CN117291094A - 基于关联参数映射的无人机动力***参数异常检测方法 - Google Patents
基于关联参数映射的无人机动力***参数异常检测方法 Download PDFInfo
- Publication number
- CN117291094A CN117291094A CN202311181690.0A CN202311181690A CN117291094A CN 117291094 A CN117291094 A CN 117291094A CN 202311181690 A CN202311181690 A CN 202311181690A CN 117291094 A CN117291094 A CN 117291094A
- Authority
- CN
- China
- Prior art keywords
- parameters
- power system
- parameter
- unmanned aerial
- aerial vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000013507 mapping Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 57
- 230000005856 abnormality Effects 0.000 claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000012512 characterization method Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims abstract description 7
- 239000010687 lubricating oil Substances 0.000 claims description 42
- 239000003921 oil Substances 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 13
- 230000036541 health Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 238000012731 temporal analysis Methods 0.000 description 3
- 238000000700 time series analysis Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于无人机技术领域，具体涉及一种基于关联参数映射的无人机动力***参数异常检测方法，包括如下步骤：参数选择；数据预处理；无人机动力***参数关系映射模型构建：完成数据预处理后，采用基于GRU的回归预测算法建立无人机动力***参数的表征模型。异常检测及告警模型构建：根据无人机动力***重要参数的估计值和实际测量值进行对比，实现对于无人机实飞过程中动力***参数异常检测和告警。本申请对动力***成对参数进行表征建模，建立每对参数的关联关系模型，结合实飞数据实现无人机的动力***参数异常检测与告警。
Description
技术领域
本发明属于无人机技术领域，具体涉及一种基于关联参数映射的无人机动力***参数异常检测方法。
背景技术
现有无人机的异常检测方法通常包括基于模型的方法、基于知识的方法和数据驱动的方法。基于模型的异常检测方法需要能够对研究对象进行精确建模，其中包括机体模型、环境模型、传感器模型和执行机构模型等，但是，由于上述模型间的相互耦合，通常难以构建精确的模型，限制了该类方法在无人机异常检测中的应用。基于知识的异常检测方法因依赖于专家经验的丰富程度，难以快速建立，随着无人机迭代速度逐渐加快，基于知识的方法很难适应型号快速研制任务下的异常检测需求。数据驱动的方法直接利用无人机内部各设备运行状态的监测数据进行异常检测，可有效解决无人机结构复杂和任务场景不确定特性下的***行为建模难题，以及专家先验知识不足等问题。
无人机动力***是无人机唯一的动力源，是需要重点关注的设备，对于固定翼无人机，该***通常是指发动机，它有较多的物理量可以表征其健康状态，如振动、进口总温、出口总温、滑油压力、滑油温度等，对于双发无人机的发动机通常为左右对称布局，因此这些参数也是成对出现的，故可以对这些成对物理量参数的变化规律进行分析，从而发现其异常状态，提示操作人员及时进行决策处置，以规避无人机的安全风险。当前针对无人机动力***的异常检测方法大多是基于标准状态下的成对参数的残差计算阈值，并对运行过程中的飞行数据进行阈值判断的方法，这种方法依赖于专家阈值，且鲁棒性较差，很难适应外界环境变化带来的影响。因此需要一种能够反映成对参数间关联关系的方法，以适应不同应用环境中动力***参数变化规律，提高异常检测能力。
现有相关专利如CN108341072B《无人机动力***故障检测的方法、装置及无人机》，其公开了一种无人机动力***故障检测的方法，包括：S1、在无人机飞行期间，获取扰动数据；S2、判断扰动数据是否大于预设值，是则进入S3；S3、根据扰动数据调整控制信号并输出抗扰动控制信号。本发明的有益效果在于：提供一种检测方法，将动力缺失异常的情况当作外部扰动处理，得到扰动的大小和方向，从而定位故障电机，让飞控***及时改变控制分配矩阵，让余下的动力***能够保持无人机机体稳定飞行，大大降低了多旋翼无人机因动力故障造成的坠机概率。
现有专利如CN112678204B《一种针对无人机动力***硬件的健康监测方法》，其公开了一种针对无人机动力***硬件的健康监测方法，包括：S1、无人机开机，对健康监测模块进行自检，若健康监测模块自检成功则进入S2，否则对健康监测模块进行故障排查；S2、自检成功后，健康监测模块在标准运行操作时对无人机的电机转速、电池输出进行检测，得到实时电机转速数据和实时电池输出数据等；S3、将标准运行操作时的实时电机转速数据和实时电池输出数据分别与对应的标准运行操作时的阈值电机转速数据和阈值电池输出数据进行比较判断，并得到比较判断结果；S4、通过比较判断结果来映射无人机运行时的健康状态。本发明可对飞行状态下无人机动力***的硬件进行健康状态检测，通过一些简单常规动作就可检测，得到的检测数据与已有的标效参数相比较，准确且直接的得知当前电池和电机的健康状态。
通过无人机发动机关键参数检测异常属于典型的时间序列分析类任务，这类任务的传统方法包括自回归模型、支持向量回归和长短时记忆网络等。传统的回归模型鲁棒性差，难以应对外界环境的变化，易产生误检。长短时记忆网络方法是一种基于循环神经网络的深度学习方法，其预测效果较好，但参数量和计算量都较大，支持向量回归的方法会随数据集增大，消耗大量的时间和计算资源。
发明内容
为解决现有技术存在的上述问题，本发明提供一种基于关联参数映射的无人机动力***参数异常检测方法，本方法能够根据动力***成对参数间的关联关系进行异常检测与告警，提升动力***异常检测能力，降低试飞风险。
为实现上述技术效果，本申请的技术方案如下：
基于关联参数映射的无人机动力***参数异常检测方法，包括如下步骤：
步骤1).参数选择：参数包括多架次历史数据库和实时飞行数据，从中选择出能够反应动力***健康与否的参数；
步骤2).数据预处理：通过平滑滤波方法抑制参数中的噪声干扰，提升模型拟合精度；
步骤3).无人机动力***参数关系映射模型构建：完成数据预处理后，采用基于GRU的回归预测算法建立无人机动力***参数的表征模型，基于GRU的状态表征模型由两个GRU层和一个全连接层构成。
步骤4).异常检测及告警模型构建：根据无人机动力***重要参数的估计值和实际测量值进行对比，实现对于无人机实飞过程中动力***参数异常检测和告警。
进一步地，所述步骤1)中的参数具体包括：右发进口总温T2y、左发进口总温T2z、右发低压涡轮出口总温T5y、左发低压涡轮出口总温T5z、右发滑油供油压力Phy、左发滑油供油压力Phz、右发滑油供油温度Thy、左发滑油供油温度Thz。
进一步地，所述步骤2)具体为，针对步骤1)获取的参数数据进行归一化，使用滑动平均滤波方法对所有数据进行处理。
再进一步地，根据各飞行阶段的数据特征选取滑窗长度l。针对每一个参数：右发进口总温T2y、左发进口总温T2z、右发低压涡轮出口总温T5y、左发低压涡轮出口总温T5z、右发滑油供油压力Phy、左发滑油供油压力Phz、右发滑油供油温度Thy、左发滑油供油温度Thz，其定义为公式(1)：
T2y＝[T2y1,T2y2,…,T2yi,…,T2yn] (1)
T2z＝[T2z1,T2z2,…,T2zi,…,T2zn]
T5y＝[T5y1,T5y2,…,T5yi,…,T5yn]
T5z＝[T5z1,T5z2,…,T5zi,…,T5zn]
Phy＝[Phy1,Phy2,…,Phyi,…,Phyn]
Phz＝[Phz1,Phz2,…,Phzi,…,Phzn]
Thy＝[Thy1,Thy2,…,Thyi,…,Thyn]
Thz＝[Thz1,Thz2,…,Thzi,…,Thzn]
T2y1,T2y2,…,T2yi,…,T2yn为参数右发进口总温T2y中的元素，表示不同时刻的右发动机进口总温数据，T2yi表示右发进口总温T2y的第i个时刻的数据，T2yn表示右发进口总温T2y的第n个时刻的数据，下标n表示右发进口总温T2y在时间维度上的长度为n，滤波后的右发进口总温参数表示为T'2y，其他参数滤波方法相同，其滑动平均滤波可以表示为公式(2)：
滑动平均滤波处理之后需要对每个参数的所有试飞数据首尾拼接，再进行归一化处理。
更进一步地，归一化处理使用了最大最小值归一化方法，归一化后的右发进口总温表示为T”2y，其他参数的归一化方法相同，首先提取需归一化处理的参数中的最大值T'2ymax和最小值T'2ymin，之后将每个数据归一化为T”2yi，如公式(3)。
进一步地，所述步骤3)具体为：在完成数据预处理后，将右发动机参数中归一化后的右发进口总温表示为T”2y、归一化后的右发低压涡轮出口总温T”5y、归一化后的右发滑油供油压力P”hy、归一化后的右发滑油供油温度T”hy作为该模型的输入参数，则任一参数可构成模型的输入数据矩阵，为了通用化表示，采用X表示输入矩阵，如公式(4)所示。
X＝[x1,x2,…xi] (4)
其中xi表示构造的第i个时刻的输入参数，该模型的输出就是图11中对应输入参数的左发参数：归一化后的左发进口总温T”2z、归一化后的左发低压涡轮出口总温T”5z、归一化后的左发滑油供油压力P”hz、归一化后的左发滑油供油温度T”hz，为了通用化表示，采用表示输出参数，左发参数与输入飞行数据变量间的映射关系可以表示为：
其中m表示输入参数X的时间长度，TGRU(·)表示模型的左右发参数的映射关系。
再进一步地，在模型训练阶段，使用输入参数x估计输出参数再使用真实的输出参数yi对模型进行修正；
在应用阶段，将动力系传感器采集到的数据作为输入，使用公式(5)和训练好的模型对输出参数yi进行估计，得到估计参数
进一步地，所述步骤4)具体为：使用基于残差阈值和拉依达准则的方法判断，首先计算估计值与实际测量值yi在每个时刻的差值μi，则可构成向量μ：
μ＝[μ1,μ2,…,μi,…μn] (8)
之后分别使用以下公式计算该向量的均值和标准差σ，计算方法如下公式(9)和公式(10)。
根据拉依达准则，认为当估计值与实际测量值的残差落在到/>范围内时，动力***参数正常的，否则无人机动力***相关参数出现了异常。
本申请优点在于：
1、本发明根据动力***成对参数间的关联关系进行异常检测与告警，提升动力***异常检测能力，降低试飞风险。动力***常见参数包括发动机振动、进口总温、出口总温、滑油压力、滑油温度等，因此可以对这些成对的参数进行表征建模，建立每对参数的关联关系模型，结合实飞数据实现无人机的动力***参数异常检测与告警。
2、本申请是通过建立一种能够反映成对参数间关联关系的模型，以表征不同环境下动力***参数的变化规律，提高异常检测能力。通过无人机发动机关键参数检测异常属于典型的时间序列分析类任务，相比于长短时记忆网络，门控循环单元(Gate RecurrentUnit，GRU)是一种性能相近但复杂度大幅度降低的时间序列分析方法，它可以通过构建轻量级的模型，完成动力***采纳数异常检测任务。鉴于此，本专利基于GRU构建无人机动力***参数的关联参数映射模型，实现异常检测。
附图说明
图1是本方法的总体结构框图。
图2是包含噪声的原始数据。
图3是滑动平均滤波后的数据。
图4是未进行归一化的数据。
图5是经过归一化后的数据。
图6是TGRU(·)整体模型结构图。
图7是左发动机进口总温的估计结果和传感器测得的真实值示意图。
图8是左发动机进口总温的估计结果和传感器测得的真实值的残差示意图。
图9是左发动机进口总温的故障注入示意图示意图。
图10是左发动机进口总温故障注入后的残差示意图。
图11是无人机动力***参数。
图12是左发动机进口总温结果参数列表。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中，需要说明的是，术语“上”、“竖直”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
实施例1
如图1所示，基于关联参数映射的无人机动力***参数异常检测方法，包括如下步骤：
步骤1).参数选择：参数包括多架次历史数据库和实时飞行数据，从中选择出能够反应动力***健康与否的参数；
步骤2).数据预处理：通过滑动平均滤波方法抑制参数中的噪声干扰，采用归一化处理，提升模型拟合精度；
步骤3).无人机动力***参数关系映射模型构建：完成数据预处理后，采用基于GRU的回归预测算法建立无人机动力***参数的表征模型，基于GRU的状态表征模型由两个GRU层和一个全连接层构成。首先进行模型训练，再根据模型训练的结果进行推理预测。
步骤4).异常检测及告警模型构建：根据无人机动力***重要参数的估计值和实际测量值进行对比，实现对于无人机实飞过程中动力***参数异常检测和告警。
本发明根据动力***成对参数间的关联关系进行异常检测与告警，提升动力***异常检测能力，降低试飞风险。动力***常见参数包括发动机振动、进口总温、出口总温、滑油压力、滑油温度等，因此可以对这些成对的参数进行表征建模，建立每对参数的关联关系模型，结合实飞数据实现无人机的动力***参数异常检测与告警。
实施例2
如图1所示，基于关联参数映射的无人机动力***参数异常检测方法，包括如下步骤：
步骤1).参数选择：参数包括多架次历史数据库和实时飞行数据，从中选择出能够反应动力***健康与否的参数；
步骤2).数据预处理：通过平滑滤波方法抑制参数中的噪声干扰，并进行归一化处理，提升模型拟合精度；
步骤3).无人机动力***参数关系映射模型构建：完成数据预处理后，采用基于GRU的回归预测算法建立无人机动力***参数的表征模型，基于GRU的状态表征模型由两个GRU层和一个全连接层构成。
步骤4).异常检测及告警模型构建：根据无人机动力***重要参数的估计值和实际测量值进行对比，实现对于无人机实飞过程中动力***参数异常检测和告警。
进一步地，所述步骤1)中的参数具体包括：右发进口总温T2y、左发进口总温T2z、右发低压涡轮出口总温T5y、左发低压涡轮出口总温T5z、右发滑油供油压力Phy、左发滑油供油压力Phz、右发滑油供油温度Thy、左发滑油供油温度Thz。具体如图11所示，表中数据格式为“所选参数(表征字母)”，例如“右发进口总温(T2y)”表示所选参数为“右发进口总温”，用字母“T2y”表征。
进一步地，所述步骤2)具体为，所选择参数可能由于受到外部干扰影响，数据中会包含多种噪声，需采用合适的平滑滤波方法抑制噪声干扰，提升模型拟合精度。此外，由于不同飞参数据的量级不同，直接使用这样的数据进行模型训练，模型会很难收敛或收敛速度很慢，因此需要针对步骤1)获取的参数数据进行归一化，统一其量级，加快模型训练的收敛速度。为便于模型拟合，本发明使用滑动平均滤波方法对所有数据进行处理。
再进一步地，使用该方法需要根据各飞行阶段的数据特征选取滑窗长度l。针对每一个参数：右发进口总温T2y、左发进口总温T2z、右发低压涡轮出口总温T5y、左发低压涡轮出口总温T5z、右发滑油供油压力Phy、左发滑油供油压力Phz、右发滑油供油温度Thy、左发滑油供油温度Thz，其定义为公式(1)：
T2y＝[T2y1,T2y2,…,T2yi,…,T2yn] (1)
T2z＝[T2z1,T2z2,…,T2zi,…,T2zn]
T5y＝[T5y1,T5y2,…,T5yi,…,T5yn]
T5z＝[T5z1,T5z2,…,T5zi,…,T5zn]
Phy＝[Phy1,Phy2,…,Phyi,…,Phyn]
Phz＝[Phz1,Phz2,…,Phzi,…,Phzn]
Thy＝[Thy1,Thy2,…,Thyi,…,Thyn]
Thz＝[Thz1,Thz2,…,Thzi,…,Thzn]
以参数右发进口总温T2y为例，T2y1,T2y2,…,T2yi,…,T2yn为参数右发进口总温T2y中的元素，表示不同时刻的右发动机进口总温数据，T2yi表示右发进口总温T2y的第i个时刻的数据，T2yn表示右发进口总温T2y的第n个时刻的数据，下标n表示右发进口总温T2y在时间维度上的长度为n，以右发进口总温T2y为例，滤波后的右发进口总温参数表示为T'2y，其他参数滤波方法相同，其滑动平均滤波可以表示为公式(2)：
如图2所示是该滑动平均方法的示意图，左图为包含噪声的原始数据，右图为滑动平均后的数据。由图可知，该方法有效地滤除了噪声。
滑动平均滤波处理之后需要对每个参数的所有试飞数据首尾拼接，再进行归一化处理。
归一化处理使用了最大最小值归一化方法，以参数T'2y为例，归一化后的右发进口总温表示为T”2y，其他参数的归一化方法相同，首先提取需归一化处理的参数中的最大值T'2ymax和最小值T'2ymin，之后将每个数据归一化为T”2yi，如公式(3)。
如图3所示是该归一化方法的示意图，图3中的上图为未归一化的原始数据，图3中的下图为归一化后的数据，由图可知，原始数据分布在(0,20)之间，最大最小值归一化可以将所有数据的数值压缩到0到1的范围内。
所述步骤3)具体为：在完成数据预处理后，将右发动机参数中归一化后的右发进口总温表示为T”2y、归一化后的右发低压涡轮出口总温T”5y、归一化后的右发滑油供油压力P”hy、归一化后的右发滑油供油温度T”hy作为该模型的输入参数，则任一参数可构成模型的输入数据矩阵，为了通用化表示，采用X表示输入矩阵，如公式(4)所示。
X＝[x1,x2,…xi] (4)
其中xi表示构造的第i个时刻的输入参数，该模型的输出就是图11中对应输入参数的左发参数：归一化后的左发进口总温T”2z、归一化后的左发低压涡轮出口总温T”5z、归一化后的左发滑油供油压力P”hz、归一化后的左发滑油供油温度T”hz，为了通用化表示，采用表示输出参数，左发参数与输入飞行数据变量间的映射关系可以表示为：
其中m表示输入参数X的时间长度，即GRU模型的滑窗长度，TGRU(·)表示图1所示的模型的左右发参数的映射关系，TGRU(·)整体模型结构图如图4所示。图6中的tanh表示双曲正切函数，σ表示sigmoid函数，定义为：
在模型训练阶段，使用输入参数x估计输出参数再使用真实的输出参数yi对模型进行修正；
在应用阶段，将动力系传感器采集到的数据作为输入，使用公式(5)和训练好的模型对输出参数yi进行估计，得到估计参数
所述步骤4)具体为：使用基于残差阈值和拉依达准则的方法判断，首先计算估计值与实际测量值yi在每个时刻的差值μi，则可构成向量μ：
μ＝[μ1,μ2,…,μi,…μn] (8)
之后分别使用以下公式计算该向量的均值和标准差σ，计算方法如下公式(9)和公式(10)。
根据拉依达准则，认为当估计值与实际测量值的残差落在到/>范围内时，动力***参数正常的，否则无人机动力***相关参数出现了异常。
如图6所示，左上图是左发动机进口总温的估计结果，右上图是估计结果和传感器测得的真实值的残差，左下图是左发动机进口总温的故障注入示意图，右下图是故障注入后的残差。从左下和右下图中可以看出，阴影段为注入故障段，该段数据的残差均超过阈值，被检测为故障。反映模型拟合性能的参数、拉依达准则参数和异常检测性能的参数如图12所示，图12中R2体现了模型对数据的拟合能力，R2越接近1，则模型对左发动机进口总温估计能力越强，R2越接近0，则模型对左发动机进口总温估计能力越弱；RMSE体现估计结果与实测值之间的误差，RMSE越小，说明模型对左发动机进口总温估计效果越好；拉依达准则参数为左发动机进口总温的估计值与实测值的残差设定了一个范围，当残差超出了这个范围，就认为实测的左发动机进口总温数据存在异常，否则认为数据正常，拉依达准则参数中的残差均值是通过公式(8)计算出的拉依达准则参数中的残差标准差是通过公式(9)计算出的σ，拉依达准则参数中的阈值是通过/>到/>确定出的范围；图12中模型异常检测性能的准确率是指结果中被准确分类或检测的样本所占的比例，即检测准确度，越接近1越好。
由图12可知，该参数的异常检测准确率达到99.34％，可以看到左发动机进口总温异常检测的准确率很高，符合实用需求。
Claims (8)
1.基于关联参数映射的无人机动力***参数异常检测方法，其特征在于：包括如下步骤：
步骤1).参数选择：参数包括多架次历史数据库和实时飞行数据，从中选择出能够反应动力***健康与否的参数；
步骤2).数据预处理：通过平滑滤波方法抑制参数中的噪声干扰，并进行归一化处理，提升模型拟合精度；
步骤3).无人机动力***参数关系映射模型构建：完成数据预处理后，采用基于GRU的回归预测算法建立无人机动力***参数的表征模型，基于GRU的状态表征模型由两个GRU层和一个全连接层构成。
步骤4).异常检测及告警模型构建：根据无人机动力***参数的估计值和实际测量值进行对比，实现对于无人机实飞过程中动力***参数异常检测和告警。
2.根据权利要求1所述的基于关联参数映射的无人机动力***参数异常检测方法，其特征在于：所述步骤1)中的参数具体包括：右发进口总温T2y、左发进口总温T2z、右发低压涡轮出口总温T5y、左发低压涡轮出口总温T5z、右发滑油供油压力Phy、左发滑油供油压力Phz、右发滑油供油温度Thy、左发滑油供油温度Thz。
3.根据权利要求2所述的基于关联参数映射的无人机动力***参数异常检测方法，其特征在于：所述步骤2)具体为，针对步骤1)获取的参数数据进行归一化，使用滑动平均滤波方法对所有数据进行处理。
4.根据权利要求1所述的基于关联参数映射的无人机动力***参数异常检测方法，其特征在于：根据各飞行阶段的数据特征选取滑窗长度l。针对每一个参数：右发进口总温T2y、左发进口总温T2z、右发低压涡轮出口总温T5y、左发低压涡轮出口总温T5z、右发滑油供油压力Phy、左发滑油供油压力Phz、右发滑油供油温度Thy、左发滑油供油温度Thz，其定义为公式(1)：
T2y＝[T2y1,T2y2,…,T2yi,…,T2yn]
T2z＝[T2z1,T2z2,…,T2zi,…,T2zn]
T5y＝[T5y1,T5y2,…,T5yi,…,T5yn]
T5z＝[T5z1,T5z2,…,T5zi,…,T5zn]
Phy＝[Phy1,Phy2,…,Phyi,…,Phyn]
Phz＝[Phz1,Phz2,…,Phzi,…,Phzn]
Thy＝[Thy1,Thy2,…,Thyi,…,Thyn]
Thz＝[Thz1,Thz2,…,Thzi,…,Thzn] (1)
T2y1,T2y2,…,T2yi,…,T2yn为参数右发进口总温T2y中的元素，表示不同时刻的右发动机进口总温数据，T2yi表示右发进口总温T2y的第i个时刻的数据，T2yn表示右发进口总温T2y的第n个时刻的数据，下标n表示右发进口总温T2y在时间维度上的长度为n，滤波后的右发进口总温参数表示为T′2y，其他参数滤波方法相同，其滑动平均滤波可以表示为公式(2)：
滑动平均滤波处理之后需要对每个参数的所有试飞数据首尾拼接，再进行归一化处理。
5.根据权利要求4所述的基于关联参数映射的无人机动力***参数异常检测方法，其特征在于：归一化处理使用了最大最小值归一化方法，归一化后的右发进口总温表示为T″2y，其他参数的归一化方法相同，首先提取需归一化处理的参数中的最大值T′2ymax和最小值T′2ymin，之后将每个数据归一化为T″2yi，如公式(3)。
6.根据权利要求4所述的基于关联参数映射的无人机动力***参数异常检测方法，其特征在于：所述步骤3)具体为：在完成数据预处理后，将右发动机参数中归一化后的右发进口总温表示为T″2y、归一化后的右发低压涡轮出口总温T″5y、归一化后的右发滑油供油压力P″hy、归一化后的右发滑油供油温度T″hy作为该模型的输入参数，则任一参数可构成模型的输入数据矩阵，为了通用化表示，采用X表示输入矩阵，如公式(4)所示。
X＝[x1,x2,…xi]
(4)
其中xi表示构造的第i个时刻的输入参数，该模型的输出就是对应输入参数的左发参数：归一化后的左发进口总温T″2z、归一化后的左发低压涡轮出口总温T″5z、归一化后的左发滑油供油压力P″hz、归一化后的左发滑油供油温度T″hz，为了通用化表示，采用表示输出参数，左发参数与输入飞行数据变量间的映射关系可以表示为：
其中m表示输入参数X的时间长度，TGRU(·)表示模型的左右发参数的映射关系。
7.根据权利要求6所述的基于关联参数映射的无人机动力***参数异常检测方法，其特征在于：在模型训练阶段，使用输入参数x估计输出参数再使用真实的输出参数yi对模型进行修正；
在应用阶段，将动力系传感器采集到的数据作为输入，使用公式(5)和训练好的模型对输出参数yi进行估计，得到估计参数
8.根据权利要求6所述的基于关联参数映射的无人机动力***参数异常检测方法，其特征在于：所述步骤4)具体为：使用基于残差阈值和拉依达准则的方法判断，首先计算估计值与实际测量值yi在每个时刻的差值μi，则可构成向量μ：
μ＝[μ1,μ2,…,μi,…μn] (8)
之后分别使用以下公式计算该向量的均值和标准差σ，计算方法如下公式(9)和公式(10)。
根据拉依达准则，认为当估计值与实际测量值的残差落在到/>范围内时，动力***参数正常的，否则无人机动力***相关参数出现了异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311181690.0A CN117291094A (zh) | 2023-09-14 | 2023-09-14 | 基于关联参数映射的无人机动力***参数异常检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311181690.0A CN117291094A (zh) | 2023-09-14 | 2023-09-14 | 基于关联参数映射的无人机动力***参数异常检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117291094A true CN117291094A (zh) | 2023-12-26 |
Family
ID=89240065
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311181690.0A Pending CN117291094A (zh) | 2023-09-14 | 2023-09-14 | 基于关联参数映射的无人机动力***参数异常检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117291094A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5873546A (en) * | 1997-06-19 | 1999-02-23 | Sikorsky Aircraft Corporation | System and method for conducting one engine inoperative flight procedures training in a dual-engine helicopter |
| US20140117148A1 (en) * | 2012-10-29 | 2014-05-01 | Eurocopter | Method of managing an engine failure on a multi-engined aircraft having a hybrid power plant |
| CN109992916A (zh) * | 2019-04-09 | 2019-07-09 | 山东超越数控电子股份有限公司 | 一种基于飞参数据的机务外场飞机发动机故障预测方法，终端及可读存储介质 |
| CN109991956A (zh) * | 2019-04-03 | 2019-07-09 | 中国人民解放军国防科技大学 | 一种液体火箭发动机稳态故障预测方法 |
| US20190354644A1 (en) * | 2018-05-18 | 2019-11-21 | Honeywell International Inc. | Apparatuses and methods for detecting anomalous aircraft behavior using machine learning applications |
| US20200184131A1 (en) * | 2018-06-27 | 2020-06-11 | Dalian University Of Technology | A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction |
| CN111460370A (zh) * | 2020-03-11 | 2020-07-28 | 中国汽车技术研究中心有限公司 | 汽车传动***试验场关联方法、***、存储介质及设备 |
| CN112686372A (zh) * | 2020-12-28 | 2021-04-20 | 哈尔滨工业大学（威海） | 基于深度残差gru神经网络的产品性能预测方法 |
| CN115653768A (zh) * | 2022-10-27 | 2023-01-31 | 江门市大长江集团有限公司 | 摩托车双缸发动机的控制方法、装置和*** |
| CN115688609A (zh) * | 2022-12-19 | 2023-02-03 | 西北工业大学 | 一种用于航空发动机的智能推力预测及实时预警方法 |
| CN116521406A (zh) * | 2023-02-14 | 2023-08-01 | 中国人民解放军战略支援部队信息工程大学 | 一种基于残差门gru-vae模型的航空发动机未超限飞参数据异常检测方法 |
| EP4242108A1 (en) * | 2022-03-09 | 2023-09-13 | Embraer S.A. | Fail safe multi-engine turboprop airframe thermopneumatic anti-icing systems |
-
2023
- 2023-09-14 CN CN202311181690.0A patent/CN117291094A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5873546A (en) * | 1997-06-19 | 1999-02-23 | Sikorsky Aircraft Corporation | System and method for conducting one engine inoperative flight procedures training in a dual-engine helicopter |
| US20140117148A1 (en) * | 2012-10-29 | 2014-05-01 | Eurocopter | Method of managing an engine failure on a multi-engined aircraft having a hybrid power plant |
| US20190354644A1 (en) * | 2018-05-18 | 2019-11-21 | Honeywell International Inc. | Apparatuses and methods for detecting anomalous aircraft behavior using machine learning applications |
| US20200184131A1 (en) * | 2018-06-27 | 2020-06-11 | Dalian University Of Technology | A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction |
| CN109991956A (zh) * | 2019-04-03 | 2019-07-09 | 中国人民解放军国防科技大学 | 一种液体火箭发动机稳态故障预测方法 |
| CN109992916A (zh) * | 2019-04-09 | 2019-07-09 | 山东超越数控电子股份有限公司 | 一种基于飞参数据的机务外场飞机发动机故障预测方法，终端及可读存储介质 |
| CN111460370A (zh) * | 2020-03-11 | 2020-07-28 | 中国汽车技术研究中心有限公司 | 汽车传动***试验场关联方法、***、存储介质及设备 |
| CN112686372A (zh) * | 2020-12-28 | 2021-04-20 | 哈尔滨工业大学（威海） | 基于深度残差gru神经网络的产品性能预测方法 |
| EP4242108A1 (en) * | 2022-03-09 | 2023-09-13 | Embraer S.A. | Fail safe multi-engine turboprop airframe thermopneumatic anti-icing systems |
| CN115653768A (zh) * | 2022-10-27 | 2023-01-31 | 江门市大长江集团有限公司 | 摩托车双缸发动机的控制方法、装置和*** |
| CN115688609A (zh) * | 2022-12-19 | 2023-02-03 | 西北工业大学 | 一种用于航空发动机的智能推力预测及实时预警方法 |
| CN116521406A (zh) * | 2023-02-14 | 2023-08-01 | 中国人民解放军战略支援部队信息工程大学 | 一种基于残差门gru-vae模型的航空发动机未超限飞参数据异常检测方法 |
Non-Patent Citations (8)
| Title |
|---|
| 倪晋尚;: "双发动机动力***建模与仿真", 现代机械, no. 06, 31 December 2015 (2015-12-31) * |
| 房冠成;贾大鹏;刘毅飞;刘海涛;: "基于飞行参数数据挖掘的军机健康评估技术", 航空学报, no. 06, 30 November 2021 (2021-11-30) * |
| 李晓娟;曲建岭;邹文栋;邸亚洲;: "航空发动机状态参数的关联维数分析", 计算机仿真, no. 09, 15 September 2013 (2013-09-15) * |
| 李雷;谢立;张永杰;巫琴;: "数据挖掘在运载火箭智能测试中的应用", 航空学报, no. 1, 7 May 2018 (2018-05-07) * |
| 王俊;曹俊兴;尤加春;刘杰;周欣;: "基于门控循环单元神经网络的储层孔渗饱参数预测", 石油物探, no. 04, 25 July 2020 (2020-07-25) * |
| 荆竹;巩美娟;: "基于飞参数据的航空发动机故障预报研究", 电子测试, no. 02, 15 January 2020 (2020-01-15) * |
| 车畅畅;王华伟;倪晓梅;付强;: "基于改进GRU的航空发动机剩余寿命预测", 航空计算技术, no. 01, 25 January 2020 (2020-01-25) * |
| 陶文华;叶志锋;: "关系矩阵法在发动机执行机构故障检测中的应用", 航空动力学报, no. 08, 15 August 2009 (2009-08-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
| CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
| CN108197648A (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与*** | |
| CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
| CN111459144A (zh) | 一种基于深度循环神经网络的飞机飞控***故障预测方法 | |
| CN108535572B (zh) | 基于基波零序特征的计量***二次回路监测方法及装置 | |
| CN111220373A (zh) | 一种离心泵转子***故障诊断的方法 | |
| CN111103137A (zh) | 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法 | |
| Wang et al. | Weighted K-NN classification method of bearings fault diagnosis with multi-dimensional sensitive features | |
| Zhang et al. | A novel data-driven method based on sample reliability assessment and improved CNN for machinery fault diagnosis with non-ideal data | |
| CN111795819B (zh) | 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 | |
| CN114091525A (zh) | 一种滚动轴承退化趋势预测方法 | |
| CN112380782A (zh) | 一种基于混合指标和神经网络的旋转设备故障预测方法 | |
| CN112308391A (zh) | 一种基于神经网络的设备状态实时监测与异常探测方法 | |
| CN117291094A (zh) | 基于关联参数映射的无人机动力***参数异常检测方法 | |
| CN115047853B (zh) | 基于递推规范变量残差和核主元分析的微小故障检测方法 | |
| CN113126489B (zh) | 一种基于cnn-gru-binn的重型燃气轮机控制***智能bit设计方法 | |
| Zhang et al. | A flexible monitoring framework via dynamic-multilayer graph convolution network | |
| CN114137915A (zh) | 一种工业设备的故障诊断方法 | |
| Zhi-hong et al. | Sensor fault diagnosis based on wavelet analysis and LSTM neural network | |
| CN114235408A (zh) | 基于改进级联变分模态分解的轴承故障诊断方法及*** | |
| Xiaoqian | A sensor fault diagnosis algorithm for uav based on neural network | |
| CN110826690A (zh) | 一种设备状态识别方法及其***、计算机可读存储介质 | |
| CN117629636B (zh) | 一种燃机滚动轴承的健康评估、故障诊断方法及*** | |
| CN116861270B (zh) | 无人机***级健康评估方法和*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |