一种无人机巡检系统的故障监测方法技术方案

本发明专利技术公开了一种无人机巡检系统的故障监测方法

【技术实现步骤摘要】
一种无人机巡检系统的故障监测方法、系统及存储介质


[0001]本专利技术涉及无人机
，尤其涉及一种无人机巡检系统的故障监测方法
、
系统及存储介质
。

技术介绍

[0002]无人机巡检可以实现更高效
、
更安全
、
更准确的巡检操作，并具有强大的适应性和灵活性
。
无人机的灵活性和适应性使其能够在各种复杂环境条件下进行巡检，同时它也具有多样化的操作模式和功能选择，例如，能够满足海上风电场不同的巡检需求，但海上风浪环境会对无人机巡检系统的稳定性和安全性产生威胁
。
[0003]现有的无人机巡检系统缺少良好的故障自动监测的完整系统及方法，无法对无人机巡检系统进行自动诊断和监测设备或系统故障，也无法提前对无人机巡检系统的运行状态和性能参数进行故障分析和预测，无法及时发现和排除隐患，现有的无人机巡检系统的可靠性低和效率差
。

技术实现思路

[0004]本专利技术提供了一种无人机巡检系统的故障监测方法
、
系统及存储介质，以实现对人机巡检系统已经产生的故障进行自动监测和潜在的故障进行预测，提高了信息处理和决策的效率，提高了无人机巡检系统的稳定性
。
[0005]本专利技术提供了一种无人机巡检系统的故障监测方法
、
系统及存储介质，包括：对无人机状态数据和无人机巢状态数据进行预处理，得到目标状态数据；所述无人机状态数据和无人机巢状态数据由无人机巡检系统的数据采集设备采集而来；根据所述目标状态数据，对所述无人机巡检系统进行故障检测；当检测到存在潜在的故障或已经产生的故障，则进行故障预警
。
[0006]进一步地，无人机状态数据和无人机巢状态数据由无人机巡检系统的数据采集设备采集而来，包括：
[0007]获取无人机巡检系统的数据采集设备采集的数据作为无人机状态数据；所述无人机数据采集设备包括惯性传感器
、
压力传感器
、
温度传感器和
GPS
定位系统中的一个或者多个；
[0008]其中，所述惯性传感器用于采集无人机的姿态
、
角速度和加速度信息；所述压力传感器用于采集无人机的高度信息；所述温度传感器用于采集无人机电路板及电池的温度信息；所述
GPS
定位系统用于采集无人机的位置信息
。
[0009]进一步地，无人机状态数据和无人机巢状态数据由无人机巡检系统的数据采集设备采集而来，包括：
[0010]获取无人机巢数据采集设备采集的数据作为无人机巢状态数据；所述无人机巢数据采集设备包括温湿度采集设备
、
充电电压电流采集设备和机巢监控设备中的一个或者多个；
[0011]其中，所述温湿度采集设备用于采集无人机机巢内的温度和湿度信息；所述充电电压电流采集设备用于采集无人机充电时的电压和电流信息；所述机巢监控设备用于采集无人机巢外的环境信息和无人机巢内的图像信息
。
[0012]作为优选方案，本专利技术对无人机的巡检环境条件进行充分考虑，采用了多种传感器和设备对无人机和无人机巢进行数据采集，确保了数据的全面性和准确性
。
[0013]进一步地，对无人机状态数据和无人机巢状态数据进行预处理，得到目标状态数据，具体为：
[0014]删除无人机状态数据和无人机巢状态数据中的重复数据和噪声数据，并补充缺失的数据，以完成对无人机状态数据和无人机巢状态数据的清洗；
[0015]将清洗后的无人机状态数据和无人机巢状态数据与历史数据进行对比，并删除异常数据，以完成对清洗后的无人机状态数据和无人机巢状态数据的校准；
[0016]将校准后的无人机状态数据和无人机巢状态数据进行滤波处理，删除噪声信息，得到目标状态数据
。
[0017]进一步地，根据所述目标状态数据，对所述无人机巡检系统进行故障检测，具体为：
[0018]对目标状态数据进行特征提取，获得无人机状态信息和无人机巢状态信息；根据所述无人机状态信息和无人机巢状态信息，建立对应的第一特征向量；
[0019]将所述第一特征向量输入故障监测模型，对所述无人机巡检系统潜在的故障或已经产生的故障进行监测，生成故障监测结果；所述故障监测模型由自适应模型训练优化而来
。
[0020]作为优选方案，本专利技术采用了特征提取技术对目标状态数据进行特征提取，能够从大量原始数据中提取关键的状态信息，提高了故障预测和诊断的精度和效率
。
[0021]进一步地，所述故障监测模型由自适应模型训练优化而来，具体为
[0022]利用深度学习技术建立以深度置信网络为基础的自适应模型，并通过历史数据训练优化所述自适应模型，获得故障监测模型
。
[0023]进一步地，通过历史数据训练优化所述自适应模型，获得故障监测模型，具体为：
[0024]对历史数据进行预处理得到训练状态数据，对所述训练状态数据进行特征提取，得到训练状态数据的第二特征向量；
[0025]将所述第二特征向量输入到自适应模型中，利用随机梯度下降法对所述自适应模型进行反向微调训练；在反向微调训练过程中，根据随机梯度下降法中每次迭代的目标损失函数的梯度值，调整参数更新的学习率
。
[0026]作为优选方案，本专利技术利用深度学习技术，建立自适应模型，对已经产生的故障进行自动监测和潜在的故障进行预测，并历史数据训练优化模型性能，提高故障监测和预测的准确性和效率
。
[0027]相应地，本专利技术还提供一种无人机巡检系统故障监测系统，包括：无人机数据采集设备
、
无人机巢数据采集设备和故障监测模块；
[0028]其中，所述无人机数据采集设备用于采集无人机状态数据；所述无人机数据采集设备包括：惯性传感器
、
压力传感器
、
温度传感器和
GPS
定位系统中的一个或者多个；
[0029]所述无人机巢数据采集设备用于采集无人机巢状态数据，所述无人机巢数据采集
设备包括：温湿度采集设备
、
充电电压电流采集设备和机巢监控设备中的一个或者多个；
[0030]故障监测模块用于对无人机状态数据和无人机巢状态数据进行预处理，得到目标状态数据；所述无人机状态数据和无人机巢状态数据由无人机巡检系统的数据采集设备采集而来；根据所述目标状态数据，对所述无人机巡检系统进行故障检测；当检测到存在潜在的故障或已经产生的故障，则进行故障预警
。
[0031]作为优选方案，本专利技术提供的无人机巡检系统故障监测系统通过无人机数据采集设备和无人机巢数据采集设备对无人机和无人机巢进行数据采集，对无人机的巡检环境条件进行充分考虑，确保了数据的全面性和准确性
。
本专利技术系统的故障监测模块采用了特征提取技术对目标状态数据进行特征提取，能够从本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种无人机巡检系统故障监测方法，其特征在于，包括：对无人机状态数据和无人机巢状态数据进行预处理，得到目标状态数据；所述无人机状态数据和无人机巢状态数据由无人机巡检系统的数据采集设备采集而来；根据所述目标状态数据，对所述无人机巡检系统进行故障检测；当检测到存在潜在的故障或已经产生的故障，则进行故障预警
。2.
如权利要求1所述的一种无人机巡检系统故障监测方法，其特征在于，所述无人机状态数据和无人机巢状态数据由无人机巡检系统的数据采集设备采集而来，包括：获取无人机数据采集设备采集的数据作为无人机状态数据；所述无人机数据采集设备包括惯性传感器
、
压力传感器
、
温度传感器和
GPS
定位系统中的一个或者多个；其中，所述惯性传感器用于采集无人机的姿态
、
角速度和加速度信息；所述压力传感器用于采集无人机的高度信息；所述温度传感器用于采集无人机电路板及电池的温度信息；所述
GPS
定位系统用于采集无人机的位置信息
。3.
如权利要求1所述的一种无人机巡检系统故障监测方法，其特征在于，所述无人机状态数据和无人机巢状态数据由无人机巡检系统的数据采集设备采集而来，包括：获取无人机巢数据采集设备采集的数据作为无人机巢状态数据；所述无人机巢数据采集设备包括温湿度采集设备
、
充电电压电流采集设备和机巢监控设备中的一个或者多个；其中，所述温湿度采集设备用于采集无人机机巢内的温度和湿度信息；所述充电电压电流采集设备用于采集无人机充电时的电压和电流信息；所述机巢监控设备用于采集无人机巢外的环境信息和无人机巢内的图像信息
。4.
如权利要求1所述的一种无人机巡检系统故障监测方法，其特征在于，所述对无人机状态数据和无人机巢状态数据进行预处理，得到目标状态数据，具体为：删除无人机状态数据和无人机巢状态数据中的重复数据和噪声数据，并补充缺失的数据，以完成对无人机状态数据和无人机巢状态数据的清洗；将清洗后的无人机状态数据和无人机巢状态数据与历史数据进行对比，并删除异常数据，以完成对清洗后的无人机状态数据和无人机巢状态数据的校准；将校准后的无人机状态数据和无人机巢状态数据进行滤波处理，删除噪声信息，得到目标状态数据
。5.
如权利要求1所述的一种无人机巡检系统故障监测方法，其特征在于，所述根据所述目标状态数据，对所述无人机巡检系统进行故障检测，具体为：对目标状态数据进行特征提取，获得无人机状态信息和无人机巢状态信息；根据所述无人机状态信息和无人机巢状态信息，建立对应的第一特征向量；将所述第一特征向量输入故障监测模型，对所述无人机巡检系统潜在的故障或已经产生的故障进行监测，生成故障监测结果；所述故障监测模型由自适应模型训练优化而来
。6.
如权利要求5所述的一种无人机巡检系统故障监测方法，其特征在于，所述故障监测模型由自适应...

【专利技术属性】
技术研发人员：李文胜，吴昊，吴佳潞，麦晓明，朱日欣，雷霆，王冠，蔡杨华，韩丹，宋景慧，
申请(专利权)人：南方电网电力科技股份有限公司，
类型：发明
国别省市：