CN117708741A - 一种用于参数选择的无人机多维飞行数据异常检测的方法 - Google Patents

一种用于参数选择的无人机多维飞行数据异常检测的方法 Download PDF

Info

Publication number
CN117708741A
CN117708741A CN202311781202.XA CN202311781202A CN117708741A CN 117708741 A CN117708741 A CN 117708741A CN 202311781202 A CN202311781202 A CN 202311781202A CN 117708741 A CN117708741 A CN 117708741A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
data
flight data
anomaly
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
Application number
CN202311781202.XA
Other languages
English (en)
Inventor
李少波
王岩
杨磊
张羽
张安思
李传江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou University
Original Assignee
Guizhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guizhou University filed Critical Guizhou University
Priority to CN202311781202.XA priority Critical patent/CN117708741A/zh
Publication of CN117708741A publication Critical patent/CN117708741A/zh
Pending legal-status Critical Current

Links

Classifications

    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/10Internal combustion engine [ICE] based vehicles
    • Y02T10/40Engine management systems

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及无人机异常检测技术领域,公开了一种用于参数选择的无人机多维飞行数据异常检测的方法,包括以下步骤:步骤1,采集无人机飞行数据,并基于无人机飞行数据选取特征子集;步骤2,基于特征子集,构建无监督的异常检测模型以进行无人机飞行数据的异常检测;步骤3,在异常检测模型中输入未训练集X(t)并输出参考检测数据X′(t),并计算得到X(t)与X′(t)的参考残差;采用3σ原则确定残差上限值;步骤4,比对参考残差与残差上限值,若参考残差小于残差上限值,则判定为正常数据;反之,则判定为异常数据。本发明能够实现针对多种异常类型的同步高效检测,检测效率较高且检测精准度较高。

Description

一种用于参数选择的无人机多维飞行数据异常检测的方法
技术领域
本发明涉及无人机异常检测技术领域,具体涉及一种用于参数选择的无人机多维飞行数据异常检测的方法。
背景技术
近年来,随着传感器技术,通讯技术和计算机技术的快速发展,无人机已经在植物保护、航空摄影、新闻报道、军事、电网检测等领域有着广泛的应用。当无人机在复杂情况下执行任务时出现异常,可能会导致无人机失去控制,从而导致任务失败,造成严重的损失。异常检测作为无人机健康管理的重要环节,对预防无人机发生故障、改善无人机飞行的可靠性、减少经济损失等方面具有重要的意义。
目前主要采用以下几种方法,包括:(1)基于先验知识的异常检测,综合无人机目标系统的数据信息与专家知识,建立用于离线的异常检测模型。但是该方法往往依赖于专家知识的获取,并且异常类型难以获得完全。(2)基于模型的异常检测,建立无人机内部子系统的精确模型,通过输入相同信号,对比子系统与模型的输出结果,实现对无人机的异常检测。但是该方法,往往面临着建模困难、模型的可移植性差等问题。
(3)基于数据驱动的异常检测,数据驱动的方法根据标签的可用性可分为监督学习和无监督学习,监督学习利用异常样本与正常样本共同训练模型,是模型学习到两者之间的差别,从而实现异常检测。监督学习的方法需要训练数据中带有异常样本,依赖于高质量的数据标签,而真实情况下异常数据是少量的、难以获取的,因此监督学习的方法面临着成本高,异常样本获取困难等问题。而无监督学习利用正常飞行数据作为训练样本,辨别新数据与正常数据点区别,从而实现异常检测。避免了异常数据获得难度大,数据分布不平衡等问题,因此更适合无人机飞行数据的异常检测。但是参数选择依赖于专家知识的积累,未充分考虑到多维无人机飞行参数的时间相关性和空间相关性,同时由于真实的无人机飞行环境是复杂多变的,因此获得的飞行数据中包含大量的噪声数据,从而对异常检测结果造成影响。
综上,上述方法均有一定的缺陷,存在较大优化空间。
发明内容
本发明意在提供一种用于参数选择的无人机多维飞行数据异常检测的方法,能够实现针对多种异常类型的同步高效检测,检测效率较高且检测精准度较高。
本发明提供的基础方案为:一种用于参数选择的无人机多维飞行数据异常检测的方法,包括以下步骤:
步骤1,采集无人机飞行数据,并基于无人机飞行数据选取特征子集;
步骤2,基于特征子集,构建无监督的异常检测模型以进行无人机飞行数据的异常检测;所述异常检测模型为PS-AE-LSTM模型;在PS-AE-LSTM模型中,LSTM网络结构作为AE模型的编码层与解码层;
步骤3,在异常检测模型中输入未训练集X(t)并输出参考检测数据X′(t),并计算得到X(t)与X′(t)的参考残差;基于参考残差,采用3σ原则确定残差上限值;
步骤4,比对参考残差与残差上限值,若参考残差小于残差上限值,则判定为正常数据;若参考残差大于残差上限值,则判定为异常数据。
进一步,在步骤1中,采用Spearman相关性分析方法进行无人机飞行参数选择,以组成特征子集。
进一步,在步骤1中,还对采集到的无人机飞行数据进行标准化处理。
进一步,在步骤2中,异常检测模型还基于反向传播算法进行训练。
进一步,在步骤3中,计算得到参考残差后,还对参考残差进行滤波处理。
进一步,所述异常检测模型在检测时,同时检测无人机飞行数据中的偏差异常数据、卡死异常数据和漂移异常数据。
本发明的工作原理及优点在于:
本发明提供的一种用于参数选择的无人机多维飞行数据异常检测的方法,首先,考量到了无人机飞行数据中,多维参数之间的相关性;并采用相关性分析方法选择具有强相关的数据作为异常检测的参数(对应为特征子集),能够有效提升异常检测效果。
其次,本方案所设计的异常检测模型,能够同时检测无人机飞行数据中的偏差异常数据、卡死异常数据和漂移异常数据。由于无人机在执行复杂任务时,会遇到各种可能的突发情况,从而发生的异常情况也是多种多样的,对应的异常数值表现也各不相同。目前大多数异常检测方案往往只针对一种异常类型进行检测,其检测模型也专长于某一种异常类型,从而忽略了其他异常类型对无人机安全飞行的影响,以致于异常检测不充分,不准确。而本方案则考虑到了无人机可能发生异常的各种情况,可以检测更多的异常类型,使用一种模型即可以对三种异常类型进行检测,大大降低了对多种异常类型检测的模型数量以及模型复杂度,检测效率较高。
此外,相较于基于先验知识的方法,本方案无需依赖专家知识,异常种类把握相对完全。相较于基于模型的方法,本方案无需建立复杂且精确的数学模型,只需通过正常数据对模型进行训练即可。相较于数据驱动的方法,本方案只需要使用正常数据训练,能够避免监督学习中存在的无人机异常数据难以获取,数据质量要求高,数据分布不平衡等问题,能够大幅节约成本。同时考虑到无人机飞行数据复杂的时间相关性与空间相关性,通过特定的滤波处理,能够避免真实复杂飞行环境中产生的噪声数据对检测造成影响,具有良好的异常检测效果。
附图说明
图1为本发明一种用于参数选择的无人机多维飞行数据异常检测的方法实施例的结构示意图;
图2为本发明一种用于参数选择的无人机多维飞行数据异常检测的方法实施例的结构示意图;
图3为本发明一种用于参数选择的无人机多维飞行数据异常检测的方法实施例的结构示意图。
具体实施方式
下面通过具体实施方式进一步详细的说明:
实施例基本如附图1所示:一种用于参数选择的无人机多维飞行数据异常检测的方法,包括以下步骤:
步骤1,采集无人机飞行数据,并基于无人机飞行数据选取特征子集。
具体地,无人机飞行数据反映了无人机的位置、速度、姿态、高度、航向、飞行时间等,包含有多种无人机飞行参数。在此步骤中,采用Spearman相关性分析方法进行无人机飞行参数选择,以组成特征子集。本实施例中,在进行参数选择时,若两个特征参量(无人机飞行参数)之间的相关性数值大于0.8,则认为二者之间具有强关联性。并选择出以下参数:气压高度、GPS高度、NAV高度、静压力、迎角命令和X轴加速度偏置,以组成特征子集。上述参数能够有效反映无人机的运行异常,特别是偏差异常、卡死异常和漂移异常。
进一步地,此步骤中还将特征子集划分为训练集和测试集。本实施例中,训练集中的数据选用Thor Flight60数据集(该数据集为公开数据集)中的[10000:20000]间的数据点,测试集中的数据选用Thor Flight60数据集中的[25000:28000]间的数据点。并在训练集和测试集中注入异常样本,以便于训练及验证模型。
所述异常样本的注入方式包括:按照下式设定偏差异常、卡死异常和漂移异常对应的异常样本,并注入特征子集。
其中,yf(t)为注入异常样本后的无人机飞行数据;y(t)表示无人机正常飞行的数据;t为时间,α(t)为t的线性函数;β和γ均为常数,且分别代表无人机的偏差值和无人机发生卡死异常的数据。本实施例中,β为采样数据段(训练集和测试集选用的数据段)中最大值与最小值之间差值的0.2倍;γ为某一点处的数据值;α为采样数据段中最大值与最小值之间差值的0.2~0.4倍。且各类异常样本的数据长度均为400。
在此步骤中,还对采集到的无人机飞行数据进行标准化处理。由于无人机飞行数据的不同特征参数具有不同的测量单位,为了消除不同参数数据的之间的差异性影响,此处使用z-score方式对数据进行标准化处理,其公式为:
其中,x*是指标准化后的特征数据,x为原始无人机飞行数据,μ为原始无人机飞行数据的均值,σ为原始无人机飞行数据的方差。
步骤2,基于特征子集,构建无监督的异常检测模型以进行无人机飞行数据的异常检测。
所述异常检测模型为PS-AE-LSTM模型;在PS-AE-LSTM模型中,LSTM网络结构作为AE模型的编码层与解码层。具体地,所述PS-AE-LSTM模型的模型结构如表1所示;
在模型编码阶段,假设(L,N)的特征参数作为模型的输入,其可以被定义为L是模型输入的总长度,N是由Spearman计算得出的具有相关性的特征参数,t是当前时刻。/>用于第一层LSTM的输入,输出的结果/>用于第二层LSTM的输入,此使数据的编码阶段完成。解码阶段与编码阶段的数据输入与输出类似。
表1模型结构
在此步骤中,异常检测模型还基于反向传播算法进行训练。所述反向传播算法通过不断修正权重和偏置以满足模型的最佳性能。且在训练过程中,异常检测模型的训练目标设定为最小化重建数据的误差,训练时采用的损失函数公式为:
其中为经过PS-AE-LSTM模型重建后的数据,l为输入PS-AE-LSTM模型中的参数长度,t表示输入某数据的时刻。
步骤3,在异常检测模型中输入未训练集X(t)并输出参考检测数据X′(t),并计算得到X(t)与X′(t)的参考残差R(t),其计算公式如下:R(t)=|X(t)-X'(t)|。
在此步骤中,所述未训练集X(t)即为自特征子集中划分出的测试集,包含有未参与测试的无人机飞行数据。并且,计算得到参考残差后,还对参考残差进行滤波处理。本实施例中,引入卡尔曼滤波对参考残差进行处理,以完成平滑去噪。其主要包含预测和更新两个步骤。预测是通过异常检测模型来预测下一状态,即:
其中,与/>表示系统状态值,Fk是一个n*n的预测矩阵,Bk是系统控制矩阵,/>是系统控制向量;Pk与Pk-1表示协方差矩阵,Qk表示噪声协方差矩阵;更新步骤的数学表达式为:
P'k=Pk-K'HkPk
其中,K′为卡尔曼增益,Rk为噪声协方差矩阵,Hk为测量矩阵;为预测更新后的最优滤波值,/>为实际观测值;P'k为预测更新后的最优协方差。通过上述公式对R(t)进行过滤,得到滤波后的残差/>
如附图2所示,展示了正常重建数据与滤波后数据的残差。可以看到在三种异常类型中[0:2600]的数据点上,具有较多因随机噪声引起的残差突变点,在卡死异常中[2600:3000]的数据点上产生较大的数据波动。而经过卡尔曼滤波处理后,残差数据表现平滑,突变点与数据波动点消失,从而能够提高异常检测模型的异常检测性能。
最后利用下式计算总体残差的期望与方差值:
其中,M表示为期望,S为方差。
由于残差计算时使用的是绝对值,此处基于参考残差,采用3σ原则确定残差上限值Θ:
Θ=M+3×S。
所述异常检测模型在检测时,同时检测无人机飞行数据中的偏差异常数据、卡死异常数据和漂移异常数据。
步骤4,比对参考残差与残差上限值,若参考残差R(t)小于残差上限值Θ,则判定为正常数据;若参考残差R(t)大于残差上限值Θ,则判定为异常数据。
在实际应用中,将需检测的无人机飞行数据输入本异常检测模型,并计算该数据对应的参考残差与残差上限值,通过比对参考残差与残差上限值,即可完成对无人机飞行数据的异常检测。
本实施例提供的一种用于参数选择的无人机多维飞行数据异常检测的方法,能够实现针对多种异常类型的同步高效检测,检测效率较高且检测精准度较高。
此处引入数个对比例对本方案中所特设的PS-AE-LSTM模型的作用效果进行比对说明。
本方案:(1)AE-LSTM模型(未对参考残差进行滤波处理的条件下);(2)PS-AE-LSTM模型(对参考残差进行滤波处理的条件下);
对比例1:AE模型;
对比例2:LSTM模型;
对比例3:OCSVM模型。
采用同一组样本数据,分别采用上述方法进行无人机飞行数据异常检测,如图3所示,显示了各方法对应的异常检测结果,TPR代表真阳性率、FPR代表假阳性率、ACC代表准确率,为异常检测性能的评价指标。FPR值越小,TPR和ACC值越大,表明模型性能越好。
对比例2在卡死异常与漂移异常上的FPR值分别为100%和59.5%,其主要原因是卡死异常在数值上表现为正常数据,因此预测数据与真实数据之间残差不明显;对比例2无法较好的处理卡死异常与漂移异常。
对比例3在三种异常上的TPR为分别为31.5%、0和16.75%,其主要原因是OCSVM适合空间性上的异常检测,卡死异常为固定值,模型对该值检测为异常,即可检测所有的卡死异常,因此OCSVM对卡死异常FPR为0;该方法虽适配于卡死异常检测,但在其他异常检测上表现一般。对比例1在三种异常上的FPR分别为91.25%、31.5%和36.5%,对三种异常检测效果均不明显,其主要原因是AE无法捕获时间维度的关系、受到数据中噪声与急剧变化的值的影响,将异常数据误认为噪声数据。
本方案(AE-LSTM模型)在三种异常类型的FPR分别为24.25%、31.5%、2%,AE-LSTM相比于其他方法效果较好,能够捕获到时间与空间上的特征,但是结果会受到数据中噪声与突变值的影响,从而对部分异常数据漏检。而在AE-LSTM模型的基础上对参考残差进行滤波处理后,本方案(PS-AE-LSTM模型)可进一步减少噪声数据对模型性能的影响,消除上述漏检情况,ACC值和TPR值在不同的异常类型下均较高,FPR值则在不同的异常类型下均较低。因此,本方案(PS-AE-LSTM模型)能够在不同的异常类型下均有良好的异常检测效果,在具有噪声的数据中检测出更多的隐蔽异常,更适用于真实的飞行情况。
综上,相较于现有的数种异常检测模型,虽然有少数模型在某一种异常类型上有较高的检测准确率,但是,由于在真实的飞行环境中,发生的异常类型是多种的,现有模型并不适用于真实的飞行环境中。而本方案对三种异常有较高的准确率,能够准确地识别正常数据与异常数据,适用于真实的无人机飞行环境中。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。

Claims (6)

1.一种用于参数选择的无人机多维飞行数据异常检测的方法,其特征在于,包括以下步骤:
步骤1,采集无人机飞行数据,并基于无人机飞行数据选取特征子集;
步骤2,基于特征子集,构建无监督的异常检测模型以进行无人机飞行数据的异常检测;所述异常检测模型为PS-AE-LSTM模型;在PS-AE-LSTM模型中,LSTM网络结构作为AE模型的编码层与解码层;
步骤3,在异常检测模型中输入未训练集X(t)并输出参考检测数据X(t),并计算得到X(t)与X(t)的参考残差;基于参考残差,采用3σ原则确定残差上限值;
步骤4,比对参考残差与残差上限值,若参考残差小于残差上限值,则判定为正常数据;若参考残差大于残差上限值,则判定为异常数据。
2.根据权利要求1所述的一种用于参数选择的无人机多维飞行数据异常检测的方法,其特征在于,在步骤1中,采用Spearman相关性分析方法进行无人机飞行参数选择,以组成特征子集。
3.根据权利要求2所述的一种用于参数选择的无人机多维飞行数据异常检测的方法,其特征在于,在步骤1中,还对采集到的无人机飞行数据进行标准化处理。
4.根据权利要求1所述的一种用于参数选择的无人机多维飞行数据异常检测的方法,其特征在于,在步骤2中,异常检测模型还基于反向传播算法进行训练。
5.根据权利要求1所述的一种用于参数选择的无人机多维飞行数据异常检测的方法,其特征在于,在步骤3中,计算得到参考残差后,还对参考残差进行滤波处理。
6.根据权利要求1所述的一种用于参数选择的无人机多维飞行数据异常检测的方法,其特征在于,所述异常检测模型在检测时,同时检测无人机飞行数据中的偏差异常数据、卡死异常数据和漂移异常数据。
CN202311781202.XA 2023-12-21 2023-12-21 一种用于参数选择的无人机多维飞行数据异常检测的方法 Pending CN117708741A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311781202.XA CN117708741A (zh) 2023-12-21 2023-12-21 一种用于参数选择的无人机多维飞行数据异常检测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311781202.XA CN117708741A (zh) 2023-12-21 2023-12-21 一种用于参数选择的无人机多维飞行数据异常检测的方法

Publications (1)

Publication Number Publication Date
CN117708741A true CN117708741A (zh) 2024-03-15

Family

ID=90153117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311781202.XA Pending CN117708741A (zh) 2023-12-21 2023-12-21 一种用于参数选择的无人机多维飞行数据异常检测的方法

Country Status (1)

Country Link
CN (1) CN117708741A (zh)

Similar Documents

Publication Publication Date Title
CN106951695B (zh) 多工况下的机械设备剩余使用寿命计算方法及系统
CN109991951B (zh) 多源故障检测与诊断方法和装置
CN109709934B (zh) 一种飞行控制系统故障诊断冗余设计方法
CN109062189A (zh) 一种用于复杂故障的工业过程故障诊断方法
CN112284440B (zh) 一种传感器数据偏差自适应修正方法
CN102257448B (zh) 使用切换模型对信号进行滤波的方法和设备
CN111122162A (zh) 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法
Xiang et al. Fault classification for high‐dimensional data streams: A directional diagnostic framework based on multiple hypothesis testing
CN111046331A (zh) 一种基于信号异常的健康监控方法
CN117708741A (zh) 一种用于参数选择的无人机多维飞行数据异常检测的方法
CN114880767B (zh) 一种基于注意力机制Dense-GRU网络的航空发动机剩余使用寿命预测方法
CN113887452B (zh) 基于相关性矩阵的故障诊断优化方法
Dhakal et al. UAV Fault and Anomaly Detection Using Autoencoders
CN106874531B (zh) 一种大气数据系统在故障时的异常测量值数据自恢复方法
CN115659271A (zh) 传感器异常检测方法、模型训练方法、系统、设备及介质
CN114037012B (zh) 基于相关性分析与深度学习的飞行数据异常检测方法
CN112834194B (zh) 一种无故障样本下基于软目标度量的故障智能检测方法
CN117688496B (zh) 面向卫星遥测多维时序数据的异常诊断方法、系统及设备
CN116720149A (zh) 基于时空相关性多元回归的飞行数据异常检测和恢复方法
CN109886292B (zh) 一种基于异常关联图的异常原因诊断方法
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
CN117807890A (zh) 基于神经网络的水下无人航行器舵面故障诊断方法
Hong Aircraft Engine Multi-Condition Detection Method Based on Single Classification Limit Learning Machine Algorithm
Han et al. Research on Pump Fault Diagnosis Function Based on BP Neural Network
CN116088445A (zh) 分散式工业过程监控方法、装置和电子设备

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