CN116774719A - 一种无人机飞行参数自诊断方法及系统 - Google Patents
一种无人机飞行参数自诊断方法及系统 Download PDFInfo
- Publication number
- CN116774719A CN116774719A CN202311042856.0A CN202311042856A CN116774719A CN 116774719 A CN116774719 A CN 116774719A CN 202311042856 A CN202311042856 A CN 202311042856A CN 116774719 A CN116774719 A CN 116774719A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- self
- flight parameter
- diagnosis
- 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
- 238000004092 self-diagnosis Methods 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000010276 construction Methods 0.000 claims abstract description 13
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 241000251468 Actinopterygii Species 0.000 claims description 74
- 230000006399 behavior Effects 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 12
- 230000002441 reversible effect Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 230000000739 chaotic effect Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000019637 foraging behavior Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000011160 research Methods 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
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于无人机技术领域，公开了一种无人机飞行参数自诊断方法及系统。所述的方法包括如下步骤：一种无人机飞行参数自诊断方法，包括如下步骤：获取历史无人机的历史飞行参数集；对历史飞行参数集进行预处理；根据历史关键飞行参数集，使用深度学习算法进行优化训练，构建无人机自诊断模型；获取当前无人机的实时飞行参数；根据当前无人机的实时飞行参数，使用无人机自诊断模型进行无人机飞行参数自诊断，得到无人机自诊断结果。所述的系统包括飞行参数采集单元、数据获取单元、数据预处理单元、模型构建单元以及自诊断单元。本发明解决了现有技术存在的人力成本投入大，准确性差，实时性差，以及无人机运行可靠性和安全性低的问题。
Description
技术领域
发明属于无人机技术领域，具体涉及一种无人机飞行参数自诊断方法及系统。
背景技术
无人机由复杂的机械与电子系统构成，是一种由飞行器控制系统和地面的无人机控制中心综合控制运行的复杂设备。其中飞行器控制系统为无人机的主要系统，其包含执行机构、传感系统以及飞控计算机等，主要用来控制无人机的飞行姿态、飞行速度以及飞行路线等。
无人机承担着情报、监控、侦察、定点打击以及各类枯燥、肮脏或者危险任务，因此，如何保证无人机的运行可靠性和安全性，是当前研究的重中之重。飞行参数作为无人机的重要指标参数，真实的反应出无人机实际运行的情况与状态，并且通过对无人机的飞行参数进行分析，能够获取无人机潜在或早期的故障因素。
现有技术中，对无人机飞行参数与故障之间的内部联系研究较少，大多凭借技术人员的经验或专业知识对飞行参数进行人为处理和分析，导致人力成本投入大，故障诊断准确性差，并且往往在发生坠毁事故等意外情况后，才能得到飞行途中的飞行参数，故障诊断实时性差，导致无人机运行可靠性和安全性低。
发明内容
为了解决现有技术存在的人力成本投入大，准确性差，实时性差，以及无人机运行可靠性和安全性低的问题，本发明目的在于提供一种无人机飞行参数自诊断方法及系统。
本发明所采用的技术方案为：
一种无人机飞行参数自诊断方法，包括如下步骤：
获取历史无人机的历史飞行参数集；
对历史飞行参数集进行预处理，得到历史关键飞行参数集；
根据历史关键飞行参数集，使用深度学习算法进行优化训练，构建无人机自诊断模型；
获取当前无人机的实时飞行参数；
根据当前无人机的实时飞行参数，使用无人机自诊断模型进行无人机飞行参数自诊断，得到无人机自诊断结果。
进一步地，历史飞行参数集中的每条历史飞行参数的数据类型包括实时飞行参数的数据类型；
历史飞行参数的数据类型包括无人机的升降舵参数、副翼参数、方向舵参数、俯仰角、俯仰角速率、滚转角、滚转角速率、偏航角、偏航角速率、飞行高度、飞行速度、工作电压、工作电流、工作功率、内部温度、经纬度参数以及故障参数；
实时飞行参数的数据类型包括无人机的升降舵参数、副翼参数、方向舵参数、俯仰角、俯仰角速率、滚转角、滚转角速率、偏航角、偏航角速率、飞行高度、飞行速度、工作电压、工作电流、工作功率、内部温度以及经纬度参数。
进一步地，对历史飞行参数集进行预处理，得到历史关键飞行参数集，包括如下步骤：
对历史飞行参数集进行数据清洗，得到去除冗余的历史飞行参数集；
对去除冗余的历史飞行参数集中的每条历史飞行参数添加故障标签，得到添加标签的历史飞行参数集；
对添加标签的历史飞行参数集进行数据降维，得到历史关键飞行参数集。
进一步地，对添加标签的历史飞行参数集进行数据降维，得到历史关键飞行参数集，包括如下步骤：
根据添加标签的历史飞行参数集中的所有历史飞行参数，使用KECA算法进行主成分分析，得到历史飞行参数的数据类型与无人机故障相关的相关贡献值；
根据数据类型与无人机故障相关的相关贡献值，将若干数据类型进行降序排列，并选取前若干个数据类型，得到历史飞行参数的若干关键数据类型；
根据历史飞行参数的若干关键数据类型，对去除冗余的历史飞行参数集进行数据降维，得到历史关键飞行参数集。
进一步地，根据历史关键飞行参数集，使用深度学习算法进行优化训练，构建无人机自诊断模型，包括如下步骤：
对历史关键飞行参数集进行归一化处理，得到归一化处理的历史关键飞行参数样本集；
将归一化处理的历史关键飞行参数样本集划分为测试样本集和训练样本集；
根据训练样本集，使用IAFSA-DBN算法进行优化训练，得到初始的无人机自诊断模型；
将测试样本集输入初始的无人机自诊断模型进行测试，若自诊断准确率达到预设阈值，则输出最优的无人机自诊断模型，否则，继续进行优化训练。
进一步地，引入Tent混沌序列初始化、动态反向学习策略、粒子化搜索模式以及基于柯西分布的自适应人工鱼视野机制对人工鱼群寻优算法进行改进，得到IAFSA寻优算法，使用IAFSA寻优算法优化DBN网络的初始网络参数，得到IAFSA-DBN算法。
进一步地，根据训练样本集，使用IAFSA-DBN算法进行优化训练，得到初始的无人机自诊断模型，包括如下步骤：
使用IAFSA寻优算法优化DBN网络的初始网络参数，即将DBN网络的隐含层数量、隐含层神经元数量、各隐含层之间的神经元连接的初始权值与初始阈值，以及初始学习率作为IAFSA种群中人工鱼个体的位置；
获取IAFSA种群中每条人工鱼个体的适应度值，并根据人工鱼个体的适应度值，保留最优的人工鱼个体；
若迭代次数处于迭代后半程，则使用基于柯西分布的自适应人工鱼视野机制对IAFSA种群的人工鱼视野进行更新，得到更新后的人工鱼视野，并进入下一步骤，否则，直接进入下一步骤；
根据更新后的IAFSA种群，进行动态反向学习，得到反向的IAFSA种群，并获取更新后的IAFSA种群和反向的IAFSA种群的所有人工鱼个体的适应度值；
根据所有人工鱼个体的适应度值，更新最优的人工鱼个体，得到更新后的最优的人工鱼个体及对应的最优的适应度值；
若迭代次数或最优的适应度值满足要求，则输出更新后的最优的人工鱼个体对应的全局最优解，否则，继续更新IAFSA种群；
将全局最优解作为DBN网络的最优的初始网络参数，将训练样本集输入DBN网络，进行优化训练，得到初始的无人机自诊断模型。
进一步地，根据当前无人机的实时飞行参数，使用无人机自诊断模型进行无人机飞行参数自诊断，得到无人机自诊断结果，包括如下步骤：
根据历史飞行参数的若干关键数据类型，对当前无人机的实时飞行参数进行数据降维，得到实时关键飞行参数；
对实时关键飞行参数进行归一化处理，得到归一化处理的实时关键飞行参数；
将归一化处理的实时关键飞行参数输入无人机自诊断模型，进行无人机飞行参数自诊断，得到对应的故障标签；
将故障标签作为无人机自诊断结果进行输出。
一种无人机飞行参数自诊断系统，用于实现无人机飞行参数自诊断方法，系统包括飞行参数采集单元、数据获取单元、数据预处理单元、模型构建单元以及自诊断单元，飞行参数采集单元设置于无人机，飞行参数采集单元与无人机的飞行器控制系统连接，且飞行参数采集单元与自诊断单元连接，数据获取单元、数据预处理单元、模型构建单元以及自诊断单元依次连接，且数据获取单元与无人机控制中心的数据服务器连接，自诊断单元与无人机控制中心的控制服务器连接；
飞行参数采集单元，用于在当前无人机的飞行器控制系统中实时采集当前无人机的实时飞行参数，并将当前无人机的实时飞行参数发送至自诊断单元；
数据获取单元，用于在无人机控制中心的数据服务器中获取历史无人机的历史飞行参数集，并将历史飞行参数集发送至数据预处理单元；
数据预处理单元，用于对历史飞行参数集进行预处理，得到历史关键飞行参数集，并将历史关键飞行参数集发送至模型构建单元；
模型构建单元，用于根据历史关键飞行参数集，使用深度学习算法进行优化训练，构建无人机自诊断模型，并将无人机自诊断模型的模型元数据发送至自诊断单元；
自诊断单元，用于根据无人机自诊断模型的模型元数据进行模型重构，得到重构的无人机自诊断模型，根据当前无人机的实时飞行参数，使用重构的无人机自诊断模型进行无人机飞行参数自诊断，得到无人机自诊断结果，并将无人机自诊断结果发送至无人机控制中心的控制服务器。
本发明的有益效果为：
1）本发明提供的一种无人机飞行参数自诊断方法，根据大量的历史飞行参数集，使用深度学习算法构建无人机自诊断模型，对无人机的飞行参数进行自动化的故障自诊断，避免了飞行参数的人为处理和分析，降低了人力成本投入，提高了故障诊断准确性，并且通过研究无人机故障与飞行参数的内在联系，获取关键飞行参数，在减轻数据处理压力的情况下，提高了无人机飞行参数自诊断的速度和效率。
2）本发明提供的一种无人机飞行参数自诊断系统，通过飞行参数采集单元对无人机的飞行器控制系统的实时监测，及时获取飞行参数使用自诊断单元进行自诊断，提高了故障诊断实时性，并将无人机自诊断结果实时发送至无人机控制中心的控制服务器，有利于工作人员及时掌握无人机的飞行状况和故障情况，采取下一步行动，提高了无人机运行可靠性和安全性。
本发明的其他有益效果将在具体实施方式中进一步进行说明。
附图说明
图1是本发明中无人机飞行参数自诊断方法的流程框图。
图2是本发明中无人机飞行参数自诊断系统的结构框图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步阐释。
实施例1：
如图1所示，本实施例提供一种无人机飞行参数自诊断方法，包括如下步骤：
获取历史无人机的历史飞行参数集；
历史飞行参数的数据类型包括无人机的升降舵参数、副翼参数、方向舵参数、俯仰角、俯仰角速率、滚转角、滚转角速率、偏航角、偏航角速率、飞行高度、飞行速度、工作电压、工作电流、工作功率、内部温度、经纬度参数以及故障参数；
对历史飞行参数集进行预处理，得到历史关键飞行参数集，包括如下步骤：
对历史飞行参数集进行数据清洗，得到去除冗余的历史飞行参数集；
对去除冗余的历史飞行参数集中的每条历史飞行参数添加故障标签，得到添加标签的历史飞行参数集；
对添加标签的历史飞行参数集进行数据降维，得到历史关键飞行参数集，包括如下步骤：
根据添加标签的历史飞行参数集中的所有历史飞行参数，使用核熵成分分析（Kernel Entropy Component Analysis，KECA）算法进行主成分分析，得到历史飞行参数的数据类型与无人机故障相关的相关贡献值；
根据数据类型与无人机故障相关的相关贡献值，将若干数据类型进行降序排列，并选取前若干个数据类型，得到历史飞行参数的若干关键数据类型；
KECA算法是经过高维特征空间实现非线性的降维，将输入的添加标签的历史飞行参数集矩阵通过非线性映射到高维特征空间，而后再选取主元向量，获取的数据类型与无人机故障相关的相关贡献值，代表该数据类型预无人机故障的相关性，选择前50%的与故障强相关的关键数据类型，剔除掉与故障弱相关的非关键数据类型，有利于数据的精简；
根据历史飞行参数的若干关键数据类型，对去除冗余的历史飞行参数集进行数据降维，得到历史关键飞行参数集；
根据历史关键飞行参数集，使用深度学习算法进行优化训练，构建无人机自诊断模型，包括如下步骤：
对历史关键飞行参数集进行归一化处理，得到归一化处理的历史关键飞行参数样本集；
将归一化处理的历史关键飞行参数样本集划分为测试样本集和训练样本集；
根据训练样本集，使用改进人工鱼群（Improve Artificial Fish SwarmAlgorithm，IAFSA）寻优算法优化优化深度置信网络（Deep Belief Nets，DBN）的深度学习算法进行优化训练，得到初始的无人机自诊断模型，包括如下步骤：
引入Tent混沌序列初始化、动态反向学习策略、粒子化搜索模式以及基于柯西分布的自适应人工鱼视野机制对人工鱼群寻优算法进行改进，得到IAFSA寻优算法，使用IAFSA寻优算法优化DBN网络的初始网络参数，得到IAFSA-DBN算法；
使用IAFSA寻优算法优化DBN网络的初始网络参数，即将DBN网络的隐含层数量、隐含层神经元数量、各隐含层之间的神经元连接的初始权值与初始阈值，以及初始学习率作为IAFSA种群中人工鱼个体的位置；
初始化IAFSA寻优算法的算法参数，并使用Tent混沌序列初始化IAFSA种群；
Tent混沌序列的初始化公式为：
式中，为Tent混沌序列生成的人工鱼个体i初始的位置；/>为随机生成的人工鱼个体i初始的位置；/>为人工鱼个体指示量；I为人工鱼个体数量；/>为1的mod函数值；
利用Tent混沌序列映射产生初始种群相比于随机分布的种群，改进后的种群初始位置分布更加均匀，扩大了人工鱼群在空间中的搜索范围，增加了群体位置的多样性，一定程度上改善了算法容易陷入局部极值的缺陷，从而提高了算法的寻优效率；
获取IAFSA种群中每条人工鱼个体的适应度值，并根据人工鱼个体的适应度值，保留最优的人工鱼个体；
适应度值的公式为：
式中，为适应度函数；/>为网络输出误差函数；/>为第n个网络节点的真实输出值；/>为第n个网络节点的理想输出值；n为网络节点指示量；N为网络节点总数；
若迭代次数处于迭代后半程，则使用基于柯西分布的自适应人工鱼视野机制对IAFSA种群的人工鱼视野进行更新，得到更新后的人工鱼视野，并进入下一步骤，否则，直接进入下一步骤；
基于柯西分布的自适应人工鱼视野范围更新的公式为：
式中，为更新后的人工鱼视野；/>为更新前的人工鱼视野；/>为迭代后半程经柯西分布变换后的人工鱼视野；/>为人工鱼个体i当前的位置；t为迭代指示量；T为最大迭代次数；
柯西分布变换后的视野范围的公式为：
式中，为迭代后半程经柯西分布变换后的人工鱼视野；/>为人工鱼个体i的适应度值；/>为人工鱼个体的最劣的适应度值；/>为尺度参数，其值越小，柯西分布概率密度曲线越陡峭，/>；/>为原始的人工鱼视野；
在迭代后半程，引入基于柯西分布的自适应人工鱼视野，使适应度越小的解对应人工鱼的视野范围越小，从而加强对较优解附近的细致搜索，同时不影响较差人工鱼的正常搜索行为，保证算法正常收敛；其中，迭代N次为迭代全程，迭代次数达到N/2 +1次时，当前迭代为迭代全程的迭代后半程；
根据最优的人工鱼个体的位置、IAFSA种群的人工鱼视野以及人工鱼个体的适应度值，进行粒子化搜索模式优化的觅食行为、聚群行为、追尾行为以及随机行为，更新IAFSA种群，得到更新后的IAFSA种群；
粒子化搜索模式优化的觅食行为的公式为：
式中，为粒子化搜索模式优化的觅食行为更新的人工鱼个体的位置；分别为第i条人工鱼个体、第j维人工鱼个体、最优的人工鱼个体对应的位置；/>为更新权重；c 1和c 2均为［0,1］范围内的学习因子；r 1和r 2均为［0,1］范围内的随机数；
粒子化搜索模式优化的聚群行为的公式为：
式中，为粒子化搜索模式优化的聚群行为更新的人工鱼个体的位置；/>为中心的人工鱼个体的位置；
粒子化搜索模式优化的追尾行为的公式为：
式中，为粒子化搜索模式优化的追尾行为更新的人工鱼个体的位置；为搜索其可视范围内食物质量浓度最大的位置；
粒子化搜索模式优化的随机行为的公式为：
式中，为粒子化搜索模式优化的随机行为更新的人工鱼个体的位置；
根据更新后的IAFSA种群，进行动态反向学习，得到反向的IAFSA种群，并获取更新后的IAFSA种群和反向的IAFSA种群的所有人工鱼个体的适应度值；
根据所有人工鱼个体的适应度值，更新最优的人工鱼个体，得到更新后的最优的人工鱼个体及对应的最优的适应度值；
动态反向学习策略的公式为：
式中，为更新后的IAFSA种群中人工鱼体i在第j维正向解的位置；/>为反向的IAFSA种群中人工鱼体i在第j维反向解的位置；/>分别为当前种群第j维的上界和下界；/>为递减惯性因子，/>；减少搜索盲点，更有效的避免算法早熟和陷入局部最优值；
若迭代次数或最优的适应度值满足要求，则输出更新后的最优的人工鱼个体对应的全局最优解，否则，继续更新IAFSA种群；
将全局最优解作为DBN网络的最优的初始网络参数，将训练样本集输入DBN网络，进行优化训练，得到初始的无人机自诊断模型；
IAFSA寻优算法用于寻找DBN网络的最优初始网络参数，避免了DBN网络陷入早熟，提高了无人机自诊断模型的训练效率和准确率，DBN网络属于深度学习，通过对历史关键飞行参数集进行学习，能够提取历史关键飞行参数与无人机故障之间的深层关系，其长期记忆能力能够保证无人机自诊断模型对不同飞行参数样本的特征提取，即输入新的飞行参数时，能够按照预先训练好的网络结构进行预测，提高了无人机自诊断模型的稳定性；
将测试样本集输入初始的无人机自诊断模型进行测试，若自诊断准确率达到预设阈值，则输出最优的无人机自诊断模型，否则，继续进行优化训练；
获取当前无人机的实时飞行参数；
历史飞行参数集中的每条历史飞行参数的数据类型包括实时飞行参数的数据类型；
实时飞行参数的数据类型包括无人机的升降舵参数、副翼参数、方向舵参数、俯仰角、俯仰角速率、滚转角、滚转角速率、偏航角、偏航角速率、飞行高度、飞行速度、工作电压、工作电流、工作功率、内部温度以及经纬度参数；
根据当前无人机的实时飞行参数，使用无人机自诊断模型进行无人机飞行参数自诊断，得到无人机自诊断结果，包括如下步骤：
根据历史飞行参数的若干关键数据类型，对当前无人机的实时飞行参数进行数据降维，得到实时关键飞行参数；
对实时关键飞行参数进行归一化处理，得到归一化处理的实时关键飞行参数；
将归一化处理的实时关键飞行参数输入无人机自诊断模型，进行无人机飞行参数自诊断，得到对应的故障标签；
将故障标签作为无人机自诊断结果进行输出。
本发明提供的一种无人机飞行参数自诊断方法，根据大量的历史飞行参数集，使用深度学习算法构建无人机自诊断模型，对无人机的飞行参数进行自动化的故障自诊断，避免了飞行参数的人为处理和分析，降低了人力成本投入，提高了故障诊断准确性，并且通过研究无人机故障与飞行参数的内在联系，获取关键飞行参数，在减轻数据处理压力的情况下，提高了无人机飞行参数自诊断的速度和效率。
实施例2：
如图2所示，本实施例提供一种无人机飞行参数自诊断系统，用于实现无人机飞行参数自诊断方法，系统包括飞行参数采集单元、数据获取单元、数据预处理单元、模型构建单元以及自诊断单元，飞行参数采集单元设置于无人机，飞行参数采集单元与无人机的飞行器控制系统连接，且飞行参数采集单元与自诊断单元连接，数据获取单元、数据预处理单元、模型构建单元以及自诊断单元依次连接，且数据获取单元与无人机控制中心的数据服务器连接，自诊断单元与无人机控制中心的控制服务器连接；
飞行参数采集单元，设置在无人机内部，用于获取无人机的飞行器控制系统、执行机构以及传感部件等的实时飞行参数，并将当前无人机的实时飞行参数发送至自诊断单元；
数据获取单元，用于在无人机控制中心的数据服务器中获取历史无人机的历史飞行参数集，并将历史飞行参数集发送至数据预处理单元；
数据预处理单元，用于对历史飞行参数集进行预处理，得到历史关键飞行参数集，并将历史关键飞行参数集发送至模型构建单元；
模型构建单元，用于根据历史关键飞行参数集，使用深度学习算法进行优化训练，构建无人机自诊断模型，并将无人机自诊断模型的模型元数据发送至自诊断单元；
自诊断单元，用于根据无人机自诊断模型的模型元数据进行模型重构，得到重构的无人机自诊断模型，根据当前无人机的实时飞行参数，使用重构的无人机自诊断模型进行无人机飞行参数自诊断，得到无人机自诊断结果，并将无人机自诊断结果发送至无人机控制中心的控制服务器。
本发明提供的一种无人机飞行参数自诊断系统，通过飞行参数采集单元对无人机的飞行器控制系统的实时监测，及时获取飞行参数使用自诊断单元进行自诊断，提高了故障诊断实时性，并将无人机自诊断结果实时发送至无人机控制中心的控制服务器，有利于工作人员及时掌握无人机的飞行状况和故障情况，采取下一步行动，提高了无人机运行可靠性和安全性。
本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。
Claims (9)
1.一种无人机飞行参数自诊断方法，其特征在于：包括如下步骤：
获取历史无人机的历史飞行参数集；
对历史飞行参数集进行预处理，得到历史关键飞行参数集；
根据历史关键飞行参数集，使用深度学习算法进行优化训练，构建无人机自诊断模型；
获取当前无人机的实时飞行参数；
根据当前无人机的实时飞行参数，使用无人机自诊断模型进行无人机飞行参数自诊断，得到无人机自诊断结果。
2.根据权利要求1所述的一种无人机飞行参数自诊断方法，其特征在于：所述的历史飞行参数集中的每条历史飞行参数的数据类型包括实时飞行参数的数据类型；
历史飞行参数的数据类型包括无人机的升降舵参数、副翼参数、方向舵参数、俯仰角、俯仰角速率、滚转角、滚转角速率、偏航角、偏航角速率、飞行高度、飞行速度、工作电压、工作电流、工作功率、内部温度、经纬度参数以及故障参数；
所述的实时飞行参数的数据类型包括无人机的升降舵参数、副翼参数、方向舵参数、俯仰角、俯仰角速率、滚转角、滚转角速率、偏航角、偏航角速率、飞行高度、飞行速度、工作电压、工作电流、工作功率、内部温度以及经纬度参数。
3.根据权利要求1所述的一种无人机飞行参数自诊断方法，其特征在于：对历史飞行参数集进行预处理，得到历史关键飞行参数集，包括如下步骤：
对历史飞行参数集进行数据清洗，得到去除冗余的历史飞行参数集；
对去除冗余的历史飞行参数集中的每条历史飞行参数添加故障标签，得到添加标签的历史飞行参数集；
对添加标签的历史飞行参数集进行数据降维，得到历史关键飞行参数集。
4.根据权利要求3所述的一种无人机飞行参数自诊断方法，其特征在于：对添加标签的历史飞行参数集进行数据降维，得到历史关键飞行参数集，包括如下步骤：
根据添加标签的历史飞行参数集中的所有历史飞行参数，使用KECA算法进行主成分分析，得到历史飞行参数的数据类型与无人机故障相关的相关贡献值；
根据数据类型与无人机故障相关的相关贡献值，将若干数据类型进行降序排列，并选取前若干个数据类型，得到历史飞行参数的若干关键数据类型；
根据历史飞行参数的若干关键数据类型，对去除冗余的历史飞行参数集进行数据降维，得到历史关键飞行参数集。
5.根据权利要求1所述的一种无人机飞行参数自诊断方法，其特征在于：根据历史关键飞行参数集，使用深度学习算法进行优化训练，构建无人机自诊断模型，包括如下步骤：
对历史关键飞行参数集进行归一化处理，得到归一化处理的历史关键飞行参数样本集；
将归一化处理的历史关键飞行参数样本集划分为测试样本集和训练样本集；
根据训练样本集，使用IAFSA-DBN算法进行优化训练，得到初始的无人机自诊断模型；
将测试样本集输入初始的无人机自诊断模型进行测试，若自诊断准确率达到预设阈值，则输出最优的无人机自诊断模型，否则，继续进行优化训练。
6.根据权利要求5所述的一种无人机飞行参数自诊断方法，其特征在于：引入Tent混沌序列初始化、动态反向学习策略、粒子化搜索模式以及基于柯西分布的自适应人工鱼视野机制对人工鱼群寻优算法进行改进，得到IAFSA寻优算法，使用IAFSA寻优算法优化DBN网络的初始网络参数，得到IAFSA-DBN算法。
7.根据权利要求6所述的一种无人机飞行参数自诊断方法，其特征在于：根据训练样本集，使用IAFSA-DBN算法进行优化训练，得到初始的无人机自诊断模型，包括如下步骤：
使用IAFSA寻优算法优化DBN网络的初始网络参数，即将DBN网络的隐含层数量、隐含层神经元数量、各隐含层之间的神经元连接的初始权值与初始阈值，以及初始学习率作为IAFSA种群中人工鱼个体的位置；
初始化IAFSA寻优算法的算法参数，并使用Tent混沌序列初始化IAFSA种群；
获取IAFSA种群中每条人工鱼个体的适应度值，并根据人工鱼个体的适应度值，保留最优的人工鱼个体；
若迭代次数处于迭代后半程，则使用基于柯西分布的自适应人工鱼视野机制对IAFSA种群的人工鱼视野进行更新，得到更新后的人工鱼视野，并进入下一步骤，否则，直接进入下一步骤；
根据最优的人工鱼个体的位置、IAFSA种群的人工鱼视野以及人工鱼个体的适应度值，进行粒子化搜索模式优化的觅食行为、聚群行为、追尾行为以及随机行为，更新IAFSA种群，得到更新后的IAFSA种群；
根据所有人工鱼个体的适应度值，更新最优的人工鱼个体，得到更新后的最优的人工鱼个体及对应的最优的适应度值；
若迭代次数或最优的适应度值满足要求，则输出更新后的最优的人工鱼个体对应的全局最优解，否则，继续更新IAFSA种群；
将全局最优解作为DBN网络的最优的初始网络参数，将训练样本集输入DBN网络，进行优化训练，得到初始的无人机自诊断模型。
8.根据权利要求4所述的一种无人机飞行参数自诊断方法，其特征在于：根据当前无人机的实时飞行参数，使用无人机自诊断模型进行无人机飞行参数自诊断，得到无人机自诊断结果，包括如下步骤：
根据历史飞行参数的若干关键数据类型，对当前无人机的实时飞行参数进行数据降维，得到实时关键飞行参数；
对实时关键飞行参数进行归一化处理，得到归一化处理的实时关键飞行参数；
将归一化处理的实时关键飞行参数输入无人机自诊断模型，进行无人机飞行参数自诊断，得到对应的故障标签；
将故障标签作为无人机自诊断结果进行输出。
9.一种无人机飞行参数自诊断系统，用于实现如权利要求1-8任一所述的无人机飞行参数自诊断方法，其特征在于：所述的系统包括飞行参数采集单元、数据获取单元、数据预处理单元、模型构建单元以及自诊断单元，所述的飞行参数采集单元设置于无人机，飞行参数采集单元与无人机的飞行器控制系统连接，且飞行参数采集单元与自诊断单元连接，所述的数据获取单元、数据预处理单元、模型构建单元以及自诊断单元依次连接，且数据获取单元与无人机控制中心的数据服务器连接，所述的自诊断单元与无人机控制中心的控制服务器连接；
飞行参数采集单元，用于在当前无人机的飞行器控制系统中实时采集当前无人机的实时飞行参数，并将当前无人机的实时飞行参数发送至自诊断单元；
数据获取单元，用于在无人机控制中心的数据服务器中获取历史无人机的历史飞行参数集，并将历史飞行参数集发送至数据预处理单元；
数据预处理单元，用于对历史飞行参数集进行预处理，得到历史关键飞行参数集，并将历史关键飞行参数集发送至模型构建单元；
模型构建单元，用于根据历史关键飞行参数集，使用深度学习算法进行优化训练，构建无人机自诊断模型，并将无人机自诊断模型的模型元数据发送至自诊断单元；
自诊断单元，用于根据无人机自诊断模型的模型元数据进行模型重构，得到重构的无人机自诊断模型，根据当前无人机的实时飞行参数，使用重构的无人机自诊断模型进行无人机飞行参数自诊断，得到无人机自诊断结果，并将无人机自诊断结果发送至无人机控制中心的控制服务器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311042856.0A CN116774719B (zh) | 2023-08-18 | 2023-08-18 | 一种无人机飞行参数自诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311042856.0A CN116774719B (zh) | 2023-08-18 | 2023-08-18 | 一种无人机飞行参数自诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116774719A true CN116774719A (zh) | 2023-09-19 |
| CN116774719B CN116774719B (zh) | 2023-11-07 |
Family
ID=87986189
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311042856.0A Active CN116774719B (zh) | 2023-08-18 | 2023-08-18 | 一种无人机飞行参数自诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116774719B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102684207A (zh) * | 2012-05-23 | 2012-09-19 | 甘肃省电力公司电力科学研究院 | 基于改进人工鱼群混合优化算法的大规模风电并网无功电压优化方法 |
| CN104321708A (zh) * | 2012-02-29 | 2015-01-28 | 萨热姆防务安全公司 | 分析飞行数据的方法 |
| US20160210618A1 (en) * | 2013-12-27 | 2016-07-21 | SLDR, Inc. | System and method for utilizing random and non-random based occurences for payouts on financial instruments |
| CN107300925A (zh) * | 2017-07-12 | 2017-10-27 | 西北工业大学 | 基于改进鱼群算法的四旋翼无人机姿控参数整定方法 |
| CN107392388A (zh) * | 2017-07-31 | 2017-11-24 | 南昌航空大学 | 一种采用改进人工鱼群算法规划无人机三维航迹的方法 |
| CN108037758A (zh) * | 2017-11-30 | 2018-05-15 | 重庆邮电大学 | 一种基于改进afsa的移动机器人路径规划方法 |
| US20190278303A1 (en) * | 2016-11-23 | 2019-09-12 | SZ DJI Technology Co., Ltd. | Method of controlling obstacle avoidance for unmanned aerial vehicle and unmanned aerial vehicle |
| CN111175054A (zh) * | 2020-01-08 | 2020-05-19 | 沈阳航空航天大学 | 一种基于数据驱动的航空发动机故障诊断方法 |
| CN111680446A (zh) * | 2020-01-11 | 2020-09-18 | 哈尔滨理工大学 | 一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法 |
| CN113689039A (zh) * | 2021-08-25 | 2021-11-23 | 南昌师范学院 | 一种锂离子电池rul时间序列预测方法 |
| CN114169396A (zh) * | 2021-11-05 | 2022-03-11 | 华中科技大学 | 用于飞行器故障诊断的训练数据生成模型构建方法及应用 |
| US20230071617A1 (en) * | 2021-09-08 | 2023-03-09 | General Atomics | Autonomous flight safety system |
-
2023
- 2023-08-18 CN CN202311042856.0A patent/CN116774719B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104321708A (zh) * | 2012-02-29 | 2015-01-28 | 萨热姆防务安全公司 | 分析飞行数据的方法 |
| CN102684207A (zh) * | 2012-05-23 | 2012-09-19 | 甘肃省电力公司电力科学研究院 | 基于改进人工鱼群混合优化算法的大规模风电并网无功电压优化方法 |
| US20160210618A1 (en) * | 2013-12-27 | 2016-07-21 | SLDR, Inc. | System and method for utilizing random and non-random based occurences for payouts on financial instruments |
| US20190278303A1 (en) * | 2016-11-23 | 2019-09-12 | SZ DJI Technology Co., Ltd. | Method of controlling obstacle avoidance for unmanned aerial vehicle and unmanned aerial vehicle |
| CN107300925A (zh) * | 2017-07-12 | 2017-10-27 | 西北工业大学 | 基于改进鱼群算法的四旋翼无人机姿控参数整定方法 |
| CN107392388A (zh) * | 2017-07-31 | 2017-11-24 | 南昌航空大学 | 一种采用改进人工鱼群算法规划无人机三维航迹的方法 |
| CN108037758A (zh) * | 2017-11-30 | 2018-05-15 | 重庆邮电大学 | 一种基于改进afsa的移动机器人路径规划方法 |
| CN111175054A (zh) * | 2020-01-08 | 2020-05-19 | 沈阳航空航天大学 | 一种基于数据驱动的航空发动机故障诊断方法 |
| CN111680446A (zh) * | 2020-01-11 | 2020-09-18 | 哈尔滨理工大学 | 一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法 |
| CN113689039A (zh) * | 2021-08-25 | 2021-11-23 | 南昌师范学院 | 一种锂离子电池rul时间序列预测方法 |
| US20230071617A1 (en) * | 2021-09-08 | 2023-03-09 | General Atomics | Autonomous flight safety system |
| CN114169396A (zh) * | 2021-11-05 | 2022-03-11 | 华中科技大学 | 用于飞行器故障诊断的训练数据生成模型构建方法及应用 |
Non-Patent Citations (2)
| Title |
|---|
| XIAOBIN ZHOU，等: "Trajectory Planning and Tracking Strategy Applied to an Unmanned Ground Vehicle in the Presence of Obstacles", 《IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING》, vol. 18, no. 4, XP011881585, DOI: 10.1109/TASE.2020.3010887 * |
| 牛伟，等: "分布式并行智能计算模型研究", 《信息技术与信息化》, no. 4 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116774719B (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112131760B (zh) | 基于cbam模型的航空发动机剩余寿命预测方法 | |
| US5751915A (en) | Elastic fuzzy logic system | |
| CN102622515B (zh) | 一种天气预测方法 | |
| CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
| CN112465199B (zh) | 空域态势评估系统 | |
| CN114548591A (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统 | |
| CN112557826A (zh) | 一种船舶电力系统故障诊断方法 | |
| CN116110022B (zh) | 基于响应知识蒸馏的轻量化交通标志检测方法及系统 | |
| CN110298374A (zh) | 一种基于深度学习的驾驶轨迹能耗分析方法和装置 | |
| CN113805561A (zh) | 基于深度迁移学习的航天器智能故障诊断方法 | |
| CN113128769A (zh) | 基于深度学习的智能航班延误预测方法 | |
| CN112560948A (zh) | 数据偏差下的眼底图分类方法及成像方法 | |
| CN114595884A (zh) | 一种遗传智能优化的神经网络风力发电设备温度预测方法 | |
| CN115659244A (zh) | 故障预测方法、装置及存储介质 | |
| Liang et al. | 1d convolutional neural networks for fault diagnosis of high-speed train bogie | |
| 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 | |
| CN114357372A (zh) | 一种基于多传感器数据驱动的飞机故障诊断模型生成方法 | |
| CN114399064A (zh) | 基于多源传感器数据融合的设备健康指标构建方法 | |
| CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
| CN116774719B (zh) | 一种无人机飞行参数自诊断方法及系统 | |
| CN111985782B (zh) | 基于环境感知的自动驾驶有轨电车运行风险评估方法 | |
| CN117037006A (zh) | 一种高续航能力的无人机跟踪方法 | |
| CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 | |
| CN116778709A (zh) | 一种基于注意力时空图卷积网络交通流速度的预测方法 | |
| CN108898157B (zh) | 基于卷积神经网络的数值型数据的雷达图表示的分类方法 |
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 |