[发明专利]一种基于深度神经网络的无人机故障预测方法

说明书

本发明提供了一种基于深度神经网络的无人机故障预测方法，涉及无人机故障预警技术领域，能够针对无人机海量飞行数据实现无人机设备的故障预警；该方法包括：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得到的结果进行评分，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。本发明提供的技术方案适用于无人机设备故障预警的过程中。

【技术领域】

本发明涉及无人机故障预警技术领域，尤其涉及一种基于深度神经网络的无人机故障预测方法。

【背景技术】

无人机作为高技术武器系统，其故障预测与维修保障越来越受到人们的重视。无人机维修保障技术一直在不断演进，原来由事件主宰的维修或时间相关的维修被基于状态的维修所取代。

故障预测对于无人机维修保障具有重要意义，故障预测的准备度使得无人机在飞行中及飞行前能及时发现故障隐患，避免计划外故障带来的损失和重大事件。其中的关键在于高维多元数据的拟合/回归分析。数据拟合/回归分析是一种预测性的建模技术，它研究的是因变量(目标)和自变量(预测器)之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。

传统的数据拟合/回归分析主要采用线性回归、逻辑回归、多项式回归、逐步回归、岭回归、套索回归、Elastic Net回归等方法。在统计学里面，一般采用最大似然和最小二乘法直接导出解析解。其解析解里面有一个矩阵的逆。求逆和伪逆运算有一些快速算法可以利用。所以对于数据量小的回归问题，直接用解析解就可以快速的得到模型的参数。而对于大数据分析，海量数据导致内存的开销巨大，这时候直接求解析解是不现实的。无人机飞行数据所监测的数据点数较多，是一个典型的海量高维非线性分布数据，传统的方法在处理这一类问题面临挑战。

因此，有必要研究一种基于深度神经网络的无人机故障预测方法来应对现有技术的不足，以解决或减轻上述一个或多个问题。

【发明内容】

有鉴于此，本发明提供了一种基于深度神经网络的无人机故障预测方法，能够针对无人机海量飞行数据实现无人机设备的故障预警。

一方面，本发明提供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得到的结果进行评分，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。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，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。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，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。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，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。