CN117452919A - 一种变电站无人机飞行状态监测及预警方法、系统 - Google Patents
一种变电站无人机飞行状态监测及预警方法、系统 Download PDFInfo
- Publication number
- CN117452919A CN117452919A CN202311533594.8A CN202311533594A CN117452919A CN 117452919 A CN117452919 A CN 117452919A CN 202311533594 A CN202311533594 A CN 202311533594A CN 117452919 A CN117452919 A CN 117452919A
- Authority
- CN
- China
- Prior art keywords
- subspace
- data
- matrix
- flight
- vector
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 201
- 239000011159 matrix material Substances 0.000 claims abstract description 177
- 230000002159 abnormal effect Effects 0.000 claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 230000001052 transient effect Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 44
- 230000005856 abnormality Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 238000002474 experimental method Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 239000000758 substrate Substances 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 5
- 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 5
- 238000007689 inspection Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明记载一种变电站无人机飞行状态监测及预警方法及系统，包括以下步骤：S1、在多维飞行数据矩阵X中找到一个低维的内部子空间矩阵U作为原始飞行数据有意义和存储轻量的数据表示，子空间矩阵U的行向量为原始输入中相应飞行参数的向量化表示；S2、以投影近似方式更新子空间向量，通过追踪和匹配子空间方向变化实现飞行数据瞬时异常检测；S3、根据LSTM对时间序列的预测特点，构建基于LSTM的无人机飞行数据异常点位轨迹预测模型；S4、根据余弦相似性方法计算规划轨迹和预测轨迹的相似度，当相似度低于阈值时系统报警。本发明通过检测无人机在变电站运维时的飞行数据是否发生异常，判断无人机的飞行状态是否安全。
Description
技术领域
本发明涉及变电站监测技术领域，具体来说是一种变电站无人机飞行状态监测及预警方法、系统。
背景技术
在传统的变电站运行环境监测过程中常常使用人力巡检的方式保证变电站的运行安全，中低空设备缺陷隐患已能及时发现、排除，而站内高空设备因存在巡视盲区而导致其缺陷隐患十分隐蔽，此类缺陷所占比创日渐增高，给变电站安全稳定运行带来新的安全风险。无人机的快速机动性和对高空设备全覆盖的特殊巡检能力，对降低变电站设备运行风险、补齐无人化巡视短板、提高精益化运维水平有着至关重要的作用。
当前无人机在变电站巡检过程中已出现无法稳定飞行、甚至坠机等问题。如无人机搜星数量不足导致无法起飞、飞行前磁罗盘未校准导致无法起飞。飞行过程中强电磁场会干扰无人机电子陀螺仪、磁罗盘正常工作，造成无人机进入姿态模式，使得无人机无法稳定悬停或者飞行，甚至发生坠机事故。而且，无人机系统不会比较实时路径与预先规划的路径是否发生偏移，需要人工判断，这导致当前的飞行过程中，缺少飞行过程状态快速预警手段。因此如果能实时监测无人机关键系统的数据情况，就能尽早给出预警提示，确保有效的飞行控制操作，从而降低事故率，使飞行变得更加安全和可靠。
无人机飞行监测方面，近年国内外对无人机结构、建模、控制等方面研究进展迅速，但对于无人机实时飞行状态的监测与评估却比较少，已开发出的检测系统也是针对无人机控制系统、故障诊断和续航能力的评估，尚无专门的监测无人机性能指标,安全隐患突出，需通过外部快速监测系统，实现独立于飞控系统决策级别的外围决策对紧急情况进行预警。
发明内容
本发明所要解决的技术问题在于现有技术中尚且没有专门监测无人机飞行过程中的性能指标的技术。
本发明通过以下技术手段实现解决上述技术问题的：
一种变电站无人机飞行状态监测及预警方法，包括以下步骤：
S1、在多维飞行数据矩阵X中找到一个低维的内部子空间矩阵U作为原始飞行数据有意义和存储轻量的数据表示，子空间矩阵U的行向量为原始输入中相应飞行参数的向量化表示；
S2、以投影近似方式更新子空间向量，通过追踪和匹配子空间向量方向变化实现飞行数据瞬时异常检测；
S3、根据LSTM对时间序列的预测特点，构建基于LSTM的无人机飞行数据异常点位轨迹预测模型；
S4、根据余弦相似性方法计算规划轨迹和预测轨迹的相似度，当相似度低于阈值时系统报警。
本发明记载的一种变电站无人机飞行状态检测及预警方法，通过检测无人机在变电站运维时的飞行数据是否发生异常，判断无人机的飞行状态是否安全，所谓异常数据，是指数据表现为不同于所设定的正常模式或与正常数据偏差过大的现象，异常数据可能导致控制率解算不稳定或不期望的飞行控制发生，从而影响无人机自身和周围的飞行安全以及任务的完成，因此，需要尽可能快和准确地判断当前数据输入的异常状态，首先针对无人机实时飞行数据，利用子空间学习方法对飞行数据进行降维，降低飞行数据的在线运算量，降维后的飞行数据具有强烈的代表性，用低秩约束后的部分子空间对多维飞行数据建模，通过度量无人机飞行过程中的子空间向量变化，实现飞行数据点异常在线检测；其次检测到飞行数据异常时，利用LSTM神经网络预测异常点位的轨迹，通过相似度算法对比两种轨迹的误差，当相似度小于设定的阈值时即报警，从而实现无人机飞行异常状态的预警。
进一步的，所述步骤S1中，多维飞行数据矩阵矩阵X每一行的行向量如[x1,1，x1,2，…，x1,t]就是飞行数据的某一个参数，在无人机实时多维飞行数据矩阵X中找到一个低维的内部子空间矩阵作为原始飞行数据有意义和存储轻量的数据表示，子空间矩阵U的行向量如[u1,1，u1,2，…，u1,k]为原始输入中相应飞行参数的向量化表示，其中，k≤n；
无人机在变电站巡检时，当前时刻t的数据输入xt可作为Xt-1的新的一列，则时刻t的飞行数据矩阵Xt可表示为：
Xt＝[Xt-1 xt]
将矩阵Xt分解为子空间矩阵和辅助向量矩阵的乘积：
其中，是当前时刻的子空间矩阵，辅助矩阵为是重构的数据，符号T是转置运算。
进一步的，所述步骤S1中子空间矩阵计算过程为：
多维飞行数据输入xt若存在缺失，原始输入只有部分被有效地观察到，设有效观察索引的集合是Ωt，则xΩ(t)是原始输入xt对应于集合Ωt的行子向量，
其中，是哈达玛积，是n×1向量，G是预定义的缺失形状，如果j∈G，否则
获得权重wt和残差et：令UΩ(t-1)是Ut-1对应于有效观察索引集合Ωt的行子矩阵，权重wt被定义为：
也是将xΩ(t)正交投影到UΩ(t-1)所得到子空间的权重集合，+为广义逆矩阵符号，然后，令当前观察的残差向量et为：
获得子空间矩阵：令Xt-1在t-1时刻的秩矩阵分解是恢复的飞行数据流矩阵可以被定义为：
令上式的中心矩阵为：
其中，原始和中，对应于中最小奇异值的末尾列将被丢弃，令是原始丢弃末尾列和末尾行而获得的对角矩阵；
当前时刻t，子空间矩阵更新为：此外，辅助矩阵最终,当前t时刻的飞行数据矩阵分解为其是新的秩分解，子空间矩阵和辅助矩阵都可迭代更新；
为了进一步减少内存需求，无需恢复t时刻所有飞行数据只需恢复t时刻的飞行数据因此，
其中，的最后一列是t时刻的辅助向量，因此,子空间矩阵近似估计Ut和辅助向量rt T都可递推计算，重构出原始数据为：
进一步的，所述步骤S2中检测是否发生数据异常的过程为：
在t时刻，给定具有相同的k维低秩子空间的n维飞行数据输入向量飞行数据的在线子空间学习目标函数为最小化每个时刻输入向量的l2范数重构误差：
式-1中，Ui为包含k个子空间向量的子空间矩阵，xi为第i个原始飞行数据输入，Uixi为第i个原始数据向数据子空间投影，UiUixi是从投影子空间重构估计得到的第i个xi，
飞行数据在时序方向上相邻的子空间具有相似性，即其中，为前一个时刻估计的数据子空间，用投影向量估计并施加遗忘因子β，目标函数(式-1)转化为：
其中，遗忘因子β∈(0,1)用来降低过去时刻数据的对当前时刻学习的影响，
如果满足式-3的条件，则目标函数(式-2)右侧xi的数据重构误差数据误差可以最小化：
进一步，将式-3转化为迭代形式如式-4所示:
当每次计算只关注部分数据子空间，在式-4中仅考虑数据子空间矩阵中的第j∈(1,k)个向量时，
投影向量简化为：
投影系数简化为：
子空间矩阵的迭代公式(式-3)简化为串行的计算完整数据子空间的每一维的子空间向量：
其中,k为内部子空间维度，也是对原始数据的低秩约束，并控制部分子空间的维度，求得第一维度的子空间向量后，可由
更新用于求解下一维度的子空间向量，由式-5、式-6、式-7和式-8循环计算k次即当计算到时停止计算，最终得到k个估计子空间向量t时刻k个估计子空间向量张成的子空间为Ut，其中最大特征值对应的子空间向量为t时刻k个参考子空间向量张成的子空间为Us，利用估计的最显著子空间向量和参考的最显著子空间向量分别向参考子空间Us和估计的子空间Ut投影，由公式：
得到的夹角平均即为t时刻输入向量的异常分数，其中，异常分数st代表了t时刻输入向量对数据子空间向量的影响，值越大则输入向量的异常程度越大，通过大量实验验证，当异常分数st>0.5时，可以确定无人机飞行数据在t时刻发生了异常，获取t时刻前后的无人机的飞行参数。
进一步的，所述步骤S3中LSTM神经网络搭建过程为：
输入数据为当前飞行数据M，矩阵M每一行的行向量如[m1,1，m1,2，…，m1,t]就是飞行数据的某一个参数，输出数据为发生数据异常后的飞行数据P，同理矩阵P每一行的行向量如[p1,1，p1,2，…，p1,t]就是预测后的飞行数据参数，当检测到无人机在t时刻发生数据异常时，收集该时刻前后各1s历史飞行数据，经过数据预处理，以1ms为间隔将数据划分成样本点，选取2000个样本点，将训练集与测试集划分比例为8：2，训练集个数为400，测试集个数为100，将滑动窗口尺寸设置为100，时间步长设置为10，预测t时刻1s后的200个数据点，这200个数据点对应的规划轨迹矩阵为Q，Q的行向量为规划轨迹相对应的参数值。
进一步的，所述步骤S4中规划轨迹和预测轨迹相似度计算过程为：
利用余弦相似性方法计算预测轨迹与期望轨迹间的相似程度，首先，将轨迹数据表示为方向向量的序列，即P＝[p1,p2,...p200]，其中，p1,p2,…p200分别为1×8的列向量，列向量的每一行是当前数据点的预测飞行参数数值；同理，Q＝[q1,q2,...q200]，其中，q1,q2,…q200分别为为1×8的列向量，列向量的每一行是规划的飞行参数数值，每个方向向量通常由轨迹中相邻点之间的方向组成，归一化处理后消除向量的长度差异，只考虑方向，相似度sl：
其中，pi和qi是两个轨迹的归一化方向向量，余弦相似性的取值范围在-1到1之间，接近1的值表示轨迹之间的方向非常相似，接近-1表示方向相反，接近0表示方向差异很大，通过余弦相似性方法获取轨迹误差参数sl，前期通过大量实验获取轨迹误差最佳阈值为0.6，并应用与轨迹误差参数判断中，当相似度低于阈值0.6时即预警，如果高于该值，则系统不报警，从而实现无人机作业状态的预警。
本发明还提供一种变电站无人机飞行状态监测及预警系统，应用于上述方法中，包括：
子空间矩阵计算模块，用于在多维飞行数据矩阵X中找到一个低维的内部子空间矩阵U作为原始飞行数据有意义和存储轻量的数据表示，子空间矩阵U的行向量为原始输入中相应飞行参数的向量化表示；
异常检测模块，用于以投影近似方式更新子空间向量，通过追踪和匹配子空间向量方向变化实现飞行数据瞬时异常检测；
预测模型构建模块，用于根据LSTM对时间序列的预测特点，构建基于LSTM的无人机飞行数据异常点位轨迹预测模型；
相似度计算模块，用于根据余弦相似性方法计算规划轨迹和预测轨迹的相似度，当相似度低于阈值时系统报警。
进一步的，所述子空间矩阵计算模块中，多维飞行数据矩阵 矩阵X每一行的行向量如[x1,1，x1,2，…，x1,t]就是飞行数据的某一个参数，在无人机实时多维飞行数据矩阵X中找到一个低维的内部子空间矩阵 作为原始飞行数据有意义和存储轻量的数据表示，子空间矩阵U的行向量如[u1,1，u1,2，…，u1,k]为原始输入中相应飞行参数的向量化表示，其中，k≤n；
无人机在变电站巡检时，当前时刻t的数据输入xt可作为Xt-1的新的一列，则时刻t的飞行数据矩阵Xt可表示为：
Xt＝[Xt-1 xt]
将矩阵Xt分解为子空间矩阵和辅助向量矩阵的乘积：
其中，是当前时刻的子空间矩阵，辅助矩阵为是重构的数据，符号T是转置运算。
进一步的，所述子空间矩阵计算模块中子空间矩阵计算过程为：
多维飞行数据输入xt若存在缺失，原始输入只有部分被有效地观察到，设有效观察索引的集合是Ωt，则xΩ(t)是原始输入xt对应于集合Ωt的行子向量，
其中，是哈达玛积，是n×1向量，G是预定义的缺失形状，如果j∈G，否则
获得权重wt和残差et：令UΩ(t-1)是Ut-1对应于有效观察索引集合Ωt的行子矩阵，权重wt被定义为：
也是将xΩ(t)正交投影到UΩ(t-1)所得到子空间的权重集合，+为广义逆矩阵符号，然后，令当前观察的残差向量et为：
获得子空间矩阵：令Xt-1在t-1时刻的秩矩阵分解是恢复的飞行数据流矩阵可以被定义为：
令上式的中心矩阵为：
其中，原始和中，对应于中最小奇异值的末尾列将被丢弃，令是原始丢弃末尾列和末尾行而获得的对角矩阵；
当前时刻t，子空间矩阵更新为：此外，辅助矩阵最终,当前t时刻的飞行数据矩阵分解为其是新的秩分解，子空间矩阵和辅助矩阵都可迭代更新；
为了进一步减少内存需求，无需恢复t时刻所有飞行数据只需恢复t时刻的飞行数据因此，
其中，的最后一列是t时刻的辅助向量，因此,子空间矩阵近似估计Ut和辅助向量rt T都可递推计算，重构出原始数据为：
进一步的，所述异常检测模块中检测是否发生数据异常的过程为：
在t时刻，给定具有相同的k维低秩子空间的n维飞行数据输入向量飞行数据的在线子空间学习目标函数为最小化每个时刻输入向量的l2范数重构误差：
式-1中，Ui为包含k个子空间向量的子空间矩阵，xi为第i个原始飞行数据输入，Uixi为第i个原始数据向数据子空间投影，UiUixi是从投影子空间重构估计得到的第i个xi，
飞行数据在时序方向上相邻的子空间具有相似性，即其中，为前一个时刻估计的数据子空间，用投影向量估计并施加遗忘因子β，目标函数(式-1)转化为：
其中，遗忘因子β∈(0,1)用来降低过去时刻数据的对当前时刻学习的影响，
如果满足式-3的条件，则目标函数(式-2)右侧xi的数据重构误差数据误差可以最小化：
进一步，将式-3转化为迭代形式如式-4所示:
当每次计算只关注部分数据子空间，在式-4中仅考虑数据子空间矩阵中的第j∈(1,k)个向量时，
投影向量简化为：
投影系数简化为：
子空间矩阵的迭代公式(式-3)简化为串行的计算完整数据子空间的每一维的子空间向量：
其中,k为内部子空间维度，也是对原始数据的低秩约束，并控制部分子空间的维度，求得第一维度的子空间向量后，可由
更新用于求解下一维度的子空间向量，由式-5、式-6、式-7和式-8循环计算k次，即当计算到时停止计算，最终得到k个估计子空间向量t时刻k个估计子空间向量张成的子空间为Ut，其中最大特征值对应的子空间向量为t时刻k个参考子空间向量张成的子空间为Us，利用估计的最显著子空间向量和参考的最显著子空间向量分别向参考子空间Us和估计的子空间Ut投影，由公式：
得到的夹角平均即为t时刻输入向量的异常分数，其中，异常分数st代表了t时刻输入向量对数据子空间向量的影响，值越大则输入向量的异常程度越大，通过大量实验验证，当异常分数st>0.5时，可以确定无人机飞行数据在t时刻发生了异常，获取t时刻前后的无人机的飞行参数。
进一步的，所述预测模型构建模块中LSTM神经网络搭建过程为：
输入数据为当前飞行数据M，矩阵M每一行的行向量如[m1,1，m1,2，...，m1,t]就是飞行数据的某一个参数，输出数据为发生数据异常后的飞行数据P，同理矩阵P每一行的行向量如[p1,1，p1,2，…，p1,t]就是预测后的飞行数据参数，当检测到无人机在t时刻发生数据异常时，收集该时刻前后各1s历史飞行数据，经过数据预处理，以1ms为间隔将数据划分成样本点，选取2000个样本点，将训练集与测试集划分比例为8：2，训练集个数为400，测试集个数为100，将滑动窗口尺寸设置为100，时间步长设置为10，预测t时刻1s后的200个数据点，这200个数据点对应的规划轨迹矩阵为Q，Q的行向量为规划轨迹相对应的参数值。
进一步的，所述相似度计算模块中规划轨迹和预测轨迹相似度计算过程为：
利用余弦相似性方法计算预测轨迹与期望轨迹间的相似程度，首先，将轨迹数据表示为方向向量的序列，即P＝[p1,p2,...p200]，其中，p1,p2,...p200分别为1×8的列向量，列向量的每一行是当前数据点的预测飞行参数数值；同理，Q＝[q1,q2,...q200]，其中，q1,q2,...q200分别为为1×8的列向量，列向量的每一行是规划的飞行参数数值，每个方向向量通常由轨迹中相邻点之间的方向组成，归一化处理后消除向量的长度差异，只考虑方向，相似度sl：
其中，pi和qi是两个轨迹的归一化方向向量，余弦相似性的取值范围在-1到1之间，接近1的值表示轨迹之间的方向非常相似，接近-1表示方向相反，接近0表示方向差异很大，通过余弦相似性方法获取轨迹误差参数sl，前期通过大量实验获取轨迹误差最佳阈值为0.6，并应用与轨迹误差参数判断中，当相似度低于阈值0.6时即预警，如果高于该值，则系统不报警，从而实现无人机作业状态的预警。
本发明的优点在于：
1、本发明直接监测无人机的飞行数据，可以及时发现和识别潜在的故障问题，这有助于确保无人机的安全运行和健康状态，减少了操作中的风险和意外事故。
2、本发明以在线监测的方式监测无人机的飞行数据，当飞行数据发生异常时，该飞行状态可能不会对无人机飞行安全造成影响，通过对异常点的轨迹预测技术联合预警，可以对无人机的飞行安全起到双重保障。
3、本发明在数据监测阶段，使用了基于子空间学习方法对数据降维表示，有利于后续数据的处理，解决了存储和计算复杂度高等问题。
附图说明
图1为本发明实施例一种变电站无人机飞行状态检测及预警方法流程图；
图2为本发明实施例中一种变电站无人机飞行状态检测及预警方法流程图；
图3为本发明实施例中方法构建的的LSTM神经网络流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例1
本实施例记载1、一种变电站无人机飞行状态检测及预警方法，其特征在于，该方法包括以下步骤：
S1、在多维飞行数据矩阵X中找到一个低维的内部子空间矩阵U作为原始飞行数据有意义和存储轻量的数据表示，子空间矩阵U的行向量为原始输入中相应飞行参数的向量化表示；
S2、以投影近似方式更新子空间向量，通过追踪和匹配子空间方向变化实现飞行数据瞬时异常检测；
S3、根据LSTM对时间序列的预测特点，构建基于LSTM的无人机飞行数据异常点位轨迹预测模型；
S4、根据余弦相似性方法计算规划轨迹和预测轨迹的相似度，当相似度低于阈值0.6时系统报警。
每个步骤执行过程具体如下：
S1、无人机在变电站执行运维任务时，一些关键参数对无人机的飞行控制异常重要，飞行数据X矩阵包括：经度、纬度、海拔高度、俯仰角、横滚角、偏航角、无人机的地速和空速等参数，在时刻t，存在相同k维子空间的飞行数据输入向量组成飞行数据矩阵
矩阵X每一行的行向量如[x1,1，x1,2，…，x1,t]就是飞行数据的某一个参数，在无人机实时多维飞行数据矩阵X中找到一个低维的内部子空间矩阵 作为原始飞行数据有意义和存储轻量的数据表示，子空间矩阵U的行向量如[u1,1，u1,2，…，u1,k]为原始输入中相应飞行参数的向量化表示，其中，k≤n；
无人机在变电站巡检时，当前时刻t的数据输入xt可作为Xt-1的新的一列，则时刻t的飞行数据矩阵Xt可表示为：
Xt＝[Xt-1 xt]
将矩阵Xt分解为子空间矩阵和辅助向量矩阵的乘积：
其中，是当前时刻的子空间矩阵，辅助矩阵为是重构的数据，符号T是转置运算；
S2、通过计算得到子空间矩阵过程是：
获得数据观察模块：多维飞行数据输入xt若存在缺失，原始输入只有部分被有效地观察到，设有效观察索引的集合是Ωt，则xΩ(t)是原始输入xt对应于集合Ωt的行子向量，
其中，是哈达玛积，是n×1向量，G是预定义的缺失形状，如果j∈G，否则
获得权重wt和残差et：令UΩ(t-1)是Ut-1对应于有效观察索引集合Ωt的行子矩阵，权重wt被定义为：
也是将xΩ(t)正交投影到UΩ(t-1)所得到子空间的权重集合，+为广义逆矩阵符号，然后，令当前观察的残差向量et为：
获得子空间矩阵：令Xt-1在t-1时刻的秩矩阵分解是恢复的飞行数据流矩阵可以被定义为：
令上式的中心矩阵为：
其中，原始和中，对应于中最小奇异值的末尾列将被丢弃，令是原始丢弃末尾列和末尾行而获得的对角矩阵；
当前时刻t，子空间矩阵更新为：此外，辅助矩阵最终,当前t时刻的飞行数据矩阵分解为其是新的秩分解，子空间矩阵和辅助矩阵都可迭代更新；
为了进一步减少内存需求，无需恢复t时刻所有飞行数据只需恢复t时刻的飞行数据因此，
其中，的最后一列是t时刻的辅助向量，因此,子空间矩阵近似估计Ut和辅助向量rt T都可递推计算，重构出原始数据为：
S3、通过子空间矩阵检测是否发生数据异常的过程是：
在t时刻，给定具有相同的k维低秩子空间的n维飞行数据输入向量飞行数据的在线子空间学习目标函数为最小化每个时刻输入向量的l2范数重构误差：
式-1中，Ui为包含k个子空间向量的子空间矩阵，xi为第i个原始飞行数据输入，Uixi为第i个原始数据向数据子空间投影，UiUixi是从投影子空间重构估计得到的第i个xi，
飞行数据在时序方向上相邻的子空间具有相似性，即其中，为前一个时刻估计的数据子空间，用投影向量估计并施加遗忘因子β，目标函数(式-1)转化为：
其中，遗忘因子β∈(0,1)用来降低过去时刻数据的对当前时刻学习的影响，
如果满足式-3的条件，则目标函数(式-2)右侧xi的数据重构误差数据误差可以最小化：
进一步，将式-3转化为迭代形式如式-4所示:
当每次计算只关注部分数据子空间，在式-4中仅考虑数据子空间矩阵中的第j∈(1,k)个向量时，
投影向量简化为：
投影系数简化为：
子空间矩阵的迭代公式(式-3)简化为串行的计算完整数据子空间的每一维的子空间向量：
其中,k为内部子空间维度，也是对原始数据的低秩约束，并控制部分子空间的维度，求得第一维度的子空间向量后，可由
更新用于求解下一维度的子空间向量，由式-5、式-6、式-7和式-8循环计算k次，即当计算到时停止计算，最终得到k个估计子空间向量t时刻k个估计子空间向量张成的子空间为Ut，其中最大特征值对应的子空间向量为t时刻k个参考子空间向量张成的子空间为Us，利用估计的最显著子空间向量和参考的最显著子空间向量分别向参考子空间Us和估计的子空间Ut投影，由公式：
得到的夹角平均即为t时刻输入向量的异常分数，其中，异常分数st代表了t时刻输入向量对数据子空间向量的影响，值越大则输入向量的异常程度越大，通过大量实验验证，当异常分数st>0.5时，可以确定无人机飞行数据在t时刻发生了异常，获取t时刻前后的无人机的飞行参数。
S4、基于无人机历史轨迹与飞行数据，飞行数据包括：经度、纬度、海拔高度、俯仰角、横滚角、偏航角、无人机的地速和空速，搭建LSTM神经网络，如图3所示，输入数据为当前飞行数据M，矩阵M每一行的行向量如[m1,1，m1,2，...，m1,t]就是飞行数据的某一个参数，输出数据为发生数据异常后的飞行数据P，同理矩阵P每一行的行向量如[p1,1，p1,2，…，p1,t]就是预测后的飞行数据参数，当检测到无人机在t时刻发生数据异常时，收集该时刻前后各1s历史飞行数据，经过数据预处理，以1ms为间隔将数据划分成样本点，选取2000个样本点，将训练集与测试集划分比例为8：2，训练集个数为400，测试集个数为100，将滑动窗口尺寸设置为100，时间步长设置为10，预测t时刻1s后的200个数据点，这200个数据点对应的规划轨迹矩阵为Q，Q的行向量为规划轨迹相对应的参数值。
S5、利用余弦相似性方法计算预测轨迹与期望轨迹间的相似程度，首先，将轨迹数据表示为方向向量的序列，即P＝[p1,p2,...p200]，其中，p1,p2,...p200分别为1×8的列向量，列向量的每一行是当前数据点的预测飞行参数数值；同理，Q＝[q1,q2,...q200]，其中，q1,q2,...q200分别为为1×8的列向量，列向量的每一行是规划的飞行参数数值，每个方向向量通常由轨迹中相邻点之间的方向组成，归一化处理后消除向量的长度差异，只考虑方向，相似度sl：
其中，pi和qi是两个轨迹的归一化方向向量，余弦相似性的取值范围在-1到1之间，接近1的值表示轨迹之间的方向非常相似，接近-1表示方向相反，接近0表示方向差异很大，通过余弦相似性方法获取轨迹误差参数sl，前期通过大量实验获取轨迹误差最佳阈值为0.6，并应用与轨迹误差参数判断中，当相似度低于阈值0.6时即预警，如果高于该值，则系统不报警，从而实现无人机作业状态的预警。
本实施例记载的一种变电站无人机飞行状态检测及预警方法，通过检测无人机在变电站运维时的飞行数据是否发生异常，判断无人机的飞行状态是否安全，所谓异常数据，是指数据表现为不同于所设定的正常模式或与正常数据偏差过大的现象，异常数据可能导致控制率解算不稳定或不期望的飞行控制发生，从而影响无人机自身和周围的飞行安全以及任务的完成，因此，需要尽可能快和准确地判断当前数据输入的异常状态，首先针对无人机实时飞行数据，利用子空间学习方法对飞行数据进行降维，降低飞行数据的在线运算量，降维后的飞行数据具有强烈的代表性，用低秩约束后的部分子空间对多维飞行数据建模，通过度量无人机飞行过程中的子空间向量变化，实现飞行数据点异常在线检测；其次检测到飞行数据异常时，利用LSTM神经网络预测异常点位的轨迹，通过相似度算法对比预测轨迹和规划轨迹的相似度，当相似度小于设定的阈值时即报警，从而实现无人机飞行异常状态的预警。
实施例2
本实施例为用于执行实施例1方法的系统，一种变电站无人机飞行状态监测及预警系统，其特征在于，包括：
子空间矩阵计算模块，用于在多维飞行数据矩阵X中找到一个低维的内部子空间矩阵U作为原始飞行数据有意义和存储轻量的数据表示，子空间矩阵U的行向量为原始输入中相应飞行参数的向量化表示；
异常检测模块，用于以投影近似方式更新子空间向量，通过追踪和匹配子空间向量方向变化实现飞行数据瞬时异常检测；
预测模型构建模块，用于根据LSTM对时间序列的预测特点，构建基于LSTM的无人机飞行数据异常点位轨迹预测模型；
相似度计算模块，用于根据余弦相似性方法计算规划轨迹和预测轨迹的相似度，当相似度低于阈值时系统报警。
上述每个模块执行实施例1中对应步骤。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种变电站无人机飞行状态监测及预警方法，其特征在于，包括以下步骤：
S1、在多维飞行数据矩阵X中找到一个低维的内部子空间矩阵U作为原始飞行数据有意义和存储轻量的数据表示，子空间矩阵U的行向量为原始输入中相应飞行参数的向量化表示；
S2、以投影近似方式更新子空间向量，通过追踪和匹配子空间向量方向变化实现飞行数据瞬时异常检测；
S3、根据LSTM对时间序列的预测特点，构建基于LSTM的无人机飞行数据异常点位轨迹预测模型；
S4、根据余弦相似性方法计算规划轨迹和预测轨迹的相似度，当相似度低于阈值时系统报警。
2.根据权利要求1所述的一种变电站无人机飞行状态监测及预警方法，其特征在于，所述步骤S1中，多维飞行数据矩阵 矩阵X每一行的行向量如[x1,1，x1,2，…，x1,t]就是飞行数据的某一个参数，在无人机实时多维飞行数据矩阵X中找到一个低维的内部子空间矩阵 作为原始飞行数据有意义和存储轻量的数据表示，子空间矩阵U的行向量如[u1,1，u1,2，…，u1,k]为原始输入中相应飞行参数的向量化表示，其中，k≤n；
无人机在变电站巡检时，当前时刻t的数据输入xt可作为Xt-1的新的一列，则时刻t的飞行数据矩阵Xt可表示为：
Xt＝[Xt-1 xt]
将矩阵Xt分解为子空间矩阵和辅助向量矩阵的乘积：
其中，是当前时刻的子空间矩阵，辅助矩阵为 是重构的数据，符号T是转置运算。
3.根据权利要求2所述的一种变电站无人机飞行状态监测及预警方法，其特征在于，所述步骤S1中子空间矩阵计算过程为：
多维飞行数据输入xt若存在缺失，原始输入只有部分被有效地观察到，设有效观察索引的集合是Ωt，则xΩ(t)是原始输入xt对应于集合Ωt的行子向量，
其中，是哈达玛积，是n×1向量，G是预定义的缺失形状，如果j∈G，否则
获得权重wt和残差et：令UΩ(t-1)是Ut-1对应于有效观察索引集合Ωt的行子矩阵，权重wt被定义为：
也是将xΩ(t)正交投影到UΩ(t-1)所得到子空间的权重集合，+为广义逆矩阵符号，然后，令当前观察的残差向量et为：
获得子空间矩阵：令Xt-1在t-1时刻的秩矩阵分解是恢复的飞行数据流矩阵可以被定义为：
令上式的中心矩阵为：
其中，原始和中，对应于中最小奇异值的末尾列将被丢弃，令是原始丢弃末尾列和末尾行而获得的对角矩阵；
当前时刻t，子空间矩阵更新为：
此外，辅助矩阵最终,当前t时刻的飞行数据矩阵分解为其是新的秩分解，子空间矩阵和辅助矩阵都可迭代更新；
为了进一步减少内存需求，无需恢复t时刻所有飞行数据只需恢复t时刻的飞行数据因此，
其中，的最后一列是t时刻的辅助向量，因此,子空间矩阵近似估计Ut和辅助向量rt T都可递推计算，重构出原始数据为：
4.根据权利要求3所述的一种变电站无人机飞行状态监测及预警方法，其特征在于，所述步骤S2中检测是否发生数据异常的过程为：
在t时刻，给定具有相同的k维低秩子空间的n维飞行数据输入向量飞行数据的在线子空间学习目标函数为最小化每个时刻输入向量的范数重构误差：
式-1中，Ui为包含k个子空间向量的子空间矩阵，xi为第i个原始飞行数据输入，Uixi为第i个原始数据向数据子空间投影，UiUixi是从投影子空间重构估计得到的第i个xi，
飞行数据在时序方向上相邻的子空间具有相似性，即其中，为前一个时刻估计的数据子空间，用投影向量估计并施加遗忘因子β，目标函数(式-1)转化为：
其中，遗忘因子β∈(0,1)用来降低过去时刻数据的对当前时刻学习的影响，
如果满足式-3的条件，则目标函数(式-2)右侧xi的数据重构误差数据误差可以最小化：
进一步，将式-3转化为迭代形式如式-4所示:
当每次计算只关注部分数据子空间，在式-4中仅考虑数据子空间矩阵中的第j∈(1,k)个向量时，
投影向量简化为：
投影系数简化为：
子空间矩阵的迭代公式(式-3)简化为串行的计算完整数据子空间的每一维的子空间向量：
其中,k为内部子空间维度，也是对原始数据的低秩约束，并控制部分子空间的维度，求得第一维度的子空间向量后，可由
更新用于求解下一维度的子空间向量，由式-5、式-6、式-7和式-8循环计算k次，即当计算到时停止计算，最终得到k个估计子空间向量t时刻k个估计子空间向量张成的子空间为Ut，其中最大特征值对应的子空间向量为t时刻k个参考子空间向量张成的子空间为Us，利用估计的最显著子空间向量和参考的最显著子空间向量分别向参考子空间Us和估计的子空间Ut投影，由公式：
得到的夹角平均即为t时刻输入向量的异常分数，其中，异常分数st代表了t时刻输入向量对数据子空间向量的影响，值越大则输入向量的异常程度越大，通过大量实验验证，当异常分数st>0.5时，可以确定无人机飞行数据在t时刻发生了异常，获取t时刻前后的无人机的飞行参数。
5.根据权利要求1所述的一种变电站无人机飞行状态监测及预警方法，其特征在于，所述步骤S3中LSTM神经网络搭建过程为：
输入数据为当前飞行数据M，矩阵M每一行的行向量如[m1,1，m1,2，…，m1,t]就是飞行数据的某一个参数，输出数据为发生数据异常后的飞行数据P，同理矩阵P每一行的行向量如[p1,1，p1,2，…，p1,t]就是预测后的飞行数据参数，当检测到无人机在t时刻发生数据异常时，收集该时刻前后各1s历史飞行数据，经过数据预处理，以1ms为间隔将数据划分成样本点，选取2000个样本点，将训练集与测试集划分比例为8：2，训练集个数为400，测试集个数为100，将滑动窗口尺寸设置为100，时间步长设置为10，预测t时刻1s后的200个数据点，这200个数据点对应的规划轨迹矩阵为Q，Q的行向量为规划轨迹相对应的参数值；
所述步骤S4中规划轨迹和预测轨迹相似度计算过程为：
利用余弦相似性方法计算预测轨迹与期望轨迹间的相似程度，首先，将轨迹数据表示为方向向量的序列，即P＝[p1,p2,...p200]，其中，p1,p2,...p200分别为1×8的列向量，列向量的每一行是当前数据点的预测飞行参数数值；同理，Q＝[q1,q2,...q200]，其中，q1,q2,...q200分别为为1×8的列向量，列向量的每一行是规划的飞行参数数值，每个方向向量通常由轨迹中相邻点之间的方向组成，归一化处理后消除向量的长度差异，只考虑方向，相似度sl：
其中，pi和qi是两个轨迹的归一化方向向量，余弦相似性的取值范围在-1到1之间，接近1的值表示轨迹之间的方向非常相似，接近-1表示方向相反，接近0表示方向差异很大，通过余弦相似性方法获取轨迹误差参数sl，前期通过大量实验获取轨迹误差最佳阈值为0.6，并应用与轨迹误差参数判断中，当相似度低于阈值0.6时即预警，如果高于该值，则系统不报警，从而实现无人机作业状态的预警。
6.一种变电站无人机飞行状态监测及预警系统，其特征在于，包括：
子空间矩阵计算模块，用于在多维飞行数据矩阵X中找到一个低维的内部子空间矩阵U作为原始飞行数据有意义和存储轻量的数据表示，子空间矩阵U的行向量为原始输入中相应飞行参数的向量化表示；
异常检测模块，用于以投影近似方式更新子空间向量，通过追踪和匹配子空间向量方向变化实现飞行数据瞬时异常检测；
预测模型构建模块，用于根据LSTM对时间序列的预测特点，构建基于LSTM的无人机飞行数据异常点位轨迹预测模型；
相似度计算模块，用于根据余弦相似性方法计算规划轨迹和预测轨迹的相似度，当相似度低于阈值时系统报警。
7.根据权利要求6所述的一种变电站无人机飞行状态监测及预警系统，其特征在于，所述子空间矩阵计算模块中，多维飞行数据矩阵 矩阵X每一行的行向量如[x1,1，x1,2，…，x1,t]就是飞行数据的某一个参数，在无人机实时多维飞行数据矩阵X中找到一个低维的内部子空间矩阵 作为原始飞行数据有意义和存储轻量的数据表示，子空间矩阵U的行向量如[u1,1，u1,2，…，u1,k]为原始输入中相应飞行参数的向量化表示，其中，k≤n；
无人机在变电站巡检时，当前时刻t的数据输入xt可作为Xt-1的新的一列，则时刻t的飞行数据矩阵Xt可表示为：
Xt＝[Xt-1 xt]
将矩阵Xt分解为子空间矩阵和辅助向量矩阵的乘积：
其中，是当前时刻的子空间矩阵，辅助矩阵为 是重构的数据，符号T是转置运算。
8.根据权利要求7所述的一种变电站无人机飞行状态监测及预警系统，其特征在于，所述子空间矩阵计算模块中子空间矩阵计算过程为：
多维飞行数据输入xt若存在缺失，原始输入只有部分被有效地观察到，设有效观察索引的集合是Ωt，则xΩ(t)是原始输入xt对应于集合Ωt的行子向量，
其中，是哈达玛积，是n×1向量，G是预定义的缺失形状，如果j∈G，否则
获得权重wt和残差et：令UΩ(t-1)是Ut-1对应于有效观察索引集合Ωt的行子矩阵，权重wt被定义为：
也是将xΩ(t)正交投影到UΩ(t-1)所得到子空间的权重集合，+为广义逆矩阵符号，然后，令当前观察的残差向量et为：
获得子空间矩阵：令Xt-1在t-1时刻的秩矩阵分解是恢复的飞行数据流矩阵可以被定义为：
令上式的中心矩阵为：
其中，原始和中，对应于中最小奇异值的末尾列将被丢弃，令是原始丢弃末尾列和末尾行而获得的对角矩阵；
当前时刻t，子空间矩阵更新为：
此外，辅助矩阵最终,当前t时刻的飞行数据矩阵分解为其是新的秩分解，子空间矩阵和辅助矩阵都可迭代更新；
为了进一步减少内存需求，无需恢复t时刻所有飞行数据只需恢复t时刻的飞行数据因此，
其中，的最后一列是t时刻的辅助向量，因此,子空间矩阵近似估计Ut和辅助向量rt T都可递推计算，重构出原始数据为：
9.根据权利要求7所述的一种变电站无人机飞行状态监测及预警系统，其特征在于，所述异常检测模块中检测是否发生数据异常的过程为：
在t时刻，给定具有相同的k维低秩子空间的n维飞行数据输入向量飞行数据的在线子空间学习目标函数为最小化每个时刻输入向量的范数重构误差：
式-1中，Ui为包含k个子空间向量的子空间矩阵，xi为第i个原始飞行数据输入，Uixi为第i个原始数据向数据子空间投影，UiUixi是从投影子空间重构估计得到的第i个xi，
飞行数据在时序方向上相邻的子空间具有相似性，即其中，为前一个时刻估计的数据子空间，用投影向量估计并施加遗忘因子β，目标函数(式-1)转化为：
其中，遗忘因子β∈(0,1)用来降低过去时刻数据的对当前时刻学习的影响，
如果满足式-3的条件，则目标函数(式-2)右侧xi的数据重构误差数据误差可以最小化：
进一步，将式-3转化为迭代形式如式-4所示:
当每次计算只关注部分数据子空间，在式-4中仅考虑数据子空间矩阵中的第j∈(1,k)个向量时，
投影向量简化为：
投影系数简化为：
子空间矩阵的迭代公式(式-3)简化为串行的计算完整数据子空间的每一维的子空间向量：
其中,k为内部子空间维度，也是对原始数据的低秩约束，并控制部分子空间的维度，求得第一维度的子空间向量后，可由
更新用于求解下一维度的子空间向量，由式-5、式-6、式-7和式-8循环计算k次即当计算到时停止计算，最终得到k个估计子空间向量t时刻k个估计子空间向量张成的子空间为Ut，其中最大特征值对应的子空间向量为t时刻k个参考子空间向量张成的子空间为Us，利用估计的最显著子空间向量和参考的最显著子空间向量分别向参考子空间Us和估计的子空间Ut投影，由公式：
得到的夹角平均即为t时刻输入向量的异常分数，其中，异常分数st代表了t时刻输入向量对数据子空间向量的影响，值越大则输入向量的异常程度越大，通过大量实验验证，当异常分数st>0.5时，可以确定无人机飞行数据在t时刻发生了异常，获取t时刻前后的无人机的飞行参数。
10.根据权利要求6所述的一种变电站无人机飞行状态监测及预警系统，其特征在于，所述预测模型构建模块中LSTM神经网络搭建过程为：
输入数据为当前飞行数据M，矩阵M每一行的行向量如[m1,1，m1,2，…，m1,t]就是飞行数据的某一个参数，输出数据为发生数据异常后的飞行数据P，同理矩阵P每一行的行向量如[p1,1，p1,2，…，p1,t]就是预测后的飞行数据参数，当检测到无人机在t时刻发生数据异常时，收集该时刻前后各1s历史飞行数据，经过数据预处理，以1ms为间隔将数据划分成样本点，选取2000个样本点，将训练集与测试集划分比例为8：2，训练集个数为400，测试集个数为100，将滑动窗口尺寸设置为100，时间步长设置为10，预测t时刻1s后的200个数据点，这200个数据点对应的规划轨迹矩阵为Q，Q的行向量为规划轨迹相对应的参数值；
所述相似度计算模块中规划轨迹和预测轨迹相似度计算过程为：
利用余弦相似性方法计算预测轨迹与期望轨迹间的相似程度，首先，将轨迹数据表示为方向向量的序列，即P＝[p1,p2,...p200]，其中，p1,p2,...p200分别为1×8的列向量，列向量的每一行是当前数据点的预测飞行参数数值；同理，Q＝[q1,q2,...q200]，其中，q1,q2,...q200分别为为1×8的列向量，列向量的每一行是规划的飞行参数数值，每个方向向量通常由轨迹中相邻点之间的方向组成，归一化处理后消除向量的长度差异，只考虑方向，相似度sl：
其中，pi和qi是两个轨迹的归一化方向向量，余弦相似性的取值范围在-1到1之间，接近1的值表示轨迹之间的方向非常相似，接近-1表示方向相反，接近0表示方向差异很大，通过余弦相似性方法获取轨迹误差参数sl，前期通过大量实验获取轨迹误差最佳阈值为0.6，并应用与轨迹误差参数判断中，当相似度低于阈值0.6时即预警，如果高于该值，则系统不报警，从而实现无人机作业状态的预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311533594.8A CN117452919A (zh) | 2023-11-14 | 2023-11-14 | 一种变电站无人机飞行状态监测及预警方法、系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311533594.8A CN117452919A (zh) | 2023-11-14 | 2023-11-14 | 一种变电站无人机飞行状态监测及预警方法、系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117452919A true CN117452919A (zh) | 2024-01-26 |
Family
ID=89583548
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311533594.8A Pending CN117452919A (zh) | 2023-11-14 | 2023-11-14 | 一种变电站无人机飞行状态监测及预警方法、系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117452919A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118151590A (zh) * | 2024-05-09 | 2024-06-07 | 领跑(辽宁)科技有限公司 | 基于数据分析的人机管理方法及系统 |
| CN118277813A (zh) * | 2024-06-03 | 2024-07-02 | 国网浙江省电力有限公司嘉善县供电公司 | 一种基于融合聚类算法的无人机飞行轨迹异常溯源方法 |
| CN118395070A (zh) * | 2024-06-25 | 2024-07-26 | 国网安徽省电力有限公司电力科学研究院 | 变电站巡检四旋翼无人机健康状态评估方法 |
-
2023
- 2023-11-14 CN CN202311533594.8A patent/CN117452919A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118151590A (zh) * | 2024-05-09 | 2024-06-07 | 领跑(辽宁)科技有限公司 | 基于数据分析的人机管理方法及系统 |
| CN118277813A (zh) * | 2024-06-03 | 2024-07-02 | 国网浙江省电力有限公司嘉善县供电公司 | 一种基于融合聚类算法的无人机飞行轨迹异常溯源方法 |
| CN118395070A (zh) * | 2024-06-25 | 2024-07-26 | 国网安徽省电力有限公司电力科学研究院 | 变电站巡检四旋翼无人机健康状态评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117452919A (zh) | 一种变电站无人机飞行状态监测及预警方法、系统 | |
| CN108594788B (zh) | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 | |
| CN110046376A (zh) | 一种基于贝叶斯网络的卫星姿控系统多工况健康评估方法 | |
| 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 | |
| CN115220133B (zh) | 一种多气象要素降雨预测方法、装置、设备及存储介质 | |
| CN112859898B (zh) | 一种基于双通道双向神经网络的飞行器轨迹预测方法 | |
| Zhao et al. | Robust Data‐Driven Fault Detection: An Application to Aircraft Air Data Sensors | |
| CN116519021B (zh) | 一种惯性导航系统故障诊断方法、系统及设备 | |
| Xiong et al. | Steering actuator fault diagnosis for autonomous vehicle with an adaptive denoising residual network | |
| CN116485031A (zh) | 短期电力负荷的预测方法、装置、设备及存储介质 | |
| Zhang et al. | An Intelligent Fault Detection Framework for FW‐UAV Based on Hybrid Deep Domain Adaptation Networks and the Hampel Filter | |
| GB2623358A (en) | Method and system for fault diagnosis of nuclear power circulating water pump based on optimized capsule network | |
| CN116021981A (zh) | 配电网线路覆冰故障预测方法、装置、设备及存储介质 | |
| Li et al. | A lightweight and explainable data-driven scheme for fault detection of aerospace sensors | |
| Yang et al. | Data-driven unsupervised anomaly detection and recovery of unmanned aerial vehicle flight data based on spatiotemporal correlation | |
| Li et al. | Interpretable intelligent fault diagnosis strategy for fixed-wing UAV elevator fault diagnosis based on improved cross entropy loss | |
| CN114116832A (zh) | 一种基于数据驱动的配电网异常识别方法 | |
| CN115563888B (zh) | 一种航天器剩余寿命预测方法、系统、电子设备及介质 | |
| Li et al. | Method for predicting failure rate of airborne equipment based on optimal combination model | |
| Ren et al. | Predicting spacecraft telemetry data by using Grey–Markov model with sliding window and particle swarm optimization | |
| Zhao et al. | An adaptive online learning model for flight data cluster analysis | |
| Liang et al. | Intelligent fault diagnosis method of spacecraft control system based on sequence data-image mapping | |
| CN111652437A (zh) | 跑道视程预测值获取方法、计算机设备和存储介质 | |
| CN117034020B (zh) | 一种基于cvae-gan模型的无人机传感器零样本故障检测方法 | |
| Xue et al. | Fault Prediction for Solar Array Based on Long Short-Term Memory and Autoencoder |
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 |