无人机飞行数据异常检测方法、装置、设备及存储介质

本发明涉及一种无人机设备异常检测领域，更具体地说，它涉及无人机飞行数据异常检测方法、装置、设备及存储介质。

背景技术：

1、无人机对自身健康状态准确而及时的感知是安全和可靠飞行的前提，也是未来实现完全自主飞行的基础。飞行数据是一系列与飞行状态相关的飞行参数，其异常往往意味着飞行器存在运行风险。飞行数据异常检测技术有助于无人机运行状态的综合监测和评估。除此之外，对无人机飞行数据做实时异常检测处理能够实现飞行状态异常时的及时调整，避免事故的发生。

2、目前，针对无人机飞行数据异常检测的方法主要包括基于专家知识、基于模型和数据驱动的方法。由于基于专家知识的方法需要领域专家级的知识、模拟专家思维以及专家水平，其不足在于专家知识难于实现编码，以及可移植性和学习能力差。基于模型的方法需要按照无人机建立一个精确的无人机模型，模型与无人机在相同的飞行环境下，通过计算测量值之间的残差来作为是否发生异常的标准，但是无人机的各个子系统很难建立精确的物理模型。基于数据驱动的方法可以分为基于相似性的方法、基于统计的方法、基于分类的方法以及基于预测的方法，但是这些方法都属于浅层神经学习算法，对于无人机数据的时间空间相关性、大容量、高纬度多模态和高关联性等特点难以实现高准确率的预测。

3、综上所述，如何解决无人机飞行数据的异常检测的检测精度较低是目前急需解决的问题。

技术实现思路

1、本发明为了解决现有技术中无人机飞行数据的异常检测的检测精度较低的问题，提供了一种无人机飞行数据异常检测方法、装置、设备及存储介质，本发明基于降噪自编码器和长短期记忆神经网络所训练的异常检测模型能够根据所输入的历史飞行数据，预测输出数据，本发明的异常检测模型不仅能够有效抑制噪声数据对于异常数据检测的干扰，还能够很好地挖掘输入数据与输出结果之间的时空相关关系，提供精确地输出参数的估计值，故此本发明使用降噪自编码器和长短期记忆神经网络结合进行异常检测，提高了异常检测的精度。

2、本发明的上述技术目的是通过以下技术方案得以实现的：

3、本申请的第一方面，提供了一种无人机飞行数据异常检测方法，方法包括：

4、获取无人机的历史飞行数据，其中历史飞行数据包括多个飞行参数；

5、将历史飞行数据输入至异常检测模型中进行检测，得到多个飞行参数对应的检测结果，其中异常检测模型是由预先训练好的降噪自编码器的输出端和预先训练好的长短期记忆神经网络的输入端连接构成的。

6、在一种实施方案中，所述多个飞行参数包括以下飞行参数：偏航角速率、俯仰角速率、滚转角速率、偏航角速率、侧向过载、法向过载、天向速度、北向速度、校准空速、真空速、地速、轴向过载、俯仰角、横滚角、右内升降方向舵指令、左内升降方向舵指令、右副翼指令、左副翼指令、高度、坐标值表决值、气压高度、北向速度、东向速度以及天向速度。

7、在一种实施方案中，降噪自编码器的训练过程为：将不含噪声的正常飞行数据注入不同程度的噪声来训练降噪自编码器，以得到训练好的降噪自编码器。

8、在一种实施方案中，长短期记忆神经网络的训练过程为：利用已训练好的降噪自编码器提取正常飞行数据的特征向量，使用特征向量对长短期记忆神经网络进行训练，以得到训练好的长短期记忆神经网络。

9、在一种实施方案中，在将历史飞行数据输入至异常检测模型中进行检测之前，还包括：

10、对历史飞行数据进行标准化处理，得到标准化后的历史飞行数据；

11、将标准化之后的历史飞行数据按照固定时间长度进行切割，得到飞行数据集，其中飞行数据集是一个三维矩阵，在三维矩阵中每个元素均包括飞行时间、记忆时间长度以及多个飞行参数。

12、在一种实施方案中，将历史飞行数据输入异常检测模型中进行预测，得到多个飞行参数对应的检测结果，具体为：

13、利用预先训练好的降噪自编码器提取飞行数据集在初始时间序列下的飞行数据；

14、利用预先训练好的长短期记忆神经网络对初始时间序列下的飞行数据进行滑窗处理，将初始时间序列下的飞行数据划分为固定窗口长度和步长的多个时间序列；其中时间序列的每个时间点均对应着多个飞行参数；

15、对窗口内每个时间点对应的多个飞行参数进行离散积分，得到多个离散结果，在离散结果大于等于标准阈值时，将离散结果对应的时间点的飞行参数标注为异常数据；其中标准阈值等于标准阈值等于窗口内时间点数量乘以时间点阈值，时间点阈值等于残差序列的均值与两倍标准差之和。

16、在一种实施方案中，在检测到数据序列的时间点的飞行参数的标准差大于两倍均值时，将该时间点的历史飞行数据加减固定窗口的步长后的数据序列标注为异常数据。

17、本申请的第二方面，提供了一种无人机飞行数据异常检测装置，装置包括：

18、数据获取模块，用于获取无人机的历史飞行数据，其中历史飞行数据包括多个飞行参数；

19、异常检测模块，用于将历史飞行数据输入至异常检测模型中进行检测，得到多个飞行参数对应的检测结果，其中异常检测模型是由预先训练好的降噪自编码器的输出端和预先训练好的长短期记忆神经网络的输入端连接构成的。

20、本申请的第三方面，提供了一种电子设备，所述电子设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如本申请的第一方面中任一项所述的一种无人机飞行数据异常检测方法的步骤。

21、本申请的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如本申请的第一方面中任一项所述的一种无人机飞行数据异常检测方法的步骤。

22、与现有技术相比，本发明具有以下有益效果：

23、1、本申请提供的无人机飞行数据异常检测方法，基于降噪自编码器和长短期记忆神经网络所训练的异常检测模型能够根据所输入的历史飞行数据，预测输出数据，本发明的异常检测模型不仅能够有效抑制噪声数据对于异常数据检测的干扰，还能够很好地挖掘输入数据与输出结果之间的时空相关关系，提供精确地输出参数的估计值，故此本发明使用降噪自编码器和长短期记忆神经网络结合进行异常检测，提高了异常检测的精度。

24、2、本申请提供的无人机飞行数据异常检测方法，还考虑了离散积分无法检测出的特殊异常情况，例如预测序列中少部分点与实际序列中对应点标准差过大，导致离散积分无法检测出异常，因此使用点异常捕获，若该点的标准差大于两倍均值，则将该点前后的数据序列均标记为异常数据，从而更进一步的提高异常检测的检测精度。

25、此外，本申请的第二方面至第四方面提供的无人机飞行数据异常检测装置、设备及存储介质，具备与上述无人机飞行数据异常检测方法相应的技术效果，此处不再赘述。

技术特征：

1.一种无人机飞行数据异常检测方法，其特征在于，方法包括：

2.根据权利要求1所述的无人机飞行数据异常检测方法，其特征在于，所述多个飞行参数包括以下飞行参数：偏航角速率、俯仰角速率、滚转角速率、偏航角速率、侧向过载、法向过载、天向速度、北向速度、校准空速、真空速、地速、轴向过载、俯仰角、横滚角、右内升降方向舵指令、左内升降方向舵指令、右副翼指令、左副翼指令、高度、坐标值表决值、气压高度、北向速度、东向速度以及天向速度。

3.根据权利要求1所述的无人机飞行数据异常检测方法，其特征在于，降噪自编码器的训练过程为：将不含噪声的正常飞行数据注入不同程度的噪声来训练降噪自编码器，以得到训练好的降噪自编码器。

4.根据权利要求3所述的无人机飞行数据异常检测方法，其特征在于，长短期记忆神经网络的训练过程为：利用已训练好的降噪自编码器提取正常飞行数据的特征向量，使用特征向量对长短期记忆神经网络进行训练，以得到训练好的长短期记忆神经网络。

5.根据权利要求1所述的无人机飞行数据异常检测方法，其特征在于，在将历史飞行数据输入至异常检测模型中进行检测之前，还包括：

6.根据权利要求5所述的无人机飞行数据异常检测方法，其特征在于，将历史飞行数据输入异常检测模型中进行预测，得到多个飞行参数对应的检测结果，具体为：

7.根据权利要求6所述的无人机飞行数据异常检测方法，其特征在于，在检测到数据序列的时间点的飞行参数的标准差大于两倍均值时，将该时间点的历史飞行数据加减固定窗口的步长后的数据序列标注为异常数据。

8.一种无人机飞行数据异常检测装置，其特征在于，装置包括：

9.一种电子设备，其特征在于，所述电子设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如权利要求1至7中任一项所述的一种无人机飞行数据异常检测方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如权利要求1至7中任一项所述的一种无人机飞行数据异常检测方法的步骤。

技术总结
本发明公开了无人机飞行数据异常检测方法、装置、设备及存储介质，涉及无人机设备异常检测领域，解决了现有技术中无人机飞行数据的异常检测的检测精度较低的问题，方法包括：获取无人机的历史飞行数据，其中历史飞行数据包括多个飞行参数；将历史飞行数据输入至异常检测模型中进行检测，得到多个飞行参数对应的检测结果，其中异常检测模型是由预先训练好的降噪自编码器的输出端和预先训练好的长短期记忆神经网络的输入端连接构成的。本发明使用降噪自编码器和长短期记忆神经网络结合进行异常检测，提高了异常检测的精度。

技术研发人员：彭耐晓,苗强,李嘉欣,鲍钰
受保护的技术使用者：四川大学
技术研发日：
技术公布日：2024/1/15