摘要
随着信息技术的发展，由于无人机具有性价比和便捷等优势，得到了各个国家的重视，逐渐由军用无人机向民用无人机过度，且在多个领域取得进展。但随着无人机发展用途的广泛应用，无人机的故障频发的问题也引起了国内外研究学者的重视。无人机数据通过传感器采集以时间序列的形式体现，无人机飞行数据集具有庞大且复杂的特点。对于无人机飞行数据集的处理，仅依赖专家的经验不足以精确地诊断无人机异常类型，从而做出有效的维护处理。 近年来，以神经网络为基础的深度学习研究在异常检测技术领域取得了重要进步，并逐渐成为异常检测的关键技术。因此，针对无人机这类数据量庞大且复杂的时间序列，能否有效提取时间序列的特征值成为了无人机异常检测的关键。时序卷积神经网络(TCN,TemporalConvolutionalNetwork)相比递归神经网络在处理数据量大的时间轴信息上能够有效避免梯度爆炸与梯度消失、缺乏内存保留等问题。本文根据时序卷积神经网络具有记忆历史信息和适应序列模型的特点，提出了基于时序卷积神经网络的无人机异常检测研究。 首先，本文提出无人机常见的零点漂移、随机点卡死与恒增益比例三类异常，并完成对于仿真得到的正常数据集进行异常注入。根据时间序列异常检测的常见问题及异常数据集分别设计时间序列异常检测的分类与回归两类实验。 本文在时序卷积神经网络的基础上，针对无人机数据异常检测的分类问题进行实验研究。根据时序卷积神经网络所具有的时空特性，设计了通道注意力机制，将神经网络的各个隐藏层输出结果进行提取，并对于得到的输出结果进行全局池化操作。通过注意力机制对各隐藏层的输出结果进行权重自分配，使得网络能够关注异常检测数据集中更为重要的信息，从而提高无人机异常检测分类问题精确度2.8％。 完成无人机异常检测的分类实验后，本文对于三类异常数据集设计异常检测回归实验，使无人机在执行任务的过程中能够对于自身由传感器采集到的飞行数据进行实时检测，并完成异常判断与回归。针对空洞卷积特征所引起的信息缺失问题，通过引入密集连接对于时序卷积神经网络的特征提取模块进行了改进，提高通道间信息的交互效率,增强特征重用，从而提高无人机异常检测回归问题的R2参数精确度2.2％。
NETL