CN117668579A - 基于mest多旋翼无人机故障诊断方法、设备及存储介质 - Google Patents
基于mest多旋翼无人机故障诊断方法、设备及存储介质 Download PDFInfo
- Publication number
- CN117668579A CN117668579A CN202311693955.5A CN202311693955A CN117668579A CN 117668579 A CN117668579 A CN 117668579A CN 202311693955 A CN202311693955 A CN 202311693955A CN 117668579 A CN117668579 A CN 117668579A
- Authority
- CN
- China
- Prior art keywords
- data
- unmanned aerial
- aerial vehicle
- fault
- rotor unmanned
- 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 81
- 238000003745 diagnosis Methods 0.000 title claims abstract description 47
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 29
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000002427 irreversible effect Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000036961 partial effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000002829 reductive effect Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 8
- 230000036541 health Effects 0.000 abstract description 4
- 238000013210 evaluation model Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- 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 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012774 diagnostic algorithm Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明的一种基于MEST多旋翼无人机故障诊断方法、设备及存储介质，本发明通过以下步骤获取训练集数据，获取测试集数据，数据处理；获得过程矩阵D，调用多元状态估计算法得到估计状态，判断测试集实验数据是否存在故障；对存在故障的数据集，判断故障数据集中各数据偏离正常状态的程度来定位故障数据，从而得出发生故障的部件。本发明通过获取多旋翼无人机多传感器信息并进行信息融合，在全面获取多旋翼无人机正常状态下的运行数据的基础上，建立科学合理的无人机系统状态评估模型，使用提出的多元状态估计故障诊断算法，能够更准确地实现无人机故障的诊断定位，更加全面地评估多旋翼无人机的健康状态。
Description
技术领域
本发明涉及故障诊断技术领域，具体涉及一种基于MEST多旋翼无人机故障诊断方法、设备及存储介质。
背景技术
设备状态异常检测方法主要可以分为基于模型的评估方法、基于专家系统的评估方法、基于数据驱动的评估方法三类。多旋翼无人机是由多个高精度部件组成，且每个部件都有含有众多传感器。无人机运行的过程中，传感器将实时收集无人机的运行状态数据。因此，使用基于数据驱动的评估方法分析传感器收集的数据将更有利于准确评估无人机的健康状态。基于数据驱动的评估方法大致可以分为基于概率统计、基于聚类、基于分类、基于距离和基于预测模型的评估方法五类。
基于预测模型的状态异常检测：是指使用无人机正常状态下的健康数据去训练预测模型，从而使预测模型掌握无人机正常运行状态下的状态特征参数的变化规律。实际情况下，通过对比无人机实际数据与同一时刻预测模型预测数据，就可以判断实际数据有无异常，从而实现对无人机健康状态的实时评估。基于预测模型的状态异常检测可能会用到的预测模型包括：最小二乘支持向量机(LS-SVM)、高斯过程回归(GPR)、多元状态估计(MSET)等。
目前主流诊断算法均是要明确故障类型，在发生故障之后通过分析得出结论。例如基于模糊神经网络的诊断算法，通过采集运行历史中的监测数据，明确设备系统整体及子系统的故障表征信息和造成故障的诱因，在确定建模变量之后使用模型进行学习，不断地更改完善各层神经元节点阈值和权值，直到误差达到预期设定值。由于训练数据使用的一般是发生故障时的监测参数，这样就导致在故障前期还没有明显特征表现的时候无法进行有效诊断，而在设备实际使用过程中，为保证生产运行不会因意外情况的发生而中断，所以可能在设备发生明显故障之前就已经停止使用。
考虑到故障信息其实就隐藏在监测参数中，本发明建模的方法使用基于历史数据的多元状态估计技术(Multivariate State Estimation Techniques，MSET)，通过该方法取得监测参数的估计值，之后再用欧氏距离方法对实际值和估计值的残差进行对比分析，来获取隐藏在数据中的故障信息。
发明内容
本发明提出的一种基于MEST多旋翼无人机故障诊断方法、设备及存储介质，可至少解决背景技术中的技术问题之一。
为实现上述目的，本发明采用了以下技术方案：
一种基于MEST多旋翼无人机故障诊断方法，包括以下步骤，获取训练集数据，获取测试集数据，数据处理；获得过程矩阵D，调用多元状态估计算法得到估计状态，判断测试集实验数据是否存在故障；对存在故障的数据集，判断故障数据集中各数据偏离正常状态的程度来定位故障数据，从而得出发生故障的部件。
进一步地，多元状态估计MSET算法流程如下：
样本选择：
多元状态估计MSET算法在进行样本选择的过程中需要满足以下条件：
(1)样本需要覆盖一段足够长的时间；
(2)每一组样本数据都表示设备处于正常状态；
(3)每一组样本数据中的变量必须是同一时间测量；
(4)过程矩阵需要包括系统不同状态下的正常样本；
(5)过程矩阵不宜过大，需要采用一定的方法进行数据筛选，例如最小-最大选择法、样本排序法、聚类算法等；
构建过程矩阵D：
假设D中包含各时间点所采集到的数据值一共有m组，则矩阵D可以用式(2-1)进行表示
计算实际数据的估计值：
(1)设Xobs和Xest分别代表实际数据及其相应的估计数值，假设可用矩阵D的各列将Xest线性表出，W为对应权值系数的向量表示见式2-2；
(2)设残差向量ε＝Xobs-Xest，当残差向量ε最小的时候，MSET算法得出的Xest最接近实际数据Xobs，此时算法的准确度最高；
(3)设残差向量ε的平方和为S(w)，计算可得到式2-3；
(4)对wj(j＝1,2,...,m)求偏导数，令其结果为0，可得到式2-4；
(5)化简可得到式2-5；
(6)将上式中的m个方程组写成矩阵形式即可得到式2-6；
DT·Xobs＝DT·D·W (2-6)
(7)上式等号左右两侧同时乘以矩阵DT·D的逆，即可得到权值向量W，见式2-7；
W＝(DT·D)-1·(DT·Xobs) (2-7)
(8)上一步中两侧同时乘以矩阵DT·D的逆的前提条件是DT·D可逆。为了避免DT·D不可逆而导致算法错误，MSET将传统线性向量乘积运算算子换为非线性运算算子得到权值向量W的最终表达式，见式2-8；
(9)综上，实际数据估计值Xest可由式2-9计算得出。
又一方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
再一方面，本发明还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上方法的步骤。
由上述技术方案可知，本发明的基于MEST多旋翼无人机故障诊断方法通过获取多旋翼无人机多传感器信息并进行信息融合，在全面获取多旋翼无人机正常状态下的运行数据的基础上，建立科学合理的无人机系统状态评估模型，使用提出的多元状态估计故障诊断算法，能够更准确地实现无人机故障的诊断定位，更加全面地评估多旋翼无人机的健康状态。
附图说明
图1为本发明流程框图；
图2为MSET算法流程图；
图3是实验1数据偏离正常状态趋势图；
图4是实验2数据偏离正常状态趋势图。
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中的附图，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。
如图1所示，本实施例所述的基于MEST多旋翼无人机故障诊断方法，1、获取训练集数据，获取测试集数据，数据处理。2、获得过程矩阵D，调用多元状态估计算法得到估计状态，判断测试集实验数据是否存在故障。3、对存在故障的数据集，判断故障数据集中各数据偏离正常状态的程度来定位故障数据，从而得出发生故障的部件。
首先介绍下多元状态估计算法如下：
多元状态估计(MSET)是一种非参数、非线性且基于特征驱动的多变量时间序列分析方法，该方法通过收集足够多的、足以涵盖系统正常运行状态的历史数据，学习获得用于定义系统各状态参数之间相互关系的经验模式。多元状态估计算法将根据这一经验模式，计算出每一组实际数据相应的估计数据，并通过计算两组值的残差来评估系统当前的状态。目前，MSET在传感器校验、设备检测、电子产品状态异常检测等方面有成功的应用。
多元状态估计MSET算法流程图如2所示，多元状态估计MSET算法流程如下：
1、样本选择
多元状态估计MSET算法在进行样本选择的过程中需要满足以下条件：
(1)样本需要覆盖一段足够长的时间
(2)每一组样本数据都表示设备处于正常状态
(3)每一组样本数据中的变量必须是同一时间测量
(4)过程矩阵需要包括系统不同状态下的正常样本
(5)过程矩阵不宜过大，需要采用一定的方法进行数据筛选，例如最小-最大选择法、样本排序法、聚类算法等
2、构建过程矩阵D
MSET工作的关键在于收集覆盖整个工作条件的正常数据并建立过程存储矩阵D。由于矩阵D覆盖所有工作条件，因此一旦存储矩阵构建完成就可以代表设备正常状态的整体动态过程。过程矩阵的构造实质就是对设备正常运行过程特性的学习和记忆过程。矩阵D中某一列代表设备在运行过程中某一时刻数据采集系统采集到的预先设定好的各监测参数数值，该数值代表设备的一个正常工作状态。假设D中包含各时间点所采集到的数据值一共有m组，则矩阵D可以用式3-1进行表示
3、计算实际数据的估计值
(1)设Xobs和Xest分别代表实际数据及其相应的估计数值，假设可用矩阵D的各列将Xest线性表出，W为对应权值系数的向量表示见式3-2。
(2)设残差向量ε＝Xobs-Xest，当残差向量ε最小的时候，MSET算法得出的Xest最接近实际数据Xobs，此时算法的准确度最高。
(3)设残差向量ε的平方和为S(w)，计算可得到式3-3。
(4)对wj(j＝1,2,...,m)求偏导数，令其结果为0，可得到式3-4。
(5)化简可得到式3-5。
(6)将上式中的m个方程组写成矩阵形式即可得到式3-6。
DT·Xobs＝DT·D·W(3-6)
(7)上式等号左右两侧同时乘以矩阵DT·D的逆，即可得到权值向量W，见式3-7。
W＝(DT·D)-1·(DT·Xobs) (3-7)
(8)上一步中两侧同时乘以矩阵DT·D的逆的前提条件是DT·D可逆。为了避免DT·D不可逆而导致算法错误，MSET将传统线性向量乘积运算算子换为非线性运算算子得到权值向量W的最终表达式，见式3-8。
(9)综上，实际数据估计值Xest可由式3-9计算得出。
总的来说，本发明实施例通过分析多旋翼无人机系统故障诊断与预测技术，结合其多传感器信息采集与融合的优势，选取使用基于数据驱动的多元状态MSET评估方法对多旋翼无人机系统的故障进行智能诊断与预测。
1、数据采集与预处理：基于多传感器数据融合技术，通过机载多类型传感器实时采集无人机系统状态数据信息，并对无人机传感器的数据进行数据预处理，包括：
(1)数据清洗：对缺失数据进行补充、检测离群点数据并对重复数据进行检测和清理。
(2)类型转换：对不同类型的数据进行采样处理、类型转换和归一化。
(3)数据规约：对数据进行维度规约和转换，在保障数据完整性的同时有效降低数据量。
2、数据融合：将单一或者多传感器采集的数据、环境信息、历史数据和维修记录等通过各种智能算法融合到一起，获得对被测环境或对象更加精确的定位，得到优化的综合评价结果，用以提高无人机状态监控、故障预测的准确性。按照所处理数据的层级，将多传感器数据融合分成三个层次：
(1)底层融合，将传感器采集的各种数据进行融合以进行信号识别和特征提取；
(2)中层融合，将提取的特征信息进一步融合以获得故障诊断方面的信息；
(3)顶层融合，将基于经验的故障库和故障模型同故障信息进行融合，顶层融合会依据相关准则，让不同的属性故障信息拥有各自的可信度，得到整体一致的决策实现系统级的预测推理和维修决策。
3、故障诊断与预测：基于多元状态MSET评估方法对多旋翼无人机系统的故障进行智能诊断与预测。考虑到故障信息其实就隐藏在监测参数中，本发明建模的方法使用基于历史数据的多元状态估计技术MSET，通过该方法取得监测参数的估计值，之后再用欧氏距离方法对实际值和估计值的残差进行对比分析，来获取隐藏在数据中的故障信息。
该方法通过收集足够多的、足以涵盖系统正常运行状态的历史数据，学习获得用于定义系统各状态参数之间相互关系的经验模式。多元状态估计算法将根据这一经验模式，计算出每一组实际数据相应的估计数据，并通过计算两组值的残差来评估系统当前的状态。
以下举例说明本发明实施例的技术效果：
电机故障诊断仿真实验
为了验证基于MSET的多旋翼无人机故障诊断算法的有效性与准确性，以电机故障诊断为例，使用不同算法对多旋翼无人机飞行数据进行故障诊断仿真实验，并对不同仿真结果的准确率、故障漏检率、故障误检率以及效率进行比较分析。
算法准确率是指故障诊断结果与实际情况相符的实验数据占总实验数据的比例；故障漏检率是指故障诊断结果为正常，但实际情况为故障的实验数据占总实验数据的比例；故障误检率是指故障诊断结果为故障，但实际情况为正常的实验数据占总实验数据的比例；算法效率是指算法分析完实验数据所需时间。
算法仿真实验运行环境为：11th Gen Intel(R)Core(TM)i5-11300H(3.10GHz)Windows10系统。
基于人工智能的故障诊断算法实验验证数据主要是六旋翼无人机电机失效数据。实验数据属性包含时间戳、PWM值、期望俯仰角、期望偏航角、反馈俯仰角、反馈偏航角、偏航控制量、混控前油门控制量以及混控姿态缩放量。
1、时间戳是指该条数据产生的时间，实验数据中每条数据之间间隔0.04s。
2、PWM值是PWM信号的数字化表示，PWM是一种对模拟信号电平进行数字编码的方法，无人机执行机构中的电子调速器通过PWM信号控制电机的输入电流，从而控制电机的转速。PWM值是指在一个周期内，开关管导通时间相加的平均值，导通时间越长，PWM值越大，直流输出的平均值越大，则该执行机构中电机的转速也就越大。
3、期望俯仰角、期望偏航角是指多旋翼无人机飞控系统在经过计算后，发出的目标值。偏航控制量是多旋翼无人机飞控系统对无人机偏航角进行调整的控制量。
4、反馈俯仰角、反馈偏航角是指多旋翼无人机惯性导航系统传感器测量所得的无人机实际的俯仰角和偏航角。俯仰角、偏航角都是用来表示无人机飞行姿态的参数。
5、混控前油门控制量以及混控姿态缩放量主要是地面遥控器对无人机输出的控制量。混控也就是混合控制，一般指用两个或以上的执行机构去完成一个动作的设置。混控一般用在复杂机械设备上，例如双引擎车、坦克以及多旋翼无人机等。
详细数据见附表-基于人工智能的故障诊断算法实验验证数据.xlsx。
1、电机故障诊断实验一
实验数据集共5527条，其中训练集包含数据4807条，测试集1包含数据720条。其中，测试集1含有正常数据112条，二号电机故障数据608条。调用多旋翼无人机故障诊断算法对实验数据进行故障诊断，实验数据偏离正常的程度见图3，残差越大表示实验数据偏离正常的程度越大。
实验数据结果见下表。
表1实验1故障诊断算法结果
| 算法名称 | 准确率 | 故障漏检率 | 故障误检率 | 效率 |
| 多元状态估计 | 92.2％ | 0.3％ | 7.5％ | 26.04s |
该实验结果表明，多旋翼无人机故障诊断算法的准确率高，故障漏检率低，很好地满足算法性能指标要求。
2、电机故障诊断实验二
该实验数据一共5391条，其中训练集包含数据4807条，测试集2包含数据584条。其中，测试集2含有正常数据100条，二号电机故障数据484条。调用多旋翼无人机故障诊断算法对实验数据进行故障诊断，实验数据偏离正常的程度见图4，残差越大表示实验数据偏离正常的程度越大。
实验数据结果见下表。
表2实验2故障诊断算法结果
| 算法名称 | 准确率 | 故障漏检率 | 故障误检率 | 效率 |
| 多元状态估计 | 92.3％ | 0％ | 7.7％ | 24.76s |
该实验结果表明，多旋翼无人机故障诊断算法的准确率高，故障漏检率低，很好地满足算法性能指标要求。
又一方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
再一方面，本发明还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上方法的步骤。
在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一基于MEST多旋翼无人机故障诊断方法。
可理解的是，本发明实施例提供的系统与本发明实施例提供的方法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本申请实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信，
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述基于MEST多旋翼无人机故障诊断方法。
上述电子设备提到的通信总线可以是外设部件互连标准(英文：PeripheralComponent Interconnect，简称：PCI)总线或扩展工业标准结构(英文：Extended IndustryStandard Architecture，简称：EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(英文：Random Access Memory，简称：RAM)，也可以包括非易失性存储器(英文：Non-Volatile Memory，简称：NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(英文：Central ProcessingUnit，简称：CPU)、网络处理器(英文：Network Processor，简称：NP)等；还可以是数字信号处理器(英文：Digital Signal Processing，简称：DSP)、专用集成电路(英文：ApplicationSpecific Integrated Circuit，简称：ASIC)、现场可编程门阵列(英文：Field-Programmable Gate Array，简称：FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
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 (8)
1.一种基于MEST多旋翼无人机故障诊断方法，其特征在于，获取训练集数据，获取测试集数据，数据处理；获得过程矩阵D，调用多元状态估计MSET算法得到估计状态，判断测试集实验数据是否存在故障；对存在故障的数据集，判断故障数据集中各数据偏离正常状态的程度来定位故障数据，从而得出发生故障的部件。
2.根据权利要求1所述的基于MEST多旋翼无人机故障诊断方法，其特征在于：多元状态估计MSET算法流程如下：
样本选择；
构建过程矩阵D：
假设D中包含各时间点所采集到的数据值一共有m组，则矩阵D用式1-1进行表示
计算实际数据的估计值：
(1)设Xobs和Xest分别代表实际数据及其相应的估计数值，假设可用矩阵D的各列将Xest线性表出，W为对应权值系数的向量表示见式1-2；
(2)设残差向量ε＝Xobs-Xest，当残差向量ε最小的时候，MSET算法得出的Xest最接近实际数据Xobs，此时算法的准确度最高；
(3)设残差向量ε的平方和为S(w)，计算可得到式1-3；
(4)对wj(j＝1,2,...,m)求偏导数，令其结果为0，可得到式1-4；
(5)化简可得到式1-5；
(6)将上式中的m个方程组写成矩阵形式即可得到式1-6；
DT·Xobs＝DT·D·W (1-6)
(7)上式等号左右两侧同时乘以矩阵DT·D的逆，即可得到权值向量W，见式1-7；
W＝(DT·D)-1·(DT·Xobs) (1-7)
(8)上一步中两侧同时乘以矩阵DT·D的逆的前提条件是DT·D可逆；为了避免DT·D不可逆而导致算法错误，MSET将传统线性向量乘积运算算子换为非线性运算算子得到权值向量W的最终表达式，见式1-8；
(9)综上，实际数据估计值Xest可由式1-9计算得出；
3.根据权利要求2所述的基于MEST多旋翼无人机故障诊断方法，其特征在于：多元状态估计MSET算法在进行样本选择的过程中需要满足以下条件：
(1)样本需要覆盖一段设定长的时间；
(2)每一组样本数据都表示设备处于正常状态；
(3)每一组样本数据中的变量必须是同一时间测量；
(4)过程矩阵需要包括系统不同状态下的正常样本；
(5)过程矩阵需要采用设定的方法进行数据筛选。
4.根据权利要求3所述的基于MEST多旋翼无人机故障诊断方法，其特征在于：过程矩阵需要采用设定的方法进行数据筛选包括最小-最大选择法、样本排序法、聚类算法的之一。
5.根据权利要求1所述的基于MEST多旋翼无人机故障诊断方法，其特征在于：获取训练集数据，获取测试集数据，数据处理包括，
(1)数据清洗：对缺失数据进行补充、检测离群点数据并对重复数据进行检测和清理；
(2)类型转换：对不同类型的数据进行采样处理、类型转换和归一化；
(3)数据规约：对数据进行维度规约和转换，在保障数据完整性的同时有效降低数据量。
6.根据权利要求5所述的基于MEST多旋翼无人机故障诊断方法，其特征在于：所述数据处理还包括数据融合如下：
按照所处理数据的层级，将多传感器数据融合分成三个层次：
(1)底层融合，将传感器采集的各种数据进行融合以进行信号识别和特征提取；
(2)中层融合，将提取的特征信息进一步融合以获得故障诊断方面的信息；
(3)顶层融合，将基于经验的故障库和故障模型同故障信息进行融合，顶层融合会依据设定的准则，让不同的属性故障信息拥有各自的可信度，得到整体一致的决策实现系统级的预测推理和维修决策。
7.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1-6任意一项所述方法的步骤。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-6任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311693955.5A CN117668579A (zh) | 2023-12-08 | 2023-12-08 | 基于mest多旋翼无人机故障诊断方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311693955.5A CN117668579A (zh) | 2023-12-08 | 2023-12-08 | 基于mest多旋翼无人机故障诊断方法、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117668579A true CN117668579A (zh) | 2024-03-08 |
Family
ID=90065899
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311693955.5A Pending CN117668579A (zh) | 2023-12-08 | 2023-12-08 | 基于mest多旋翼无人机故障诊断方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117668579A (zh) |
-
2023
- 2023-12-08 CN CN202311693955.5A patent/CN117668579A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10996664B2 (en) | Predictive classification of future operations | |
| CN111461555B (zh) | 一种生产线质量监测方法、装置及系统 | |
| CN111504676B (zh) | 基于多源监控数据融合的设备故障诊断方法、装置及系统 | |
| US10739736B2 (en) | Apparatus and method for event detection and duration determination | |
| CN111340238A (zh) | 一种工业系统的故障诊断方法、装置、设备及存储介质 | |
| CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
| CN112287602B (zh) | 一种基于机器学习和孤立森林的动车轴温故障预警方法 | |
| CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
| US11423321B2 (en) | Method and system for predicting system status | |
| CN116244617A (zh) | 一种基于异构图结构学习的智能高压开关柜故障诊断方法和系统 | |
| CN115481726A (zh) | 一种工业机器人整机健康评估方法及系统 | |
| CN116109039A (zh) | 一种数据驱动异常检测与预警系统 | |
| CN113574480A (zh) | 用于预测设备损坏的装置 | |
| CN112418460A (zh) | 工程车辆的故障诊断方法和故障诊断装置 | |
| CN114492636B (zh) | 一种变压器绕组状态信号的采集系统 | |
| CN117668579A (zh) | 基于mest多旋翼无人机故障诊断方法、设备及存储介质 | |
| CN111988192A (zh) | 一种基于机器学习的列车通信网络故障诊断方法 | |
| Dash et al. | A Comparison of Model-Based and Machine Learning Techniques for Fault Diagnosis | |
| Wang et al. | Complex equipment diagnostic reasoning based on neural network algorithm | |
| CN116736173B (zh) | 一种储能电池模型构建和储能电池状态判定方法、装置 | |
| CN117349770B (zh) | 一种结构健康监测多应变传感器数据异常检测与修复方法 | |
| US12007745B2 (en) | Apparatus for predicting equipment damage | |
| CN116933003A (zh) | 基于DaNet的无人机发动机的剩余使用寿命预测方法 | |
| CN116522065A (zh) | 一种基于深度学习的磨煤机健康度评估方法 | |
| CN116415196A (zh) | 基于智慧工业的数据异常检测方法、存储介质及终端 |
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 |