摘要
为了保证无人机安全高效地完成任务，一方面可对无人机的各项数据进行在线异常检测，便于无人机在线容错控制；另一方面对无人机进行离线故障诊断，便于无人机线下管理维护。在无人机发生故障之前，反映无人机飞行状态的实时数据之中就可能会出现异常波动，如果能够准确检测出异常就可以及时采取应急措施，避免飞行事故的发生。另一方面如果能准确检测出无人机发生故障的位置与程度，就可以及时评估无人机健康状况并进行维修。通过对无人机飞行数据的收集与分析，建立相应的检测模型，可实现对上述异常与故障的检测。因此本文针对固定翼与多旋翼无人机实物平台进行异常检测故障诊断的方法研究。在方法层面，根据大量飞行数据进行数据挖掘和建模，分别基于数据分类和回归预测两种方法实现异常检测，另一方面利用多特征、多网络融合实现复杂数据下的故障诊断。两种措施共同为无人机的长时稳定运行提供可靠保障，具有重要的实用价值和意义。 针对无人机数据中的异常现象，提出了分别基于监督学习与半监督学习对无人机数据进行异常检测的方法，基于监督学习的检测方法使用包含正常与异常的数据训练LSTM分类模型，半监督学习中使用正常数据训练LSTM回归模型，基于训练好的模型分别对无人机飞行数据中的异常点与连续异常区间进行检测。使用两种无人机真实数据集进行实验验证，实验结果与SVM算法进行比较。 针对无人机在线异常检测的需求，在前面模型的基础上提出基于SRU的快速异常检测方法。主要对模型算法进行优化，通过改变输入结构、降低模型复杂度来缩短预测时间，提升检测效率。针对输入结构，使用两种分组策略来降低时间步长；针对网络结构，使用更快速的记忆单元替换LSTM单元，并且降低网络深度，改变分类网络的输出结构。实验对比优化前后的检测时间以及检测效果。 针对无人机系统故障数据的复杂、故障特征多样的特点提出了一种将LSTM与CNN融合的方法并用于无人机飞行数据的故障检测，LSTM-CNN融合模型合并两种不同神经网络对特征进行提取，能充分利用LSTM挖掘数据时间上的联系，利用CNN提取数据空间的特征，采用端到端的训练策略，特征提取和分类器训练共享一个统一的目标函数，通过对历史飞行数据的训练，学习不同类型故障数据的特征，训练好的模型能够实现不同故障的自动分类。使用两种数据集进行实验验证，实验结果与SVM、LSTM与CNN的单网络进行比较。
NETL