一种基于量子神经网络的无人机故障识别系统及识别方法技术方案

本发明专利技术涉及无人机技术领域，具体涉及一种基于量子神经网络的无人机故障识别系统，通过无人机故障识别系统，所述电控单元在接收到启动信号后驱动三相全桥电路以对三相电机的每相桥臂进行电路自检，所述中控单元根据电机故障自检模式，进行相应的自检数据分析，在无人机起飞前判断无人机电机是否发生异常故障，利用大量的试验数据进行对神经网络进行训练，从而在快速、准确的输出故障识别结果，相比于传统的故障识别，通过对无人机电机的自检回路进行故障识别，具有更高的可靠性，并由于多层激励函数的量子神经网络对具有不确定性、两类模式之间存在交叉数据的模式识别问题有较好的分类效果，可以消除不同故障模式数据交叉和数据噪声的影响。

【技术实现步骤摘要】
一种基于量子神经网络的无人机故障识别系统及识别方法
本专利技术涉及无人机
，具体涉及一种基于量子神经网络的无人机故障识别系统。
技术介绍
目前，应用在无人机上的电机大多是三相无刷直流电机，需要电子调速器进行控制，电子调速器一般采用六拍式方波的方式来控制。而无人机在正常起飞之前，为避免电机启动异常导致炸机情况发生，在无人机上电时会进行电机的自检，然而，有的电子调速器没有电流检测，仅通过上电后电机是否发出声响来人为判断，判断不准确；有的电子调速器具有电流检测，但大多数是对直流母线电流进行检测，而且采用康铜丝电流采样方式，精度不高，无法准确获取电机的定子电阻；而电机故障诊断的难点是其收到各种因素的影响，例如负载、饱和度、意外操作、噪音和温度等使故障模式相互影响，各种故障模式数据有不同程度的交叉，如果仅应用常规的信号分析处理的方法进行故障诊断，就会存在误判，如何消除不同故障模式数据交叉的影响，提高故障时精度显得尤为重要，而目前市面上还没有出现此类问题的识别系统，或者识别方法。
技术实现思路
为了有效解决上述问题，本专利技术提供一种基于量子神经网络的无人机故障识别系统。本专利技术的具体技术方本文档来自技高网...

【技术保护点】
1.一种基于量子神经网络的无人机故障识别系统，其特征在于，所述无人机故障识别系统包括电机单元、中控单元、及安全防护单元；所述电机单元为无人机三相电机；所述中控单元与所述电机单元、安全防护单元连接，所述中控单元包括飞行控制器、及电子调速器，所述飞行控制器与所述电子调速器连接，所述电子调速器对三相电机的每个相桥臂依次输入检测电流，检测电流根据不同的三相全桥电路进行电路检测，并将反馈数据输入所述飞行控制器；所述飞行控制器将反馈数据进行量子神经网络分析处理，通过量子神经网络的电机故障自检模式，迅速相应的数据模式匹配，确保在无人机起飞前快速响应自检结果。

【技术特征摘要】
1.一种基于量子神经网络的无人机故障识别系统，其特征在于，所述无人机故障识别系统包括电机单元、中控单元、及安全防护单元；所述电机单元为无人机三相电机；所述中控单元与所述电机单元、安全防护单元连接，所述中控单元包括飞行控制器、及电子调速器，所述飞行控制器与所述电子调速器连接，所述电子调速器对三相电机的每个相桥臂依次输入检测电流，检测电流根据不同的三相全桥电路进行电路检测，并将反馈数据输入所述飞行控制器；所述飞行控制器将反馈数据进行量子神经网络分析处理，通过量子神经网络的电机故障自检模式，迅速相应的数据模式匹配，确保在无人机起飞前快速响应自检结果。2.根据权利要求1所述一种基于量子神经网络的无人机故障识别系统，其特征在于，电子调速器包括三相全桥电路、驱动单元、检测电流单元、电控单元；所述驱动单元与三相全桥电路连接，所述检测电流单元与三相全桥电路连接，所述电控单元与驱动单元连接；所述三相全桥电路包括若干个开关管，所述开关管根据三相电机的每相桥臂进行电连接，形成完整的三相电机的自检电路。3.根据权利要求2所述一种基于量子神经网络的无人机故障识别系统，其特征在于，所述无人机的三相全桥电路的三相桥臂定义为第一相桥臂、第二相桥臂、第三相桥臂，所述第一相桥臂、第二相桥臂、第三相桥臂中的每相桥臂单独设置有对应的上桥开关管和下桥开关管；所述检测电流单元包括第一采样电阻R1、第二采样电阻R2和第三采样电阻R3，第一采样电阻R1连接在第一相桥臂的下桥开关管L12与地线之间，第二采样电阻R2连接在第二相桥臂的下桥开关管L22与地线之间，第三采样电阻R3连接在第三相桥臂的下桥开关管L32与地线之间。4.根据权利要求1所述一种基于量子神经网络的无人机故障识别系统，其特征在于，所述飞行控制器具有量子神经网络计算处理的神经网络处理单元，所述神经网络处理单元包括电流检测模块、数据输入模块、数据分析模块、及数据输出模块，所述电流检测模块用于检测三相全桥电路的电流数据，所述数据输入模块将对应检测采样电阻的采样电流、检测电压、及采样电阻阻值输入所述数据分析模块进行量子神经网络分析，并通过数据输出模块输出检测结果。5.根据权利要求4所述一种基于量子神经网络的无人机故障识别系统，其特征在于，所述数据分析模块为多层激励函数量子神经网络，量子神经网络包括M个输入单元、L个隐单元和L个输出单元；将连接第j个输入单元与第i个隐单元的连接权值记为Wij，将连接第i个隐单元与第k个输出单元的连接权值记为Wki令XP＝[X1p，X2p，…XMp]T，其中p＝1，2，…，N，是训练样本集的N个输入特征向量，假设多级隐单元具有ns个离散的状态或级别，因此激励函数为ns个sigmoid函数的叠加，量子间隔为θS，这个多级隐单元的输出为下式：6.根据权利要求5所述一种基于量子神经网络的无人机故障识别系统，其特征在于，量子神经网络的学习分为两个步骤，第一步骤是对连接权值进行调整，使得网络能将输入数据映射到不同的类空间中；第二步骤是呈现在类空间中模糊的或者不确定的信息，需要通过调整量子间隔来完成映射。7.根据权利要求5所述一种基于量子神经网络的无人机故障识别系统，其特征在于，量子间隔调整算法的思想是使得量子神经网络基于同一类样本数据的隐层神经元的输出变化最小；对于第m个类Cm，第i个隐单元的输出方差如下式：在上式中：Oi，p表示第i个隐单元在输入向量Xp下的输出，表示Cm的基数，xp：xp∈Cm表示属于类Cm的所有样本。8.根据权利要求7所述一种基于量子神经网络的无人机故障识别系统，其特征在于，由于是量子间隔θS的函数，通过对两边θS的求导求求出的最小值可获得变化式：在上式中，ηθ是学习率，Vi，p，s＝oi，p，s(1-oi，p，s)这里oi，p，s表示第i个隐单元的第s个量子层在输入向量xp下的输出。9.一种基于量子神经网络的无人机故障识别方法，所述故障识别方法应用上述权利要求1-8任意之一的所述故障识别系统，其特征在于，所述故障识别方法包括以下步骤：S1启动电路自检：在无人机起飞前，飞行控制器发出启动信号到电子调速器，电子调速器的电控单元通过驱动电路驱动三相全桥电路依次输出额定电压至对应电机；S2采集检测电流：所述检测电流单元采集相应三相电机每相桥臂的电流；S3第一自检分析：将对于第一相桥臂、第二相桥臂、第三相桥臂的电流采样数据都输入至所述中控单元中，进行数据模式分析；S3.1通过计算获得三相电机中OA相与OB相的总电阻值R12、三相电机中OA相与OC相的总电阻值R13，通过分析电阻值数据，若R12与两...

【专利技术属性】
技术研发人员：邢艺凡，陈建军，
申请(专利权)人：深圳慈航无人智能系统技术有限公司，
类型：发明
国别省市：广东,44