System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及无人机故障检测,尤其涉及一种无人机集群的自适应故障检测方法及系统。
技术介绍
1、无人机集群是指依靠大量低成本、速度快、适应能力强的无人机形成规模优势,依靠简单的规则和局部通信,呈现出整体的行为。无人机集群作为一类现代分布式系统,凭借其出色的协同能力,并且构成集群的无人机成本低、体积小、机动性强,在战争中可凭借数量优势轮番发起饱和式打击,因此被广泛应用于军事行动中,而无人机集群的协同控制也成为无人机领域的热点之一。
2、然而,在大多数情况下,由于战场态势复杂多变,部件故障、坠毁等突发事件的发生在所难免,对无人机集群飞行安全构成极大威胁。当一个无人机发生故障时,故障无人机的输出可能会出现偏差,那么故障无人机的邻居甚至整个无人机集群系统都会受到影响。无人机集群作为多智能体系统的一个分支,也符合多智能体的特点,当无人机集群中某节点损毁或失能时,需凭借多智能体的“自组织特性”调整和重新编队,使无人机集群自愈,以确保无人机集群任务达成。在这种情况下,为了能够及时发现故障的严重程度,针对无人机集群的故障诊断研究成为重中之重,而目前无人机集群的故障检测主要用于单个无人机检测,针对整个无人机集群的故障检测还需进一步加大研究力度。
技术实现思路
1、本专利技术通过提供一种无人机集群的自适应故障检测方法及系统,解决了现有技术中无法对无人机集群进行故障检测的问题,实现了无人机集群的故障检测,有效降低无人机集群发生故障时误报率和漏报率。
2、第一方面,本专利技术提供了
3、将无人机的位置信息和速度信息输入预先训练的自适应无人机集群故障检测模型,输出故障检测结果,其中,预先训练的所述自适应无人机集群故障检测模型是基于置信规则库构建。
4、基于第一方面,在本专利技术的一个实施例中,预先训练的所述自适应无人机集群故障检测模型是基于置信规则库构建,包括:
5、确定影响无人机集群故障的判断因素,所述判断因素包括位置信息和速度信息;
6、确定所述位置信息的m个位置参考点及每一个所述位置参考点对应的位置参考值,确定所述速度信息的n个速度参考点及每一个所述速度参考点对应的速度参考值,m≥2,n≥2,置信规则库的决策规则基于所述位置信息和所述速度信息确定无人机集群故障检测结果及所述故障检测结果对应的参考值;
7、基于m个所述位置参考点、m个所述位置参考值、n个所述速度参考点、n个所述速度参考值和所述置信规则库构建置信规则结构;
8、根据所述决策规则和所述置信规则结构设计用于诊断无人机集群故障的推理机,所述置信规则结构和所述推理机组成所述自适应无人机集群故障检测模型,利用所述推理机通过无人机集群的实时位置信息和实时速度信息并基于所述置信规则结构推理出所述故障检测结果。
9、基于一方面,在本专利技术的一个实施例中,所述置信规则结构包括:
10、(1);
11、公式(1)中,为位置,为条规则中对应的位置参考值,为速度,为条规则中对应的速度参考值,为个属性和对应个数的参考值,为条规则中第个属性对应的参考值;为故障检测结果,为第个置信规则下每种故障检测结果对应的置信度,为规则相对于其他规则重要性的规则权重,为位置信息与其他属性相比的重要性,为速度信息与其他属性相比的重要性,为置信规则库中有个可解释性约束。
12、基于第一方面,在本专利技术的一个实施例中,所述利用所述推理机通过无人机集群的实时位置信息和实时速度信息并基于所述置信规则结构推理出所述故障检测结果,包括:
13、所述置信规则结构输出置信规则数值,将所述置信规则数值与置信规则库的置信规则逐一匹配,得到规则匹配度;
14、根据所述规则匹配度确定所述置信规则数值在置信规则中的激活规则,根据激活权重计算公式计算激活规则的激活权重;
15、通过所述激活权重推理故障、正常和性能衰退各自的置信度;
16、根据所述置信度计算所述故障检测结果。
17、基于第一方面,在本专利技术的一个实施例中,所述将所述置信规则数值与置信规则库的置信规则逐一匹配,得到规则匹配度,包括:采用公式(2)计算置信规则数值与置信规则库之间的规则匹配度;公式(2)为:
18、(2);
19、公式(2)中,为对于属性在第条规则下的参考值的匹配度,和分别为第和规则中属性的参考值,为第个目标;
20、所述根据激活权重计算公式计算激活规则的激活权重,包括:根据公式(3)计算激活规则的激活权重;公式(3)为:
21、(3);
22、公式(3)中,为第条规则的激活权重,为第条置信规则的规则权重,为第条置信规则的规则权重,为对于属性在第条规则下的参考值的匹配度,表示指标权重,为规则的属性数量;
23、所述通过所述激活权重推理故障、正常和性能衰退各自的置信度,包括:将激活权重输入公式(4),通过公式(4)推理故障、正常和性能衰退各自的置信度;公式(4)为:
24、(4);
25、公式(4)中,,为激活规则数量,为故障检测结果的数量,表示第个故障检测结果的置信度,为激活权重,为第条规则下第个故障检测结果的置信度,为第个置信规则下第个故障检测结果的置信度,为融合过程中的归一化系数;
26、所述根据所述置信度计算所述故障检测结果,包括:将置信度输入公式(5),通过公式(5)计算故障检测结果;公式(5)为:
27、(5);
28、公式(5)中,为无人机集群故障检测结果为的效用值,为无人机集群可解释自适应故障检测模型的故障检测结果。
29、基于第一方面,在本专利技术的一个实施例中,预先训练的所述自适应无人机集群故障检测模型,训练过程包括:
30、设置所述自适应无人机集群故障检测模型的初始化参数,所述初始化参数包括:种群大小、后代种群大小、步长、协方差矩阵、模型规则权重、规则置信度和指标权重;
31、构建目标函数,通过训练数据和所述目标函数优化所述自适应无人机集群故障检测模型;
32、优化过程中设置可解释约束,对所述可解释约束中每个相等约束执行投影操作;
33、采用搜索域自适应更新策略自适应更新搜索域的上界和下界,自适应更新搜索所述自适应无人机集群故障检测模型的协方差矩阵和搜索路径。
34、基于第一方面,在本专利技术的一个实施例中,所述设置所述自适应无人机集群故障检测模型的初始化参数,包括:
35、构建无人机集群运动学模型,所述无人机集群运动学模型的表达式为:
36、(6);
37、公式(6)中,为第台无人机的位置信息,且表示无人机轴坐标,表示无人机轴坐标,表示第台无人机的速度信息,表示对速度信息的导数,表示轴方向速度,表示轴方向速度,为控制输入,表示轴方向的控制输入,表示轴方向的控制输入,为故障,当无人机无故障时,,本文档来自技高网...
【技术保护点】
1.一种无人机集群的自适应故障检测方法,其特征在于,包括:
2.根据权利要求1所述的一种无人机集群的自适应故障检测方法,其特征在于,预先训练的所述自适应无人机集群故障检测模型是基于置信规则库构建,包括:
3.根据权利要求2所述的一种无人机集群的自适应故障检测方法,其特征在于,所述置信规则结构包括:
4.根据权利要求2所述的一种无人机集群的自适应故障检测方法,其特征在于,所述利用所述推理机通过无人机集群的实时位置信息和实时速度信息并基于所述置信规则结构推理出所述故障检测结果,包括:
5.根据权利要求4所述的一种无人机集群的自适应故障检测方法,其特征在于,所述将所述置信规则数值与置信规则库的置信规则逐一匹配,得到规则匹配度,包括:采用公式(2)计算置信规则数值与置信规则库之间的规则匹配度;公式(2)为:
6.根据权利要求1所述的一种无人机集群的自适应故障检测方法,其特征在于,预先训练的所述自适应无人机集群故障检测模型,训练过程包括:
7.根据权利要求6所述的一种无人机集群的自适应故障检测方法,其特征在于,所述设置
8.根据权利要求6所述的一种无人机集群的自适应故障检测方法,其特征在于,所述优化过程中设置可解释约束,包括:
9.根据权利要求1所述的一种无人机集群的自适应故障检测方法,其特征在于,所述将无人机的位置信息和速度信息输入预先训练的自适应无人机集群故障检测模型,包括:
10.一种无人机集群的自适应故障检测系统,所述自适应故障检测系统基于权利要求1-9任一项所述的一种无人机集群的自适应故障检测方法,其特征在于,所述自适应故障检测系统包括:
...【技术特征摘要】
1.一种无人机集群的自适应故障检测方法,其特征在于,包括:
2.根据权利要求1所述的一种无人机集群的自适应故障检测方法,其特征在于,预先训练的所述自适应无人机集群故障检测模型是基于置信规则库构建,包括:
3.根据权利要求2所述的一种无人机集群的自适应故障检测方法,其特征在于,所述置信规则结构包括:
4.根据权利要求2所述的一种无人机集群的自适应故障检测方法,其特征在于,所述利用所述推理机通过无人机集群的实时位置信息和实时速度信息并基于所述置信规则结构推理出所述故障检测结果,包括:
5.根据权利要求4所述的一种无人机集群的自适应故障检测方法,其特征在于,所述将所述置信规则数值与置信规则库的置信规则逐一匹配,得到规则匹配度,包括:采用公式(2)计算置信规则数值与置信规则库之间的规则匹配度;公式(2)为:
【专利技术属性】
技术研发人员:杨若涵,白曜溥,李玥,周德云,周志杰,冯志超,
申请(专利权)人:西北工业大学,
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。