CN117291094A - 基于关联参数映射的无人机动力系统参数异常检测方法 - Google Patents

Abstract

本发明属于无人机技术领域，具体涉及一种基于关联参数映射的无人机动力系统参数异常检测方法，包括如下步骤：参数选择；数据预处理；无人机动力系统参数关系映射模型构建：完成数据预处理后，采用基于GRU的回归预测算法建立无人机动力系统参数的表征模型。异常检测及告警模型构建：根据无人机动力系统重要参数的估计值和实际测量值进行对比，实现对于无人机实飞过程中动力系统参数异常检测和告警。本申请对动力系统成对参数进行表征建模，建立每对参数的关联关系模型，结合实飞数据实现无人机的动力系统参数异常检测与告警。

Description

基于关联参数映射的无人机动力系统参数异常检测方法

技术领域

本发明属于无人机技术领域，具体涉及一种基于关联参数映射的无人机动力系统参数异常检测方法。

背景技术

现有无人机的异常检测方法通常包括基于模型的方法、基于知识的方法和数据驱动的方法。基于模型的异常检测方法需要能够对研究对象进行精确建模，其中包括机体模型、环境模型、传感器模型和执行机构模型等，但是，由于上述模型间的相互耦合，通常难以构建精确的模型，限制了该类方法在无人机异常检测中的应用。基于知识的异常检测方法因依赖于专家经验的丰富程度，难以快速建立，随着无人机迭代速度逐渐加快，基于知识的方法很难适应型号快速研制任务下的异常检测需求。数据驱动的方法直接利用无人机内部各设备运行状态的监测数据进行异常检测，可有效解决无人机结构复杂和任务场景不确定特性下的系统行为建模难题，以及专家先验知识不足等问题。

无人机动力系统是无人机唯一的动力源，是需要重点关注的设备，对于固定翼无人机，该系统通常是指发动机，它有较多的物理量可以表征其健康状态，如振动、进口总温、出口总温、滑油压力、滑油温度等，对于双发无人机的发动机通常为左右对称布局，因此这些参数也是成对出现的，故可以对这些成对物理量参数的变化规律进行分析，从而发现其异常状态，提示操作人员及时进行决策处置，以规避无人机的安全风险。当前针对无人机动力系统的异常检测方法大多是基于标准状态下的成对参数的残差计算阈值，并对运行过程中的飞行数据进行阈值判断的方法，这种方法依赖于专家阈值，且鲁棒性较差，很难适应外界环境变化带来的影响。因此需要一种能够反映成对参数间关联关系的方法，以适应不同应用环境中动力系统参数变化规律，提高异常检测能力。

现有相关专利如CN108341072B《无人机动力系统故障检测的方法、装置及无人机》，其公开了一种无人机动力系统故障检测的方法，包括：S1、在无人机飞行期间，获取扰动数据；S2、判断扰动数据是否大于预设值，是则进入S3；S3、根据扰动数据调整控制信号并输出抗扰动控制信号。本发明的有益效果在于：提供一种检测方法，将动力缺失异常的情况当作外部扰动处理，得到扰动的大小和方向，从而定位故障电机，让飞控系统及时改变控制分配矩阵，让余下的动力系统能够保持无人机机体稳定飞行，大大降低了多旋翼无人机因动力故障造成的坠机概率。

现有专利如CN112678204B《一种针对无人机动力系统硬件的健康监测方法》，其公开了一种针对无人机动力系统硬件的健康监测方法，包括：S1、无人机开机，对健康监测模块进行自检，若健康监测模块自检成功则进入S2，否则对健康监测模块进行故障排查；S2、自检成功后，健康监测模块在标准运行操作时对无人机的电机转速、电池输出进行检测，得到实时电机转速数据和实时电池输出数据等；S3、将标准运行操作时的实时电机转速数据和实时电池输出数据分别与对应的标准运行操作时的阈值电机转速数据和阈值电池输出数据进行比较判断，并得到比较判断结果；S4、通过比较判断结果来映射无人机运行时的健康状态。本发明可对飞行状态下无人机动力系统的硬件进行健康状态检测，通过一些简单常规动作就可检测，得到的检测数据与已有的标效参数相比较，准确且直接的得知当前电池和电机的健康状态。

通过无人机发动机关键参数检测异常属于典型的时间序列分析类任务，这类任务的传统方法包括自回归模型、支持向量回归和长短时记忆网络等。传统的回归模型鲁棒性差，难以应对外界环境的变化，易产生误检。长短时记忆网络方法是一种基于循环神经网络的深度学习方法，其预测效果较好，但参数量和计算量都较大，支持向量回归的方法会随数据集增大，消耗大量的时间和计算资源。

发明内容

为解决现有技术存在的上述问题，本发明提供一种基于关联参数映射的无人机动力系统参数异常检测方法，本方法能够根据动力系统成对参数间的关联关系进行异常检测与告警，提升动力系统异常检测能力，降低试飞风险。

为实现上述技术效果，本申请的技术方案如下：

基于关联参数映射的无人机动力系统参数异常检测方法，包括如下步骤：

步骤1).参数选择：参数包括多架次历史数据库和实时飞行数据，从中选择出能够反应动力系统健康与否的参数；

步骤2).数据预处理：通过平滑滤波方法抑制参数中的噪声干扰，提升模型拟合精度；

步骤3).无人机动力系统参数关系映射模型构建：完成数据预处理后，采用基于GRU的回归预测算法建立无人机动力系统参数的表征模型，基于GRU的状态表征模型由两个GRU层和一个全连接层构成。

步骤4).异常检测及告警模型构建：根据无人机动力系统重要参数的估计值和实际测量值进行对比，实现对于无人机实飞过程中动力系统参数异常检测和告警。

进一步地，所述步骤1)中的参数具体包括：右发进口总温T_2y、左发进口总温T_2z、右发低压涡轮出口总温T_5y、左发低压涡轮出口总温T_5z、右发滑油供油压力P_hy、左发滑油供油压力P_hz、右发滑油供油温度T_hy、左发滑油供油温度T_hz。

进一步地，所述步骤2)具体为，针对步骤1)获取的参数数据进行归一化，使用滑动平均滤波方法对所有数据进行处理。

再进一步地，根据各飞行阶段的数据特征选取滑窗长度l。针对每一个参数：右发进口总温T_2y、左发进口总温T_2z、右发低压涡轮出口总温T_5y、左发低压涡轮出口总温T_5z、右发滑油供油压力P_hy、左发滑油供油压力P_hz、右发滑油供油温度T_hy、左发滑油供油温度T_hz，其定义为公式(1)：

T_2y＝[T_2y1,T_2y2,…,T_2yi,…,T_2yn] (1)

T_2z＝[T_2z1,T_2z2,…,T_2zi,…,T_2zn]

T_5y＝[T_5y1,T_5y2,…,T_5yi,…,T_5yn]

T_5z＝[T_5z1,T_5z2,…,T_5zi,…,T_5zn]

P_hy＝[P_hy1,P_hy2,…,P_hyi,…,P_hyn]

P_hz＝[P_hz1,P_hz2,…,P_hzi,…,P_hzn]

T_hy＝[T_hy1,T_hy2,…,T_hyi,…,T_hyn]

T_hz＝[T_hz1,T_hz2,…,T_hzi,…,T_hzn]

T_2y1,T_2y2,…,T_2yi,…,T_2yn为参数右发进口总温T_2y中的元素，表示不同时刻的右发动机进口总温数据，T_2yi表示右发进口总温T_2y的第i个时刻的数据，T_2yn表示右发进口总温T_2y的第n个时刻的数据，下标n表示右发进口总温T_2y在时间维度上的长度为n，滤波后的右发进口总温参数表示为T'_2y，其他参数滤波方法相同，其滑动平均滤波可以表示为公式(2)：

滑动平均滤波处理之后需要对每个参数的所有试飞数据首尾拼接，再进行归一化处理。

更进一步地，归一化处理使用了最大最小值归一化方法，归一化后的右发进口总温表示为T”_2y，其他参数的归一化方法相同，首先提取需归一化处理的参数中的最大值T'_2ymax和最小值T'_2ymin，之后将每个数据归一化为T”_2yi，如公式(3)。

进一步地，所述步骤3)具体为：在完成数据预处理后，将右发动机参数中归一化后的右发进口总温表示为T”_2y、归一化后的右发低压涡轮出口总温T”_5y、归一化后的右发滑油供油压力P”_hy、归一化后的右发滑油供油温度T”_hy作为该模型的输入参数，则任一参数可构成模型的输入数据矩阵，为了通用化表示，采用X表示输入矩阵，如公式(4)所示。

X＝[x₁,x₂,…x_i] (4)

其中x_i表示构造的第i个时刻的输入参数，该模型的输出就是图11中对应输入参数的左发参数：归一化后的左发进口总温T”_2z、归一化后的左发低压涡轮出口总温T”_5z、归一化后的左发滑油供油压力P”_hz、归一化后的左发滑油供油温度T”_hz，为了通用化表示，采用表示输出参数，左发参数与输入飞行数据变量间的映射关系可以表示为：

其中m表示输入参数X的时间长度，T_GRU(·)表示模型的左右发参数的映射关系。

再进一步地，在模型训练阶段，使用输入参数x估计输出参数再使用真实的输出参数y_i对模型进行修正；

在应用阶段，将动力系传感器采集到的数据作为输入，使用公式(5)和训练好的模型对输出参数y_i进行估计，得到估计参数

进一步地，所述步骤4)具体为：使用基于残差阈值和拉依达准则的方法判断，首先计算估计值与实际测量值y_i在每个时刻的差值μ_i，则可构成向量μ：

μ＝[μ₁,μ₂,…,μ_i,…μ_n] (8)

之后分别使用以下公式计算该向量的均值和标准差σ，计算方法如下公式(9)和公式(10)。

根据拉依达准则，认为当估计值与实际测量值的残差落在到/>范围内时，动力系统参数正常的，否则无人机动力系统相关参数出现了异常。

本申请优点在于：

1、本发明根据动力系统成对参数间的关联关系进行异常检测与告警，提升动力系统异常检测能力，降低试飞风险。动力系统常见参数包括发动机振动、进口总温、出口总温、滑油压力、滑油温度等，因此可以对这些成对的参数进行表征建模，建立每对参数的关联关系模型，结合实飞数据实现无人机的动力系统参数异常检测与告警。

2、本申请是通过建立一种能够反映成对参数间关联关系的模型，以表征不同环境下动力系统参数的变化规律，提高异常检测能力。通过无人机发动机关键参数检测异常属于典型的时间序列分析类任务，相比于长短时记忆网络，门控循环单元(Gate RecurrentUnit，GRU)是一种性能相近但复杂度大幅度降低的时间序列分析方法，它可以通过构建轻量级的模型，完成动力系统采纳数异常检测任务。鉴于此，本专利基于GRU构建无人机动力系统参数的关联参数映射模型，实现异常检测。

附图说明

图1是本方法的总体结构框图。

图2是包含噪声的原始数据。

图3是滑动平均滤波后的数据。

图4是未进行归一化的数据。

图5是经过归一化后的数据。

图6是T_GRU(·)整体模型结构图。

图7是左发动机进口总温的估计结果和传感器测得的真实值示意图。

图8是左发动机进口总温的估计结果和传感器测得的真实值的残差示意图。

图9是左发动机进口总温的故障注入示意图示意图。

图10是左发动机进口总温故障注入后的残差示意图。

图11是无人机动力系统参数。

图12是左发动机进口总温结果参数列表。

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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本申请的描述中，需要说明的是，术语“上”、“竖直”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

实施例1

如图1所示，基于关联参数映射的无人机动力系统参数异常检测方法，包括如下步骤：

步骤1).参数选择：参数包括多架次历史数据库和实时飞行数据，从中选择出能够反应动力系统健康与否的参数；

步骤2).数据预处理：通过滑动平均滤波方法抑制参数中的噪声干扰，采用归一化处理，提升模型拟合精度；

步骤3).无人机动力系统参数关系映射模型构建：完成数据预处理后，采用基于GRU的回归预测算法建立无人机动力系统参数的表征模型，基于GRU的状态表征模型由两个GRU层和一个全连接层构成。首先进行模型训练，再根据模型训练的结果进行推理预测。

步骤4).异常检测及告警模型构建：根据无人机动力系统重要参数的估计值和实际测量值进行对比，实现对于无人机实飞过程中动力系统参数异常检测和告警。

本发明根据动力系统成对参数间的关联关系进行异常检测与告警，提升动力系统异常检测能力，降低试飞风险。动力系统常见参数包括发动机振动、进口总温、出口总温、滑油压力、滑油温度等，因此可以对这些成对的参数进行表征建模，建立每对参数的关联关系模型，结合实飞数据实现无人机的动力系统参数异常检测与告警。

实施例2

如图1所示，基于关联参数映射的无人机动力系统参数异常检测方法，包括如下步骤：

步骤1).参数选择：参数包括多架次历史数据库和实时飞行数据，从中选择出能够反应动力系统健康与否的参数；

步骤2).数据预处理：通过平滑滤波方法抑制参数中的噪声干扰，并进行归一化处理，提升模型拟合精度；

步骤3).无人机动力系统参数关系映射模型构建：完成数据预处理后，采用基于GRU的回归预测算法建立无人机动力系统参数的表征模型，基于GRU的状态表征模型由两个GRU层和一个全连接层构成。

步骤4).异常检测及告警模型构建：根据无人机动力系统重要参数的估计值和实际测量值进行对比，实现对于无人机实飞过程中动力系统参数异常检测和告警。

进一步地，所述步骤1)中的参数具体包括：右发进口总温T_2y、左发进口总温T_2z、右发低压涡轮出口总温T_5y、左发低压涡轮出口总温T_5z、右发滑油供油压力P_hy、左发滑油供油压力P_hz、右发滑油供油温度T_hy、左发滑油供油温度T_hz。具体如图11所示，表中数据格式为“所选参数(表征字母)”，例如“右发进口总温(T_2y)”表示所选参数为“右发进口总温”，用字母“T_2y”表征。

进一步地，所述步骤2)具体为，所选择参数可能由于受到外部干扰影响，数据中会包含多种噪声，需采用合适的平滑滤波方法抑制噪声干扰，提升模型拟合精度。此外，由于不同飞参数据的量级不同，直接使用这样的数据进行模型训练，模型会很难收敛或收敛速度很慢，因此需要针对步骤1)获取的参数数据进行归一化，统一其量级，加快模型训练的收敛速度。为便于模型拟合，本发明使用滑动平均滤波方法对所有数据进行处理。

再进一步地，使用该方法需要根据各飞行阶段的数据特征选取滑窗长度l。针对每一个参数：右发进口总温T_2y、左发进口总温T_2z、右发低压涡轮出口总温T_5y、左发低压涡轮出口总温T_5z、右发滑油供油压力P_hy、左发滑油供油压力P_hz、右发滑油供油温度T_hy、左发滑油供油温度T_hz，其定义为公式(1)：

T_2y＝[T_2y1,T_2y2,…,T_2yi,…,T_2yn] (1)

T_2z＝[T_2z1,T_2z2,…,T_2zi,…,T_2zn]

T_5y＝[T_5y1,T_5y2,…,T_5yi,…,T_5yn]

T_5z＝[T_5z1,T_5z2,…,T_5zi,…,T_5zn]

P_hy＝[P_hy1,P_hy2,…,P_hyi,…,P_hyn]

P_hz＝[P_hz1,P_hz2,…,P_hzi,…,P_hzn]

T_hy＝[T_hy1,T_hy2,…,T_hyi,…,T_hyn]

T_hz＝[T_hz1,T_hz2,…,T_hzi,…,T_hzn]

以参数右发进口总温T_2y为例，T_2y1,T_2y2,…,T_2yi,…,T_2yn为参数右发进口总温T_2y中的元素，表示不同时刻的右发动机进口总温数据，T_2yi表示右发进口总温T_2y的第i个时刻的数据，T_2yn表示右发进口总温T_2y的第n个时刻的数据，下标n表示右发进口总温T_2y在时间维度上的长度为n，以右发进口总温T_2y为例，滤波后的右发进口总温参数表示为T'_2y，其他参数滤波方法相同，其滑动平均滤波可以表示为公式(2)：

如图2所示是该滑动平均方法的示意图，左图为包含噪声的原始数据，右图为滑动平均后的数据。由图可知，该方法有效地滤除了噪声。

滑动平均滤波处理之后需要对每个参数的所有试飞数据首尾拼接，再进行归一化处理。

归一化处理使用了最大最小值归一化方法，以参数T'_2y为例，归一化后的右发进口总温表示为T”_2y，其他参数的归一化方法相同，首先提取需归一化处理的参数中的最大值T'_2ymax和最小值T'_2ymin，之后将每个数据归一化为T”_2yi，如公式(3)。

如图3所示是该归一化方法的示意图，图3中的上图为未归一化的原始数据，图3中的下图为归一化后的数据，由图可知，原始数据分布在(0,20)之间，最大最小值归一化可以将所有数据的数值压缩到0到1的范围内。

所述步骤3)具体为：在完成数据预处理后，将右发动机参数中归一化后的右发进口总温表示为T”_2y、归一化后的右发低压涡轮出口总温T”_5y、归一化后的右发滑油供油压力P”_hy、归一化后的右发滑油供油温度T”_hy作为该模型的输入参数，则任一参数可构成模型的输入数据矩阵，为了通用化表示，采用X表示输入矩阵，如公式(4)所示。

X＝[x₁,x₂,…x_i] (4)

其中x_i表示构造的第i个时刻的输入参数，该模型的输出就是图11中对应输入参数的左发参数：归一化后的左发进口总温T”_2z、归一化后的左发低压涡轮出口总温T”_5z、归一化后的左发滑油供油压力P”_hz、归一化后的左发滑油供油温度T”_hz，为了通用化表示，采用表示输出参数，左发参数与输入飞行数据变量间的映射关系可以表示为：

其中m表示输入参数X的时间长度，即GRU模型的滑窗长度，T_GRU(·)表示图1所示的模型的左右发参数的映射关系，T_GRU(·)整体模型结构图如图4所示。图6中的tanh表示双曲正切函数，σ表示sigmoid函数，定义为：

在模型训练阶段，使用输入参数x估计输出参数再使用真实的输出参数y_i对模型进行修正；

在应用阶段，将动力系传感器采集到的数据作为输入，使用公式(5)和训练好的模型对输出参数y_i进行估计，得到估计参数

所述步骤4)具体为：使用基于残差阈值和拉依达准则的方法判断，首先计算估计值与实际测量值y_i在每个时刻的差值μ_i，则可构成向量μ：

μ＝[μ₁,μ₂,…,μ_i,…μ_n] (8)

之后分别使用以下公式计算该向量的均值和标准差σ，计算方法如下公式(9)和公式(10)。

根据拉依达准则，认为当估计值与实际测量值的残差落在到/>范围内时，动力系统参数正常的，否则无人机动力系统相关参数出现了异常。

如图6所示，左上图是左发动机进口总温的估计结果，右上图是估计结果和传感器测得的真实值的残差，左下图是左发动机进口总温的故障注入示意图，右下图是故障注入后的残差。从左下和右下图中可以看出，阴影段为注入故障段，该段数据的残差均超过阈值，被检测为故障。反映模型拟合性能的参数、拉依达准则参数和异常检测性能的参数如图12所示，图12中R2体现了模型对数据的拟合能力，R2越接近1，则模型对左发动机进口总温估计能力越强，R2越接近0，则模型对左发动机进口总温估计能力越弱；RMSE体现估计结果与实测值之间的误差，RMSE越小，说明模型对左发动机进口总温估计效果越好；拉依达准则参数为左发动机进口总温的估计值与实测值的残差设定了一个范围，当残差超出了这个范围，就认为实测的左发动机进口总温数据存在异常，否则认为数据正常，拉依达准则参数中的残差均值是通过公式(8)计算出的拉依达准则参数中的残差标准差是通过公式(9)计算出的σ，拉依达准则参数中的阈值是通过/>到/>确定出的范围；图12中模型异常检测性能的准确率是指结果中被准确分类或检测的样本所占的比例，即检测准确度，越接近1越好。

由图12可知，该参数的异常检测准确率达到99.34％，可以看到左发动机进口总温异常检测的准确率很高，符合实用需求。

Claims (8)

1.基于关联参数映射的无人机动力系统参数异常检测方法，其特征在于：包括如下步骤：

步骤1).参数选择：参数包括多架次历史数据库和实时飞行数据，从中选择出能够反应动力系统健康与否的参数；

步骤2).数据预处理：通过平滑滤波方法抑制参数中的噪声干扰，并进行归一化处理，提升模型拟合精度；

步骤3).无人机动力系统参数关系映射模型构建：完成数据预处理后，采用基于GRU的回归预测算法建立无人机动力系统参数的表征模型，基于GRU的状态表征模型由两个GRU层和一个全连接层构成。

步骤4).异常检测及告警模型构建：根据无人机动力系统参数的估计值和实际测量值进行对比，实现对于无人机实飞过程中动力系统参数异常检测和告警。

2.根据权利要求1所述的基于关联参数映射的无人机动力系统参数异常检测方法，其特征在于：所述步骤1)中的参数具体包括：右发进口总温T_2y、左发进口总温T_2z、右发低压涡轮出口总温T_5y、左发低压涡轮出口总温T_5z、右发滑油供油压力P_hy、左发滑油供油压力P_hz、右发滑油供油温度T_hy、左发滑油供油温度T_hz。

3.根据权利要求2所述的基于关联参数映射的无人机动力系统参数异常检测方法，其特征在于：所述步骤2)具体为，针对步骤1)获取的参数数据进行归一化，使用滑动平均滤波方法对所有数据进行处理。

4.根据权利要求1所述的基于关联参数映射的无人机动力系统参数异常检测方法，其特征在于：根据各飞行阶段的数据特征选取滑窗长度l。针对每一个参数：右发进口总温T_2y、左发进口总温T_2z、右发低压涡轮出口总温T_5y、左发低压涡轮出口总温T_5z、右发滑油供油压力P_hy、左发滑油供油压力P_hz、右发滑油供油温度T_hy、左发滑油供油温度T_hz，其定义为公式(1)：

T_2y＝[T_2y1,T_2y2,…,T_2yi,…,T_2yn]

T_2z＝[T_2z1,T_2z2,…,T_2zi,…,T_2zn]

T_5y＝[T_5y1,T_5y2,…,T_5yi,…,T_5yn]

T_5z＝[T_5z1,T_5z2,…,T_5zi,…,T_5zn]

P_hy＝[P_hy1,P_hy2,…,P_hyi,…,P_hyn]

P_hz＝[P_hz1,P_hz2,…,P_hzi,…,P_hzn]

T_hy＝[T_hy1,T_hy2,…,T_hyi,…,T_hyn]

T_hz＝[T_hz1,T_hz2,…,T_hzi,…,T_hzn] (1)

T_2y1,T_2y2,…,T_2yi,…,T_2yn为参数右发进口总温T_2y中的元素，表示不同时刻的右发动机进口总温数据，T_2yi表示右发进口总温T_2y的第i个时刻的数据，T_2yn表示右发进口总温T_2y的第n个时刻的数据，下标n表示右发进口总温T_2y在时间维度上的长度为n，滤波后的右发进口总温参数表示为T′_2y，其他参数滤波方法相同，其滑动平均滤波可以表示为公式(2)：

滑动平均滤波处理之后需要对每个参数的所有试飞数据首尾拼接，再进行归一化处理。

5.根据权利要求4所述的基于关联参数映射的无人机动力系统参数异常检测方法，其特征在于：归一化处理使用了最大最小值归一化方法，归一化后的右发进口总温表示为T″_2y，其他参数的归一化方法相同，首先提取需归一化处理的参数中的最大值T′_2ymax和最小值T′_2ymin，之后将每个数据归一化为T″_2yi，如公式(3)。

6.根据权利要求4所述的基于关联参数映射的无人机动力系统参数异常检测方法，其特征在于：所述步骤3)具体为：在完成数据预处理后，将右发动机参数中归一化后的右发进口总温表示为T″_2y、归一化后的右发低压涡轮出口总温T″_5y、归一化后的右发滑油供油压力P″_hy、归一化后的右发滑油供油温度T″_hy作为该模型的输入参数，则任一参数可构成模型的输入数据矩阵，为了通用化表示，采用X表示输入矩阵，如公式(4)所示。

X＝[x₁,x₂,…x_i]

(4)

其中x_i表示构造的第i个时刻的输入参数，该模型的输出就是对应输入参数的左发参数：归一化后的左发进口总温T″_2z、归一化后的左发低压涡轮出口总温T″_5z、归一化后的左发滑油供油压力P″_hz、归一化后的左发滑油供油温度T″_hz，为了通用化表示，采用表示输出参数，左发参数与输入飞行数据变量间的映射关系可以表示为：

其中m表示输入参数X的时间长度，T_GRU(·)表示模型的左右发参数的映射关系。

7.根据权利要求6所述的基于关联参数映射的无人机动力系统参数异常检测方法，其特征在于：在模型训练阶段，使用输入参数x估计输出参数再使用真实的输出参数y_i对模型进行修正；

在应用阶段，将动力系传感器采集到的数据作为输入，使用公式(5)和训练好的模型对输出参数y_i进行估计，得到估计参数

8.根据权利要求6所述的基于关联参数映射的无人机动力系统参数异常检测方法，其特征在于：所述步骤4)具体为：使用基于残差阈值和拉依达准则的方法判断，首先计算估计值与实际测量值y_i在每个时刻的差值μ_i，则可构成向量μ：

μ＝[μ₁,μ₂,…,μ_i,…μ_n] (8)

之后分别使用以下公式计算该向量的均值和标准差σ，计算方法如下公式(9)和公式(10)。

根据拉依达准则，认为当估计值与实际测量值的残差落在到/>范围内时，动力系统参数正常的，否则无人机动力系统相关参数出现了异常。