基于增强型时空特征融合框架和多头注意力机制分类器的无人配送飞行器故障检测方法
《ADVANCED ENGINEERING INFORMATICS》:Unmanned delivery aerial vehicles fault detection method based on enhanced spatiotemporal feature fusion framework and multi-head attention mechanism classifier
【字体:
大
中
小
】
时间:2026年01月01日
来源:ADVANCED ENGINEERING INFORMATICS 9.9
编辑推荐:
无人机故障检测方法研究|时空特征提取|多头注意力机制|解耦坐标注意力|实际飞行测试
张一欣|杨超|刘文杰|切天奇|王伟达|李宏才
北京工业大学机械工程学院,北京100081,中国
摘要
由于大型多旋翼无人驾驶运输飞行器(UDAV)具有较高的载荷能力和机动性,它们在低空运输中的应用日益增多。故障检测对于UDAV的飞行安全至关重要,因为它能够在故障恶化之前识别出潜在问题,因此成为一项备受关注的关键技术。尽管这项技术前景广阔,但仍面临从飞行数据中提取时空特征不足以及从提取的特征中捕捉故障信息困难等挑战。为了解决这些问题,本文提出了一种结合多头注意力机制的增强型时空特征提取与融合框架(ESTEF-MH)用于UDAV故障检测。首先,特征提取与融合框架引入了双向长短期记忆网络和二维卷积神经网络,从时间和空间维度提取特征,从而全面捕捉飞行信息。其次,采用解耦的坐标注意力机制来增强时空特征表示。最后,设计了一种基于多头注意力的故障分类器以实现高效的故障分类。该方法在四种执行器故障和正常条件下进行了测试,并通过三项消融实验与经典方法进行了比较。此外,还进行了实际飞行测试,结果显示准确率为84.44%,验证了该方法在真实运行环境中的可靠性和适应性。与其他方法相比,本文提出的方法在关键指标上表现更优,为飞行安全提供了可靠保障。
引言
随着低空经济的快速发展,无人驾驶飞行器(UAV)的使用量持续增加[1],其应用领域也不断扩大,涵盖了物流配送[2]、桥梁检测[3]和仓库管理[4]等方面。大型多旋翼无人驾驶运输飞行器(UDAV)凭借出色的机动性和高效的载荷能力,成为航空物流工业化的关键驱动力[5]。然而,安全性和可靠性问题日益突出。由于运输任务的高频率和城市交通环境的复杂性,UDAV的执行器容易发生故障[6],这些故障可能导致重大经济损失甚至人员伤亡。近年来,与飞机适航性管理相关的政策越来越强调数据驱动的风险监测和故障预警,使得基于飞行数据的故障检测技术成为确保飞行安全的关键工具。飞行数据包含数百个参数,如实时位置、姿态信息和控制指令等,这些数据为全面评估UDAV的飞行状态和控制效果提供了重要基础[7]。通过分析飞行数据,可以识别飞行故障并采取相应措施防止事故发生[8]。因此,研究基于飞行数据的故障检测方法对于确保UDAV的飞行安全和推进UDAV技术的发展至关重要。
近年来,研究人员在UAV飞行数据的故障检测方面进行了大量研究,这些方法大致可以分为基于知识、基于模型和数据驱动的方法[9],[10]。基于知识的方法依赖于收集的UAV数据,并结合先验知识或专家经验,构建一套系统的故障评估规则[11]。需要注意的是,这种方法需要为不同类型的UAV制定不同的评估标准,这限制了其可扩展性和通用性。基于模型的方法主要侧重于构建准确的系统模型以识别系统参数[12],[13],并通过模型估计值与实际值之间的差异来分析故障[14],[15]。这些方法可以在少量飞行数据的情况下检测故障,解决了UAV故障数据有限的问题。然而,UAV本质上是复杂的非线性系统,构建高保真模型较为困难[16],这在一定程度上限制了这些方法的适用性。
与上述两种方法相比,数据驱动的故障检测方法不依赖于专家经验或精确的UAV动态模型。相反,它们从收集的飞行数据中学习潜在关系、模式和规律来检测故障。例如,刘等人提出了一种基于高斯过程回归和核主成分分析的数据驱动发动机燃气温度(EGT)检测框架,该框架在检测EGT传感数据异常方面表现良好[17]。Brons等人将支持向量机应用于小型固定翼无人机,实现了实际环境中的实时故障检测[18]。近年来,随着计算能力和智能算法的快速发展,深度学习技术作为一种强大的数据驱动方法引起了广泛关注[19]。在这种背景下,利用深度学习技术从复杂的飞行数据中提取故障特征以实现精确故障检测已成为该领域的一个主流趋势。郭等人基于长短期记忆(LSTM)和逐步自适应检测阈值开发了一种故障检测模型,在动态飞行条件下实现了有效的UAV执行器故障检测[20]。张等人提出了一种基于混合深度域适应双向长短期记忆(Bi-LSTM)网络和汉佩尔滤波器(HDBNH)的故障检测框架,从飞行数据中提取过去和未来状态的时间特征,以在未知运行条件下检测固定翼无人机(FW-UAV)的故障[21]。另一篇论文[22]提出了一种基于传统残差分析的攻角(AOA)传感器故障检测与隔离算法,结合了简单的循环神经网络(RNN)和门控循环单元(GRU),降低了AOA传感器故障检测与隔离过程中的误报率。李等人提出了一种基于卷积神经网络(CNN)和LSTM的孪生混合神经网络框架,实现了从飞行数据中提取时空特征,并获得了良好的二元和多类故障分类结果[23]。另一篇论文[7]建立了一个包含注意力机制的多变量回归模型,使用1DCNN-BiLSTM作为时空特征提取器,能够检测不同的异常飞行状态。
上述研究考虑了利用飞行数据提取故障信息,为准确的UAV故障检测提供了宝贵见解。然而,很少有研究关注从飞行数据中提取时空特征,尽管这些特征对于准确反映飞行状态和识别故障至关重要。许多研究[20],[21],[22]侧重于使用RNN及其变体(如LSTM网络和GRU)来提取时间特征[25]。但由于这些模型的固有局限性,空间特征提取往往不够充分,导致飞行状态表示不完整,从而丢失故障信息,最终影响故障检测的准确性。尽管一些现有研究[7],[23]通过采用混合CNN-LSTM框架结合了时空特征进行UAV故障检测,但这些方法主要依赖于网络的简单串联。这种结构可能导致如果在前一个网络的输出表示中丢失了关键故障特征,后续网络难以有效提取这些信息,从而降低分类准确性。因此,集成时空表示学习的潜力尚未得到充分开发。此外,这些工作在利用一维飞行时间序列数据作为输入时,未能充分利用CNN在从二维视觉图像中提取特征方面的优势。当前的UAV故障检测主要依赖于将模拟故障注入正常飞行数据来获取故障数据集[24],[26],但这未能考虑到实际故障场景中闭环控制对飞行数据的干扰效应。与传统的机械故障(如轴承或齿轮故障[43],[44]不同,UAV的闭环飞行控制系统会在故障条件下主动调整执行器以维持所需状态。这种调整会导致非故障物理变量表现出看似异常的模式,生成与实际故障无关的伪故障特征,从而干扰故障检测模型。如上所述,实现准确故障检测的主要挑战在于从飞行数据中全面提取时空特征,并有效捕获这些特征中的真实故障信息。
目前,关于大型多旋翼UDAV故障检测的研究仍处于早期阶段,将现有的UAV故障检测方法应用于UDAV面临诸多挑战。首先,大型多旋翼UDAV通常配备了许多传感器,其传感器数据的复杂性增加了时空特征提取的难度。其次,由于UDAV的功率较大,某些执行器故障可能会被其内部控制系统的调整所掩盖,进一步增加了从时空特征中捕捉故障信息的难度。本文旨在通过从飞行数据中提取时空特征并捕获与故障相关的信息来准确检测UDAV执行器故障。本文提出了一种新颖的UDAV故障检测方法,结合了增强型时空特征提取与融合框架和多头注意力机制故障分类器(ESTEF-MH)。本文的主要贡献如下:
i)提出了一种新的双分支时空特征提取与融合框架,用于处理飞行数据。该架构并行处理双模输入数据,利用互补的网络优势同时捕捉单个传感器变量的时间关系和多参数传感器数据之间的空间关系,从而实现对飞行状态的全面和深入表示。
ii)提出了一种基于解耦坐标注意力机制(DCA)的特征增强方法,该方法将2D飞行灰度图像中的时空信息嵌入到通道注意力中以增强空间特征,并通过解耦图像的时间维度提取局部时间特征,进一步增强了时间特征。
iii)考虑到飞行控制的耦合效应,开发了一种基于多头注意力机制(MH)的故障分类器。该架构能够区分故障特征和伪故障特征,从而提高检测结果的准确性。
本文的其余部分安排如下:第二节介绍UDAV研究模型及其故障类型。第三节介绍了UDAV故障检测的具体方法。第四节描述了用于评估检测方法性能的实验方法并展示了实验结果。最后,第五节总结了本文并展望了未来的工作。
部分摘录
UDAV和故障描述
本节介绍了本研究关注的UDAV及其故障类型。详细描述了UDAV的控制系统框架,并分析了飞行数据的来源。此外,根据UDAV执行器故障的特点,建立了相应的故障模型。
提出的ESTEF-MH方法
本节详细介绍了ESTEF-MH的整体框架和实现方法。使用时间特征提取(TFE)和空间特征提取(SFE)模块分别提取飞行数据的时间和空间特征,然后通过DCA进行增强融合。接着使用MH故障分类器从时空特征中提取故障信息并进行故障分类。
结果与讨论
本节展示了使用仿真数据对ESTEF-MH框架进行训练和初步验证的结果,随后在UDAV平台上进行了实际飞行测试。比较结果证实了该方法的有效性和优势。
结论
本文提出了一种名为ESTEF-MH的方法,该方法结合了增强型时空特征融合网络和MH故障分类器,充分利用飞行数据中的故障信息,提高了UDAV执行器故障检测的准确性。首先构建了一个并行的时空特征提取与融合网络框架。TFE模块和SFE模块分别用于从UDAV飞行数据中提取时间和空间特征。随后,
作者贡献声明
张一欣:撰写——原始草案、方法论。杨超:撰写——审稿与编辑、方法论、资金获取。刘文杰:可视化、验证。切天奇:撰写——审稿与编辑、概念构思。王伟达:撰写——审稿与编辑、概念构思。李宏才:验证。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:杨超报告称获得了江苏省重大科技项目(项目编号BG2024039)的财务支持。如果还有其他作者,他们声明没有已知的可能影响本文工作的财务利益或个人关系。
致谢
本项工作得到了江苏省重大科技项目(项目编号BG2024039)的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号