CN107272654B - 一种用于无人机飞控系统故障检测的数据聚类降维方法 - Google Patents
一种用于无人机飞控系统故障检测的数据聚类降维方法 Download PDFInfo
- Publication number
- CN107272654B CN107272654B CN201710598807.3A CN201710598807A CN107272654B CN 107272654 B CN107272654 B CN 107272654B CN 201710598807 A CN201710598807 A CN 201710598807A CN 107272654 B CN107272654 B CN 107272654B
- Authority
- CN
- China
- Prior art keywords
- cluster
- flight control
- data
- fault detection
- flight
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 230000009467 reduction Effects 0.000 title claims abstract description 36
- 241001269238 Data Species 0.000 claims abstract description 18
- 230000003542 behavioural effect Effects 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 16
- 238000003745 diagnosis Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 239000000306 component Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
Landscapes
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种用于无人机飞控系统故障检测的数据聚类降维方法，属于无人机故障检测的技术领域，通过挖掘不同飞行动态特征下不同飞控数据的相关性建立飞控数据与飞行动态特征的相关性模型，由相关性模型检验各类飞控数据在不同飞行动态特征下的实时动态相关性，在满足飞控系统故障检测动态性和实时性要求的前提下实现了飞控数据的聚类降维处理，具有速度快、计算量小、实用性强的特点。
Description
技术领域
本发明公开了一种用于无人机飞控系统故障检测的数据聚类降维方法，属于无人机故障检测的技术领域。
背景技术
近年，无人机综合管理系统中纳入了“故障预测与健康管理技术（PHM）”的概念，因此急需提高无人机安全管理的信息化水平及智能化水平。无人机安全管理的核心部分——安全监控和异常预警，能够对无人机的健康状态进行全面监控，对提高无人机安全性能、保障维修效率、降低寿命周期具有重要意义。无人机的飞行控制系统作为无人机的核心部件，由多种传感器、网络链路、执行装置等子系统组成。飞控传感器测量飞机的实时飞行状态参数并把数据反馈至飞行控制计算机，飞行控制计算机解算飞行控制律从而完成无人机自动驾驶的飞行任务，但是飞控系统因其工作环境较为复杂极易发生故障。
目前国内外有关高校及科研院所的研究人员对无人机飞控系统传感器输出数据状态异常、硬件故障检测做了广泛的研究。西北工业大学的刘慧霞团队针对飞行控制系统(FCS)的精确数学模型获取困难的问题提出了UAV-PCA算法，该算法将基于特征方向的故障诊断法和方差敏感自适应阈值的故障检测法与传统的主元分析法（PCA）相结合，提高了传感器故障检测的速度和准确性并且降低了暂态过程的虚警率；南京航空航天大学高云红教授团队针对小型无人机机动性较强、故障较多且不易实时检测等特点，将最小二乘支持向量机（LS_SVM）与主元分析法（PCA）相结合以实现故障的检测与隔离；北京航空航天大学钟麦英教授团队提出了一种基于小波变换与等价空间相结合的无人机作动器故障诊断方法；此外，国防科学技术大学等科研单位也对无人机故障检测等多个方面进行了研究。这一系列的研究为无人机飞控系统的故障检测奠定了理论基础与技术基础。
国外对无人机飞控系统故障检测的研究主要有：Abbaspour等提出了一种新的在线检测策略来检测无人机系统中传感器和执行器的故障；Freddi等建立了一种直升机的缩小模型，然后线性化该模型以设计未知输入观测器，由未知输入观测器诊断故障，基于该模型的无人驾驶飞行器故障诊断系统为无人机故障诊断提供了有效解决方案；Hansen等基于单一且简单的飞机空气动力学模型提出了一种主动检测和隔离故障的系统（SMAC-FDI），该系统能够有效地检测和隔离诸如小型（无人机）飞行器飞控系统中的故障；GuillermoHeredia等提出了一种提高无人机（UAV）传感器故障检测与识别（FDI）可靠性的方法；之后Guillermo Heredia又和Horst Ecker等提出了一种基于冗余分析的小型自主直升机传感器的故障检测和诊断系统。
根据目前的研究内容及其理论方法，我们可以得出故障检测的核心算法主要包括模型法(model based)、知识经验法（knowledge based）和数据驱动法(data driven)这三大类。相比于模型法和知识经验法，数据驱动的故障诊断法以其快速灵活的特性在无人机故障检测中更具应用潜力。然而，针对无人机飞控系统传感器众多、数据维度较高、在实际处理过程中比较复杂的特点，数据驱动的故障诊断法存在局限性，因此，设法降低大规模数据的维度并且使得这些数据反映出一定的规律性或特殊的分类性同时不会丢失有用信息是数据驱动的故障诊断法需要解决的难题。
聚类降维是有效进行数据驱动法的重要部分。南京航空航天大学的张道强教授团队提出了一种基于半监督降维的聚类算法，首先用半监督降维方法将原始数据降维，降维后进行半监督聚类处理，提升了算法的聚类性能；中山大学的王和勇等针对局部线性嵌入算法（LLE）计算速度和近邻点数K选取的问题，提出了基于聚类和改进距离的局部线性嵌入算法，不仅提高了降维速度而且拓展了参数K的选取范围；大连理工大学的马洪连教授团队提出了一种基于界标等距映射(L-ISOMAP)降维的快速模糊聚类算法，针对FCM算法在迭代过程中计算量大以及在高维特征分析中效率低下甚至可能导致"维数灾难"的问题，结合L-ISOMAP算法提高了算法在特征向量维数较高情况下的实时性与有效性；西安电子科技大学的支晓斌等提出了一种基于模糊Fisher准则的自适应降维模糊聚类算法，对高维数据和低维数据都有较好的分类性能；Napoleon等提出了一种基于K均值聚类算法的高维数据集降维方法，用主成分分析法和线性变换法来降维，首先计算初始质心，然后应用K均值聚类算法；Kumar提出了一种结合组合随机投影（RP）和模糊k均值聚类（FKM）的算法来减少数据的维数，相比原有的SVD、RP-SVD方法，该方法不仅达到了更好或相似的效果而且简化了计算；Kannan等提出了一种基于数据离散化相关模型的数据简化算法，该算法以有效的方式将连续属性离散化，然后从一大组属性中选择相关属性，并对所有特征的聚类精度进行性能评估进而获得一组数量较少的特征；Indhumathi等提出了一种通过主成分分析来聚类降维高维数据的方法，该法通过主成分分析进行降维，然后对不存在质心初始化的简化数据进行平分k均值聚类。这一系列的研究为聚类降维问题奠定了基础。
总体来说，国内外文献提供了包括主成分分析、线性判别分析、自适应降维算法、局部保持投影、局部线性嵌入、拉普拉斯映射等多种聚类降维的方法，这些聚类降维方法在电力系统、工业制造、信息处理、文字处理等方面都有广泛的应用，但各自又或多或少地存在一些问题，如：对初始点选择具有敏感性、计算耗时长、处理非线性数据能力差。由于飞控系统故障检测要处理的数据多且部分参数存在动态相关性，这些方法不能满足飞控系统故障检测的动态性和实时性要求，需要针对具体的应用环境进行改进。因此，在考虑传感器输出数据间的实时动态相关性时，如何通过构建动态属性相关的数组并对数据进行聚类降维以降低运算量从而提高故障检测的及时性是亟待解决的关键问题。
发明内容
本发明的发明目的是针对上述背景技术的不足，提供了一种用于无人机飞控系统故障检测的数据聚类降维方法，通过建立飞控数据与飞行动态特征的相关性模型检验各类飞控数据在不同飞行动态特征下的实时动态相关性，在满足飞控系统故障检测动态性和实时性要求的前提下实现了飞控数据的聚类降维处理，解决了现有聚类降维方法不能满足飞控系统故障检测的动态性和实时性要求的技术问题。
本发明为实现上述发明目的采用如下技术方案：
一种用于无人机飞控系统故障检测的数据聚类降维方法，采集飞控系统在当前时刻的输出数据，预处理当前时刻的输出数据以实现对当前时刻输出数据的初步分类，由各类输出数据和飞行动态特征的相关性模型动态检验各类输出数据在当前飞行动态特征下的实时动态相关性进而结合选择的聚类阈值对各类输出数据进行聚类，对聚类结果进行聚类评估并在聚类结果未通过聚类评估时调整聚类阈值重新进行聚类，对通过聚类评估的聚类结果进行降维处理。
进一步地，用于无人机飞控系统故障检测的数据聚类降维方法中，由各类输出数据和飞行动态特征的相关性模型动态检验各类输出数据在当前飞行动态特征下的实时动态相关性进而结合选择的聚类阈值对各类输出数据进行聚类的具体方法为：在当前飞行动态特征下计算当前时刻各类输出数据之间的皮尔森相关系数，比较当前飞行动态特征下当前时刻各类输出数据的皮尔森相关系数与聚类阈值得到聚类结果，采用滑动窗口更新各类输出数据得到下一时刻各类输出数据，检验下一时刻各类输出数据在下一时刻飞行动态特征下的实时动态相关性。
进一步地，用于无人机飞控系统故障检测的数据聚类降维方法中，采用如下方法对聚类结果进行聚类评估：计算评估类内部耦合特性的聚类密集性以及评估类间分离特性的聚类临近性，对聚类密集性计算值以及聚类临近性计算值加权求和得到聚类评估结果。
进一步地，用于无人机飞控系统故障检测的数据聚类降维方法中，飞控系统在当前时刻的输出数据包括三轴陀螺仪、GPS、三轴加速度计、气压计测量的数据。
进一步地，用于无人机飞控系统故障检测的数据聚类降维方法中，采用主成分分析法对通过聚类评估的聚类结果进行降维处理。
本发明采用上述技术方案，具有以下有益效果：通过挖掘不同飞行动态特征下不同飞控数据的相关性建立飞控数据与飞行动态特征的相关性模型，由相关性模型检验各类飞控数据在不同飞行动态特征下的实时动态相关性，在满足飞控系统故障检测动态性和实时性要求的前提下实现了飞控数据的聚类降维处理，具有速度快、计算量小、实用性强的特点。
附图说明
图1为用于无人机飞控系统故障检测的降维方法的流程图。
具体实施方式
下面结合附图对发明的技术方案进行详细说明。
本发明提出的用于无人机飞控系统故障检测的数据聚类降维方法如图1所示，具体包括如下4个步骤。
1）数据预处理
采集飞控系统输出的数据，包括三轴陀螺仪、GPS、三轴加速度计、气压计等数据，对各传感器动态特性进行分析，顾及并行运算的各传感器输出数据的运算速度分析飞控系统输出数据的类型、数量，对不同数据的类型进行抽取，移除数据中的孤立点并去除数据噪声。
2）相关性分析
对不同的运动状态（包括静态、平飞、盘旋、上升、下降等多种姿态）进行标号。如将静态标为状态1，将平飞标为状态2，将盘旋标为状态3。在每种运动状态下分别计算不同传感器输出数据之间的皮尔森相关系数进而挖掘不同传感器输出的不同类型数据在各种环境下的相关性。每当传感器输出一组新的数据时就剔除滑动窗口中最旧的数据并将新数据添加至窗口末端，依据更新后的传感器输出数据估计在当前运动状态下传感器输出数据的实时动态相关性，通过控制滑动窗口的长度来控制每次计算的数据量进而实现基于皮尔森相关系数的实时动态快速相关性的检验，根据皮尔森相关系数的计算结果设定相应阈值，对皮尔森相关系数大于一定阈值的若干组数据进行聚类。
3）聚类评估
通过计算聚类综合质量对完成的聚类进行评估，即通过计算聚类密集性来评估类内部耦合特性，通过计算聚类临近性来评估类间分离特性，将二者加权求得聚类结果并进行打分。根据评估结果调节聚类的阈值，若聚类综合质量小于设定值，则重新划定阈值进行聚类，反之则符合要求，从而得到一个最优的聚类结果。
4）数据降维
针对得到的满足聚类评估要求的聚类结果，采用主成分分析法（PCA）对每一类中的各组数据进行降维处理，得到每个类中线性组合的主成分，从而降低故障检测时的运算量，提高运算速度，并为之后故障检测阈值的划定建立数据基础。
综上，本发明提出的数据聚类降维方法，针对飞机不同的运动状态实时计算各传感器输出数据的相关性进而构建动态属性相关的数组，再对动态属性相关的数组进行聚类降维，该方法既能满足飞控故障检测的动态性要求又能满足实时性要求，此外，该方法还降低了故障检测的运算量，具有速度快、计算量小、实用性强的特点。
Claims (4)
1.一种用于无人机飞控系统故障检测的数据聚类降维方法，其特征在于，
采集飞控系统在当前时刻的输出数据，预处理当前时刻的输出数据以实现对当前时刻输出数据的初步分类，
由各类输出数据和飞行动态特征的相关性模型动态检验各类输出数据在当前飞行动态特征下的实时动态相关性进而结合选择的聚类阈值对各类输出数据进行聚类：在当前飞行动态特征下计算当前时刻各类输出数据之间的皮尔森相关系数，比较当前飞行动态特征下当前时刻各类输出数据的皮尔森相关系数与聚类阈值得到聚类结果，采用滑动窗口更新各类输出数据得到下一时刻各类输出数据，检验下一时刻各类输出数据在下一时刻飞行动态特征下的实时动态相关性，
对聚类结果进行聚类评估并在聚类结果未通过聚类评估时调整聚类阈值重新进行聚类，对通过聚类评估的聚类结果进行降维处理。
2.根据权利要求1所述一种用于无人机飞控系统故障检测的数据聚类降维方法，其特征在于，采用如下方法对聚类结果进行聚类评估：计算评估类内部耦合特性的聚类密集性以及评估类间分离特性的聚类临近性，对聚类密集性计算值以及聚类临近性计算值加权求和得到聚类评估结果。
3.根据权利要求1所述一种用于无人机飞控系统故障检测的数据聚类降维方法，其特征在于，所述飞控系统在当前时刻的输出数据包括三轴陀螺仪、GPS、三轴加速度计、气压计测量的数据。
4.根据权利要求1所述一种用于无人机飞控系统故障检测的数据聚类降维方法，其特征在于，采用主成分分析法对通过聚类评估的聚类结果进行降维处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710598807.3A CN107272654B (zh) | 2017-07-21 | 2017-07-21 | 一种用于无人机飞控系统故障检测的数据聚类降维方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710598807.3A CN107272654B (zh) | 2017-07-21 | 2017-07-21 | 一种用于无人机飞控系统故障检测的数据聚类降维方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107272654A CN107272654A (zh) | 2017-10-20 |
| CN107272654B true CN107272654B (zh) | 2019-06-14 |
Family
ID=60079014
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710598807.3A Active CN107272654B (zh) | 2017-07-21 | 2017-07-21 | 一种用于无人机飞控系统故障检测的数据聚类降维方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107272654B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107608333B (zh) * | 2017-09-05 | 2019-06-18 | 北京控制工程研究所 | 一种基于等效降阶的可诊断性评估方法 |
| US11164465B2 (en) | 2017-10-27 | 2021-11-02 | International Business Machines Corporation | Real-time identification and provision of preferred flight parameters |
| CN108280415A (zh) * | 2018-01-17 | 2018-07-13 | 武汉理工大学 | 基于智能移动终端的驾驶行为识别方法 |
| CN108801322A (zh) * | 2018-07-06 | 2018-11-13 | 哈尔滨工业大学 | 用于无人机飞行控制系统微机电系统传感器的可靠性评估方法 |
| CN110119097B (zh) * | 2019-04-08 | 2021-08-17 | 上海机电工程研究所 | 武器系统半实物仿真数据相似性检验方法 |
| CN110589021A (zh) * | 2019-09-25 | 2019-12-20 | 东方航空技术有限公司 | 一种飞机防抖故障预判系统 |
| US11293981B2 (en) | 2020-01-15 | 2022-04-05 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for false-positive reduction in power electronic device evaluation |
| CN111325410B (zh) * | 2020-03-13 | 2023-10-10 | 安图实验仪器(郑州)有限公司 | 基于样本分布的通用故障预警系统及其预警方法 |
| GB2602002B (en) * | 2020-12-11 | 2024-09-11 | Insure Firetec Ltd | Apparatus and a method for determining the position or state of a door |
| CN113311810B (zh) * | 2021-05-28 | 2021-12-07 | 江苏东源电器集团股份有限公司 | 一种基于Kalman分解的分布式互联系统故障隔离方法 |
| CN113421136A (zh) * | 2021-08-25 | 2021-09-21 | 深圳兆瑞优品科技有限公司 | 网络购物风控方法、装置及系统 |
| CN117539284B (zh) * | 2023-11-24 | 2024-06-21 | 淮阴工学院 | 一种基于改进l1自适应算法的无人机抗风姿态控制方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7260501B2 (en) * | 2004-04-21 | 2007-08-21 | University Of Connecticut | Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance |
| CN105303468A (zh) * | 2015-11-20 | 2016-02-03 | 国网天津市电力公司 | 一种基于主成分聚类分析的智能电网建设综合评价方法 |
| CN105528671B (zh) * | 2015-11-30 | 2019-10-11 | 武汉大学 | 一种基于大数据的电网多维感知与安全评估系统及方法 |
| CN106202530B (zh) * | 2016-07-22 | 2019-09-27 | 北京邮电大学 | 数据处理方法及装置 |
| CN106649727B (zh) * | 2016-12-23 | 2019-12-24 | 南京航空航天大学 | 一种用于无人机飞行控制系统故障检测的数据库构建方法 |
-
2017
- 2017-07-21 CN CN201710598807.3A patent/CN107272654B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN107272654A (zh) | 2017-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107272654B (zh) | 一种用于无人机飞控系统故障检测的数据聚类降维方法 | |
| Khalastchi et al. | Online data-driven anomaly detection in autonomous robots | |
| Puchalski et al. | UAV fault detection methods, state-of-the-art | |
| Liu et al. | An audio-based fault diagnosis method for quadrotors using convolutional neural network and transfer learning | |
| CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
| US11693763B2 (en) | Resilient estimation for grid situational awareness | |
| Ghazali et al. | Vibration-based fault detection in drone using artificial intelligence | |
| AU2020102874A4 (en) | A recommendation model for aero dynamic design of structures using deep recurrent neural network | |
| CN106649727A (zh) | 一种用于无人机飞行控制系统故障检测的数据库构建方法 | |
| CN111460676B (zh) | 多旋翼飞行器在大气紊流扰动下的健康性能评估方法 | |
| CN108427400A (zh) | 一种基于神经网络解析冗余的飞机空速管故障诊断方法 | |
| CN108764122A (zh) | 一种基于深度学习的auv控制系统优化与故障监测方法 | |
| US12045047B2 (en) | Fault diagnostics systems and methods | |
| Zhao et al. | Robust Data‐Driven Fault Detection: An Application to Aircraft Air Data Sensors | |
| Jeon et al. | Detecting structural anomalies of quadcopter UAVs based on LSTM autoencoder | |
| CN114997296A (zh) | 一种基于gru-vae模型的无监督航迹异常检测方法及系统 | |
| Cheng et al. | Application of self-organizing map on flight data analysis for quadcopter health diagnosis system | |
| Salam et al. | Learning and leveraging features in flow-like environments to improve situational awareness | |
| Kumar et al. | Building on prior lightweight CNN model combined with LSTM-AM framework to guide fault detection in fixed-wing UAVs | |
| CN117744540A (zh) | 水下无人航行器的水下作业水动力特性趋势预测方法 | |
| CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 | |
| Eldeeb et al. | Health monitoring of historic buildings using machine learning in real-time internet of things | |
| CN117200931A (zh) | 一种基于数据流分析的四旋翼无人机攻击溯源方法 | |
| Puchalski et al. | UAV Fault Detection Methods, State-of-the-Art, Drones, 2022, 6, 330 | |
| Ghazali et al. | A Novel Fault Detection Approach in UAV With Adaptation of Fuzzy Logic and Sensor Fusion |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |