[发明专利]基于深度域适应BiLSTM的无人机实时故障检测方法

权利要求书

1.基于深度域适应BiLSTM的无人机实时故障检测方法，其特征在于：包括以下步骤：

步骤S1，在源域中对特征提取器和故障检测器进行预训练，然后利用特征提取器从一种工况下无人机时序的飞行数据中提取过去和未来的特征，得到源域和目标域的特征集合；

步骤S2，将特征集合发送至域适应器中进行处理，利用域适应器对源域和目标域进行分类，并衡量源域和目标域之间的最大化差异；

步骤S3，对故障检测器进行最小化健康状态分类误差的优化训练，然后获取无人机在任一工况下的飞行数据，并利用故障检测器对无人机进行实时故障检测，得到无人机的健康状态报告。

2.根据权利要求1所述的基于深度域适应BiLSTM的无人机实时故障检测方法，其特征在于：所述提取过去和未来的特征包括以下内容：

3.根据权利要求1所述的基于深度域适应BiLSTM的无人机实时故障检测方法，其特征在于：所述域适应器包括域分类器模块和MMD模块，所述域分类器模块用于对源域和目标域进行分类，并最小化域分类误差，准确识别源域和目标域；所述MMD模块用于根据预设的计算公式测量源域特征和目标域特征之间的最大均值差异。

4.根据权利要求3所述的基于深度域适应BiLSTM的无人机实时故障检测方法，其特征在于：所述域分类器模块的输入包括经过特征提取器提取出来的源域特征和目标域特征，并定义了源域的标签为0，目标域的标签为1。

5.根据权利要求3所述的基于深度域适应BiLSTM的无人机实时故障检测方法，其特征在于：所述预设的计算公式为：

6.根据权利要求1所述的基于深度域适应BiLSTM的无人机实时故障检测方法，其特征在于：所述故障检测器在进行优化训练时，利用交叉熵损失函数作为目标函数来最小化源域的健康状态分类误差。

7.根据权利要求6所述的基于深度域适应BiLSTM的无人机实时故障检测方法，其特征在于：所述交叉熵损失函数为：其中，n为bathsise的值，k为种类数量，y_j为实际值，p(y_j)为预测值。

8.根据权利要求1所述的基于深度域适应BiLSTM的无人机实时故障检测方法，其特征在于：所述域适应器中还预设有损失函数来对域分类误差进行最大化优化，所述损失函数为：

其中，n为bithsise的值，y_i为域的标签0或者1，p(y_i)为对y_i的预测值。

9.根据权利要求1所述的基于深度域适应BiLSTM的无人机实时故障检测方法，其特征在于：在对域适应器和故障检测器进行组合优化时，利用总优化公式完成多个目标的优化；所述总优化公式为：L_total＝L_f-λ₁L_d+λ₂L_m。

10.根据权利要求1所述的基于深度域适应BiLSTM的无人机实时故障检测方法，其特征在于：所述特征提取器包括两个权重共享的BiLSTM网络，且BiLSTM网络的层数为3，每层包括64个隐藏单元。