论文部分内容阅读
随着多旋翼飞行器的发展和普及,对于多旋翼的执行器系统的故障诊断一直没有停下脚步,目前仍然有三个亟待解决的问题:一是对执行器系统的故障诊断大多基于模型分析,而建立一个准确的模型需要花大量的时间和精力;二是对于执行器系统的微小故障目前大多方法无法诊断或者诊断准确率不高;三是一般方法只能检测无人机执行器系统是否有故障,不能精确定位无人机单个轴的故障。为了解决这些问题,本研究提出了利用深度神经网络进行智能故障诊断的方法,在诊断执行器系统微小故障时,可以精确定位到单个轴的故障。论文主要内容包括:(1)为了实现无人机执行器系统的深度神经网络算法,本文首先搭建了实验用六旋翼无人机,并在此基础上通过设计执行器系统故障实验构造了初始数据集。(2)本文提出将基于深度神经网络的智能诊断运用到无人机执行器故障诊断上,最初设计的简单BP神经网络算法经过5折交叉验证平均故障诊断准确率为94.01%。在后面的研究中进一步改进深度神经网络模型,设计了 1D-CNN模型和Bi-GRU(Gated Recurrent Unit)神经网络模型,最终两种算法经过5折交叉验证平均故障诊断准确率分别为96.90%和96.73%。另外,本文提出了循环卷积神经网络算法,这种算法综合了循环神经网络和卷积神经网络的优点,最终构建的GRU+CNN混合模型平均故障诊断准确率达到了 97.33%,这个结果要略微优于其它所构建的神经网络模型。(3)本文设计完成了无人机健康管理平台实时监控无人机,并将前面研究得到的方法嵌入所设计的软件平台中,将深度神经网络故障诊断模型实际应用于无人机的故障诊断。综上,本文深入研究了无人机执行器系统的深度神经网络故障诊断,设计了算法、完成了实验验证,并且开发了健康管理应用软件平台,对于无人机执行器系统的故障诊断研究具有一定理论意义和应用价值。