故障识别方法、装置、计算机可读存储介质及电子设备制造方法及图纸

本公开涉及一种故障识别方法、装置、计算机可读存储介质及电子设备。方法包括：获取目标无人机在待评估时段内的第一指标数据集，其中，所述第一指标数据集包括按照时间顺序排列的多个指标值构成的指标序列；对所述第一指标数据集进行数据预处理，得到第二指标数据集；针对所述第二指标数据集中的每个指标序列，根据所述指标序列的指标特性，对所述指标序列进行二次数据处理，得到第三指标数据集；根据所述第三指标数据集，对所述目标无人机进行故障识别。由此，处理后的指标序列中各指标值的大小即可体现对应指标的优劣。之后，基于通过上述数据处理后的指标数据集，对目标无人机进行故障识别，由此，可以提高无人机故障识别的效率和准确性。

Fault Recognition Method, Device, Computer Readable Storage Media and Electronic Equipment

The present disclosure relates to a fault identification method, device, computer readable storage medium and electronic equipment. The method includes: acquiring the first index data set of the target UAV in the period to be evaluated, in which the first index data set includes the index sequence composed of multiple index values arranged in time sequence; preprocessing the first index data set to obtain the second index data set; and according to each index sequence in the second index data set, according to the description. According to the index characteristics of the index sequence, the third index data set is obtained by secondary data processing of the index sequence. According to the third index data set, the fault identification of the target UAV is carried out. Thus, the magnitude of each index value in the processed index sequence can reflect the merits and demerits of the corresponding index. Then, based on the index data set after data processing, the target UAV fault recognition is carried out, which can improve the efficiency and accuracy of UAV fault recognition.

【技术实现步骤摘要】
故障识别方法、装置、计算机可读存储介质及电子设备
本公开涉及无人机领域，具体地，涉及一种故障识别方法、装置、计算机可读存储介质及电子设备。
技术介绍
随着无人机行业的发展，用户对于无人机产品的要求越来越高，能够准确地对无人机的飞行故障进行识别，对于后续无人机的维护具有积极的指导意义。目前主要通过以下两种方式进行无人机故障识别：(1)通过经验丰富的人员实际观察无飞机的飞行状态或后续查看无人机飞行数据来确定无人机是否存在故障；(2)通过构建控制系统仿真模型，通过模拟无人机的飞行过程，确定无人机的飞行故障，但无法保证构建的控制系统仿真模型的准确性，并且，现实飞行环境的多变性也增加了模型构建的难度。另外，对于无人机数据通常只做普通归一化的数据预处理，然后应用支持向量机与神经网络等数据挖掘算法进行数据挖掘。其中，普通归一化是将指标数据映射到[0,1]区间上，并保证数据大小与间隔比例不变，但此种方式并不适用无人机的部分指标，例如，加速度计震动指标，因为加速度计本身是携带大量震动噪声，其值过大或是过小都可能是故障数据，普通归一化后并没有在数据处理层面将数据的质量的好坏在数据大小上进行体现。支持向量机算法对于二分类问题处理效果不错，但是对于过于复杂的分类问题的处理有一定的困难，而神经网络需要大量的样本数据作为训练支撑，才能达到一个较好的效果。在数据预处理较差并且样本数据有限的情况下应用上述方式对于无人机的飞行质量进行评价和故障识别，很难达到理想效果。
技术实现思路
为了克服相关技术中存在的问题，本公开提供一种故障识别方法、装置、计算机可读存储介质及电子设备。为了实现上述目的，根据本公开实施例的第一方面，提供一种故障识别方法，包括：获取目标无人机在待评估时段内的第一指标数据集，其中，所述第一指标数据集包括按照时间顺序排列的多个指标值构成的指标序列；对所述第一指标数据集进行数据预处理，得到第二指标数据集；针对所述第二指标数据集中的每个指标序列，根据所述指标序列的指标特性，对所述指标序列进行二次数据处理，得到第三指标数据集；根据所述第三指标数据集，对所述目标无人机进行故障识别。根据本公开实施例的第二方面，提供一种故障识别装置，包括：获取模块，用于获取目标无人机在待评估时段内的第一指标数据集，其中，所述第一指标数据集包括按照时间顺序排列的多个指标值构成的指标序列；第一数据处理模块，用于对所述获取模块获取到的所述第一指标数据集进行数据预处理，得到第二指标数据集；第二数据处理模块，用于针对所述第一数据处理模块得到的所述第二指标数据集中的每个指标序列，根据所述指标序列的指标特性，对所述指标序列进行二次数据处理，得到第三指标数据集；故障识别模块，用于根据所述第二数据处理模块得到的所述第三指标数据集，对所述目标无人机进行故障识别。根据本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开第一方面提供的所述故障识别方法的步骤。根据本公开实施例的第四方面，提供一种电子设备，包括：存储器，其上存储有计算机程序；处理器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面提供的所述故障识别方法的步骤。根据本公开实施例的第五方面，提供一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行实现本公开第一方面提供的所述故障识别方法的步骤。在上述技术方案中，在对目标无人机在待评估时段内的第一指标数据集进行数据预处理得到第二指标数据集后，针对该第二指标数据集中的每个指标序列，根据该指标序列的指标特征，对其进行二次数据处理，即针对不同的指标序列进行不同的数据处理，这样，处理后的指标序列中各指标值的大小即可体现对应指标的优劣。之后，基于通过上述数据处理后的指标数据集，对目标无人机进行故障识别，由此，可以提高无人机故障识别的效率和准确性。本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。附图说明附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：图1是根据一示例性实施例示出的一种故障识别方法的流程图。图2是根据一示例性实施例示出的一种根据第三指标数据集对目标无人机进行故障识别的方法的流程图。图3是根据一示例性是实施例示出的一种建立Xgboost模型与分组之间的对应关系的方法的流程图。图4是根据一示例性实施例示出的一种确定目标故障信息的方法的流程图。图5是根据一示例性实施例示出的一种故障识别装置的框图。图6是根据一示例性实施例示出的一种电子设备的框图。图7是根据一示例性实施例示出的一种电子设备的框图。具体实施方式以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。图1是根据一示例性实施例示出的一种故障识别方法的流程图。如图1所示，该方法可以包括以下步骤。在步骤101中，获取目标无人机在待评估时段内的第一指标数据集。在本公开中，该第一指标数据集可以包括按照时间顺序排列的多个指标值构成的指标序列。其中，第一指标数据集可以包括姿态角实际值、姿态角速率实际值、姿态角期望值、姿态角速率期望值、固连加速度计测量值、固连陀螺仪测量值、外置磁罗盘测量值、减震加速度计测量值、减震陀螺仪测量值、内置磁罗盘测量值、实际位置、实际速度、期望位置、期望速度、GPS水平定位精度、GPS垂直定位精度、PWM输出、遥控器输入指标等指标值构成的指标序列。并且，上述待评估时段可以是用户设定的时段，也可以是默认的时段(例如，无人机最近一次的飞行时段)，在本公开中不作具体限定。在步骤102中，对第一指标数据集进行数据预处理，得到第二指标数据集。在本公开中，为了确保数据的一致性、完整性和可用性，在通过上述步骤101获取到第一指标数据集后，可以对其进行归一化处理、差分处理、异常值处理、缺失值补充、平滑处理、低通滤波处理等数据预处理操作。其中，由于这些数据预处理操作属于本领域技术人员公知的，在本公开中不再赘述。在步骤103中，针对第二指标数据集中的每个指标序列，根据该指标序列的指标特性，对该指标序列进行二次数据处理，得到第三指标数据集。在本公开中，在通过上述步骤102对第一指标数据集进行数据预处理后，为了使得指标序列中各指标值的大小能够体现对应指标的优劣，可以根据各指标序列的指标特性，采用的相应的数据处理方式，即针对不同的指标序列，可以采用不同的数据处理方式。具体来说，主要包括以下三种情况：(1)当指标序列中各指标值和该指标序列中各指标值的平均值之间的差值、与相应指标的优劣直接相关时，对该指标序列进行差分后取绝对值，以得到第三指标数据集，其中，该第三指标数据集中每个指标序列的第一个指标值用零补充。在本公开中，当指标序列中各指标值和该指标序列中各指标值的平均值之间的差值、与相应指标的优劣直接相关时，表明该指标序列中的各指标值存在一固定的中心点(即该指标序列中各指标值的平均值)、且指标值与中心点之间的距离远近能够直接体现相应指标的优劣，此时，可以对该指标序列进行差分后取绝对值。具体来说，可以先对该指标序列中的各指标值进行差分处理，即将指标序列中的各指标值分别与该本文档来自技高网...

【技术保护点】
1.一种故障识别方法，其特征在于，包括：获取目标无人机在待评估时段内的第一指标数据集，其中，所述第一指标数据集包括按照时间顺序排列的多个指标值构成的指标序列；对所述第一指标数据集进行数据预处理，得到第二指标数据集；针对所述第二指标数据集中的每个指标序列，根据所述指标序列的指标特性，对所述指标序列进行二次数据处理，得到第三指标数据集；根据所述第三指标数据集，对所述目标无人机进行故障识别。

【技术特征摘要】
1.一种故障识别方法，其特征在于，包括：获取目标无人机在待评估时段内的第一指标数据集，其中，所述第一指标数据集包括按照时间顺序排列的多个指标值构成的指标序列；对所述第一指标数据集进行数据预处理，得到第二指标数据集；针对所述第二指标数据集中的每个指标序列，根据所述指标序列的指标特性，对所述指标序列进行二次数据处理，得到第三指标数据集；根据所述第三指标数据集，对所述目标无人机进行故障识别。2.根据权利要求1所述的方法，其特征在于，所述根据所述指标序列的指标特性，对所述指标序列进行二次数据处理，得到第三指标数据集，包括：当所述指标序列中各指标值和所述指标序列中各指标值的平均值之间的差值、与相应指标的优劣直接相关时，对所述指标序列进行差分后取绝对值，以得到第三指标数据集，其中，所述第三指标数据集中每个指标序列的第一个指标值用零补充；当任意两个指标序列中相应指标值之差与所述两个指标序列对应的同类型无人机部件是否故障直接相关时，采用以下方式进行数据处理：针对所述两个指标序列中的每个指标序列中的、前s-t+1个指标值中的每个指标值，分别将所述指标值和所述指标值后的连续t-1个指标值组成的指标序列确定为第一指标子序列，其中，s为所述指标序列的长度，t为所述第一指标子序列的长度；针对第一指标序列对应的s-t+1个第一指标子序列中的每个第一指标子序列，分别将所述第一指标子序列中的每个指标值与第二指标序列对应的s-t+1个第一指标子序列中的相应子序列中的对应指标值作差，并计算多个所述差值的平均值，将多个所述平均值组成的序列确定为所述第三指标数据集，其中，所述第一指标序列为所述两个指标序列中的一指标序列，所述第二指标序列为所述两个指标序列中的另一指标序列；当任意两个指标序列中相应指标值分别为实际值、与所述实际值对应的期望值时，采用以下方式进行数据处理：针对所述两个指标序列中的每个指标序列中的、前s-k+1个指标值中的每个指标值，分别将所述指标值和所述指标值后的连续k-1个指标值组成的指标序列确定为第二指标子序列，其中，s为所述指标序列的长度，k为所述第二指标子序列的长度；针对第三指标序列对应的s-k+1个第二指标子序列中的每个第二指标子序列，从所述第二指标子序列中分别删除后1、2、…、q个指标值，得到s-k+1个第一指标序列集，其中，每个所述第一指标序列集包括q个第三指标子序列，所述第三指标序列为所述两个指标序列中的一指标序列，q为整数，且q<s-k+1；针对第四指标序列对应的s-k+1个第二指标子序列中的每个第二指标子序列，从所述第二指标子序列中分别删除前1、2、…、q个指标值，得到s-k+1个第二指标序列集，其中，每个所述第二指标序列集包括q个第四指标子序列，所述第四指标序列为所述两个指标序列中的另一指标序列；针对每个所述第一指标序列集中的每个所述第三指标子序列，将所述第三指标子序列中的每个指标值与相应的第二指标序列集中的相应第四指标子序列中的对应指标值作差，并计算多个所述差值的平均值；将多个所述平均值中的最小值对应的第三指标子序列、第四指标子序列分别确定为第一目标子序列、第二目标子序列；计算所述第一目标子序列与所述第二指标子序列之间的DTW距离；将多个所述DTW距离组成的序列，确定为所述第三指标数据集。3.根据权利要求1所述的方法，其特征在于，所述根据所述第三指标数据集，对所述目标无人机进行故障识别，包括：根据预设的分组与飞行状态之间的对应关系，确定与所述目标无人机的飞行状态对应的目标分组，其中，所述飞行状态包括机型、起落状态、飞行模式、厂家型号中的一者或两者以上；根据预设的Xgboost模型与分组之间的对应关系，确定与所述目标分组匹配的目标Xgboost模型；针对所述待评估时段内的每个待评估时间点，根据所述目标Xgboost模型，计算所述目标无人机在所述待评估时间点时的目标故障值；根据预设的故障值与故障信息之间的对应关系，确定与所述目标故障值对应的目标故障信息，其中，所述故障信息包括是否故障和/或故障点。4.根据权利要求3所述的方法，其特征在于，所述根据预设的故障值与故障信息之间的对应关系，确定与所述目标故障值对应的目标故障信息，包括：计算所述目标故障值与预设的故障值与故障信息之间的对应关系中的各故障值之间的差值的绝对值；将多个所述差值的绝对值中的最小值对应的故障值确定为参考故障值；将与所述参考故障值对应的故障信息确定为与所述目标故障值对应的目标故障信息。5.根据权利要求3或4所述的方法，其特征在于，所述预设的Xgboost模型与分组之间的对应关系，通过以下方式建立：获取多个无人机在预设历史时段内的第四指标数据集，其中，所述第四指标数据集包括按照时间顺序排列的多个指标值构成的指标序列；对所述第四指标数据集进行数据预处理，得到第五指标数据集；针对所述第五指标数据集中的每个指标序列，分别根据所述指标序列的指标特性，对所述指标序列进行二次数据处理，得到第六指标数据集；根据所述多个无人机中各无人机的飞行状态，对所述多个无人机...

【专利技术属性】
技术研发人员：宋大雷，徐泽帅，齐欣，梅森，
申请(专利权)人：沈阳无距科技有限公司，
类型：发明
国别省市：辽宁,21