基于动态图跨模态重构与原型对比学习的eVTOL飞控状态异常检测方法与流程

本发明涉及飞行器监测，具体涉及一种基于动态图跨模态重构与原型对比学习的evtol飞控状态异常检测方法。

背景技术：

1、随着低空经济的快速发展，电动垂直起降飞行器（electric vertical take-offand landing，evtol）因具有垂直起降、绿色环保以及灵活部署等优势，在城市空中交通、应急救援、物流运输及巡检等领域展现出广阔的应用前景。由于evtol飞行过程中涉及动力系统、能源系统、导航系统以及飞控系统等多个关键子系统，各系统之间存在复杂的耦合关系，其运行状态直接影响飞行安全。

2、为保障飞行器安全稳定运行，飞控状态异常检测成为evtol运行状态监测与健康管理中的关键技术。然而，现有异常检测方法大多基于时序预测框架实现，即利用历史飞行状态序列对未来状态进行预测，并通过预测误差判断是否发生异常。但在实际复杂飞行环境中，受到气流扰动、传感器噪声、系统参数漂移以及多子系统耦合动态变化等因素影响，预测模型容易出现误差累积现象，使得预测误差与真实异常状态之间的映射关系不稳定，降低了异常检测的准确性与鲁棒性。

3、此外，现有方法通常依赖单一模态数据或采用简单特征拼接方式进行多源信息融合，未能充分建模飞控系统、动力系统、能源系统与导航系统之间的内在物理关联关系，导致多模态信息之间的协同表达能力不足。因此，如何充分利用多模态传感器数据之间的关联关系，构建高精度、高鲁棒性的飞控状态异常检测模型，实现复杂飞行环境下的异常识别与故障定位，成为当前evtol智能监测领域亟需解决的技术问题。

技术实现思路

1、针对现有技术的不足，本发明提供了一种基于动态图跨模态重构与原型对比学习的evtol飞控状态异常检测方法，解决了飞行器多模态关联建模不足、预测误差累积明显以及异常状态判别能力有限的问题。

2、为实现以上目的，本发明提供了一种基于动态图跨模态重构与原型对比学习的evtol飞控状态异常检测方法，包括：

3、获取evtol飞行过程中的多模态传感器数据，并进行预处理，构建融合特征序列；

4、基于融合特征序列构建动态图结构，并采用动态图神经网络提取飞行状态表征；

5、对融合特征序列执行模态掩蔽操作，并采用跨模态重构网络重构被掩蔽模态，生成重构状态表征；

6、基于飞行状态表征对应的真实状态表征与重构状态表征计算多尺度重构误差；

7、基于飞行状态表征的集合构建正常飞行状态原型库，并采用原型对比学习方法优化飞行状态表征构成的状态表示空间；

8、根据真实状态表征集合中的真实状态分布与重构状态表征集合中的重构状态分布之间的偏差计算异常评分；

9、基于异常评分执行异常检测与异常定位处理，输出evtol飞控状态异常检测结果。

10、于本发明一实施例中，多模态传感器数据包括视频图像数据、惯性测量单元数据、全球定位系统数据、电机运行参数、电池运行参数、飞控控制指令、风速传感器数据、气压传感器数据以及姿态角数据中的一种或多种。

11、于本发明一实施例中，其特征在于，获取evtol飞行过程中的多模态传感器数据，并进行预处理，构建融合特征序列，包括：

12、对多模态传感器数据进行异常值剔除与缺失值补全，得到各模态数据；

13、基于各模态数据的数据类型进行分类处理，对连续型数据采用min-max归一化处理，对离散/类别数据采用one-hot编码或嵌入表示，并根据统一时间基准执行时间同步操作；

14、将同步后的各模态数据按照时间顺序进行拼接融合，得到融合特征序列。

15、于本发明一实施例中，基于融合特征序列构建动态图结构，并采用动态图神经网络提取飞行状态表征，包括：

16、从融合特征序列中提取飞控系统、动力系统、能源系统及导航系统对应的模态特征，分别作为图结构节点的初始状态特征；

17、根据各系统间的物理耦合关系构建固定的有向边连接；

18、基于图注意力机制，根据各节点当前特征动态学习节点间的关联权重，并聚合邻居信息迭代更新节点表示；

19、采用动态图神经网络输出融合时空信息的飞行状态表征。

20、于本发明一实施例中，对融合特征序列执行模态掩蔽操作，并采用跨模态重构网络重构被掩蔽模态，生成重构状态表征，包括：

21、随机选择至少一个模态执行掩蔽操作；

22、采用跨模态重构网络对被掩蔽模态进行重构，输出重构模态特征；

23、根据重构模态特征生成重构状态表征。

24、于本发明一实施例中，基于飞行状态表征对应的真实状态表征与重构状态表征计算多尺度重构误差，包括：

25、计算点级重构误差、窗口级重构误差以及趋势级重构误差；

26、根据点级重构误差、窗口级重构误差以及趋势级重构误差构建综合重构误差。

27、于本发明一实施例中，基于飞行状态表征的集合构建正常飞行状态原型库，并采用原型对比学习方法优化飞行状态表征构成的状态表示空间，包括：

28、采用聚类算法对正常飞行状态样本进行聚类分析；

29、根据各聚类中心构建状态原型，状态原型包括起飞状态原型、悬停状态原型、巡航状态原型以及降落状态原型；

30、基于状态原型，通过原型对比损失对飞行状态表征进行约束学习，使正常状态向对应状态原型聚集，从而在状态表示空间中形成具有原型区分度的状态原型特征。

31、于本发明一实施例中，基于状态原型，通过原型对比损失对飞行状态表征进行约束学习，使正常状态向对应状态原型聚集，从而在状态表示空间中形成具有原型区分度的状态原型特征，包括：

32、根据正常飞行状态样本构建状态原型库；

33、计算飞行状态表征与状态原型之间的余弦相似度；

34、根据飞行状态表征与状态原型之间的余弦相似度构建原型对比损失函数。

35、于本发明一实施例中，根据真实状态表征集合中的真实状态分布与重构状态表征集合中的重构状态分布之间的偏差计算异常评分，包括：

36、根据真实状态分布与重构状态分布计算wasserstein距离；

37、根据多尺度重构误差合计的综合重构误差与wasserstein距离构建异常评分函数；

38、根据异常评分与预设阈值δ进行比较，当满足时判定当前飞行状态为异常状态，并输出对应异常检测结果；

39、利用动态图神经网络中各节点的注意力权重计算异常贡献度，将贡献度最大的节点确定为异常来源节点，实现异常定位。

40、本发明还提供一种电子设备，包括存储器和处理器，存储器为计算机可读存储介质，存储器存储有程序指令；处理器用于运行程序指令，以执行如上述的基于动态图跨模态重构与原型对比学习的evtol飞控状态异常检测方法。

41、本发明提供了一种基于动态图跨模态重构与原型对比学习的evtol飞控状态异常检测方法。与现有技术相比，具备以下有益效果：

42、1、本发明通过动态图神经网络构建飞控系统、动力系统、能源系统与导航系统之间的动态图结构，实现多模态状态信息的联合建模，能够充分挖掘系统间的动态关联关系，提高飞行状态表征能力。

43、2、本发明采用跨模态重构机制，通过利用未掩蔽模态重构被掩蔽模态，有效学习不同模态之间的协同关系，相比传统未来状态预测方法能够减少误差累积，提高异常检测鲁棒性。

44、3、本发明构建正常飞行状态原型库，并引入原型对比学习机制，使正常状态向对应原型聚集、不同飞行工况相互分离，异常状态因远离所有原型而被判别，从而增强状态表示空间的判别能力。

45、4、本发明结合多尺度重构误差与wasserstein距离构建异常评分函数，并结合图节点注意力权重对异常子系统进行定位，实现对异常状态的精准识别与异常来源定位，显著提高飞控状态异常检测精度和泛化能力。