本发明专利技术提供了一种基于过采样投影近似基追踪无人机飞行数据异常检测方法。本发明专利技术引入过采样和信号处理中的信号子空间投影近似思想，通过对过采样后数据投影近似子空间基向量方向的估计和追踪匹配，检测数据流中异常，同时利用子空间方向对飞行模式切换不敏感特点，抑制飞行模式对异常检测结果的影响。从而以此为基础提出了一种无人机飞行数据在线异常检测方法的框架。所提出的检测框架，在飞行数据在线异常检测中，消耗同等μs级计算时间下，较基于Online MD、BN、CCA和KOAD四种在线异常检测方法，误检率FPR降低53.82％以上，检测准确率AUC分数提高5.28％以上，达到0.9836，接近理论值1。表明本发明专利技术的方法可有效解决飞行数据在线异常检测问题。
【技术实现步骤摘要】
本专利技术涉及一种基于过采样投影近似基追踪的无人机飞行数据异常检测方法，属于无人机飞行数据异常检测方法
技术介绍
无人机(Unmanned Aerial Vehicle,UAV)的部署和应用，需以保证对自身、其它飞行器、地面设施及人员有足够的安全性为前提。传感器是无人机感知自身飞行状态和与外界环境交互的关键部件，但容易发生故障，从而导致飞行失控等安全事故。同时，受限于无人机体积、重量和功耗约束，很难在传感器系统中采用物理冗余技术，因而无人机在可靠性和安全性方面相比有人机存在较大差距。为了及时隔离故障并为后续任务的重新规划等应急响应提供决策依据，无人机传感器故障检测技术成为不可回避的挑战。无人机传感器，如气压高度计、GPS传感器和姿态指示计等，发生性能退化或失效时，会在对应飞行数据中表现异常。异常是远离其他数据而疑为不同机制产生的数据。异常检测是一种发现不符合期望行为的数据或模式的技术，已广泛应用于网络流量检测和系统状态监测等领域，近年来逐渐成为无人机故障检测的一种新颖方法。相比传统基于模型或知识的方法，异常检测不需要复杂的精确动力学模型建模和验证，并且适合广泛存在的多样和未知故障类型。由于缺少可以依靠的其他感知手段，故通过发现飞行数据内部存在关联性数据的相关性破裂，已成为现有无人机飞行数据异常检测的有效思路。飞行数据间的关联性主要是控制与反馈数据关联和同类数据间关联。此外，飞行数据呈现多维数据流和随飞行模式动态变化的特性，为了满足机载处理的实时性要求，数据流的异常检测方法应具备计算轻量级的特点。因此，目前无人机异常检测领域的学者主要研究针对数据流的轻量级在线异常检测方法，以发现数据流的相关性破裂，并判断其中每个输入向量的异常程度。根据有无使用带标签的训练数据，现有方法可分为有监督和无监督方法两大类。有监督方法通过有监督训练建立的数据模型都存在一定局限性，如限定为横向动力学或假设爬升和下降的概率相等，以及依赖可靠的先验传感器故障概率。但是真实的无人机飞行包含完整的横向和纵向动力学特性，并且不同飞行模式的切换概率和传感器真实故障概率很难获得。所以，目前有监督训练的数据模型，随着飞行模式切换，容易发生失效，从而导致异常检测准确率降低。无监督方法相比于有监督方法，具有不依赖离线训练的数据模型的优势。由于传感器输出的正常数据与相关性破裂后的异常数据在统计意义下存在分布差异，因而可以用基于距离的无监督方法度量差异程度，判断出数据流的异常。然而，马氏距离数值上计算不稳定，此外基于距离的方法对于飞行模式切换下的多分布数据，容易误检，导致异常检测的准确率降低，引发频繁误警问题。可见，现有方法尚未有效地解决飞行模式切换导致的分析方法失配和异常检测准确率低问题。异常检测方法本质上需要具备能刻画原始数据结构和评价该结构差异程度的能力。数据子空间是原始数据空间向低维映射得到的子空间。子空间方向是其典型特征之一，为原始数据向子空间投影的基向量。当原始数据空间出现异常数据时，数据子空间方向会随之发生角度变化。此外，飞行模式切换时保持着相关性的数据的变化模式基本一致，其数据子空间方向也基本保持相同角度，因而飞行模式切换对未发生相关性改变的数据的子空间方向影响较小。然而，数据流应用中，异常和正常数据子空间方向较小的差异，导致两者可分性降低。并且传统子空间基向量的求解方法复杂度高，并不适合机载在线应用。
技术实现思路
本专利技术的目的是为了解决上述现有技术存在的问题，即针对飞行模式切换导致的无人机飞行数据在线异常检测准确率低的问题。进而提供一种基于过采样投影近似基追踪的无人机飞行数据异常检测方法。本专利技术的目的是通过以下技术方案实现的：一种基于过采样投影近似基追踪无人机飞行数据异常检测方法，步骤如下：(一)定义定义1：飞行数据流模型A是以一定采样频率，连续不断，随时间增长且只能读取一次的p维时间序列； A = { a → 1 , a → 2 , ... , a → t , a → t + 1 , ...本文档来自技高网...
【技术保护点】
一种基于过采样投影近似基追踪的无人机飞行数据异常检测方法，其特征在于，(一)定义定义1：飞行数据流模型A是以一定采样频率，连续不断，随时间增长且只能读取一次的p维时间序列；A={a→1,a→2,...,a→t,a→t+1,...}---(1)]]>其中，是飞行数据流模型A在t时刻的输入向量，p为所监控参数总数，也是向量维度，at,j∈R表示参数j在时刻t的值，j∈[1,p]分别对应所监控的不同飞行参数，如气压高度、气压升降速度、垂向速度、俯仰角、组合高度、GPS垂向速度、GPS高度；定义2：观察矩阵Hp×m，无限的数据流无法全部存储和处理，可通过保持固定窗口长度的滑窗存储部分数据，并作归一化以统一数据尺度，从而建立的观察矩阵Hp×m：Hp×m={a→t-m......a→t-1}---(2)]]>其中，Hp×m维度为p×m，列数m为滑窗所记录的过去时间点长度，行数p为所记录的飞行参数数量；定义3：观察矩阵子集Hr×m和飞行数据流子集Hr×m为从观察矩阵Hp×m中抽取的相关的观察矩阵子集，数据子集如高度类数据子集，垂向速度类数据子集，Hr×m中行数r为子集维度且r＜p，列数m为所记录的过去时间点长度，是观察矩阵子集对应的输入向量子集，r为子集维度且r＜p；定义4：飞行数据流异常检测，根据观察矩阵子集Hr×m，判断t时刻输入向量子集是否为异常；Anomaly(t)=(Hr×m,a→t(r))---(3)]]>(二)异常检测总体框架无人机飞行数据在线异常检测框架，框架包括滑窗与归一化、观测矩阵子集抽取和过采样投影近似基追踪三个部分，输入为多维的飞行数据流输出为时刻t的异常报警；(1)滑窗与归一化是为了建立定义2所示的观测矩阵，其中，滑窗从无限的飞行数据流中存储并更新预设宽度的飞行数据；归一化主要考虑到原始飞行数据中，不同量纲的参数相互间不存在可比性；(2)飞行数据中相关的参数组成的数据子集是本方法的检测对象，需要从观测矩阵中抽取相关子集；(3)过采样投影近似基追踪在线异常检测算法，当原始数据空间出现异常数据时，数据子空间方向会随之发生角度变化，OSPABP实质上通过度量子空间方向变化程度实现异常检测；(三)滑窗与归一化为消除不同参数的量纲并考虑数据的统计分布，将输入飞行数据输入向量利用式(4)进行Z‑score变换，从而将滑窗中的数据归一化为均值为0、方差为1的数据，输入向量的Z‑score变化为Z(a→t)={Z(a→t,1,H1T),...,Z(a→t,p,HpT)}---(4)]]>其中为向量均值，σx为向量方差，at,j为飞行数据向量中的参数，为观测矩阵Hp×m中参数j所对应的过去m点数据；(四)观测矩阵子集抽取从观察矩阵中抽取相关的子集Hr×m，作为异常检测算法的输入，观察矩阵子集中相关飞行参数的选取，可对历史的飞行数据进行相关性分析确定，选取相互间具有较大相关系数的参数构成子集，如相关系数大于0.997；(五)过采样投影近似基追踪将原始的多维飞行数据观测矩阵，处理为多个相关的子集矩阵Hr×m后，可对观测矩阵中的子集矩阵采用过采样投影近似基追踪方法跟踪和匹配t时刻输入数据带来的数据子空间方向变化，从而检测时刻t的飞行数据是否存在异常；OSPABP方法包括两个步骤：第一步，使用过采样PCA放大子集输入向量异常效果，并实现原始数据向子空间转换；第二步，采用投影近似子空间估计方法，近似求解子空间方向，并追踪和匹配子空间方向变化，从而实现飞行数据流异常检测；(六)过采样投影近似基追踪方法采用投影近似子空间估计方法，以递推投影近似形式估计子空间，使计算复杂度下降两个数量级，简化子空间基向量求解，从而满足机载处理计算实时性要求；(七)过采样PCA假设过采样t时刻的目标实例次，则相应过采样PCA方程为：ΣA~u~t=λu~t---(5)]]>其中，过采样后数据矩阵为的均值为μ，协方差矩阵为为特征向量；为原始数据矩阵，每行xi代表i时刻的p维空间数据实例，n为实例数量，xt为t时刻新的目标实例；协方差矩阵随着每一个新的目标实例xt而变化；标准PCA可看成判断投影数据有最大方差的子空间，可通过最小化数据重构误差J(U)求解；minU∈Rp×k,||U||=IJ(U)=Σi=1n||xi‾-UUTxi‾||2---(6)]]>其中U为包含k个显著特征向量的子空间矩阵，为去均值的第i个原始数据，为去均值的第i...
【技术特征摘要】
1.一种基于过采样投影近似基追踪的无人机飞行数据异常检测方法，其特征在于，(一)定义定义1：飞行数据流模型A是以一定采样频率，连续不断，随时间增长且只能读取一次的p维时间序列； A = { a → 1 , a &RightAr...
【专利技术属性】
技术研发人员：彭宇，何永福，王少军，贺思捷，彭喜元，刘大同，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。