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预测性维护,特别涉及一种基于多通道模型的无人机健康评估方法及系统。
技术介绍
1、随着无人机在运输、农业、应急等领域的应用日益深入,如何保证无人机工作状态的可靠性成为了近年来无人机技术的研究热点。预测性维护是保障无人机可靠性的重要方法,是指基于安装在设备上的各种传感器,实时监控设备运行状态,基于专家知识或深度学习模型识别设备在工作中的故障与隐患,并将维修、更换部件、停机检测等决策、建议推送至设备维保人员。相较于其他的维护方式,预测性维护具有智能化、降低维护成本、增加不停机运行时间等特点。
2、显然,无人机发动机预测性维护的准确性与有效性取决于健康状态识别模型的预测精度。现有方法中使用的深度学习模型,多基于发动机转速、汽缸头温度、排气温度、滑油压力、滑油温度等无人机发动机工作状态下产生的时序数据,对健康状态进行识别与分类。这种方法难以考虑无人机的运行环境,如难以考虑不同海拔下的无人机健康状态标准的差异。为此,本专利技术提出了基于多通道模型的无人机健康状态评估方法,在考虑无人机运行环境的前提下实现无人机健康状态评估,进而实现预测性维护。
技术实现思路
1、本专利技术的目的就是克服现有技术的不足:当前无人机发动机健康评估方法中深度学习模型难以考虑无人机运行环境对健康评估状态影响,提供了一种基于多通道模型的无人机健康评估方法及系统,可以有效提升各类健康状态的分类精度,进而提升无人机发动机预测性维护的有效性。
2、本专利技术采用如下技术方案:
>3、一方面,本专利技术提供了一种基于多通道模型的无人机健康评估方法,其特征在于,所述方法包括:
4、s1、确定无人机发动机健康评估模型的输入参数;
5、s2、收集无人机发动机工作状态下的传感数据,进行标准化、结构化处理,形成数据集,并为所述数据集中每组数据赋予标签,即数据集的输出,也就是多通道模型的预测结果;
6、s3、根据步骤s1确定的所述输入参数,建立提取时序数据特征的长短期记忆网络lstm分支、提取运行环境数据特征的全连接神经网络分支、合并特征并分类的全连接网络与softmax层,并串联为多通道神经网络模型,这样的模型可以对飞行数据与环境数据分别进行特征提取,在特征合并输入至全连接网络前不会互相感染,影响结果的准确性;
7、s4、基于步骤s2中的所述数据集对步骤s3中建立的多通道神经网络模型进行训练,得到用于无人机发动机健康状态评估的多通道神经网络模型;
8、s5、使用步骤s4得到的所述用于无人机发动机健康状态评估的多通道神经网络模型对无人机健康状态进行评估。
9、如上所述的任一可能的实现方式,进一步提供一种实现方式,步骤s1中,所述输入参数包括传感器采集的时序数据,及无人机工作状态下的运行环境数据。
10、如上所述的任一可能的实现方式,进一步提供一种实现方式,所述传感器采集的时序数据包括发动机转速、汽缸头温度、排气温度、滑油压力、滑油温度;所述运行环境数据包括飞行高度、海拔、环境温度、风速。
11、如上所述的任一可能的实现方式,进一步提供一种实现方式,步骤s2具体包括:
12、s2.1收集无人机发动机工作状态下的传感器时序数据,记录运行环境数据;
13、s2.2对步骤s2.1得到的数据进行标准化,具体方法如式(1)所示:
14、
15、其中x′0为标准化后的数据,x0为原始数据,为该数据所属输入变量所有数据的平均值,s为所属输入变量所有数据的标准差;
16、s2.3确定单条时序数据步长,根据步长将标准化后的数据(包括拷机试验数据或仿真数据)进行切片,并为每个切片赋予健康状态标签;
17、s2.4合并切片时序数据、运行环境数据、健康状态标签,形成数据集,数据结构如式(2)所示:
18、
19、其中x0…xn为运行环境数据,为第t时刻的第m维的时序数据,y为健康状态标签;
20、s2.5根据一定的比例将步骤s2.4得到的所述数据集划分为试验数据训练集与测试集。
21、如上所述的任一可能的实现方式,进一步提供一种实现方式,步骤s2.3中,所述健康状态标签包括且不限于火花塞脏污、单磁电机故障、滑油系统故障、滑油不足、发动机爆震。
22、如上所述的任一可能的实现方式,进一步提供一种实现方式,步骤s2.5中,试验数据训练集与测试集的数据比例为8:2。
23、如上所述的任一可能的实现方式,进一步提供一种实现方式,步骤s3中,建立多通道神经网络模型,具体包括:
24、s3.1建立提取时序数据特征的长短期记忆网络lstm分支,确定网络的超参数,所述超参数包括:输入数据的特征维数、隐藏层的维度、神经网络层数、激活函数;
25、s3.2建立提取运行环境数据特征的全连接神经网络分支,确定网络的超参数,所述超参数包括网络的层数、各层的神经元数、各层的激活函数;
26、s3.3建立合并特征并分类的全连接网络与softmax层,确定网络的超参数,所述超参数包括网络的层数、各层的神经元数、各层的激活函数。
27、另一方面,本专利技术还提供了一种基于多通道模型的无人机健康评估系统,包括:
28、数据收集及处理模块,用于确定无人机发动机健康评估模型的输入参数,收集无人机发动机工作状态下的传感数据,进行标准化、结构化处理,形成数据集;
29、多通道神经网络模型建立模块,建立提取时序数据特征的长短期记忆网络lstm分支、提取运行环境数据特征的全连接神经网络分支、合并特征并分类的全连接网络与softmax层,并串联为多通道神经网络模型;
30、多通道神经网络模型训练模块,用于将所述数据收集及处理模块处理得到的数据集对所述多通道神经网络模型进行训练,得到用于无人机发动机健康状态评估的多通道神经网络模型;
31、无人机健康状态进行评估模块,使用所述用于无人机发动机健康状态评估的多通道神经网络模型对无人机健康状态进行评估。
32、本专利技术的有益效果为:
33、本专利技术基于多通道神经网络模型,在评估无人机发动机健康状态时可以综合考虑传感器采集的时序参数以及运行环境。相比仅基于时序数据建立深度学习模型的健康评估方法,可以有效提升各类健康状态的分类精度,进而提升无人机发动机预测性维护的有效性,降低维护成本,提高维护效率与无人机使用效率。
本文档来自技高网...【技术保护点】
1.一种基于多通道模型的无人机健康评估方法,其特征在于,所述方法包括:
2.如权利要求1所述的基于多通道模型的无人机健康评估方法,其特征在于,步骤S1中,所述输入参数包括传感器采集的时序数据,及无人机工作状态下的运行环境数据。
3.如权利要求2所述的基于多通道模型的无人机健康评估方法,其特征在于,所述传感器采集的时序数据包括发动机转速、汽缸头温度、排气温度、滑油压力、滑油温度;所述运行环境数据包括飞行高度、海拔、环境温度、风速。
4.如权利要求1所述的基于多通道模型的无人机健康评估方法,其特征在于,步骤S2具体包括:
5.如权利要求4所述的基于多通道模型的无人机健康评估方法,其特征在于,步骤S2.1中,所述时序数据包括拷机试验数据或仿真数据。
6.如权利要求4所述的基于多通道模型的无人机健康评估方法,其特征在于,步骤S2.3中,所述健康状态标签包括且不限于火花塞脏污、单磁电机故障、滑油系统故障、滑油不足、发动机爆震。
7.如权利要求4所述的基于多通道模型的无人机健康评估方法,其特征在于,步骤S2.5中,试验数
8.如权利要求1所述的基于多通道模型的无人机健康评估方法,其特征在于,步骤S3中,建立多通道神经网络模型,具体包括:
9.一种基于多通道模型的无人机健康评估系统,其特征在于,所述系统包括:
...【技术特征摘要】
1.一种基于多通道模型的无人机健康评估方法,其特征在于,所述方法包括:
2.如权利要求1所述的基于多通道模型的无人机健康评估方法,其特征在于,步骤s1中,所述输入参数包括传感器采集的时序数据,及无人机工作状态下的运行环境数据。
3.如权利要求2所述的基于多通道模型的无人机健康评估方法,其特征在于,所述传感器采集的时序数据包括发动机转速、汽缸头温度、排气温度、滑油压力、滑油温度;所述运行环境数据包括飞行高度、海拔、环境温度、风速。
4.如权利要求1所述的基于多通道模型的无人机健康评估方法,其特征在于,步骤s2具体包括:
5.如权利要求4所述的基于多通道模型的无人机健康评...
【专利技术属性】
技术研发人员:李钼石,苏琦,魏雅川,刘帅,翟培秀,
申请(专利权)人:航天时代飞鹏有限公司,
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。