[发明专利]基于深度森林的飞行器故障诊断方法和系统

说明书

本发明提供了一种基于深度森林的飞行器故障诊断方法和系统，包括：获取目标飞行器的传感器数据；目标飞行器为待诊断故障飞行器；对传感器数据进行小波包分解，得到传感器数据的能量特征数据；将能量特征数据代入到训练之后的基于深度森林的故障诊断模型，得到故障诊断结果。本发明缓解了现有技术中存在的随机森林算法的泛化能力不足的技术问题。

技术领域

本发明涉及故障诊断技术领域，尤其是涉及一种基于深度森林的飞行器故障诊断方法和系统。

背景技术

目前四旋翼无人机故障诊断方法主要包括基于解析模型的故障诊断方法、基于信号分析的故障诊断方法、基于数据驱动的故障诊断方法。

其中基于数据驱动的故障诊断方法，不依赖于建立系统的精确模型，利用人工智能技术进行故障诊断，是目前故障诊断技术的主要研究方向。随着海量数据的获取能力与计算机性能的快速提高，基于数据驱动的故障诊断也必将迎来发展契机。其中随机森林法是常用的故障诊断的方法，随机森林具有超参数少、分类性能好、有较强的容忍噪声的能力以及不会出现过拟合现象等特点，已经被广泛应用于故障诊断领域，例如航空发动机故障诊断、电力电子电路故障诊断和滚动轴承故障诊断等，均取得的了很好的效果，它也是当前的研究热点。但是随机森林算法在故障诊断上仍然存在局限和不足，随机森林算法在做故障诊断时，每棵树在参与最终的决策时的权重都设置成一样的，导致了随机森林算法的泛化能力不足的问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度森林的飞行器故障诊断方法和系统，以缓解现有技术中存在的随机森林算法的泛化能力不足的技术问题。

第一方面，本发明实施例提供了一种基于深度森林的飞行器故障诊断方法，包括：获取目标飞行器的传感器数据；所述目标飞行器为待诊断故障飞行器；对所述传感器数据进行小波包分解，得到所述传感器数据的能量特征数据；将所述能量特征数据代入到训练之后的基于深度森林的故障诊断模型，得到故障诊断结果；所述方法还包括：基于所述目标飞行器的传感器，建立所述目标飞行器的故障模型；所述传感器包括：角度传感器，角速度传感器；基于所述故障模型，构建基于深度森林的故障诊断模型和生成故障数据集；对所述故障数据集进行小波包分解，得到能量特征集；将所述能量特征集作为训练集，对所述基于深度森林的故障诊断模型进行训练，得到训练之后的基于深度森林的故障诊断模型；所述传感器还包括电机转速传感器；基于所述目标飞行器的传感器，建立所述目标飞行器的故障模型，包括：基于电机转速传感器，建立所述目标飞行器的故障模型为：其中，为电机转速传感器在没有故障时的转速值，为电机转速传感器在发生恒偏差故障时的转速值，m_dev为电机恒偏差故障的转速偏差值，为电机转速传感器在发生卡死故障时的转速值，为电机转速传感器发生电机增益损失故障时的转速值，m_lose为电机增益损失的百分比，为电机转速传感器发生数据离群故障时的转速值，m_outlier为电机数据离群的故障程度大小，δ为数据离群参数。

进一步地，基于所述目标飞行器的传感器，建立所述目标飞行器的故障模型，包括：基于角度传感器，建立所述目标飞行器的故障模型为：基于角速度传感器，建立所述目标飞行器的故障模型为：其中，θ是角度传感器没有故障时的角度值，θ_恒偏差是角度传感器发生恒偏差故障时的角度值，c_dev是角度传感器恒偏差故障的偏差值，θ_失效和c_failure是角度传感器失效之后的角度值，θ_增益损失是角度传感器发生增益损失故障时的角度值，c_lose为角度传感器增益百分比，θ_数据离群是角度传感器发生数据离群故障时的角度值，c_outlier为数据离群故障程度大小，是角速度传感器没有故障时的角速度值，是角速度传感器发生恒偏差时的角速度值，g_dev为角速度传感器恒偏差故障的偏差值，和g_failure是角速度传感器失效之后的角速度值，是角速度传感器发生数据离群故障时的角速度值，g_outlier为角速度传感器数据离群的值，δ为数据离群参数。