结合多源感知的无人机故障预测方法及系统与流程

本发明涉及计算机，具体而言，涉及一种结合多源感知的无人机故障预测方法及系统。

背景技术：

1、无人机作为一种高度集成化的无人飞行器系统，其在执行巡检、测绘、物流运输、应急救援等多样化任务过程中面临着复杂多变的飞行环境与高强度的动力推进分系统负荷，任何关键部件的突发故障均可能导致飞行器失控、任务失败乃至人员与财产安全事故。因此，在飞行任务执行过程中对无人机核心分系统进行实时健康状态监测与故障预测，已成为保障无人机安全可靠运行的核心技术需求。

2、现有技术中，针对无人机故障预测通常采用基于单一传感器信号阈值判断或基于单一振动频谱分析的方法进行异常检测，例如对动力推进分系统的振动信号设定固定幅值阈值，超出即判定为异常。此类方法将不同飞行阶段（如起飞爬升、巡航平飞、下降着陆等）的振动特征视为等同处理，忽略了不同飞行阶段下动力推进分系统负荷状态、气动干扰及控制策略的本质差异对振动信号基准水平的显著影响，导致在高负荷阶段产生大量误报而在低负荷阶段遗漏微弱故障征兆。此外，现有技术虽有部分方案尝试同时分析振动信号与姿态信号，但其通常将两者作为独立特征分别提取后简单拼接输入分类器，未能在飞行阶段的统一框架下对振动冲击事件的形态特征进行精细化类别划分并据此进行冲击事件密度的阶段性统计，也未将姿态偏差在各飞行阶段的累积效应作为独立的退化量化指标进行建模，更缺乏将跨飞行阶段的故障征兆演变趋势与气象环境参数进行联合推演以实现真正意义上的前瞻性故障预测的技术能力，因而无法在多飞行阶段、多环境扰动的真实任务场景下对无人机动力推进分系统的渐进性退化与突发性故障实现高置信度的早期预警。

技术实现思路

1、鉴于上述提及的问题，结合本发明的第一方面，本发明实施例提供一种结合多源感知的无人机故障预测方法，所述方法包括：

2、获取部署于无人机的多源传感组件同步回传的飞行工况感知数据流，所述飞行工况感知数据流包含动力推进分系统的连续振动感应信号序列、机身姿态感知组件采集的空间姿态角度信号序列、导航定位模组记录的飞行轨迹坐标信号序列以及环境状态探测模组采集的气象环境参数信号序列；

3、对所述飞行轨迹坐标信号序列进行飞行阶段切分处理，生成飞行阶段划分边界集合，根据所述飞行阶段划分边界集合对所述动力推进分系统的连续振动感应信号序列及所述空间姿态角度信号序列进行同步分割处理，生成每个飞行阶段对应的振动信号片段集合和姿态角度信号片段集合；

4、对每个飞行阶段对应的振动信号片段集合进行振动冲击事件检测处理，生成振动冲击事件时间位置集合，提取所述振动冲击事件时间位置集合中每个振动冲击事件对应的振动冲击响应形态特征，根据所述振动冲击响应形态特征对所述振动冲击事件进行冲击类别划分处理，生成冲击事件类别划分结果；

5、根据所述冲击事件类别划分结果对每个飞行阶段对应的振动信号片段集合进行冲击事件密度统计处理，生成每个飞行阶段对应的冲击事件密度分布特征，根据每个飞行阶段对应的姿态角度信号片段集合进行姿态偏差累积量计算处理，生成每个飞行阶段对应的姿态偏差累积特征；

6、对每个飞行阶段对应的冲击事件密度分布特征和每个飞行阶段对应的姿态偏差累积特征进行跨飞行阶段关联对比处理，生成跨飞行阶段的故障征兆演变趋势特征，根据所述跨飞行阶段的故障征兆演变趋势特征及所述气象环境参数信号序列对动力推进分系统进行故障预测推演处理，生成无人机故障预测指令。

7、再一方面，本发明实施例还提供一种结合多源感知的无人机故障预测系统，其特征在于，包括：

8、处理器；机器可读存储介质，用于存储所述处理器的机器可执行指令；其中，所述处理器配置为经由执行所述机器可执行指令来执行上述的结合多源感知的无人机故障预测方法。

9、基于以上方面，通过获取部署于无人机的多源传感组件同步回传的飞行工况感知数据流，其中涵盖动力推进分系统的连续振动感应信号序列、机身姿态感知组件采集的空间姿态角度信号序列、导航定位模组记录的飞行轨迹坐标信号序列以及环境状态探测模组采集的气象环境参数信号序列，在此基础上，对飞行轨迹坐标信号序列进行飞行阶段切分处理生成飞行阶段划分边界集合，并据此对振动信号序列和姿态角度信号序列进行同步分割处理，将原本连续混叠的多源信号在飞行阶段维度上进行结构化对齐与片段化组织，使得不同飞行阶段下因负荷与控制策略差异而导致的信号基准变化被纳入统一的分析框架之中，消除了跨阶段信号混淆所引发的误报与漏报隐患；进而，对每个飞行阶段对应的振动信号片段集合进行振动冲击事件检测与响应形态特征提取，并依据形态特征进行冲击类别划分，将振动信号中隐含的各类冲击事件从连续波形中精准定位并赋予物理可解释的类别属性，使得机械松动、轴承磨损、叶片裂纹等不同退化模式的冲击特征得以被区分标识；随后，根据冲击事件类别划分结果进行各阶段冲击事件密度统计并生成密度分布特征，同时基于各阶段姿态角度信号片段计算姿态偏差累积特征，将冲击事件的发生频度与姿态控制偏差的累积程度作为两个独立且互补的退化量化维度进行同步建模，使得动力推进分系统的机械退化与其对飞行控制的影响效应被联合捕捉；最终，对各阶段的冲击事件密度分布特征与姿态偏差累积特征进行跨飞行阶段关联对比以生成故障征兆演变趋势特征，并结合气象环境参数信号序列进行故障预测推演处理生成故障预测指令，将多阶段退化趋势的纵向演变规律与外部气象扰动的横向影响因素进行深度融合推演，使得故障预测不再局限于当前时刻的状态快照判断而是具备了对未来故障发生概率与时机的推断能力。

1.一种结合多源感知的无人机故障预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的结合多源感知的无人机故障预测方法，其特征在于，所述对所述飞行轨迹坐标信号序列进行飞行阶段切分处理，生成飞行阶段划分边界集合，根据所述飞行阶段划分边界集合对所述动力推进分系统的连续振动感应信号序列及所述空间姿态角度信号序列进行同步分割处理，生成每个飞行阶段对应的振动信号片段集合和姿态角度信号片段集合，包括：

3.根据权利要求1所述的结合多源感知的无人机故障预测方法，其特征在于，所述对每个飞行阶段对应的振动信号片段集合进行振动冲击事件检测处理，生成振动冲击事件时间位置集合，提取所述振动冲击事件时间位置集合中每个振动冲击事件对应的振动冲击响应形态特征，根据所述振动冲击响应形态特征对所述振动冲击事件进行冲击类别划分处理，生成冲击事件类别划分结果，包括：

4.根据权利要求1所述的结合多源感知的无人机故障预测方法，其特征在于，所述根据所述冲击事件类别划分结果对每个飞行阶段对应的振动信号片段集合进行冲击事件密度统计处理，生成每个飞行阶段对应的冲击事件密度分布特征，根据每个飞行阶段对应的姿态角度信号片段集合进行姿态偏差累积量计算处理，生成每个飞行阶段对应的姿态偏差累积特征，包括：

5.根据权利要求1所述的结合多源感知的无人机故障预测方法，其特征在于，所述对每个飞行阶段对应的冲击事件密度分布特征和每个飞行阶段对应的姿态偏差累积特征进行跨飞行阶段关联对比处理，生成跨飞行阶段的故障征兆演变趋势特征，根据所述跨飞行阶段的故障征兆演变趋势特征及所述气象环境参数信号序列对动力推进分系统进行故障预测推演处理，生成无人机故障预测指令，包括：

6.根据权利要求1所述的结合多源感知的无人机故障预测方法，其特征在于，所述方法还包括：

7.根据权利要求1所述的结合多源感知的无人机故障预测方法，其特征在于，所述方法还包括：

8.根据权利要求1所述的结合多源感知的无人机故障预测方法，其特征在于，所述方法还包括：

9.根据权利要求1所述的结合多源感知的无人机故障预测方法，其特征在于，所述方法还包括：

10.一种结合多源感知的无人机故障预测系统，其特征在于，包括：