)本发明自动将实时采集到的飞行传感器数据输入预测模型，通过预测模型输出对应的震动异常概率值，判断震动异常概率值是否在阈值范围内，并输出对应的异常震动信息，完成震动故障的预测，整个过程不需要人工参与，大大节省了人力，并且大大缩短了整个故障预测的时间以及降低了出错的概率；
(2)本发明在进行故障预测时，利用的是无人机实时采集到飞行传感器数据，因此无需在无人机离线状态下进行数据分析操作，从而能够实时监测无人机的状态，有效避免因震动故障所带来的无人机坠毁事件。
下面结合附图和具体实施方式对本发明作进一步详细说明。
附图说明
图1-是本发明实施例的基于卷积神经网络预测无人机震动故障的方法步骤图。
具体实施方式
本发明所提供的基于卷积神经网络预测无人机震动故障的方法，如图1所示，包括以下步骤：
步骤S1：获取无人机的历史飞行传感器数据，并进行预处理和聚类分析，得到一训练数据集；
步骤S2：构建一卷积神经网络模型，将训练数据集输入到卷积神经网络模型中进行训练，得到一预测模型；
步骤S3：通过无人机上的飞行传感器采集装置对无人机的传感器数据进行实时采集，并对实时采集到的飞行传感器数据进行预处理，得到实际震动频谱数据；
步骤S4：将实际震动频谱数据输入到预测模型中，获得若干预测结果，并判断若干预测结果中概率最高的预测结果是否为正常；
步骤S5：若否，则获取各异常概率和正常概率，并根据各异常概率和正常概率输出相应的异常震动信息；
其中，各异常概率包括：旋翼头震动异常概率、主旋翼震动异常概率、尾旋翼震动异常概率、电机震动异常概率以及机体震动异常概率。
进一步地，飞行传感器采集装置包括加速度计和陀螺仪。
进一步地，异常震动信息包括旋翼头异常震动、主旋翼异常震动、尾旋翼异常震动、电机异常震动以及机体异常震动。
在上述步骤S5中，在根据各异常概率和正常概率输出相应的异常震动信息时，包括：
除去正常概率后，获取各异常概率占各异常概率总和的百分比，并判断各异常概率所占百分比中是否有超过30％的异常概率，若有，则根据超过30％的异常概率输出相应的异常震动信息，若没有，则输出采样异常信息。
具体地，若旋翼头震动异常概率为30％，主旋翼震动异常概率为30％，尾旋翼震动异常概率为10％，电机震动异常概率为10％，机体震动异常概率为10％，正常概率为10％，则输出旋翼头震动异常和主旋翼震动异常。解释如下：除正常概率外，其他异常概率总和为90％，则对应旋翼头和主旋翼的异常概率：30％/90％＝33％，33％>30％所以输出异常，尾旋翼、电机、机体的异常概率：10％/90％＝11％<30％。如果所有震动异常概率都没有超过30％，说明每种震动异常概率都相似，说明采样异常，本次预测无效。
进一步地，本发明的卷积神经网络模型是基于VGG的神经网络模型改良的神经网络模型。该卷积神经网络模型的网络结构包括输入层、卷积层、池化层、全连接层以及输出层，是一类包含卷积计算且具有深度结构的前向神经网络。
以下进行结构分析：
输入尺寸为1*2500*3一维信号数据；
经过2层16*1*8的卷积核，即卷积两次，再经过ReLU激活，输出尺寸为1*625*16，经最大池化层，数据尺寸减半，输出尺寸为1*312*16；
经过2层64*1*4的卷积核，即卷积两次，再经过ReLU激活，输出尺寸为1*78*64，经最大池化层，数据尺寸减半，输出尺寸为1*39*64；
经过2层256*1*4的卷积核，即卷积两次，再经过ReLU激活，输出尺寸为1*10*256，经最大池化层，数据尺寸减半，输出尺寸为1*5*256；
经过2层512*1*4的卷积核，即卷积两次，再经过ReLU激活，输出尺寸为1*5*512，经最大池化层，数据尺寸减半，输出尺寸为1*2*512；
然后经过全局最大池化操作，输出一维尺寸为1*1*512；
经过1层1*1*256的全连接层，再通过ReLU激活，输出尺寸为1*1*256；
经过1层1*1*128的全连接层，再通过ReLU激活，输出尺寸为1*1*128；
最经过1层1*1*5的全连接层，输出尺寸为1*1*5，最后通过softmax输出6个预测结果。6个预测结果分别为旋翼头震动异常概率、主旋翼震动异常概率、尾旋翼震动异常概率、电机震动异常概率、机体震动异常概率以及正常概率。
在上述步骤S1中，在获取无人机的历史飞行传感器数据，并进行预处理时，包括：
在无人机的历史数据中提取飞行传感器采集装置采集的历史飞行传感器数据，并将历史飞行传感器数据作为历史震动时域数据；
将历史震动时域数据通过傅里叶变换算法转换成历史震动频域数据。
具体地，由于采集到的历史震动时域数据难以体现其特征性，因此将历史震动时域数据通过傅里叶变换算法转换成历史震动频域数据，从历史震动频域数据中做特征提取。
进一步地，在将历史震动时域数据通过傅里叶变换算法转换成历史震动频域数据时，包括：
对采集到长度为S的历史飞行传感器数据时间序列进行分割，将历史飞行传感器数据时间序列分割为F个不重叠的等长{t(i),i＝1,2,3,.......,S}时移窗口序列，具体如公式1所示：
Tn＝[t((n-1)L+j),n＝1,2,....,F,j＝1,2,.....,L] (1)；
式中，F代表窗口数，L代表窗口长度，n代表窗口序号，Tn代表对应的时移窗口序列；
使用快速傅里叶变换算法对每段时移窗口序列Tn进行频域转换，将历史震动时域数据Tn转换为历史震动频域数据Tm，具体如公式2所示：
式中，L代表采样点数量，WL代表复数变换值。
在上述步骤S1中，在提取无人机的历史震动数据，并进行聚类分析时，包括：
对转换得到的历史震动频域数据Tm进行震动异常划分和剔除异常数据，形成训练数据集。
进一步地，在进行震动异常划分时，包括：
选取历史震动频域数据Tm上特定频段的数据作为特征，使用聚类算法将所有历史飞行传感器数据U标记为z个类别，具体如公式3所示：
根据标记将所有历史飞行传感器数据的特征张量S分解成z个对应类别的特征张量，具体如公式4所示：
式中，
对每个类别设定一组时间步长G，将每个类别/>转换为|G|个训练数据集。
更进一步地，在使用聚类算法将所有历史飞行传感器数据U标记为z个类别时，包括：
对收集的所有历史飞行传感器数据拟定z个小集合，针对每个拟定的小集合手动选取一个初始中心样本；
利用K-means聚类算法把所有历史飞行传感器数据中的每个飞行传感器数据分配到距离最近的中心样本的簇中，并重新获得每个簇的中心样本，再迭代地进行飞行传感器数据的分配和中心样本的更新，直至每类簇中心点的变化达到无穷小；
迭代完成后的z个簇即为所有历史飞行传感器数据U标记出的z个类别。
进一步地，在剔除异常数据时，包括：
将剔除异常数据后t时刻的训练数据集Y记为Yt，Qt为剔除异常数据前训练数据集Y在t时刻的取值，α为滑动平均系数，α∈[0，1]；
若α＝0时，不使用所述滑动平均系数α，则Yt＝Qt；
若α≠0时，使用滑动平均系数α，则通过滑动平均算法剔除|G|个训练数据集中的异常数据，具体如公式5所示：
Yt＝α*Yt-1+(1-α)*Qt (5)。
在上述步骤S2中，在将训练数据集输入到卷积神经网络模型中进行训练时，包括：
使用训练数据集中的所有数据对卷积神经网络模型迭代一次，完成一次卷积神经网络模型的训练过程；
通过不断地使用训练数据集中的所有数据对卷积神经网络模型进行多次迭代，从而得到预测模型；
其中，在进行训练时，还包括：使用随机失活方法降低训练数据集中节点间的相互依赖性实现正则化。
具体地，随机失活是对具有深度结构的人工神经网络进行优化的方法，在学习过程中通过将隐含层的部分权重或输出随机归零，降低节点间的相互依赖性从而实现神经网络的正则化，降低其结构风险。
进一步地，在使用随机失活方法降低训练数据集中节点间的相互依赖性实现正则化时，包括：
利用回归问题的目标函数作为预测模型的目标函数，具体如公式6所示：
式中，K代表训练的目标函数，代表输入训练样本n后预测模型预测的震动异常概率值，qc(n)代表训练样本n对应的真实震动异常概率值，S代表训练数据集，n代表训练数据集中的训练样本；
通过在预测模型的每层神经网络添加随机失活dropout，然后对预测模型参数添加L2正则项，获得最终的目标函数，具体如公式7所示：
式中，F代表模型的所有参数，代表一个控制正则项惩罚强度的超参，||F||代表F的范数，即模长；
通过将最终的目标函数作为预测模型的目标函数，抑制预测模型的过拟合。
本发明所提供的基于卷积神经网络预测无人机震动故障的系统，包括：训练数据集构建单元、预测模型构建单元、实时采集单元、预测单元以及异常震动信息输出单元。训练数据集构建单元用于获取无人机的历史飞行传感器数据，并进行预处理和聚类分析，得到一训练数据集；预测模型构建单元用于构建一卷积神经网络模型，将训练数据集输入到卷积神经网络模型中进行训练，得到一预测模型；实时采集单元用于通过无人机上的飞行传感器采集装置对无人机的传感器数据进行实时采集，并对实时采集到的飞行传感器数据进行预处理，得到实际震动频谱数据；预测单元用于将实际震动频谱数据输入到预测模型中，获得若干预测结果，并判断若干预测结果中概率最高的预测结果是否为正常；异常震动信息输出单元用于当概率最高的预测结果为非正常时，则获取各异常概率和正常概率，并根据各异常概率和正常概率输出相应的异常震动信息；
其中，各异常概率包括：旋翼头震动异常概率、主旋翼震动异常概率、尾旋翼震动异常概率、电机震动异常概率以及机体震动异常概率。
相比现有技术，本发明的有益效果在于：
(1)本发明自动将实时采集到的飞行传感器数据输入预测模型，通过预测模型输出对应的震动异常概率值，判断震动异常概率值是否在阈值范围内，并输出对应的异常震动信息，完成震动故障的预测，整个过程不需要人工参与，大大节省了人力，并且大大缩短了整个故障预测的时间以及降低了出错的概率；
(2)本发明在进行故障预测时，利用的是无人机实时采集到飞行传感器数据，因此无需在无人机离线状态下进行数据分析操作，从而能够实时监测无人机的状态，有效避免因震动故障所带来的无人机坠毁事件。
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (7)
1.一种基于卷积神经网络预测无人机震动故障的方法，其特征在于，包括以下步骤：
获取无人机的历史飞行传感器数据，并进行预处理和聚类分析，得到一训练数据集；
构建一卷积神经网络模型，将所述训练数据集输入到所述卷积神经网络模型中进行训练，得到一预测模型；
通过所述无人机上的飞行传感器采集装置对所述无人机的传感器数据进行实时采集，并对实时采集到的飞行传感器数据进行预处理，得到实际震动频谱数据；
将所述实际震动频谱数据输入到所述预测模型中，获得若干预测结果，并判断所述若干预测结果中概率最高的预测结果是否为正常；
若否，则获取各异常概率和正常概率，并根据所述各异常概率和所述正常概率输出相应的异常震动信息；
其中，所述各异常概率包括：旋翼头震动异常概率、主旋翼震动异常概率、尾旋翼震动异常概率、电机震动异常概率以及机体震动异常概率；
在获取无人机的历史飞行传感器数据，并进行预处理时，包括：
在所述无人机的历史数据中提取所述飞行传感器采集装置采集的历史飞行传感器数据，并将所述历史飞行传感器数据作为历史震动时域数据；
将所述历史震动时域数据通过傅里叶变换算法转换成历史震动频域数据。
在将所述历史震动时域数据通过傅里叶变换算法转换成历史震动频域数据时，包括：
对采集到长度为S的历史飞行传感器数据时间序列进行分割，将所述历史飞行传感器数据时间序列分割为F个不重叠的等长{t(i),i＝1,2,3,.......,S}时移窗口序列，具体如公式(1)所示：
Tn＝[t((n-1)L+j),n＝1,2,....,F,j＝1,2,.....,L] (1)；
式中，F代表窗口数，L代表窗口长度，n代表窗口序号，Tn代表对应的时移窗口序列；
使用快速傅里叶变换算法对每段时移窗口序列Tn进行频域转换，将所述历史震动时域数据Tn转换为所述历史震动频域数据Tm，具体如公式(2)所示：
式中，L代表采样点数量，WL代表复数变换值；
在提取无人机的历史震动数据，并进行聚类分析时，包括：
对转换得到的所述历史震动频域数据Tm进行震动异常划分和剔除异常数据，形成所述训练数据集。
2.根据权利要求1所述的基于卷积神经网络预测无人机震动故障的方法，其特征在于，在进行震动异常划分时，包括：
选取所述历史震动频域数据Tm上特定频段的数据作为特征，使用聚类算法将所有所述历史飞行传感器数据U标记为z个类别，具体如公式(3)所示：
式中，Fclu(U)表示使用聚类算法进行标记；
根据所述标记将所有所述历史飞行传感器数据的特征张量S分解成z个对应类别的特征张量，具体如公式(4)所示：
式中，Fclass表示根据标记的类别进行分解；
对每个类别设定一组时间步长G，将所述每个类别/>转换为|G|个训练数据集。
3.根据权利要求2所述的基于卷积神经网络预测无人机震动故障的方法，其特征在于，在使用聚类算法将所有所述历史飞行传感器数据U标记为z个类别时，包括：
对收集的所有所述历史飞行传感器数据拟定z个小集合，针对每个拟定的小集合手动选取一个初始中心样本；
利用K-means聚类算法把所有所述历史飞行传感器数据中的每个飞行传感器数据分配到距离最近的中心样本的簇中，并重新获得每个簇的中心样本，再迭代地进行飞行传感器数据的分配和中心样本的更新，直至每类簇中心点的变化达到无穷小；
迭代完成后的z个簇即为所有所述历史飞行传感器数据U标记出的z个类别。
4.根据权利要求2所述的基于卷积神经网络预测无人机震动故障的方法，其特征在于，在剔除异常数据时，包括：
将剔除异常数据后t时刻的训练数据集Y记为Yt，Qt为剔除异常数据前训练数据集Y在t时刻的取值，α为滑动平均系数，α∈[0，1]；
若α＝0时，不使用所述滑动平均系数α，则Yt＝Qt；
若α≠0时，使用滑动平均系数α，则通过滑动平均算法剔除所述|G|个训练数据集中的异常数据，具体如公式(5)所示：
Yt＝α*Yt-1+(1-α)*Qt (5)。
5.根据权利要求1所述的基于卷积神经网络预测无人机震动故障的方法，其特征在于，在将所述训练数据集输入到卷积神经网络模型中进行训练时，包括：
使用所述训练数据集中的所有数据对所述卷积神经网络模型迭代一次，完成一次所述卷积神经网络模型的训练过程；
通过不断地使用所述训练数据集中的所有数据对所述卷积神经网络模型进行多次迭代，从而得到所述预测模型；
其中，在进行训练时，还包括：使用随机失活方法降低所述训练数据集中节点间的相互依赖性实现正则化。
6.根据权利要求5所述的基于卷积神经网络预测无人机震动故障的方法，其特征在于，在使用随机失活方法降低所述训练数据集中节点间的相互依赖性实现正则化时，包括：
利用回归问题的目标函数作为所述预测模型的目标函数，具体如公式(6)所示：
式中，K代表训练的目标函数，代表输入训练样本n后预测模型预测的震动异常概率值，qc(n)代表训练样本n对应的真实震动异常概率值，S代表训练数据集，n代表训练数据集中的训练样本；
通过在所述预测模型的每层神经网络添加随机失活dropout，然后对所述预测模型参数添加L2正则项，获得最终的目标函数，具体如公式(7)所示：
式中，F代表模型的所有参数，代表一个控制正则项惩罚强度的超参，||F||代表F的范数，即模长；
通过将所述最终的目标函数作为所述预测模型的目标函数，抑制所述预测模型的过拟合。
7.一种基于卷积神经网络预测无人机震动故障的系统，其特征在于，包括：
训练数据集构建单元：用于获取无人机的历史飞行传感器数据，并进行预处理和聚类分析，得到一训练数据集；
预测模型构建单元：用于构建一卷积神经网络模型，将所述训练数据集输入到所述卷积神经网络模型中进行训练，得到一预测模型；
实时采集单元：用于通过所述无人机上的飞行传感器采集装置对所述无人机的传感器数据进行实时采集，并对实时采集到的飞行传感器数据进行预处理，得到实际震动频谱数据；
预测单元：用于将所述实际震动频谱数据输入到所述预测模型中，获得若干预测结果，并判断所述若干预测结果中概率最高的预测结果是否为正常；
异常震动信息输出单元：用于当所述概率最高的预测结果为非正常时，则获取各异常概率和正常概率，并根据所述各异常概率和所述正常概率输出相应的异常震动信息；
其中，所述各异常概率包括：旋翼头震动异常概率、主旋翼震动异常概率、尾旋翼震动异常概率、电机震动异常概率以及机体震动异常概率；
在获取无人机的历史飞行传感器数据，并进行预处理时，包括：
在所述无人机的历史数据中提取所述飞行传感器采集装置采集的历史飞行传感器数据，并将所述历史飞行传感器数据作为历史震动时域数据；
将所述历史震动时域数据通过傅里叶变换算法转换成历史震动频域数据。
在将所述历史震动时域数据通过傅里叶变换算法转换成历史震动频域数据时，包括：
对采集到长度为S的历史飞行传感器数据时间序列进行分割，将所述历史飞行传感器数据时间序列分割为F个不重叠的等长{t(i),i＝1,2,3,.......,S}时移窗口序列，具体如公式(1)所示：
Tn＝[t((n-1)L+j),n＝1,2,....,F,j＝1,2,.....,L] (1)；
式中，F代表窗口数，L代表窗口长度，n代表窗口序号，Tn代表对应的时移窗口序列；
使用快速傅里叶变换算法对每段时移窗口序列Tn进行频域转换，将所述历史震动时域数据Tn转换为所述历史震动频域数据Tm，具体如公式(2)所示：
式中，L代表采样点数量，WL代表复数变换值；
在提取无人机的历史震动数据，并进行聚类分析时，包括：
对转换得到的所述历史震动频域数据Tm进行震动异常划分和剔除异常数据，形成所述训练数据集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310208002.9A CN116304695B (zh) | 2023-03-07 | 2023-03-07 | 一种基于卷积神经网络预测无人机震动故障的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310208002.9A CN116304695B (zh) | 2023-03-07 | 2023-03-07 | 一种基于卷积神经网络预测无人机震动故障的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116304695A CN116304695A (zh) | 2023-06-23 |
| CN116304695B true CN116304695B (zh) | 2024-04-09 |
Family
ID=86795549
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310208002.9A Active CN116304695B (zh) | 2023-03-07 | 2023-03-07 | 一种基于卷积神经网络预测无人机震动故障的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116304695B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107437099A (zh) * | 2017-08-03 | 2017-12-05 | 哈尔滨工业大学 | 一种基于机器学习的特定服饰图像识别与检测方法 |
| WO2018053815A1 (zh) * | 2016-09-23 | 2018-03-29 | 深圳市大疆创新科技有限公司 | 应用于遥控器的信息提示方法及遥控器 |
| CN109086487A (zh) * | 2018-06-29 | 2018-12-25 | 厦门大学 | 持续激励型共形傅里叶变换的无人机微小故障检测方法 |
| CN110363568A (zh) * | 2019-06-06 | 2019-10-22 | 上海交通大学 | 融合文本多主题信息的股票价格预测方法、系统及介质 |
| CN111222549A (zh) * | 2019-12-30 | 2020-06-02 | 航天时代飞鸿技术有限公司 | 一种基于深度神经网络的无人机故障预测方法 |
| CN112781903A (zh) * | 2020-12-28 | 2021-05-11 | 杭州哲达科技股份有限公司 | 一种基于数字孪生系统的高炉鼓风机和trt机组故障诊断方法 |
| KR20210059543A (ko) * | 2019-11-15 | 2021-05-25 | 주식회사 스마티 | 드론의 이상 진단장치 및 그 방법 |
| CN113514109A (zh) * | 2021-08-18 | 2021-10-19 | 广东新创华科环保股份有限公司 | 一种无人机飞行故障检测方法和系统 |
| CN113962251A (zh) * | 2021-09-14 | 2022-01-21 | 中国兵器工业信息中心 | 一种无人机的故障检测方法、装置、电子设备及存储介质 |
-
2023
- 2023-03-07 CN CN202310208002.9A patent/CN116304695B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018053815A1 (zh) * | 2016-09-23 | 2018-03-29 | 深圳市大疆创新科技有限公司 | 应用于遥控器的信息提示方法及遥控器 |
| CN107437099A (zh) * | 2017-08-03 | 2017-12-05 | 哈尔滨工业大学 | 一种基于机器学习的特定服饰图像识别与检测方法 |
| CN109086487A (zh) * | 2018-06-29 | 2018-12-25 | 厦门大学 | 持续激励型共形傅里叶变换的无人机微小故障检测方法 |
| CN110363568A (zh) * | 2019-06-06 | 2019-10-22 | 上海交通大学 | 融合文本多主题信息的股票价格预测方法、系统及介质 |
| KR20210059543A (ko) * | 2019-11-15 | 2021-05-25 | 주식회사 스마티 | 드론의 이상 진단장치 및 그 방법 |
| CN111222549A (zh) * | 2019-12-30 | 2020-06-02 | 航天时代飞鸿技术有限公司 | 一种基于深度神经网络的无人机故障预测方法 |
| CN112781903A (zh) * | 2020-12-28 | 2021-05-11 | 杭州哲达科技股份有限公司 | 一种基于数字孪生系统的高炉鼓风机和trt机组故障诊断方法 |
| CN113514109A (zh) * | 2021-08-18 | 2021-10-19 | 广东新创华科环保股份有限公司 | 一种无人机飞行故障检测方法和系统 |
| CN113962251A (zh) * | 2021-09-14 | 2022-01-21 | 中国兵器工业信息中心 | 一种无人机的故障检测方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116304695A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110307982B (zh) | 基于CNN和Adaboost的轴承故障分类方法 | |
| CN112161784B (zh) | 基于多传感器信息融合迁移网络的机械故障诊断方法 | |
| CN109597401B (zh) | 一种基于数据驱动的设备故障诊断方法 | |
| CN112629863A (zh) | 变工况下动态联合分布对齐网络的轴承故障诊断方法 | |
| CN112906858A (zh) | 一种船舶运动轨迹实时预测方法 | |
| CN109886387B (zh) | 一种基于门控网络和梯度提升回归的交通时序预测方法 | |
| CN110333076B (zh) | 基于CNN-Stacking的轴承故障诊断方法 | |
| CN113848417A (zh) | 轨道交通供电设备故障预测方法及装置 | |
| CN115689008A (zh) | 基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法及其系统 | |
| CN112734094B (zh) | 一种智慧城市智轨车辆故障基因预测方法及系统 | |
| CN111753891A (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
| CN110737267A (zh) | 一种无人船多目标优化方法及无人船智能综合管控系统 | |
| EP4116893A1 (en) | Model generation device, estimation device, model generation method, and model generation program | |
| CN113095443A (zh) | 基于lstm-dnn网络模型的实时天气预测算法 | |
| CN114926825A (zh) | 一种基于时空特征融合的车辆驾驶行为检测方法 | |
| Zhiwei | Bearing fault diagnosis of end-to-end model design based on 1DCNN-GRU network | |
| Liang et al. | 1d convolutional neural networks for fault diagnosis of high-speed train bogie | |
| CN116304695B (zh) | 一种基于卷积神经网络预测无人机震动故障的方法及系统 | |
| CN111027859B (zh) | 基于机动车状态监控数据挖掘的驾驶风险防范方法及系统 | |
| CN111259949A (zh) | 飞机环控系统故障识别模型构建方法、模型及识别方法 | |
| CN112061136A (zh) | 基于长短期记忆网络的司机驾驶行为自动化分析方法 | |
| CN116843662A (zh) | 一种基于动态视觉与类脑计算的非接触式故障诊断方法 | |
| CN116910574A (zh) | 基于元学习和时间卷积网络的机械设备诊断方法及装置 | |
| CN115824261A (zh) | 一种控制力矩陀螺仪故障检测方法、装置及相关存储介质 | |
| CN113343590B (zh) | 一种基于组合模型的风速预测方法及系统 |
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 |