[发明专利]一种基于深度神经网络的无人机故障预测方法

权利要求书

1.一种基于深度神经网络的无人机故障预测方法，其特征在于，步骤包括：

S1、提取无人机设备的历史运行数据，并进行预处理和聚类分析，得到训练数据集；

S2、将训练数据集输入到深度神经网络模型中进行训练；

S3、采集无人机设备的实时运行数据，并进行预处理；

S4、将预处理后的实时运行数据输入到训练好的深度神经网络模型中，得到设备是否健康的结果；

S5、利用健康度度量模型对S4得到的结果进行评估，判断其是否在阈值范围内，若在阈值范围内则没有输出，若不在则进行预警。

2.根据权利要求1所述的基于深度神经网络的无人机故障预测方法，其特征在于，S1中和S3中的预处理均包括：对提取的历史运行数据按时间进行统计，得到时间同步数据，再对时间同步数据进行特征提取。

3.根据权利要求2所述的基于深度神经网络的无人机故障预测方法，其特征在于，S1中聚类分析采用均值聚类进行类别划分并剔除异常数据。

4.根据权利要求3所述的基于深度神经网络的无人机故障预测方法，其特征在于，所述均值聚类具体为寻找一个阈值K，将数据的向量分为{1、2、...、K}和{K+1、K+2、...、256}两部分，将特征提取的均值按阈值K划分的两部分进行分类。

5.根据权利要求4所述的基于深度神经网络的无人机故障预测方法，其特征在于，确定阈值K的原则是：在可操作的范围内，选择使背景与目标之间的类间方差最大的K值。

6.根据权利要求1所述的基于深度神经网络的无人机故障预测方法，其特征在于，所述S2中对深度神经网络模型进行训练时，将温度、湿度、震动、位移和工况作为输入参数，故障或健康作为输出参数，从而对深度神经网络模型进行训练。

7.根据权利要求6所述的基于深度神经网络的无人机故障预测方法，其特征在于，对深度神经网络模型进行训练时，先初始化权重和偏置，再进行前向传输，最后进行逆向反馈，从而完成一次深度神经网络的训练过程；通过不断地使用足够多的数据进行训练，从而得到健康模型或故障模型。

8.根据权利要求1所述的基于深度神经网络的无人机故障预测方法，其特征在于，所述S4中将实时运行数据中的温度、湿度、震动、位移和工况作为输入参数输入到训练好的深度神经网络模型中，输出健康或者故障。

9.根据权利要求1所述的基于深度神经网络的无人机故障预测方法，其特征在于，所述S5的具体内容为：采用S4中深度神经网络模型的输出结果作为健康度度量模型的输入，由健康度度量模型计算出健康度评分，再判断健康度评分是否在阈值范围内，若不在，则进行预警。

10.根据权利要求9所述的基于深度神经网络的无人机故障预测方法，其特征在于，所述健康度度量模型具体为：

其中，P₁-P_M为M维空间的向量的每一维测试数据向量取值；C₁-C_N为N维空间的向量的每一维训练数据向量取值；P为测试集矩阵；C为训练集矩阵；T代表矩阵转置。