[发明专利]一种多旋翼无人机动力系统故障在线诊断系统及方法

权利要求书

1.一种多旋翼无人机动力系统故障在线诊断系统，其特征在于设有无人机模块、PC端神经网络训练模块和地面实时诊断模块；

所述无人机模块设有存储单元和通信单元，所述存储单元用于快速大量收集无人机飞行数据，所述无人机飞行数据用于神经网络训练，所述通信单元用于无人机和地面诊断模块通信，并提供实时交互的媒介；

所述PC端神经网络训练模块用于利用准备好的数据集构造能实时诊断多旋翼无人机动力系统故障的神经网络；

所述地面实时诊断模块用于手动构造一个神经网络，所述神经网络的结构和参数为PC端训练好的神经网络架构，然后通过无线通信设备，实时接收无人机下送的数据，通过对数据的实时解析、选择处理、输入神经网络，最终得到对无人机动力系统的一个诊断结果；

所述多旋翼无人机动力系统故障在线诊断方法包括以下步骤：

1)构造训练数据集和测试数据集；

所述构造训练数据集和测试数据集获得完整有效数据集的方法为；

(1)选取合适的故障注入方式，针对无人机动力系统故障，综合考虑软件模拟注入故障和硬件注入故障不同方案，选择破坏机翼的方法，在机翼故障注入方案中，选择双边对称破坏掉相同长度的桨叶；

(2)在飞行稳定时加入额外遥控数据，给无人机一个持续激励信号，所述持续激励信号用于激发系统特性或模式，采用方波或正弦波，满足以下条件：

其中，T是周期，E是下限值，u(t)是输入信号，通过在软件内部控制高度信号中加入模拟遥控信号达到持续激励；

(3)在无人机飞行过程中，为了获取多样性数据，采用不同时间段，不同地点，每次获取一段数据样本后更换不同的电机模拟故障，保证无人机飞行稳定性的情况下多次飞行，将数据保存到内存卡上，然后将内存卡上保存的数据文件转换为包含无人机特征数据的csv文件，构造出多个数据集，并考虑每个数据集的多样性和数据量；

2)数据选择和预处理，具体方法为：对无人机的数据进行初始分析，去除无效数据，并对数据集中的变量进行第一步的人工选取和归一化，具体如下：

(1)去除无人机起飞和下落阶段数据，根据步骤1)第(2)部分中加入额外的遥控信号标记数据，再根据遥控数据判断，即选取有效数据；

(2)飞行数据集中包括无人机的各种信息和参数，对无人机的各种信息和参数做第一步选择，选取作为有效特征的变量进行第二步神经网络的输入，选取其中13个作为有效特征的变量，分别为滚转角、俯仰角、滚转角速度、俯仰角速度、偏航角速度、x方向加速度、y方向加速度和6个电机给定输出；

(3)对数据做归一化处理，具体方法如下：

将数据缩小到[0,1]区间，由于采用的批数据处理，找到批次中对应数据的最大值max和最小值min，原数据和对应的归一化后的数据表示为：

在无人机的数据中，以以下方式标准化：

其中，max为批次所有数据绝对值的最大值；

3)构建深度神经网络，具体方法为：在所构造数据集的基础上，构造神经网络，又根据诊断结果优化网络结构和训练方法，所构造的深度神经网络中包括输入层、一维卷积层、池化层、展开层、全连接层和输出层，在实际训练过程中加入Dropout层和L2正则化，提高模型诊断的正确率；

对于具有多个输入的单个神经元，其输出表示为：

式中，f为激活函数，W^T为权重矩阵，采用的激活函数为tanh函数如下：

所述神经网络中卷积层对二维图像进行处理，运用一维卷积对序列进行两次处理；

神经网络中采用的是交叉熵作为代价函数，具体如下：

上式中y_i为标签值，为预测输出，i为输出层节点；

所述L2正则化是结构风险最小化策略，其中正则项为对模型的一个约束，选取13个特征变量的数据作为神经网络的输入，分别为滚转角、俯仰角、滚转角速度、俯仰角速度、偏航角速度、x方向加速度、y方向加速度和6个电机给定输出；上述特征变量中肯定有无效特征，针对无效特征数据输入神经网络的情况，利用隐含层权重加入正则项的方式，解决无效特征输入神经网络可能带来的深度神经网络过拟合的问题，损失函数采用交叉熵函数，正则项为L2范数，即整个代价函数为：

上式中w为权重矩阵，λ为正则项系数，loss为交叉熵函数；

4)实现地面故障诊断平台，具体方法为：

第一步，将所构建的神经网络的结构和参数保存，keras提供相应的工具，使用model.save将神经网络的结构和权重保存在一个HDF5文件中；据此在C++中根据HDF5文件构造出相同的神经网络；

第二步，根据mavlink协议，将无线数传实时从无人机接收到的数据解析出来，动态输入神经网络中；

第三步，对无人机下传的数据和经由深度神经网络诊断出的结果做一个综合展示。