[发明专利]一种基于卷积神经网络的四旋翼无人机智能故障诊断方法

权利要求书

1.本方法设计了一种针对于一种基于堆叠剪枝稀疏去噪自动编码器卷积神经网络，简称sPSDAE-CNN的新的智能故障诊断算法，其特点在于当四旋翼无人机系统在实际的运行中发生桨叶受损类型的故障时候，如果不对这一类型的故障及时的进行预警和处理，可能会造成严重的人员损伤和财产损失，在严重情况下更有可能造成人员伤亡；针对于这一问题，设计出一种可以对四旋翼无人机的桨叶损伤进行评估和诊断的系统；本方法通过使用卷积神经网络来对四旋翼无人机的传感器数据进行分析，并对桨叶的损伤情况做出实际的判定，当无人机的旋翼出现严重损伤，其对于飞行器的安全有严重威胁时，应立刻停止飞行器的任务，并对飞行器进行安全检查与维护，确保飞行安全；针对于这一种卷积神经网络故障诊断方法来进行故障诊断，主要包括以下步骤：

步骤1)采集无人机数据

进行神经网络模型训练需要大量的数据通过实验室的P200某型四旋翼无人机，其中无人机的主控板为pixhawk4，飞行器上也搭载了上位机jeson tx2，双目相机、等多种传感器，进行飞行实验和数据得采集，其中主要以室外试验为主，飞行采集数据总计90000余条，其中有效数据80000，同时对训练数据进行预处理并分为四个数据集，其中我们预先定义的故障类型有七种类型加上飞行器正常状态总计有八种状态；

步骤2)无人机数据的预处理：

步骤2.1)数据裁剪与整理

将采集到的无人机数据进行分类裁剪，去除数据中无效的数据，同时将无人的正常数据与无人机发生故障的数据进行分类，为后续进行数据增强做好准备工作；同时后续进行实验需要的不同规模的训练集与测试集也需要在数据裁剪与整理种进行准备；

步骤2.2)数据增强

通过将采集回来的数据进行裁剪以后，对一维时域信号数据通过一个固定长度的滑动窗口进行重采样，通过依次对时域的信号进行切片，从而实现对数据的大大扩容，为后面进行神经网络训练提供充足的数据来源，其次由于通过滑动窗口切片的方法可以进一步的增加训练数据中的数据多样性，在一定程度上对神经网络训练过程中的过拟合问题可以进行抑制；此外简单的采样仅仅只能获取选择区间中的数据间的关系，从而可能会将不同选择区域相邻的数据关系丢失，因此滑动窗口的方法也可以进一步提升对数据间关系的获取能力；

骤2.3)转化为二维灰度图

将之前预处理得到的数据进行矩阵变换，将一维的时域信号转化为二维灰度图像数据，从而扩充数据的维度，可以进一步获取数据间的关系，提高深度学习模型的学习能力，进一步提高系统的诊断精度；

步骤3)卷积神经网络模型训练

将预处理的后的无人机数据加入到神经网络中，对网络的参数进行训练，并在实时对模型进行观察和测试，防止由于模型训练次数过多，导致神经网络模型出现过拟合问题，当数据中的训练集和测试集的准确率都满足要求且没有严重的过拟合问题时，停止模型的训练；

步骤4)卷积神经网络模型使用

通过实际训练得到的目标模型来进行测试实际的故障争端效果，将实际的飞行数据采集出来，然后将其作为网络的输入来进行识别，将网络模型输出与实际的四旋翼无人机的状态进行对比，对网络性能进行评价。

2.如权利要求1所述的堆叠剪枝稀疏去噪自动编码器和卷积神经网络sPSDAE-CNN由自己进行搭建，来进行故障诊断。