-
公开(公告)号：CN117421672A
公开(公告)日：2024-01-19
申请号：CN202311393740.1
申请日：2023-10-25
Applicant: 贵州大学
IPC: G06F18/243 , G06F18/21 , G06F18/2132 , G06N3/0442 , G06N3/098
Abstract: 本发明涉及无人机故障诊断技术领域，公开了一种小样本下基于多任务学习的多级FW‑UAV故障诊断方法，包括以下步骤：S1：自飞行数据中提取与故障相关的上下游特征作为基础数据；S2：建立十字绣单元，并基于基础数据进行FCD任务特制网络和FLD任务特制网络之间的特征共享；S3：联合训练FCD任务特制网络和FLD任务特制网络，并进行整体网络优化；并获得优化后的十字绣单元；S4：分别输出FCD任务和FLD任务的故障诊断结果。本发明能够在小样本的条件下同时完成故障部件诊断任务和故障程度检测任务，任务处理精准度较高。
-
公开(公告)号：CN116821858A
公开(公告)日：2023-09-29
申请号：CN202310933522.6
申请日：2023-07-27
Applicant: 贵州大学
IPC: G06F18/27 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06F18/214 , G06F18/2413
Abstract: 本发明涉及无人机运行监测方法领域，具体涉及基于混合模型的无人机飞行数据异常检测和恢复方法，获取原始无人机飞行数据，并进行数据预处理，得到训练集和测试集；构建1D CNN‑LSTM回归模型；将预处理后的数据进行重构，将重构后的数据输入1D CNN‑LSTM回归模型得到预测值，将训练集和测试集，经过1D CNN‑LSTM回归模型的回归计算，得到训练集和测试集的预测值，基于训练集和测试集的预测值进行异常检测，以测试集的预测值作为1D CNN‑LSTM模型的恢复值。本发明能够在检测到飞行数据的异常时进行数据的准确恢复，以在异常发生后提供合理的恢复值。
-
公开(公告)号：CN115712833A
公开(公告)日：2023-02-24
申请号：CN202211449025.0
申请日：2022-11-18
Applicant: 贵州大学
IPC: G06F18/214 , G06N3/049 , G06N3/08 , G06N3/0442
Abstract: 本发明涉及无人机异常检测技术领域，公开了一种基于时空相关性的多维无人机飞行数据的无监督异常检测方法，包括以下步骤：步骤1：采集原始数据集；步骤2：预处理原始数据集，并得到标准数据集；步骤3：采用MIC相关分析法处理标准数据集，并输出得到飞行数据参数之间的关联程度值；步骤4：自标准数据集中，提取关联程度值大于第一阈值的飞行数据参数，并组成特征子集；步骤5：将特征子集作为模型输入，输入至LSTM‑AE模型中；将LSTM‑AE模型损失函数作为异常分数；步骤6：若异常分数大于第二阈值，则判定为飞行数据存在异常。本发明能够准确检测数据异常，且能够有效减少数据分析对于先验知识的依赖性，异常检测较为方便，检测有效度高。
-
公开(公告)号：CN119885038A
公开(公告)日：2025-04-25
申请号：CN202510352273.0
申请日：2025-03-25
Applicant: 贵州大学
IPC: G06F18/2433 , G06N3/0455
Abstract: 一种基于重构模型的多变量飞行数据异常检测和定位方法，包括以下步骤：数据预处理步骤：收集无人机飞行数据，将原始输入数据按预设比例划分为训练集和测试集，对数据进行归一化处理；模型构建步骤：构建基于DCANNs的神经网络重构模型；自动编码器模块通过编码器将输入数据压缩为潜在变量再由解码器将z解码回原始数据空间获得重建数据；自适应异常检测步骤：利用训练集重构残差计算异常阈值，通过比较测试集的异常分数与阈值实现异常检测；异常定位步骤：通过计算和分析残差的统计特征定位异常参数；本发明的目的解决了传统深度学习模型特征提取不充分、固定统计阈值无法适应飞行数据动态变化以及异常参数具体来源无法定位的问题。
-
公开(公告)号：CN118468454A
公开(公告)日：2024-08-09
申请号：CN202410925609.3
申请日：2024-07-11
Applicant: 贵州大学
IPC: G06F30/15 , G06F18/2411 , G06F18/214
Abstract: 本发明涉及无人机异常检测技术领域，公开了一种无人机执行器数据异常程度检测与关键参数识别方法，构建SCAE无监督混合模型；获取无人机执行器数据并进行数据预处理，得到训练数据集、验证数据集和测试数据集；利用预处理后的训练数据集对模型进行训练，得到CAE模型；将验证数据集输入至CAE模型得到阈值；将不同异常程度的异常数据分别注入测试数据集，分别形成相应的待测数据；将待测数据输入至CAE模型，得到预测结果，计算待测数据残差，通过比较待测数据残差和阈值进行不同异常程度下的异常检测；根据待测数据残差，计算无人机执行器各参数的异常贡献度，进行造成异常的关键参数识别；实现无人机执行器数据不同异常程度下的异常检测与关键参数识别。
-
Patent Agency Ranking
公开(公告)号：CN118094447B
公开(公告)日：2024-07-02
申请号：CN202410496071.9
申请日：2024-04-24
Applicant: 贵州大学
IPC: G06F18/2433 , G06F18/15 , G06F18/213 , G06F18/22 , G06F18/27 , G06N3/0464 , G06N3/0442 , G06N3/0455 , G06N3/084 , G07C5/08 , G06N3/048 , G06F123/02
Abstract: 本发明涉及无人机异常检测技术领域，公开了一种基于编码‑解码的无人机飞行数据自适应异常检测方法，包括数据重建和自适应异常检测；数据重建包括模型架构建立和模型训练；模型架构建立采用一维CNN‑BiLSTM作为特征提取器，捕捉时间特征和局部特征的基本特征数据，并引入注意力机制选择和加权基本特征数据；模型架构建立包括编码和解码；自适应异常检测包括对残差序列进行建模，并以此匹配SVR模型输入，对SVR模型进行评估测试。本发明通过一维CNN和BiLSTM，并结合注意力机制，使模型能够更好地理解数据的特征，实现更精确的数据表示，以此建立精准的数据重构模型。同时，采用自适应阈值，更好满足数据动态变化条件下的自适应异常检测。
-
公开(公告)号：CN118094447A
公开(公告)日：2024-05-28
申请号：CN202410496071.9
申请日：2024-04-24
Applicant: 贵州大学
IPC: G06F18/2433 , G06F18/15 , G06F18/213 , G06F18/22 , G06F18/27 , G06N3/0464 , G06N3/0442 , G06N3/0455 , G06N3/084 , G07C5/08 , G06N3/048 , G06F123/02
Abstract: 本发明涉及无人机异常检测技术领域，公开了一种基于编码‑解码的无人机飞行数据自适应异常检测方法，包括数据重建和自适应异常检测；数据重建包括模型架构建立和模型训练；模型架构建立采用一维CNN‑BiLSTM作为特征提取器，捕捉时间特征和局部特征的基本特征数据，并引入注意力机制选择和加权基本特征数据；模型架构建立包括编码和解码；自适应异常检测包括对残差序列进行建模，并以此匹配SVR模型输入，对SVR模型进行评估测试。本发明通过一维CNN和BiLSTM，并结合注意力机制，使模型能够更好地理解数据的特征，实现更精确的数据表示，以此建立精准的数据重构模型。同时，采用自适应阈值，更好满足数据动态变化条件下的自适应异常检测。
-
公开(公告)号：CN115934956A
公开(公告)日：2023-04-07
申请号：CN202211350006.2
申请日：2022-10-31
Applicant: 贵州大学
IPC: G06F16/36 , G06F18/25 , G06F18/22 , G06N3/0442 , G06N3/08 , G06F16/31 , G06F16/25 , G06F16/28 , G06F16/951 , G06F40/268 , G06F40/295
Abstract: 本发明涉及无人机故障诊断领域，公开了一种无人机故障诊断知识图谱的构建及应用方法；包括以下步骤：构建无人机故障异构语料库，包括获取与无人机故障相关联的原始语料，所述异构语料库支持结构化和非结构化的数据存储、集成和访问；构建本体层，包括构建本体，具体为定义实体类型、定义关系类型、和定义关系类型所属的头尾实体；在本体层的规范下在语料库中进行知识抽取并将抽取的知识进行知识融合，完成无人机故障知识图谱构建。将已有的专家知识和诊断经验整合，弥补现有诊断方法难以利用知识之间隐藏的丰富的关系问题，以便于更准确快速的对无人机故障进行诊断，提升无人机作业的可靠程度。
-
公开(公告)号：CN117520950A
公开(公告)日：2024-02-06
申请号：CN202410011767.8
申请日：2024-01-04
Applicant: 贵州大学
IPC: G06F18/2415 , G06N3/0442
Abstract: 本发明涉及无人机故障诊断技术领域，公开了一种基于注意力知识共享网络的多目标UAV故障诊断方法，包括以下步骤：步骤1，采集无人机飞行数据；步骤2，搭建AKSN网络以用于进行故障诊断；AKSN网络为基于注意力的知识共享网络；AKSN网络包括用于学习的全局特征的任务共享网络、用于完成UAV故障类型识别任务的FTI任务特制网络和用于完成故障程度识别任务的FLI任务特制网络；FTI任务特制网络和FLI任务特制网络通过任务共享网络共享特征信息；并且，FTI任务特制网络和FLI任务特制网络中均设有SE注意力模块；步骤3，由AKSN网络输出故障诊断结果。本发明能够在小样本条件下，并行完成UAV故障类型识别任务和故障程度识别任务，获取更加全面的故障信息且诊断精准。
-
公开(公告)号：CN115563569A
公开(公告)日：2023-01-03
申请号：CN202211337071.1
申请日：2022-10-28
Applicant: 贵州大学
IPC: G06F18/2433 , G06F18/214 , G06F18/22
Abstract: 本发明涉及轴承故障诊断技术领域，公开了跨不同数据集小样本迁移学习的轴承故障诊断方法，所述方法包括将故障进行分类，并将通过训练样本得到的轴承故障诊断模型按照故障种类进行分类，得到原支撑集；根据故障种类采集真实故障样本，并用真实故障样本替换原支撑集中数据，得到目标支撑集的目标故障诊断模型。用目标故障诊断模型对目标轴承进行健康状态诊断，获得轴承当前健康状态。本申请通过将故障进行分类，保证故障数据的全面性。并可通过少量的真实故障样本获得更精准的目标故障诊断模型，以此减少大量故障数据的获取过程，降低真实数据的获取难度；同时可保证数据的稳定性和有效性；从而提高诊断精准度，提升诊断结果的可靠性。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.088 seconds)
