本技術(shù)屬于無人機控制，尤其涉及一種基于深度學(xué)習(xí)的無人機數(shù)據(jù)故障識別方法及相關(guān)設(shè)備。

背景技術(shù)：

1、為了推動大型無人機的高速發(fā)展，實現(xiàn)智能自主與安全飛行，還需要克服眾多困難與挑戰(zhàn)，其中之一就是飛行數(shù)據(jù)的智能識別問題。目前，大型無人運輸機存在飛行狀態(tài)評估可靠性低、故障識別準(zhǔn)確性較低與表決不及時等問題。

2、由于無人機的系統(tǒng)結(jié)構(gòu)復(fù)雜，分系統(tǒng)設(shè)備眾多，一旦某設(shè)備發(fā)生故障，且并未及時識別該故障，就會錯過處理故障的最佳時機，導(dǎo)致故障升級從而造成飛行事故，造成無法挽回的重大損失。

3、目前無人機故障識別方法主要可以分為基于系統(tǒng)模型的方法、基于知識的方法和基于數(shù)據(jù)的方法?？紤]無人運輸機存在模型強耦合、強非線性、高動態(tài)、強不確定性等特點，基于系統(tǒng)模型的方法變得十分困難且可靠性低?；谥R的方法雖然不需要依賴精確的數(shù)學(xué)模型，但是該方法的準(zhǔn)確性很大程度上取決于知識庫的質(zhì)量，存在較大的局限性?；跀?shù)據(jù)的方法是指利用機器學(xué)習(xí)等技術(shù)對復(fù)雜多源傳感器數(shù)據(jù)進行解析，實現(xiàn)對無人機的故障識別，但常規(guī)無人機故障識別方法易受噪聲干擾，難以捕捉數(shù)據(jù)的關(guān)鍵特征，從而導(dǎo)致無人機數(shù)據(jù)故障識別的準(zhǔn)確率較低。

技術(shù)實現(xiàn)思路

1、本技術(shù)提供了一種基于深度學(xué)習(xí)的無人機數(shù)據(jù)故障識別方法及相關(guān)設(shè)備，可以解決無人機數(shù)據(jù)故障識別的準(zhǔn)確率較低的問題。

2、第一方面，本技術(shù)提供了一種基于深度學(xué)習(xí)的無人機數(shù)據(jù)故障識別方法，包括：

3、獲取目標(biāo)無人機的飛行數(shù)據(jù)；飛行數(shù)據(jù)為目標(biāo)無人機上傳感器采集的用于描述目標(biāo)無人機飛行狀態(tài)的數(shù)據(jù)信號；

4、構(gòu)建子信號提取模型，并利用禿鷲算法對子信號提取模型中的模型參數(shù)進行優(yōu)化，得到優(yōu)化后的子信號提取模型；子信號提取模型用于將數(shù)據(jù)信號分解為多個子信號，子信號用于描述數(shù)據(jù)信號的數(shù)據(jù)特征；

5、利用優(yōu)化后的子信號提取模型，提取數(shù)據(jù)信號的多個最優(yōu)子信號；

6、構(gòu)建用于進行無人機故障識別的故障識別模型，并將所有最優(yōu)子信號輸入故障識別模型，得到目標(biāo)無人機的數(shù)據(jù)信號的故障識別結(jié)果；故障識別模型包括第一自注意力層、第二自注意力層、第三自注意力層、加法層、lstm層、全連接層、softmax層以及分類層，第一自注意力層、第二自注意力層以及第三自注意力層的輸入端均用于接收多個最優(yōu)子信號，第一自注意力層、第二自注意力層以及第三自注意力層的輸出端均連接加法層的輸入端，加法層的輸出端連接lstm層的輸入端，lstm層的輸出端連接全連接層的輸入端，全連接層的輸出端連接softmax層的輸入端，softmax層的輸出端連接分類層的輸入端，分類層的輸出端輸出數(shù)據(jù)信號的故障識別結(jié)果。

7、可選的，子信號提取模型的表達(dá)式如下：

8、

9、

10、

11、其中，表示第個子信號，，表示分解的子信號的總個數(shù)，為待優(yōu)化的模型參數(shù)，表示第個子信號的中心頻率，表示拉格朗日算子，表示懲罰因子，為待優(yōu)化的模型參數(shù)，表示對時間t求偏導(dǎo)數(shù)，表示狄拉克函數(shù)，表示時間原點處的沖激信號，表示虛數(shù)單位，表示時間，表示復(fù)指數(shù)，表示原始信號，表示正則化參數(shù)，表示第個子信號在頻域的表示，，表示第個子信號在第次迭代中的頻域表示，，表示迭代次數(shù)，表示原始信號的頻域表示，表示正則化參數(shù)的頻域表示，表示頻率，表示第次迭代的模態(tài)的中心頻率，表示微分。

12、可選的，利用禿鷲算法對子信號提取解模型中的模型參數(shù)進行優(yōu)化，包括：

13、步驟i，構(gòu)建懲罰因子和子信號的總個數(shù)對應(yīng)的初始種群；初始種群包括多個種群個體，每個種群個體為和組成的行向量，不同種群個體對應(yīng)的行向量互不相同；

14、步驟ii，分別計算初始種群中每個種群個體的適應(yīng)度值，并根據(jù)適應(yīng)度值，從多個種群個體中確定參與計算的最優(yōu)個體；

15、步驟iii，計算最優(yōu)個體的饑餓率，根據(jù)饑餓率確定初始種群的個體更新策略，并根據(jù)個體更新策略對初始種群進行更新，得到中間種群；個體更新策略包括第一個體更新策略、第二個體更新策略以及第三個體更新策略，不同個體更新策略對應(yīng)的饑餓率范圍互不相同；

16、步驟iv，若中間種群滿足預(yù)設(shè)更新終止條件，則將中間種群中最優(yōu)個體對應(yīng)的模型參數(shù)作為最優(yōu)模型參數(shù)，根據(jù)最優(yōu)模型參數(shù)對子信號提取模型進行優(yōu)化，得到優(yōu)化后的子信號提取模型；否則，將中間種群作為步驟ii中的初始種群，返回執(zhí)行步驟ii。

17、可選的，若饑餓率的絕對值大于1，則確定采用第一個體更新策略對初始種群進行更新；若饑餓率的絕對值小于1，且饑餓率的絕對值大于0.5，則確定采用第二個體更新策略對初始種群進行更新；若饑餓率的絕對值小于0.5，則確定采用第三個體更新策略對初始種群進行更新；

18、采用第一個體更新策略對初始種群進行更新，包括：

19、分別針對初始種群中的每個種群個體，通過計算公式

20、?；

21、得到種群個體更新后的位置；其中，表示種群代數(shù)，表示第代種群的最優(yōu)個體，表示種群個體與最優(yōu)個體之間的距離，f表示饑餓率，表示0至1之間的隨機數(shù)，表示探索階段選擇不同更新策略的概率，表示介于0到1之間的隨機數(shù)，表示尋優(yōu)的上邊界，表示尋優(yōu)的下邊界，表示介于0到2之間的隨機數(shù)，表示種群個體更新前的位置；

22、采用第二個體更新策略對初始種群進行更新，包括：

23、分別針對初始種群中的每個種群個體，通過計算公式

24、

25、得到種群個體更新后的位置；其中，表示介于0到1之間的隨機數(shù)，表示當(dāng)前個體與當(dāng)前迭代過程中所選擇參與計算的最優(yōu)個體之間的距離，表示開發(fā)第一階段選擇不同更新策略的概率，和均表示中間參數(shù)。

26、采用第三個體更新策略對初始種群進行更新，包括：

27、分別針對初始種群中的每個種群個體，通過計算公式

28、

29、得到種群個體更新后的位置；其中，表示和均表示中間參數(shù)，表示0至1之間的隨機數(shù)，表示開發(fā)第二階段選擇不同更新策略的概率，表示當(dāng)前種群中的最優(yōu)個體，表示當(dāng)前種群中的次優(yōu)個體，表示萊維飛行策略，表示優(yōu)化變量的維度，表示介于0到1之間的隨機數(shù)，表示參數(shù)，表示可調(diào)節(jié)參數(shù)，默認(rèn)值為1.5。

30、第二方面，本技術(shù)提供了一種基于深度學(xué)習(xí)的無人機數(shù)據(jù)故障識別裝置，包括：

31、數(shù)據(jù)獲取模塊，用于獲取目標(biāo)無人機的飛行數(shù)據(jù)；飛行數(shù)據(jù)為目標(biāo)無人機上傳感器采集的用于描述目標(biāo)無人機飛行狀態(tài)的數(shù)據(jù)信號；

32、模型構(gòu)建模塊，用于構(gòu)建子信號提取模型，并利用禿鷲算法對子信號提取模型中的模型參數(shù)進行優(yōu)化，得到優(yōu)化后的子信號提取模型；子信號提取模型用于將數(shù)據(jù)信號分解為多個子信號，子信號用于描述數(shù)據(jù)信號的數(shù)據(jù)特征；

33、信號分解模塊，用于利用優(yōu)化后的子信號提取模型，提取數(shù)據(jù)信號的多個最優(yōu)子信號；

34、故障識別模塊，用于構(gòu)建用于進行無人機故障識別的故障識別模型，并將所有最優(yōu)子信號輸入故障識別模型，得到目標(biāo)無人機的數(shù)據(jù)信號的故障識別結(jié)果；故障識別模型包括第一自注意力層、第二自注意力層、第三自注意力層、加法層、lstm層、全連接層、softmax層以及分類層，第一自注意力層、第二自注意力層以及第三自注意力層的輸入端均用于接收多個最優(yōu)子信號，第一自注意力層、第二自注意力層以及第三自注意力層的輸出端均連接加法層的輸入端，加法層的輸出端連接lstm層的輸入端，lstm層的輸出端連接全連接層的輸入端，全連接層的輸出端連接softmax層的輸入端，softmax層的輸出端連接分類層的輸入端，分類層的輸出端輸出數(shù)據(jù)信號的故障識別結(jié)果。

35、第三方面，本技術(shù)提供了一種終端設(shè)備，包括存儲器、處理器以及存儲在存儲器中并可在處理器上運行的計算機程序，處理器執(zhí)行計算機程序時實現(xiàn)上述的基于深度學(xué)習(xí)的無人機數(shù)據(jù)故障識別方法。

36、第四方面，本技術(shù)提供了一種計算機可讀存儲介質(zhì)，計算機可讀存儲介質(zhì)存儲有計算機程序，計算機程序被處理器執(zhí)行時實現(xiàn)上述的基于深度學(xué)習(xí)的無人機數(shù)據(jù)故障識別方法。

37、本技術(shù)的上述方案有如下的有益效果：

38、本技術(shù)提供的基于深度學(xué)習(xí)的無人機數(shù)據(jù)故障識別方法，通過構(gòu)建子信號提取模型，對子信號提取模型進行優(yōu)化，再利用優(yōu)化后的子信號提取模型提取飛行數(shù)據(jù)的最優(yōu)子信號，可以提高最優(yōu)子信號提取的準(zhǔn)確性，并降低多個子信號帶來的噪聲的干擾，從而提高無人機故障識別的準(zhǔn)確性；構(gòu)建的故障識別模型基于最優(yōu)子信號進行故障識別，能夠輸出準(zhǔn)確的無人機數(shù)據(jù)故障識別結(jié)果。

39、本技術(shù)的其它有益效果將在隨后的具體實施方式部分予以詳細(xì)說明。