一种无人机飞行故障检测方法和系统与流程

1.本发明涉及无人机技术领域，特别涉及一种无人机飞行故障检测方法和系统。


背景技术：

2.无人机是一种有动力、可控制、能携带多种任务设备、执行多种任务，并能重复使用的无人驾驶飞机。当前，无人机正处于高速发展的阶段，在民用领域和军事领域受到越来越多的关注与重视。
3.多旋翼机的飞行动力和控制作用都施加在每一个旋翼上，在民用无人机领域因其机械结构简单、操作控制灵活而得以广泛应用。在无人机的飞行控制系统中，存在很多种类的传感器，如加速度计、gps、气压计、三轴陀螺仪等，这些传感器的测量信号可以用来反馈控制、导航计算。由于工作环境的气象条件复杂多变，无人机的故障率较高，特别是传感器在无人机飞行控制系统中的故障率比较高。考虑到无人机较为贵重，而且其负载与获取的数据一般有较高的价值。因此，如何预先检测出无人机的故障显得尤为重要。


技术实现要素：

4.本发明的目的在于提供一种无人机飞行故障检测方法和系统，以解决上述技术问题。
5.为了实现上述目的，本发明的技术方案为：
6.第一方面，本发明提供的一种无人机飞行故障检测方法，包括如下步骤：
7.s1：获取飞行控制系统的实时飞行参数，所述实时飞行参数配有时间戳，判断所述实时飞行参数是否超过与其对应的预设飞行参数阈值范围；
8.s2：当所述实时飞行参数超过所述预设飞行参数范围时，判断所述实时飞行参数超过所述预设飞行参数范围的持续时间是否超过预设持续时间阈值；
9.s3：当所述持续时间超过所述预设持续时间阈值时，获取在所述持续时间内飞行控制系统的飞行表征数据，并对获取的飞行表征数据进行预处理；
10.s4：将预处理后的飞行表征数据输入到训练好的bp神经网络，得到故障发生概率；
11.s5：判断所述故障发生概率是否在预设阈值范围内，若在预设阈值范围内则没有输出，若不在阈值范围内则输出预警信息。
12.优选的，所述飞行参数包括传感器的温度、传感器的噪声及传感器的测量数据中的一种或多种，所述传感器包括加速度计、气压计、三轴陀螺仪中的一种或多种。
13.优选的，所述飞行表征数据包括加速度计的测量数据、气压计的测量数据、三轴陀螺仪的测量数据、gps的测量数据中的一种或多种。
14.优选的，所述对获取的飞行表征数据进行预处理包括如下步骤：采用卡尔曼滤波算法对所述实时飞行参数进行处理以去除噪声。
15.优选的，所述步骤s4之前还包括：获取飞行控制系统的历史飞行表征数据，对获取的历史飞行表征数据进行数据预处理，将预处理后的历史飞行表征数据输入到bp神经网络
进行训练。
16.进一步优选的，所述获取飞行控制系统的历史飞行表征数据包括如下步骤：采集不同地点、不同时间段、每次获取连续时间的飞行表征数据样本，去除无人机起飞和降落阶段的数据。
17.进一步优选的，所述对获取的历史飞行表征数据进行数据预处理包括如下步骤：依次对历史飞行表征数据进行去噪处理、降维和归一化。
18.更进一步优选的，所述对获取的历史飞行表征数据进行数据预处理包括如下步骤：采用卡尔曼滤波算法对所述历史飞行表征数据进行处理以去除噪声，利用pca算法对去噪后的历史飞行表征数据进行降维，根据极差变换法对降维后的历史飞行表征数据进行归一化。
19.第二方面，本发明提供的一种无人机飞行故障检测系统，包括第一获取单元、第一判断单元、第二判断单元、第二获取单元、第一预处理单元、故障预测单元、结果输出单元，其中，所述第一获取单元用于获取飞行控制系统的实时飞行参数，所述实时飞行参数匹配有时间戳；
20.所述第一判断单元用于判断所述实时飞行参数是否超出预设的飞行参数阈值范围；
21.所述第二判断单元用于当所述飞行参数超出所述预设的飞行参数阈值范围时，进一步判断所述飞行参数超出所述阈值范围的持续时间是否超过预设时间阈值；
22.所述第二获取单元用于当所述持续时间超过预设时间阈值时，获取在所述持续时间内飞行控制系统的飞行表征数据；
23.所述第一预处理单元用于对所述持续时间内的飞行表征数据进行预处理；
24.所述故障预测单元用于将所述飞行表征数据输入到训练好的bp神经网络中，得到故障发生概率；
25.所述结果输出单元用于判断所述故障发生概率是否在阈值范围内，若在阈值范围内则没有输出，若不在阈值范围内则输出预警信号。
26.优选的，所述无人机飞行故障检测系统还包括神经网络模型训练单元，所述神经网络模型训练单元包括数据录入模块、第二预处理模块、数据分组模块、建立模块，其中，所述数据录入模块用于录入飞行控制系统的历史飞行表征数据；所述数据预处理模块用于对所述历史飞行表征数据进行预处理，所述数据分组模块将预处理后的数据分为训练集和测试集；所述建立模块用于构建一个三层bp神经网络，确定输入层、隐含层及输出层的神经元个数，设定神经元激活函数，根据所述输出层误差修正权值和阈值，直至所述输出层误差满足要求。
27.与现有技术相比，本发明的有益效果在于：
28.通过本发明提供的故障检测方法，获取飞行控制器的实时飞行参数，并判断实时飞行参数是否超出预设的飞行参数阈值范围：当所述实时飞行参数超出预设的飞行参数阈值范围时，再进一步判断实时飞行参数超出阈值范围的持续时间是否超过预设的时间阈值，当所述持续时间超过预设的时间阈值时，将该持续时间内的飞行标准数据输入到训练好的bp神经网络模型中，得到故障发生概率，根据故障发生概率输出预警信息。本发明对bp神经网络模型进行了相应的优化，有利于提高飞行故障预测的准确性。
附图说明
29.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
30.图1为本发明提供的无人机飞行故障检测方法的流程示意图；
31.图2为本发明提供的无人机飞行故障检测系统的结构示意图；
32.图3为本发明提供的神经网络模型训练单元的模块示意图。
具体实施方式
33.下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
34.第一方面，参照图1，本发明提供的一种无人机飞行故障检测方法，包括如下步骤：
35.s1：获取飞行控制系统的实时飞行参数，所述实时飞行参数配有时间戳，判断所述实时飞行参数是否超过与其对应的预设飞行参数阈值范围；
36.s2：当所述实时飞行参数超过所述预设飞行参数范围时，判断所述实时飞行参数超过所述预设飞行参数范围的持续时间是否超过预设持续时间阈值；
37.s3：当所述持续时间超过所述预设持续时间阈值时，获取在所述持续时间内飞行控制系统的飞行表征数据，并对获取的飞行表征数据进行预处理；
38.s4：将预处理后的飞行表征数据输入到训练好的bp神经网络，得到故障发生概率；
39.s5：判断所述故障发生概率是否在预设阈值范围内，若在预设阈值范围内则没有输出，若不在阈值范围内则输出预警信息。
40.在本发明一具体实施例中，所述飞行参数包括传感器的温度、传感器的噪声及传感器的测量数据中的一种或多种，所述传感器包括加速度计、气压计、三轴陀螺仪中的一种或多种。
41.在本发明一具体实施例中，所述飞行表征数据包括加速度计的测量数据、气压计的测量数据、三轴陀螺仪的测量数据、gps的测量数据中的一种或多种。
42.在本发明一具体实施例中，本发明提供的无人机飞行故障检测方法，包括如下步骤：
43.s1：获取飞行控制系统的实时飞行参数，所述实时飞行参数为来自任一传感器的实时温度t
t
和实时噪声v
t
，所述实时飞行参数配有时间戳，判断所述实时飞行参数是否超过与其对应的预设飞行参数阈值范围，预设温度记为t0和预设噪声v0；
44.s2：当实时温度t
t
和实时噪声v
t
中的任意一种超过对应的预设参数范围时，判断实时温度t
t
和实时噪声v
t
中的任意一种超过对应的预设参数范围的持续时间是否超过预设持续时间阈值；若满足t
t
＞t0，则判断满足t
t
＞t0的持续时间t1是否超过预设时间阈值t0；若满足v
t
＞v0，则判断满足v
t
＞v0的持续时间t'1是否超过预设时间阈值t'0；
45.s3：当满足t1＞t0时，获取在t1时间内的飞行控制系统的飞行表征数据，若满足t'1＞t'0时，获取在t'1时间内的飞行控制系统的飞行表征数据，并对获取的飞行表征数据进行
预处理；
46.s4：将预处理后的飞行表征数据输入到训练好的bp神经网络，得到故障发生概率；
47.s5：判断所述故障发生概率是否在预设阈值范围内，若在预设阈值范围内则没有输出，若不在阈值范围内则输出预警信息。
48.在本发明一具体实施例中，所述对获取的飞行表征数据进行预处理包括如下步骤：采用卡尔曼滤波算法对所述飞行表征数据进行处理以去除噪声。
49.在本发明一具体实施例中，所述步骤s4之前还包括：获取飞行控制系统的历史飞行表征数据，对获取的历史飞行表征数据进行数据预处理，将预处理后的历史飞行表征数据输入到bp神经网络进行训练。
50.具体的，所述获取飞行控制系统的历史飞行表征数据包括如下步骤：采集不同地点、不同时间段、每次获取连续时间的飞行表征数据样本，去除无人机起飞和降落阶段的数据，采用内存卡保存获取的数据样本，需要时从内存卡中调取历史飞行表征数据样本。
51.具体的，所述对获取的历史飞行表征数据进行数据预处理包括如下步骤：依次对历史运行数据进行去噪处理、降维和归一化。
52.所述对获取的历史飞行表征数据进行数据预处理包括如下步骤：采用卡尔曼滤波算法对所述历史飞行表征数据进行处理以去除噪声，利用pca算法对去噪后的历史飞行表征数据进行降维，根据极差变换法对降维后的历史飞行表征数据进行归一化，将数据值范围映射到区间[0,1]内。
[0053]
具体的，所述将预处理后的历史飞行表征数据输入到bp神经网络进行训练包括如下步骤：
[0054]
(1)将预处理后的历史分析表征数据作为样本数据，划分为训练集和验证集，取80％的样本为训练集，剩余的20％的样本为验证集；
[0055]
(2)构建bp神经网络模型，采用训练集对bp神经网络模型进行训练，利用验证集对bp神经网络模型进行验证，调整bp神经网络模型的参数，得到训练好的bp神经网络模型。
[0056]
(2.1)构建三层bp神经网络拓扑结构，分别为输入层、隐含层和输出层；
[0057]
(2.2)确定输入层、隐含层及输出层的神经元个数，所述输入层的神经元个数n由实际的输入个数决定，所述输出层神经元个数p为一个，所述隐含层的神经元个数q满足：bp神经网络的激活函数为s型激活函数，即
[0058]
(2.3)分别计算各层的输入与输出。
[0059]
输入层的输入与输出：
[0060]
o
j
＝x
j
，j＝1,2,
…
,n，其中，x
j
为输入层第j个神经元的输入，o
j
是输入层第j个神经元的输出值，n为输入层神经元个数，对于输入层来说，x
j
和o
j
相等。
[0061]
隐含层的输入与输出：
[0062]
i＝1,2,
…
,q，其中，o
i
是隐含层第i个神经元的输出值，o
j
是输入层第j个神经元的输出值，ω
ij
是输入层神经元j与隐含层神经元i之间的权值，θ
i
为隐含层神经元i的阈值，q是隐含层的神经元个数，n为输入层神经元的个数。
[0063]
输出层的输入与输出：
[0064]
k＝1,2,
…
,p，其中，o
k
是输出层第k个神经元的输出值，o
i
是隐含层第i个神经元的输出值，ω
ki
是隐含层神经元i与输出层神经元k之间的权值，θ
k
为输出层神经元k的阈值，q是隐含层的神经元个数，p为输出层神经元的个数。
[0065]
(2.4)采用梯度下降法调整和修正各层权值和阈值，使最终输出逐步接近期望值。
[0066]
单个样本估计输出与期望输出的二次型误差函数为：样本训练的总误差：其中，o
k
是输出层神经元k的估计输出值，t
k
是输出层神经元k的期望输出值，p为输出层神经元的个数，m为样本总个数。
[0067]
(2.5)通过梯度下降法和反向传播调整bp神经网络的权值和阈值，使bp神经网络的误差平方和最小，建立bp神经网络模型；
[0068]
(2.6)通过预设bp神经网络误差限值j，总误差j与预设误差限值j比较，若不满足j＜j，则继续进行样本训练，直至总误差低于预设误差限值j且趋于稳定，停止训练，得到训练好的bp神经网络模型。
[0069]
本发明的方法基于bp神经网络模型，具有较好的泛化性和收敛性，可更精确的满足实际预测要求。
[0070]
第二方面，参照图2～3，本发明提供的一种应用如第一方面无人机飞行故障检测方法的系统，包括第一获取单元100、第一判断单元200、第二判断单元300、第二获取模块400、第一预处理单元500、故障预测单元600、结果输出单元800，其中，第一获取单元100用于获取飞行控制系统的实时飞行参数，实时飞行参数匹配有时间戳；
[0071]
第一判断单元200用于判断实时飞行参数是否超出预设的飞行参数阈值范围；
[0072]
第二判断单元300用于当飞行参数超出预设的飞行参数阈值范围时，进一步判断飞行参数超出阈值范围的持续时间是否超过预设时间阈值；
[0073]
第二获取单元400用于当持续时间超过预设时间阈值时，获取在持续时间内飞行控制系统的飞行表征数据；
[0074]
第一预处理单元500用于对持续时间内的飞行表征数据进行预处理；
[0075]
故障预测单元600用于将飞行表征数据输入到训练好的bp神经网络中，得到故障发生概率；
[0076]
结果输出单元800用于判断故障发生概率是否在阈值范围内，若在阈值范围内则没有输出，若不在阈值范围内则输出预警信号。
[0077]
在本发明一具体实施例中，第一预处理单元500用于利用卡尔曼滤波算法对运行数据进行处理以去除噪声。
[0078]
在本发明一具体实施例中，系统还包括神经网络模型训练单元700，神经网络模型训练单元700包括数据录入模块701、第二预处理模块702、数据分组模块703、建立模块704，其中，数据录入模块701用于录入飞行控制系统的历史飞行表征数据；数据预处理模块702用于对历史飞行表征数据进行预处理，数据分组模块703将预处理后的数据分为训练集和
测试集；建立模块704用于构建一个三层bp神经网络，确定输入层、隐含层及输出层的神经元个数，设定神经元激活函数，根据输出层误差修正权值和阈值，直至输出层误差满足要求。
[0079]
具体的，第二预处理模块702包括去噪处理模块、降维模块、归一化模块，去噪处理模块用于利用卡尔曼滤波算法对运行数据进行处理以去除噪声；降维模块用于利用pca算法对去噪后的历史运行数据进行降维；归一化模块用于根据极差变换法对降维后的历史运行数据进行归一化。
[0080]
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。