摘要
近年来，无人机技术的迅猛发展使得其在军事和民用领域中有着广泛的应用，并发挥着愈发重要的战略价值。然而，随着无人机系统结构复杂度的增加和任务执行难度的提升，致使无人机故障频发，进而引发严重的安全事故，造成巨大的经济损失。飞行数据作为反映无人机运行状态的间接表现，是评估飞行性能以及监测系统健康状况的重要依据。因此，开展无人机飞行数据异常检测研究，通过识别异常行为并采取必要措施，对于提升无人机飞行的安全性和可靠性具有重要的实际意义。 当前基于深度学习的方法在复杂数据表征、特征提取以及模式识别等方面展现出巨大优势，已是异常检测领域的研究热点。但现有基于深度学习的无人机异常检测方法研究普遍存在特征提取不充分、阈值适应性受限以及异常位置或来源无法有效确定等问题。对此，本文从模型改进、动态阈值获取以及数据异常源检测的角度出发，开展基于深度学习的无人机飞行数据异常检测方法研究，为无人机飞行安全提供技术支持和保障。论文的主要研究内容如下： （1）针对现有大多数深度学习异常检测方法存在数据特征提取不充分、未考虑随机噪声影响的问题，提出一种基于 CNN-LSTM-SAM 回归模型的无人机飞行数据异常检测方法。首先，结合卷积神经网络、长短期记忆网络和自注意力机制在局部和时序特征提取以及关键信息捕捉上的优势，构建 CNN-LSTM-SAM 回归模型，以实现无人机飞行数据多层次特征提取和参数映射；其次，为降低随机噪声的影响，引入指数加权滑动平均滤波对残差进行平滑，以提高模型的异常检测性能；最后，在自采集且注入多种异常类型的仿真数据上进行实验验证，结果表明，与其他对比方法相比，CNN-LSTM-SAM表现出良好异常检测性能和回归效果。 （2）针对现有异常检测方法存在对异常数据源信息缺失以及在飞行数据动态化下的异常检测适应性不足的问题，提出一种基于 VAE-LSTM 的多源无人机飞行数据自适应异常检测方法。首先，利用相关性分析方法对参数进行选取，避免参数选择对先验知识依赖和无关参数对模型性能的影响；其次，基于变分自编器和长短期记忆网络构建时空关系映射模型，以充分学习多维飞行数据潜在表示并实现数据重构；然后，通过引入一种动态极值理论方法对异常判定阈值进行计算，避免阈值设定对数据分布假设的依赖，实现异常数据源自适应检测和定位；最后，在公开的无人机飞行数据上进行实验验证，结果表明，VAE-LSTM表现出良好的异常检测性能。 （3）基于上述无人机飞行数据异常检测方法的研究成果，同时为实现飞行数据异常检测流程化，对无人机飞行数据异常检测系统进行设计。对该系统的功能需求、非功能需求以及技术需求进行分析，并依据系统需求对各个功能模块进行设计和展示，以满足异常检测的各种功能要求，且为开发提供理论指导。
NETL