[发明专利]一种基于多变量回归的无人机飞参数据故障检测与恢复方法

说明书

一种基于多变量回归的无人机飞参数据故障检测与恢复方法，涉及无人机故障诊断方法领域。本发明是为了解决现有的故障检测方式，难以检测飞行数据中的轻微故障，并且不具备故障数据的恢复能力的问题。基于长短期记忆网络的多变量回归模型，以从飞行数据中自动提取时空特征，对监测参数进行更准确的估计，将故障检测和恢复问题转变为回归问题；然后，使用滤波方法来平滑实际飞行数据和被监测参数估计值之间的残差；最后，利用平滑后的残差来计算统计检测阈值，并通过检测平滑后的残差是否超过统计阈值来实现故障检测。它用于对无人机飞参数据进行故障检测与恢复的。

技术领域

本发明涉及一种应用于无人机飞参数据故障检测与恢复的方法，属于无人机故障诊断方法领域。

背景技术

无人机(Unmanned Aerial Vehicle,UAV)在民用和军用领域受到广泛关注。随着无人机功能的不断丰富，其可以执行的任务更复杂。然而，与有人驾驶飞机相比，无人机缺乏控制回路中飞行员的实时控制，并且对开发成本有限制。因此，无人机的安全性相对较低。为了解决该问题，无人机故障检测(Fault Detection,FD)被广泛采用。故障检测技术可以支撑维护调度或任务重新规划，以防止灾难性事故。对于无人机，由各种传感器读数组成的飞行数据是FD的基础，FD数据通常包括惯性测量单元(IMU)，全球定位系统(GPS)，皮托管，气压高度计等。通过飞行数据的故障检测可以获得分析冗余，以提高无人机的飞行安全性和可靠性。目前，针对无人机FD的研究可分为两大类：基于模型的方法和数据驱动的方法。一般而言，基于模型的方法主要通过建立物理模型作为状态转移方程与卡尔曼滤波器(KF)及其变体相结合。但是在大多数情况下，获得或建立无人机系统的精确物理模型是困难且昂贵的。此外，复杂模型通常需要在嵌入式平台中应用之前进行线性化，以满足实时要求，这将进一步降低模型的检测精度。数据驱动方法不需要精确的物理模型，并且可以通过历史飞行数据获得信息。然而，大多数数据驱动方法仅考虑多个参数之间的空间相关性或单个参数的时间相关性，这将降低在数据中涉及复杂的时空相关性的情况下的故障检测性能，且部分故障检测方法不具备故障数据恢复的能力，而故障恢复或缓解在实际应用中非常重要。此外，飞行数据中存在不可预测的随机噪声，当处理小故障时，基于回归的故障检测模型的适应性将下降。因此，针对精确物理模型通常难以获得且成本高昂的问题，需要采用一种数据驱动的故障检测方法，并利用空间-时间相关性来实现被监测参数的准确估计，同时，需要解决随机噪声导致难以检测飞行数据中的轻微故障的问题。

发明内容

本发明是为了解决现有的故障检测方式，难以检测飞行数据中的轻微故障，并且不具备故障数据的恢复能力的问题。现提供一种基于多变量回归的无人机飞参数据故障检测与恢复方法。

一种基于多变量回归的无人机飞参数据故障检测与恢复方法，所述方法包括以下步骤：

步骤一、从无人机原始飞参数据中分别选取不含故障的数据集和含有故障的数据集，将不含故障的数据集作为训练集输入数据，将含有故障的数据集作为测试集输入数据，

对训练集输入数据进行标准化和重构，得到重构后训练集中的输入样本和输出样本，

对测试集输入数据进行标准化和重构，得到重构后测试集中的输入样本和输出样本；

步骤二、采用重构后训练集中的输入样本训练基于长短期记忆网络的回归模型，得到训练后的回归模型，该回归模型中包含重构后训练集中输出样本的估计值；

步骤三、根据步骤二中估计值和步骤一中重构后训练集中的输出样本，得到训练集的残差，对该残差进行平滑滤波，得到平滑后的训练集残差，利用平滑后的训练集残差得到统计阈值；

根据步骤二得到的训练后的回归模型和重构后测试集中的输入样本，得到重构后测试集中输出样本估计值，根据重构后测试集中的输出样本和重构后测试集中输出样本估计值，得到测试集的残差，对该残差进行平滑滤波，得到平滑后的测试集残差；