一种无人机的故障检测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术公开了一种无人机的故障检测方法、装置、电子设备及存储介质，本发明专利技术通过实时获取无人机的飞行状态数据，从而根据不同类型的飞行状态数据，得出无人机不同部位的检测结果，即利用飞行姿态数据，得出无人机的姿态检测结果；同时将执行器运行数据以及轴承振动数据输入至训练后的深度学习网络，以便借助训练后的深度学习网络得出执行器检测结果以及轴承检测结果，从而得知执行器和轴承是否发生故障；最后，根据前述三个检测结果，即可得出无人机所存在的故障类型；由此，本发明专利技术可实现无人机的多种故障类型检测，相比于传统使用专家经验检测故障，其准确率更高，实时性更强，更适用于无人机的故障检测。于无人机的故障检测。于无人机的故障检测。

【技术实现步骤摘要】
一种无人机的故障检测方法、装置、电子设备及存储介质


[0001]本专利技术属于无人机故障检测
，具体涉及一种无人机的故障检测方法、装置、电子设备及存储介质。

技术介绍

[0002]无人机能够遥控飞行或自主飞行，具有重量轻、体积小、机动性好、不受操作人员的生理约束以及飞行环境限制等优点，从而在军事和民用等领域得到了广泛的应用；无人机在飞行过程中，容易受到复杂环境因素的影响，不可避免的会发生故障，从而导致无人机无法正常飞行甚至发生坠毁事故；因此，无人机的故障检测对无人机的可靠运行具有重要意义。
[0003]而随着计算机能力的提高和微型化、人工智能以及超精密技术的进步，无人机的机载电子设备越来越多，系统也越来越复杂，这对无人机的故障检测提出了更高的要求；目前，传统的无人机检测主要以数据采集为主，而根据采集的数据对无人机进行故障诊断则主要依靠专家经验来判断，这就对诊断者提出了较高的要求，其存在以下不足：不仅准确率不高，费时费力，同时，其也无法实现无人机的实时故障诊断以及多种故障类型的诊断，已无法满足现代无人机的故障诊断需求；因而，提供一种能够实时且能够从多方面对无人机进行故障诊断的方法迫在眉睫。

技术实现思路

[0004]本专利技术的目的是提供一种无人机的故障检测方法、装置、电子设备及存储介质，以解决现有采用专家经验诊断无人机故障所存在的准确率不高，无法实时且多方面对无人机进行故障诊断的问题。
[0005]为了实现上述目的，本专利技术采用以下技术方案：
[0006]本专利技术提供了一种无人机的故障检测方法，包括：
[0007]获取无人机的飞行状态数据，其中，所述飞行状态数据包括飞行姿态数据、执行器运行数据以及机身轴承振动数据；
[0008]利用所述飞行姿态数据，对所述无人机进行飞行姿态检测，得出姿态检测结果；
[0009]将所述执行器运行数据以及所述轴承振动数据输入至训练后的深度学习网络，得出执行器检测结果以及轴承检测结果；
[0010]根据所述姿态检测结果、所述执行器检测结果以及所述轴承检测结果，得出所述无人机的故障检测结果。
[0011]基于上述公开的内容，本专利技术通过实时获取无人机的飞行状态数据，从而根据不同类型的飞行状态数据，得出无人机不同部位的检测结果，即利用飞行姿态数据，得出无人机的姿态检测结果，从而判断无人机是否偏离稳态；同时将执行器运行数据以及轴承振动数据输入至训练后的深度学习网络，以便借助训练后的深度学习网络得出执行器检测结果以及轴承检测结果，从而得知执行器和轴承是否发生故障；最后，根据前述三个检测结果，
即可得出无人机所存在的故障类型，从而实现无人机多种故障类型的检测。
[0012]通过上述设计，本专利技术通过无人机的飞行状态数据，能够实时分析无人机的飞行姿态，并实时检测无人机的轴承以及执行器是否发生故障，由此，即可实现无人机的多种故障类型检测，相比于传统使用专家经验检测故障，其准确率更高，实时性更强，更适用于无人机的故障检测。
[0013]在一个可能的设计中，所述飞行姿态数据包括角速度、加速度以及高度，其中，利用所述飞行姿态数据，对无人机进行飞行姿态检测，得出姿态检测结果包括：
[0014]利用所述角速度，计算得到所述无人机的飞行角度；
[0015]利用所述高度，计算得到所述无人机的高度变化率；
[0016]根据所述加速度、所述角速度、所述飞行角度以及所述高度变化率，得出所述姿态检测结果。
[0017]基于上述公开的内容，本专利技术能够通过飞行姿态数据，计算得出无人机的飞行角度以及高度变化率，从而可根据飞行角度、高度变化率、飞行姿态数据中的角速度以及加速度，得出无人机的飞行姿态，即通过判断前述参数是否超出阈值，从而得出无人机是否偏离稳态。
[0018]在一个可能的设计中，所述训练后的深度学习网络包括训练后的SDA深度学习网络；
[0019]相应的，将所述执行器运行数据输入至所述训练后的深度学习网络，得出执行器检测结果，包括：
[0020]将所述执行器运行数据输入至所述训练后的SDA深度学习网络，以通过所述训练后的SDA深度学习网络得出执行器的恒偏差故障系数、恒增益故障系数以及卡死故障系数；
[0021]根据所述恒偏差故障系数、所述恒增益故障系数以及所述卡死故障系数，得出所述执行器检测结果。
[0022]基于上述公开的内容，本专利技术通过训练后的SDA深度学习网络，可得出执行器的恒偏差故障系数、恒增益故障系数以及卡死故障系数，从而可根据前述三个系数得出执行器检测结果，其实质为：根据前述三个系数，来判断执行器是发生恒偏差故障、恒增益故障还是卡死故障。
[0023]在一个可能的设计中，所述训练后的深度学习网络包括训练后的BP神经网络，所述机身轴承振动数据包括多个轴承振动信号，其中，所述多个轴承振动信号按序号进行排序，且序号为所述无人机中轴承的编号；
[0024]相应的，将所述轴承振动数据输入至训练后的深度学习网络，得出轴承检测结果，包括：
[0025]对所述多个轴承振动信号中的每个轴承振动信号进行重采样，得到所述每个轴承振动信号对应的振动信号段；
[0026]对所述每个轴承振动信号对应的振动信号段进行小波包分解，得到所述每个轴承振动信号对应的频带特征；
[0027]对所述每个轴承振动信号对应的振动信号段进行快速傅里叶变换，得到所述每个轴承振动信号对应的频谱特征；
[0028]将所述每个轴承振动信号对应的频带特征以及频谱特征，输入至所述训练后的BP
神经网络中，得到所述轴承检测结果。
[0029]基于上述公开的内容，通过训练后的BP神经网络，可实现无人机中所有轴承的故障检测，且能够通过编号得知出现故障的轴承的位置，从而有利于操作人员对故障等级的判断。
[0030]在一个可能的设计中，在将所述执行器运行数据输入至所述训练后的深度学习网络，得出执行器检测结果前，所述方法还包括：
[0031]获取所述无人机的执行器的故障数据，其中，所述故障数据包括执行器恒偏差故障数据、执行器恒增益故障数据以及执行器卡死故障数据；
[0032]将所述故障数据输入至SDA深度学习网络中进行训练，以得到所述训练后的SDA深度学习网络。
[0033]在一个可能的设计中，所述SDA深度学习网络包括多层自编码器，其中，将所述故障数据输入至SDA深度学习网络中进行训练，以得到所述训练后的SDA深度学习网络，包括：
[0034]S01.对于第一层自编码器，利用SDA深度学习网络的编码函数对所述故障数据进行编码处理，得到编码故障数据；
[0035]S02.利用SDA深度学习网络的解码函数对所述编码故障数据进行解码处理，得到解码输出数据；
[0036]S03.将所述解码输出数据与所述故障数据进行相似度拟合，得到数据相似度函数；
[0037]S04.利用所述数据相似度函数得出所述SDA深度学习网络的损失函数；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人机的故障检测方法，其特征在于，包括：获取无人机的飞行状态数据，其中，所述飞行状态数据包括飞行姿态数据、执行器运行数据以及机身轴承振动数据；利用所述飞行姿态数据，对所述无人机进行飞行姿态检测，得出姿态检测结果；将所述执行器运行数据以及所述轴承振动数据输入至训练后的深度学习网络，得出执行器检测结果以及轴承检测结果；根据所述姿态检测结果、所述执行器检测结果以及所述轴承检测结果，得出所述无人机的故障检测结果。2.如权利要求1所述的方法，其特征在于，所述飞行姿态数据包括角速度、加速度以及高度，其中，利用所述飞行姿态数据，对无人机进行飞行姿态检测，得出姿态检测结果包括：利用所述角速度，计算得到所述无人机的飞行角度；利用所述高度，计算得到所述无人机的高度变化率；根据所述加速度、所述角速度、所述飞行角度以及所述高度变化率，得出所述姿态检测结果。3.如权利要求1所述的方法，其特征在于，所述训练后的深度学习网络包括训练后的SDA深度学习网络；相应的，将所述执行器运行数据输入至所述训练后的深度学习网络，得出执行器检测结果，包括：将所述执行器运行数据输入至所述训练后的SDA深度学习网络，以通过所述训练后的SDA深度学习网络得出执行器的恒偏差故障系数、恒增益故障系数以及卡死故障系数；根据所述恒偏差故障系数、所述恒增益故障系数以及所述卡死故障系数，得出所述执行器检测结果。4.如权利要求1所述的方法，其特征在于，所述训练后的深度学习网络包括训练后的BP神经网络，所述机身轴承振动数据包括多个轴承振动信号，其中，所述多个轴承振动信号按序号进行排序，且序号为所述无人机中轴承的编号；相应的，将所述轴承振动数据输入至训练后的深度学习网络，得出轴承检测结果，包括：对所述多个轴承振动信号中的每个轴承振动信号进行重采样，得到所述每个轴承振动信号对应的振动信号段；对所述每个轴承振动信号对应的振动信号段进行小波包分解，得到所述每个轴承振动信号对应的频带特征；对所述每个轴承振动信号对应的振动信号段进行快速傅里叶变换，得到所述每个轴承振动信号对应的频谱特征；将所述每个轴承振动信号对应的频带特征以及频谱特征，输入至所述训练后的BP神经网络中，得到所述轴承检测结果。5.如权利要求3所述的方法，其特征在于，在将所述执行器运行数据输入至所述训练后的深度学习网络，得出执行器检测结果前，所述方法还包括：获取所述无人机的执行器的故障数据，其中，所述故障数据包括执行器恒偏差故障数据、执行器恒增益故障数据以及执行器卡死故障数据；
将所述故障数据输入至SDA深度学习网络中进行训练，以得到所述训练后的SDA深度学习网络。6.如权利要求5所述的方法，其特征在于，所述SDA深度学习网络包括多层自编码器，其中，将所述故障数据输入至SDA深度学习网络中进行训练，以得到所述训练后的SDA深度学习网络，包括：S...

【专利技术属性】
技术研发人员：王宇龙，
申请(专利权)人：中国兵器工业信息中心，
类型：发明
国别省市：