[发明专利]基于深度域适应BiLSTM的无人机实时故障检测方法

说明书

本发明涉及无人机故障检测技术领域，公开了一种基于深度域适应BiLSTM的无人机实时故障检测方法，包括以下步骤：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；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；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。本发明具有降低不同工况数据的差异性，提高无人机故障检测结果准确性的有益效果。

技术领域

本发明涉及无人机故障检测技术领域，具体涉及一种基于深度域适应BiLSTM的无人机实时故障检测方法。

背景技术

近年来，随着科技的进步与发展，无人机相关方面的技术也得到了显著的进步，也使得无人机在生活中的应用越来越广泛。无人机能够遥控飞行或者根据预定的飞行路径自动飞行，其具有重量轻、体积小、机动性高、不易受飞行环境限制等优点，因此其现在也逐渐扩宽了应用领域，例如灭火无人机、摄影无人机、侦查无人机等等。

无人机在飞行过程中，容易受到复杂多变的环境因素的影响，因此也就导致无人机的故障频发，从而导致无人机无法正常飞行甚至发生坠毁事故，因此，对无人机的故障检测技术就显得尤为重要，是保障无人机正常、安全飞行的基本前提。无人机存在很多不可控因素，在飞行过程中可能出现故障而造成巨大的损失，因此飞行控制系统需要更加智能，以满足安全性和可靠性的要求。

目前无人机故障检测的方法主要有基于模型、基于专家知识和基于数据驱动。基于模型的方法需要无人机的精确模型来成功检测，在小型无人机控制系统中，易受各种不确定性干扰因素的影响，并且通常缺乏精确的模型，使用基于模型的方法可能会失败，从而无法准确检测出无人机的故障；而基于知识的方法非常依赖于专家先验知识，整体的兼容性差，基于数据驱动的方法具有着巨大的发展潜力，是值得探索的一种新方法，因此本方案特地提出一种基于深度域的无人机故障检测方法，从而提高无人机故障检测结果的准确性。

发明内容

本发明意在提供基于深度域适应BiLSTM的无人机实时故障检测方法，以提高无人机故障检测结果的准确性。

为达到上述目的，本发明采用如下技术方案：基于深度域适应BiLSTM的无人机实时故障检测方法，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。

本方案的原理及优点是：实际应用时，通过随机采集无人机的一组飞行工况数据，并对飞行数据进行特征提取从而训练模型，然后找到飞行数据中源域和目标域的分布差异，从而使域分类器无法准确识别源域和目标域，也就是最大化域分类误差，同时实现最小化源域和目标域特征的分布差异距离以及故障检测器最小化健康状态分类误差的优化，通过对数据进行域适应处理，降低了两个不同工况数据的差异性，利用一组工况数据训练域适应器和故障检测器后，使之迁移用于所有工况下的故障检测，使无人机故障的诊断精度更加精确。相比于现有技术，本方案的优点在于通过对采集的飞行实时数据进行域适应处理，从而使域源和目标域能够达到域适应效果，使之差异性变小，有利于迁移学习，从而根据一种工况下的飞行数据训练后的故障检测器的故障分类误差最小化，进而能够推广应用到所有工况下的无人机故障检测，极大程度提升了在不同的新环境下的无人机故障检测精度。另一方面，通过本方案，也能够进一步提高无人机在未知的飞行任务中的故障检测结果准确率，从而保障无人机的飞行安全。