【技术实现步骤摘要】
一种基于卷积神经网络预测无人机震动故障的方法及系统
[0001]本专利技术涉及无人机故障检测
，具体涉及一种基于卷积神经网络预测无人机震动故障的方法及系统。
技术介绍
[0002]无人机是一种由远程无线电信号或由本身携带的轨迹规划软件控制的无人飞行器，相较于有人驾驶飞行器，无人机的自主能力有了显著的提高，生存能力大大加强，可替代人在恶劣环境下完成任务，同时不需要担忧驾驶员的生命安全，可执行高危险性的任务，因此在军事、民用以及科研等领域得到了广泛的应用。
[0003]随着科技的不断发展，无人机在日常生活中越来越常见，功能也日趋强大，结构也越来越复杂，从而导致售后维修保障难度越来越大。传统的事后维修、视情维修和定期维修已经不太适合无人机系统维修保障的特点。因此为了使无人机系统能够时刻处于良好的技术状态，随时能够执行各种任务，预防性维修十分重要，需要对无人机进行故障预测，而所有故障中最容易出现的故障是震动故障，因此对震动故障进行预测十分有必要。
[0004]目前现有技术对无人机的震动故障进行预测的过程为：获取...
【技术保护点】
【技术特征摘要】
1.一种基于卷积神经网络预测无人机震动故障的方法，其特征在于，包括以下步骤：获取无人机的历史飞行传感器数据，并进行预处理和聚类分析，得到一训练数据集；构建一卷积神经网络模型，将所述训练数据集输入到所述卷积神经网络模型中进行训练，得到一预测模型；通过所述无人机上的飞行传感器采集装置对所述无人机的传感器数据进行实时采集，并对实时采集到的飞行传感器数据进行预处理，得到实际震动频谱数据；将所述实际震动频谱数据输入到所述预测模型中，获得若干预测结果，并判断所述若干预测结果中概率最高的预测结果是否为正常；若否，则获取各异常概率和正常概率，并根据所述各异常概率和所述正常概率输出相应的异常震动信息；其中，所述各异常概率包括：旋翼头震动异常概率、主旋翼震动异常概率、尾旋翼震动异常概率、电机震动异常概率以及机体震动异常概率。2.根据权利要求1所述的基于卷积神经网络预测无人机震动故障的方法，其特征在于，在获取无人机的历史飞行传感器数据，并进行预处理时，包括：在所述无人机的历史数据中提取所述飞行传感器采集装置采集的历史飞行传感器数据，并将所述历史飞行传感器数据作为历史震动时域数据；将所述历史震动时域数据通过傅里叶变换算法转换成历史震动频域数据。3.根据权利要求2所述的基于卷积神经网络预测无人机震动故障的方法，其特征在于，在将所述历史震动时域数据通过傅里叶变换算法转换成历史震动频域数据时，包括：对采集到长度为S的历史飞行传感器数据时间序列进行分割，将所述历史飞行传感器数据时间序列分割为F个不重叠的等长{t(i),i＝1,2,3,.......,S}时移窗口序列，具体如公式1所示：T
n
＝[t((n
‑
1)L+j),n＝1,2,....,F,j＝1,2,.....,L]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)；式中，F代表窗口数，L代表窗口长度，n代表窗口序号，T
n
代表对应的时移窗口序列；使用快速傅里叶变换算法对每段时移窗口序列T
n
进行频域转换，将所述历史震动时域数据T
n
转换为所述历史震动频域数据T
m
，具体如公式2所示：式中，L代表采样点数量，W
L
代表复数变换值。4.根据权利要求3所述的基于卷积神经网络预测无人机震动故障的方法，其特征在于，在提取无人机的历史震动数据，并进行聚类分析时，包括：对转换得到的所述历史震动频域数据T
m
进行震动异常划分和剔除异常数据，形成所述训练数据集。5.根据权利要求4所述的基于卷积神经网络预测无人机震动故障的方法，其特征在于，在进行震动异常划分时，包括：选取所述历史震动频域数据T
m
上特定频段的数据作为特征，使用聚类算法将所有所述历史飞行传感器数据U标记为z个类别，具体如公式3所示：
根据所述标记将所有所述历史飞行传感器数据的特征张量S分解成z个对应类别的特征张量，具体如公式4所示：式中，对每个类别设定一组时间步长G，将所述每个类别转换为|G|个训练数据集。6.根据权利要求5所述的基于卷积神经网络预测无人机震动故障的方法，其特征在于，在使用聚类算法将所有所述历史飞行传感器数据U标记为z个类别时，包括：对收集的所有所述历史飞行传感器数据拟定z个小集合，针对每个拟定的小集合手动选取一个初始中心样本；利用K
‑
means聚类算法把所有所...
【专利技术属性】
技术研发人员：陈梓燊，谭立鹏，钟娅，梅粲文，李伟俊，李浩，李可可，
申请(专利权)人：珠海紫燕无人飞行器有限公司，
类型：发明
国别省市：
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。