多旋翼无人机实时剩余使用寿命预测方法和系统

1.本发明涉及机器学习技术领域，尤其是涉及一种多旋翼无人机实时剩余使用寿命预测方法和系统。


背景技术：

2.多旋翼无人机具备垂直起降和空中悬停的能力、有效载荷携带能力、自主飞行或遥控飞行能力，飞行方式灵活多变。以上独特优势使其广泛应用于农业交通等民用领域，同时其能够在低空、狭窄和恶劣的空间环境中较为随意的切换多种飞行模式，具有巨大的军事应用潜力。面对多变的战场态势，高机动多旋翼无人机需要克服复杂扰动，物理限制和飞行约束等困难，保证在多种工况中的快速响应能力。为了能最大限度利用多旋翼无人机的执行任务能力，飞行剩余使用寿命是飞行任务规划和剩余飞行能力评估的必要衡量标准。飞行耐久性与无人机总质量直接相关，因此高能量密度的锂聚合物(li-po)电池通常作为电源以驱动高机动多旋翼，li-po电池剩余使用寿命(remaining useful life，rul)预测吸引了各界专家的关注，成为无人机故障预测与健康管理(phm)领域的研究热点。
3.li-po电池的rul是不可直接观测和测量的变量，必须通过间接部分相关测量得到，使得其估算和预测存在较高的不确定性，导致飞行计划高度保守，不利于高机动无人机的打击能力利用。电池的驱动能力具有温度依赖性和电力负载依赖性，rul与电池电压、放电电流、负载载荷、温度和飞行方式有关。现有的rul预测技术主要分为两种，基于统计建模的方法和基于机器学习的方法。前者如贝叶斯估计方法，虽然能较为充分的运用先验信息，但对基于系统退化机理的预估模型高度依赖，而电池放电过程本身难以通过可解数学模型精确建模其概率分布，高机动无人机的强耦合性和强非线性进一步加大了模型的不准确性。后者中又包括经典机器学习方法和深度学习方法。
4.经典机器学习方法如支持向量机、随机森林，通过先进的数据处理技术和强悍的算法技术使数据训练出性能最优的分类器，但数据特征提取过程因高精度需求往往十分繁琐费时，不利于进行在线规划等实时任务。在深度学习方法的领域中，学者多利用循环神经网络(rnn)作为序列数据处理的基础框架，开发了门控循环单元(gru)和长短时记忆网络(lstm)等前沿水平基线方法。但这些方法都基于顺序处理序列，不能进行序列到序列的预测。


技术实现要素：

5.有鉴于此，本发明的目的在于提供一种多旋翼无人机实时剩余使用寿命预测方法和系统，以缓解目前数据驱动的无人机剩余使用寿命预测方法中剩余使用寿命预测偏差较大、实时性较差和不能进行序列预测的技术问题。
6.第一方面，本发明实施例提供了一种多旋翼无人机实时剩余使用寿命预测方法，包括：基于多旋翼无人机的多传感器数据和目标外部因素，构建多层次融合transformer模型；所述多层次融合transformer模型的观测编码器包括多尺度特征提取层；所述多尺度特
征提取层用于基于预设挖掘算子对所述多传感器数据进行卷积计算得到时间特征向量；所述多层次融合transformer模型的预测解码器包括嵌入所述目标外部因素的输入张量的解码器注意力层；所述目标外部因素包括所述多旋翼无人机的负载重量、飞行速度和环境温度；基于预设训练数据集对所述多层次融合transformer模型进行训练，得到训练之后的多层次融合transformer模型；利用所述训练之后的多层次融合transformer模型对所述多旋翼无人机的剩余使用寿命进行预测。
7.进一步地，基于多旋翼无人机的多传感器数据和目标外部因素，构建多层次融合transformer模型，包括：通过在预设transformer模型的观测编码器中，添加所述多尺度特征提取层，构建所述多层次融合transformer模型的观测编码器；所述多尺度特征提取层，还用于通过所述预设挖掘算子，沿时间维度对所述多传感器数据进行一维卷积计算，得到时间特征向量；通过在所述预设transformer模型的预测解码器中，添加嵌入所述目标外部因素的输入张量的解码器注意力层，构建所述多层次融合transformer模型的预测解码器。
8.进一步地，所述预设挖掘算子为m(
·
；θ)；θ：＝(k，p)决定挖掘尺度，k表示内核大小，p表示填充大小；每个尺度中同时设置d个预设挖掘算子；d为所述多传感器数据的维度。
9.进一步地，所述预设训练数据集包括：预测数据集和观测数据集；基于预设训练数据集对所述多层次融合transformer模型进行训练，包括：基于所述预设训练数据集，利用目标损失函数对所述多层次融合transformer模型进行训练；所述目标损失函数包括：目标损失函数对所述多层次融合transformer模型进行训练；所述目标损失函数包括：目标损失函数对所述多层次融合transformer模型进行训练；所述目标损失函数包括：为网络预测输出，为所述剩余使用寿命的标签值，pairwisedistance()为像素级欧姆距离。
10.第二方面，本发明实施例还提供了一种多旋翼无人机实时剩余使用寿命预测系统，包括：构建模块，训练模块和预测模块；其中，所述构建模块，用于基于多旋翼无人机的多传感器数据和目标外部因素，构建多层次融合transformer模型；所述多层次融合transformer模型的观测编码器包括多尺度特征提取层；所述多尺度特征提取层用于基于预设挖掘算子对所述多传感器数据进行卷积计算得到时间特征向量；所述多层次融合transformer模型的预测解码器包括嵌入所述目标外部因素的输入张量的解码器注意力层；所述目标外部因素包括所述多旋翼无人机的负载重量、飞行速度和环境温度；所述训练模块，用于基于预设训练数据集对所述多层次融合transformer模型进行训练，得到训练之后的多层次融合transformer模型；所述预测模块，用于利用所述训练之后的多层次融合transformer模型对所述多旋翼无人机的剩余使用寿命进行预测。
11.进一步地，所述多层次融合transformer模型包括观测编码器；所述观测编码器包括：多头自注意力层，剩余连接层，前馈全连接层，剩余连接层和所述多尺度特征提取层；所述多尺度特征提取层，还用于通过所述预设挖掘算子，沿时间维度对所述多传感器数据进行一维卷积计算，得到时间特征向量。
12.进一步地，所述多层次融合transformer模型还包括预测解码器；所述预测解码器包括：多头自注意力层，剩余连接层，前馈全连接层，剩余连接层，编码器解码器注意力层和嵌入所述目标外部因素的输入张量的解码器注意力层。
13.进一步地，所述预设训练数据集包括：预测数据集和观测数据集；所述训练模块，
还用于：基于所述预设训练数据集，利用目标损失函数对所述多层次融合transformer模型进行训练；所述目标损失函数包括：训练；所述目标损失函数包括：训练；所述目标损失函数包括：为网络预测输出，为所述剩余使用寿命的标签值，pairwisedistance()为像素级欧姆距离。
14.第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法的步骤。
15.第四方面，本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行上述第一方面所述方法。
16.本发明实施例提供一种多旋翼无人机实时剩余使用寿命预测方法和系统，考虑了多旋翼无人机在边缘状态的输入饱和对剩余飞行时间的影响，利用transformer模型网络进行多传感器数据特征层融合减弱对单一放电电压信号的依赖，大大增加多种飞行机动情况下的预测精度和速度；以及transformer模型通过注意力机制并行的处理输入数据，加快了处理速度，增强了时序特征表征并能够处理部分缺失的观测数据；同时在transformer模型的基础上，增加多尺度处理机制以精细时间特征的处理表征，进一步添加多级嵌入层为transformer模型网络添加外部影响因素以解决对预定飞行计划的可行性评估，缓解了目前数据驱动的无人机剩余使用寿命预测方法中剩余使用寿命预测偏差较大、实时性较差和不能进行序列预测的技术问题。
附图说明
17.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
18.图1为本发明实施例提供的一种多旋翼无人机实时剩余使用寿命预测方法的流程图；
19.图2为本发明实施例提供的一种单次剩余使用寿命预测结果对比图；
20.图3为本发明实施例提供的一种多层次融合transformer模型的序列剩余使用寿命预测结果示意图；
21.图4为本发明实施例提供的一种多旋翼无人机实时剩余使用寿命预测系统的示意图；
22.图5为本发明实施例提供的一种多层次融合transformer模型的结构示意图。
具体实施方式
23.下面将结合附图对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
24.实施例一：
25.图1是根据本发明实施例提供的一种多旋翼无人机实时剩余使用寿命预测方法的流程图。如图1所示，该方法具体包括如下步骤：
26.步骤s102，基于多旋翼无人机的多传感器数据和目标外部因素，构建多层次融合transformer模型。
27.其中，多层次融合transformer模型的观测编码器包括多尺度特征提取层；多尺度特征提取层用于基于预设挖掘算子对多传感器数据进行卷积计算得到时间特征向量。
28.多层次融合transformer模型的预测解码器包括嵌入目标外部因素的输入张量的解码器注意力层；目标外部因素包括多旋翼无人机的负载重量、飞行速度和环境温度。
29.步骤s104，基于预设训练数据集对多层次融合transformer模型进行训练，得到训练之后的多层次融合transformer模型。
30.步骤s106，利用训练之后的多层次融合transformer模型对多旋翼无人机的剩余使用寿命进行预测。
31.本发明实施例提供一种多旋翼无人机实时剩余使用寿命预测方法，考虑了多旋翼无人机在边缘状态的输入饱和对剩余飞行时间的影响，利用transformer模型网络进行多传感器数据特征层融合减弱对单一放电电压信号的依赖，大大增加多种飞行机动情况下的预测精度和速度；以及transformer模型通过注意力机制并行的处理输入数据，加快了处理速度，增强了时序特征表征并能够处理部分缺失的观测数据；同时在transformer模型的基础上，增加多尺度处理机制以精细时间特征的处理表征，进一步添加多级嵌入层为transformer模型网络添加外部影响因素以解决对预定飞行计划的可行性评估，缓解了目前数据驱动的无人机剩余使用寿命预测方法中剩余使用寿命预测偏差较大、实时性较差和不能进行序列预测的技术问题。
32.在本发明实施例中，可以通过获取实验数据的方式获取多旋翼无人机的多传感器数据，也可以通过仿真模拟的方式获取多旋翼无人机的多传感器数据。
33.优选地，本发明实施例通过仿真模拟的方式获取多旋翼无人机的多传感器数据。具体的，基于考虑扰动的高精度四旋翼动力机构数学模型和考虑温度影响的锂离子电池放电状态方程构建仿真模型，通过四旋翼无人机在特定飞行速度、飞行方式、飞行环境温度中的真实飞行数据拟合得到仿真模型参数。
34.建立螺旋桨气动模型(包括螺旋桨推力t和螺旋桨力矩m)：
[0035][0036]
式中，n为螺旋桨转速，为空气密度，其中h为飞行高度，t
t
为环境温度，c
t
为螺旋桨推力系数，cm为螺旋桨力矩系数，d
p
为桨叶直径。
[0037]
建立电机模型：
[0038]
[0039]
式中，um为电机等效电压，im为电机等效电流，m为电机负载转矩，n为电机转速(即螺旋桨转速)，θm为电机基本参数。
[0040]
建立电子调速器模型：
[0041][0042]
式中，θe，θb分别为电调基本参数和电池基本参数，σ为电调输入油门，ue为电调输入电压，ie为电调输入电流。
[0043]
建立电池模型的状态转移方程如下：
[0044][0045]
式中，r
int
为电池内阻，soc为放电状态，e
crit
为初始电池总能量，p为消耗功率，k为采样时间，ω为过程噪声。量测方程建立如下：
[0046]
v(k)＝v
oc
(k)-i(k)
·
r(k)(k)
int
[0047]
式中，v
oc
为开路电压，i为放电电流，η为量测噪声。
[0048]
消耗功率主要由无人机飞行方式和飞行速度所决定，建立四旋翼能量消耗模型为悬停状态下：
[0049][0050]
爬升状态下：
[0051][0052]
下降状态下：
[0053][0054]
平飞状态下：
[0055][0056]
其中，w为无人机总重量，a
t
为旋翼总面积，vc、vd、v
hor
为各种飞行方式下的速度。ηc、ηd、η
hor
为各种飞行方式下的效率因子，v
hor
为平飞时的诱导速度，av为攻角，他们随飞行速度的变化趋势可以通过实际飞行线性拟合得到。
[0057]
基于以上状态空间方程，应用粒子滤波算法得到高精度的电池放电失效模型。在滤波估计得到的电池电压基础上，进一步考虑温度对电池放电造成的影响：
[0058]
v＝(v
oc-θ1(i-i
std
))
·
exp(θ2·
sign(t
t-t
std
)
·
||t
t-t
std
||2)
[0059]
式中，θ1，θ2为温度模型参数，i
std
，t
std
为基线状态下的放电电流和温度。
[0060]
运行构建完成的高精度仿真模型获得多传感器数据，具体包括：电池电压、放电电流、电机油门和放电状态(soc)等，其中soc由放电电流积分间接得到。每次仿真初始soc都有小程度的随机下降以模拟初始电量损耗，当运行至下列两个条件中满足其一时(即无人机剩余使用寿命为0时)仿真停止：(1)电池电压下降到截止电压；(2)无人机悬停时油门超过由最小姿控能力限制的最大油门。四旋翼无人机总重量(空载重量+负载重量)、环境温度和飞行速度取自动控制程序的设定值以模拟实际飞行中的预设遥控值和天气预报数据，作为未来突变的外部因素信号输入预测网络。
[0061]
在获得仿真数据后，需要进行预测目标标签构建。四旋翼无人机的rul曲线随着仿真条件的不同而变化，因系统劣化在单次飞行过程中影响非常轻微而忽略不计，利用线性下降的赋值方法自适应生成rul数据作为预测标签：rul(t)＝min({t|{σ
hover
(t)≥σ
max
}∪{t|u(t)≤u
thr
}})。其中σ
hover
为悬停油门，σ
max
为最大油门上限(输入饱和值)，u
thr
为截止电压。
[0062]
从形式上来说，对于第i次飞行，以t
sld
的间隔截取获取到的数据分别构建由多传感器信号组成的观测数据集感器信号组成的观测数据集由rul标签值的增量和rul预测开始时刻初始值组成的预测数据集由外部因素信号组成的外部输入数据集入数据集各组数据集的大小都为原始数据在经过z-score标准化后，被按照一定比例划分训练集、验证集和测试集。
[0063]
可选地，步骤s102还包括：
[0064]
通过在预设transformer模型的观测编码器中，添加多尺度特征提取层，构建多层次融合transformer模型的观测编码器；多尺度特征提取层，还用于通过预设挖掘算子，沿时间维度对多传感器数据进行一维卷积计算，得到时间特征向量。
[0065]
可选地，预设挖掘算子为m(
·
；θ)；θ：＝(k，p)决定挖掘尺度，k表示内核大小，p表示填充大小；每个尺度中同时设置d个预设挖掘算子；d为多传感器数据的维度。
[0066]
通过在预设transformer模型的预测解码器中，添加嵌入目标外部因素的输入张量的解码器注意力层，构建多层次融合transformer模型的预测解码器。
[0067]
在本发明实施例中，在获得了输入数据后，通过线性投影将原输入数据映射至高维特征空间实现分布式表达，便于多层次融合tf(即多层次融合transformer模型)处理输入特征：
[0068][0069]
其中f
linear
为线性投影层，w
x
为系数矩阵。对应的，第i次飞行t时刻的输出是d维向量将通过以上反变换将其重新投影回预测空间维度，从而实现rul预测数据嵌入。
[0070]
tf通过注意力机制兼顾不同时刻数据间和不同数据特征间的相关性，实现了多传感器数据的特征层融合，但其并行计算机制对时序特征并不敏感。为了解决以上问题，“位置编码”操作被应用于对每个历史和未来时刻进行编码，为每个待嵌入数据加盖对应时间戳
[0071][0072]
其中，时间戳定义为：
[0073][0074]
确保其在10000个时间步内的唯一性。
[0075]
高机动四旋翼(即本发明实施例中的多旋翼无人机)在搭载极限重量负载或处于极限温度环境下时，极有可能在起飞过程中就因输入达到饱和或驱动电压降低至截止电压水平而失控，导致坠毁。为了缩短起飞伊始的预测空白期，tf网络被期望能够利用尽可能少的观测数据达到预期预测效果。在这种情况下，观测数据的时间信息有限，本发明实施例受深度森林中多粒度扫描的思想的启发，构建多尺度特征提取机制并与tf编码器结合以精细时间通道，深度挖掘嵌入多传感器数据的时序信息。
[0076]
具体的，多层次融合transformer模型得到上述嵌入的多传感器输入经过挖掘算子m(
·
；θ)沿时间维度对输入张量执行1d卷积计算。其中，θ：＝(k，p)决定挖掘尺度，k表示内核大小，p表示填充大小。对于特定的s个尺度，挖掘算子分别在每个尺度上处理输入张量得到拥有时间维度为的张量，每个尺度中同时设置d个挖掘算子以保证多传感器特征维度。在时间特征被多尺度细化以后，选取精英特征作为最终处理结果：
[0077][0078]
需要说明的是，上式限制了k和p的对应关系：
[0079]
本发明实施例所构建的多层次融合transformer模型中，除了嵌入的多尺度特征提取层之外，观测编码器和预测解码器都由多个拥有注意力机制的基本层组成，每个基本层拥有三个组成部分：多头自注意力层、前馈全连接层和两个剩余连接层。
[0080]
具体的，多头自注意力层通过h个自注意力模块并行计算实现，对于j个自注意力模块，可训练的超参数查询向量关键点向量关键点向量和价值向量分别由查询矩阵wq，关键点矩阵wk和价值矩阵wv决定并一同构成了注意力的权值计算机制：
[0081][0082]
式中，dk＝d/h为超参数矩阵的维度在每个自注意力模块计算完成后，平行注意计算被应用于实现来自不同表征子空间的信息整合：
[0083][0084]
式中，wa为注意力矩阵，concat(
·
)为张量拼接。前馈全连接模块由线性变换和relu激活函数组成，以相同的权值作用与每个观测时间步：
[0085][0086]
其中，和为系数矩阵。
[0087]
由锂离子电池放电失效状态空间方程和寿命终止条件可知，rul还受到众多外部因素的影响，包括负载重量、飞行速度和环境温度。这些影响因素都表现为突变信号，无征兆的特点导致其对剩余使用寿命的影响不可预测，无法匹配预测未来一段时间内的高机动飞行能力的需求。
[0088]
为了使tf网络能够考虑rul时间序列和突变外部因子间的强烈相关性，本发明实施例通过在解码器阶段加入外部-解码器注意力层实现外部因素的嵌入融合。
[0089]
观测编码器的目的在于为多传感器嵌入信号创建时间序列表示，从而赋予tf网络以记忆力，同时其经过训练后的关键点向量k
enc
和价值向量v
enc
，将被共享至解码器层级。外部因素可以视作和多传感器观测值相似的特征，只不过处于不同的时序空间，未来可知性使其直接作用于预测时间段，所以将多传感器数据的处理应用于外部因素输入张量γ
ext
得到到为了防止预知信息改变tf网络对历史观测的注意力，选择在解码器嵌入阶段而非编码器-解码器注意阶段进行特征耦合更新：
[0090][0091]
经过上述多级编码器将学习到的潜在表征反馈至tf网络，增强了外部因素的重要性及网络对其的相关注意力。
[0092]
可选地，在本发明实施例中，预设训练数据集包括：预测数据集和观测数据集；基于预设训练数据集对多层次融合transformer模型进行训练，包括：
[0093]
基于预设训练数据集，利用目标损失函数对多层次融合transformer模型进行训练；
[0094]
目标损失函数包括：
[0095][0096]
为网络预测输出，为剩余使用寿命的标签值，pairwisedistance()为像素级欧姆距离。
[0097]
在本发明实施例中，高机动无人机的剩余使用寿命预测算法通过离线训练多层次融合transformer模型学习rul随锂电池放电失效、外部因素和多传感器数据的非线性变化规律，训练好的模型将直接应用于在线预测阶段，在高机动无人机在各种复杂飞行过程中实现精准的实时的剩余使用寿命预测。在离线训练过程中，反向传播算法利用adam优化器最小化误差实现非线性拟合。
[0098]
为了清晰的描述本发明的目的和技术方案，结合以下仿真实例对本发明进行进一步详细说明。
[0099]
应用实例通过四旋翼无人机的多飞行方式、变化飞行速度、变化负载重量的正常飞行实验和电池温度实验箱实验对本发明实施例中建立的仿真模型进行参数拟合和设置。四旋翼无人机机架轴距为550mm，空载重量为1.357kg，以30℃，120m的正常飞行为基线情况；电池采用5100mah 8c锂聚合物电池，电池内阻为27mω，截止电压为10.3v；采用t-motor的air gear 350kv920型号电机，并配备2副t-motor t9545-b螺旋桨和4个t-motor air 20a电调。高机动四旋翼仿真系统利用pid实现自动控制，并考虑离地面较近时的地面效应、阵风扰动和传感器噪声。无人机负载重量范围在0.5kg以内，飞行空间设置为1000m
×
1000m
×
200m，平飞速度为v
hor，x
∈[-8，8]m/s，v
hor，y
∈[-8，8]m/s，最大下降速度v
d，max
＝2m/s，最大爬升速度v
c，max
＝4.5m/s，最大油门为0.95。温度变化范围为t∈[0，60]℃。通过采样时间为1s的仿真实验获得不同外部影响因素情况下四种飞行方式共850次飞行数据。根据真实数据和实际需求，预测算法需要通过32s的观测多传感器数据预测未来48s的rul，所以以长度为80s的滑动时间窗和80s的滑动距离截取850次飞行数据组成原始数据集。多传感器观测输入维度为32
×
7，外部因素输入维度为48
×
5，rul预测输入和输出维度都为48
×
2。
[0100]
能够实现高精度和实时的预测要求的多层次融合transformer模型参数设置为d＝512，多尺度挖掘因子选取k＝1，3，5三个尺度，对应的填充大小p＝0，1，2，编码器和解码器都由6个基本层组成，每个多头自注意力模块都有8个注意力头。模型训练时，批大小设置为80，最大迭代次数为30次，训练集和测试集大小设置为3∶1：1。adam优化器参数设置为β1＝0.9，β2＝0.98，ε＝10-9
。实验结果表明，所提出的多层次融合transformer模型能够快速的进行高精度的剩余使用寿命预测，平均预测时间为0.017029s，训练集误差收敛至0.1296，验证集平均绝对偏差(mad)收敛至24.20，测试集mad收敛至24.68。在进行下一时刻的剩余使用寿命预测时(单点预测)和未来一段时间的剩余使用寿命预测时(序列预测)都比lstm和transformer有更好的效果。
[0101]
进一步使用多层次融合transformer对某次四旋翼飞行器高机动飞行进行剩余飞行寿命预测，预测误差为58.4723，低于transformer的61.3311，且在各种飞行状态下都能更加合理的预测剩余使用寿命变化趋势。具体预测结果如图2、图3所示。其中，图2为根据本发明实施例提供的一种单次剩余使用寿命预测结果对比图，图3为根据本发明实施例提供的一种多层次融合transformer模型的序列剩余使用寿命预测结果示意图。
[0102]
实施例二：
[0103]
图4是根据本发明实施例提供的一种多旋翼无人机实时剩余使用寿命预测系统的示意图。如图4所示，该系统包括：构建模块10，训练模块20和预测模块30。
[0104]
具体的，构建模块10，用于基于多旋翼无人机的多传感器数据和目标外部因素，构建多层次融合transformer模型。
[0105]
其中，多层次融合transformer模型的观测编码器包括多尺度特征提取层；多尺度特征提取层用于基于预设挖掘算子对多传感器数据进行卷积计算得到时间特征向量；多层次融合transformer模型的预测解码器包括嵌入目标外部因素的输入张量的解码器注意力层；目标外部因素包括多旋翼无人机的负载重量、飞行速度和环境温度。
[0106]
训练模块20，用于基于预设训练数据集对多层次融合transformer模型进行训练，得到训练之后的多层次融合transformer模型。
[0107]
预测模块30，用于利用训练之后的多层次融合transformer模型对多旋翼无人机的剩余使用寿命进行预测。
[0108]
可选地，预设训练数据集包括：预测数据集和观测数据集；训练模块，还用于：
[0109]
基于预设训练数据集，利用目标损失函数对多层次融合transformer模型进行训练；
[0110]
目标损失函数包括：
[0111][0112]
为网络预测输出，为剩余使用寿命的标签值，pairwisedistance()为像素级欧姆距离。
[0113]
本发明实施例提供一种多旋翼无人机实时剩余使用寿命预测系统，考虑了多旋翼无人机在边缘状态的输入饱和对剩余飞行时间的影响，利用transformer模型网络进行多传感器数据特征层融合减弱对单一放电电压信号的依赖，大大增加多种飞行机动情况下的预测精度和速度；以及transformer模型通过注意力机制并行的处理输入数据，加快了处理速度，增强了时序特征表征并能够处理部分缺失的观测数据；同时在transformer模型的基础上，增加多尺度处理机制以精细时间特征的处理表征，进一步添加多级嵌入层为transformer模型网络添加外部影响因素以解决对预定飞行计划的可行性评估，缓解了目前数据驱动的无人机剩余使用寿命预测方法中剩余使用寿命预测偏差较大、实时性较差和不能进行序列预测的技术问题。
[0114]
可选地，图5为根据本发明实施例提供的一种多层次融合transformer模型的结构示意图。如图5所示，多层次融合transformer模型包括观测编码器；观测编码器包括：多头自注意力层，剩余连接层，前馈全连接层，剩余连接层和多尺度特征提取层；
[0115]
多尺度特征提取层，还用于通过预设挖掘算子，沿时间维度对多传感器数据进行一维卷积计算，得到时间特征向量。
[0116]
具体的，如图5所示，多层次融合transformer模型还包括预测解码器；预测解码器包括：多头自注意力层，剩余连接层，前馈全连接层，剩余连接层，编码器解码器注意力层和嵌入目标外部因素的输入张量的解码器注意力层。
[0117]
本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并
可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例一中的方法的步骤。
[0118]
本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器执行上述实施例一中的方法。
[0119]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。