[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

说明书

本发明提供了一种基于堆叠剪枝稀疏去噪自动编码器和卷积神经网络，简称为sPSDAE‑CNN的智能故障诊断方法，这一方法通过使用堆栈降噪自编码器对原始输入数据进行处理，使用数据增强的方法来获得更多的训练数据，堆栈稀疏剪枝降噪自编码器包含一个全连接的自动编码网络，使用在网络前层提取到的特征进行后续层的运算，这就意味着一些新的连接将会出现在前后两层网络之间，减少信息的损失获得更多有效的特征，同时引入了剪枝操作了改善网络的训练效率和精度、有了更快的训练速度和对噪声信号的强适应性，并且在一定程度上抑制卷积神经网络的过拟合问题；本发明通过将四旋翼无人机的飞行数据输入模型，在高噪声干扰的情况下，获得较高的故障诊断准确率。

技术领域

本发明涉及多旋翼飞行器控制系统，设计一种基于卷积神经网络的故障诊断算法，属于故障诊断技术领域。

背景技术

无人机非常适合再室内外宽敞的环境中执行任务，例如人员搜救、物资运输、军事巡逻和监视、农药喷洒、作物播种等，由于飞行器执行的任务的复杂度越来越高，飞机上的传感器和执行器也越来越复杂，所以在行任务时候，对飞行器的可靠性要求越来越高，一旦无人机在飞行的途中出现严重故障，会造成比较严重的财产损失，在比较严重的情况下，可能会造成人员的伤亡。在飞行器飞行的过程中，任何一个微小的故障都非常容易导致飞行器自身发生故障、从而影响到飞行器上的传感器、执行器以及其他相关的设备。因此，无人机的安全性和可靠性如今是一个非常值得研究和探讨的问题，同时对于不同类型的飞行器出现的不同类型的故障，我们也要具体的进行考虑。

针对于飞行器的上出现的各种故障，只有系统对每一种故障分别识别并做出诊断，飞行器控制系统才能够对飞机上出现的故障进行响应，实现在无人机出现故障的情况下，将人员和财产损失降到最低。其中一个问题就是对飞行器的故障进行识别。在对故障进行识别主要分为基于知识的故障方法、基于模型的故障诊断方法和基于数据的故障诊断方法。

基于知识的故障诊断方法主要有符号专家系统、符号有向图，简称SDG的方法和故障树方法。符号有向图主要是一种基于因果关系的图形化模型，故障树利用图形化的方法来进行故障诊断，通过将系统中故障和系统出现故障的原因连接起来构成一棵故障树，当系统出现故障的时候，自下而上从系统的当前的故障状态来进行推演系统故障的原因。基于知识的故障诊断方法，诊断模型简单，诊断结果也比较容易在实际的工程中进行应用，但是由于基于知识的故障诊断需要对进行诊断的故障类型进行学习，因此在系统中出现知识库中没有的故障时，系统将无法提供正确的诊断结果或者无法给出诊断结果。

基于模型的故障诊断方法是建立在系统精确的数学模型的基础之上的，在系统的解析模型中，利用观察和测量得到系统的输入和输出之间的残差信号，通过分析系统中的残差信号，就可以得到系统的实际输出和期望输出之间的差异，因此可以基于此对系统进行故障诊断。

基于数据驱动的故障诊断方法是将系统非故障和存在故障的所有数据进行分类和处理，故就不需要去得到系统的精确数学模型就可以实现对系统的故障诊断。基于数据的故障诊断方法主要有机器学习的方法、信号处理方法、信息融合的方法、粗糙集方法、多元统计分析方法等。由于基于数据的故障诊断方法不是基于系统的精确模型来诊断，因此对于复杂的高阶系统，难以进行精确建模，利用基于数据的方法进行故障诊断的效果会更好。但是也由于基于数据的故障诊断方法不是不依赖于系统内部的结构，所以对于系统故障诊断的结果解释性不是很好。

鉴于多旋翼飞行器在运行过程中，由于飞手的操作问题或者由于一些非人为的原因导致飞行器的执行器或者结构发生故障，研究人员通过采集飞行器机架的震动信号，对这些数据进行分析，来诊断电机是否发生故障。研究人员也通过在飞行器的机翼上添加一些附着物，然后通过去采集飞行器在飞行的过程中的噪音，利用深度学习的方法对噪音进行分析处理，以实现对系统的故障诊断。采集声音信号并对环境有比较严苛的要求不能在实际中应用。在相关研究中，作者通过将带有宽卷积核的卷积神经网络引入故障诊断方法中，通过卷积神经网络对轴承数据分析进行诊断，这在一定程度上提高卷积神经网络的抗干扰能力，对于实际采集到的无人机数据中的含有大量噪声的数据，算法的记过并不理想容易出现故障误报与过拟合。