一种基于机器学习的无人机的舵面故障报警方法及装置

摘要

本发明提供了一种基于机器学习的无人机的舵面故障报警方法及装置，该方法包括：获取飞行参数数据集，对飞行参数数据集进行预处理，得到舵面先验数据集；根据预设比例将舵面先验数据集划分为训练集和测试集；采用机器学习的方法对训练集进行学习，得到训练后的舵面故障诊断模型；通过测试集测试模型的诊断精度，并逐步迭代模型算法；获取待诊断的飞行参数数据集，将待诊断的飞行参数数据集输入训练后的舵面故障诊断模型进行故障诊断得到分析结果，并在分析结果满足预设条件时进行舵面振荡报警。本发明可以有效建立准确的舵面故障诊断模型，能实时输入待诊断的飞行参数数据集，故障诊断准确率高且训练后的舵面故障诊断模型具有较强的特征预测能力，能够准确及时地进行故障报警。

权利要求

1.一种基于机器学习的无人机的舵面故障报警方法，其特征在于，包括：

获取飞行参数数据集，所述飞行参数数据集包括影响舵面振荡的数据，其中，所述舵面振荡的数据包括时标参数、方向舵位置参数和方向舵偏度指令参数；

对所述飞行参数数据集进行预处理，得到舵面先验数据集，其中，将所述飞行参数数据集划分为n组飞行参数数据集，每组飞行参数数据集包括m个所述影响舵面振荡的数据，m、n为正整数，对每组飞行参数数据集执行以下操作：依次获取m个所述影响舵面振荡的数据，计算m个所述影响舵面振荡的数据中所述方向舵偏度指令参数与所述方向舵位置参数的偏差值，判断所述偏差值的绝对值是否大于第一预设阈值且所述方向舵偏度指令参数的绝对值是否大于第二预设阈值，如果是，则计数器加1；否则，计数器加0；判断计数器的计数值是否大于第三预设阈值，如果大于，则将对m个所述影响舵面振荡的数据进行舵面振荡评估得到的极限环振荡数据标识记录为用于标识舵面振荡的数值；否则，将对m个所述影响舵面振荡的数据进行舵面振荡评估得到的极限环振荡数据标识记录为用于标识舵面未振荡的数值；

根据预设比例将所述舵面先验数据集划分为训练集和测试集；

采用机器学习的方法对所述训练集进行学习，得到训练后的舵面故障诊断模型；

获取待诊断的飞行参数数据集，将所述待诊断的飞行参数数据集输入所述训练后的舵面故障诊断模型进行故障诊断得到分析结果，并在所述分析结果满足预设条件时进行舵面振荡报警。

2.根据权利要求1所述的方法，其特征在于，

所述采用机器学习的方法对所述训练集进行学习，得到训练后的舵面故障诊断模型，包括：

采用多种机器学习的方法对所述训练集进行学习，得到多个待评估故障诊断模型，并根据各个待评估故障诊断模型的准确率和受试者工作特征ROC曲线值选取最优的待评估故障诊断模型作为所述训练后的舵面故障诊断模型。

3.根据权利要求2所述的方法，其特征在于，

所述机器学习的方法至少包括以下之一：线性算法、邻近算法、支持向量机算法和神经网络算法。

4.根据权利要求1所述的方法，其特征在于，在所述采用机器学习的方法对所述训练集进行学习，得到训练后的舵面故障诊断模型之前，还包括：对所述舵面先验数据集进行归一化处理。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述测试集输入所述训练后的舵面故障诊断模型进行测试，根据测试结果的准确率、ROC曲线值、查准率和查全率评估所述训练后的舵面故障诊断模型的性能，调整所述训练后的舵面故障诊断模型的参数。

6.根据权利要求1所述的方法，其特征在于，

将所述待诊断的飞行参数数据集输入所述训练后的舵面故障诊断模型进行故障诊断得到分析结果，并在所述分析结果满足预设条件时进行舵面振荡报警，包括：将所述待诊断的飞行参数数据集按照预设的方式分组输入所述训练后的舵面故障诊断模型得到多组分析结果，当多组分析结果中的振荡次数超过预设次数时进行舵面振荡报警。

7.一种基于机器学习的无人机的舵面故障报警装置，其特征在于，包括：

参数获取模块，用于获取飞行参数数据集，所述飞行参数数据集包括影响舵面振荡的数据，其中，所述影响舵面振荡的数据包括：时标参数、方向舵位置参数和方向舵偏度指令参数；

预处理模块，用于对所述飞行参数数据集进行预处理，得到舵面先验数据集，其中，将所述飞行参数数据集划分为n组飞行参数数据集，每组飞行参数数据集包括m个所述影响舵面振荡的数据，m、n为正整数；对每组飞行参数数据集执行以下操作：依次获取m个所述影响舵面振荡的数据，计算m个所述影响舵面振荡的数据中所述方向舵偏度指令参数与所述方向舵位置参数的偏差值，判断所述偏差值的绝对值是否大于第一预设阈值且所述方向舵偏度指令参数的绝对值是否大于第二预设阈值，如果是，则计数器加1；否则，计数器加0；判断计数器的计数值是否大于第三预设阈值，如果大于，则将对m个所述影响舵面振荡的数据进行舵面振荡评估得到的极限环振荡数据标识记录为用于标识舵面振荡的数值；否则，将对m个所述影响舵面振荡的数据进行舵面振荡评估得到的极限环振荡数据标识记录为用于标识舵面未振荡的数值；

模型构建模块，用于根据预设比例将所述舵面先验数据集划分为训练集和测试集；采用机器学习的方法对所述训练集进行学习，得到训练后的舵面故障诊断模型；

故障诊断报警模块，用于获取待诊断的飞行参数数据集，将所述待诊断的飞行参数数据集输入所述训练后的舵面故障诊断模型进行故障诊断得到分析结果，并在所述分析结果满足预设条件时进行舵面振荡报警。

8.根据权利要求7所述的装置，其特征在于，

所述模型构建模块通过以下方式采用机器学习的方法对所述训练集进行学习，得到训练后的舵面故障诊断模型：采用多种机器学习的方法对所述训练集进行学习，得到多个待评估故障诊断模型，并根据各个待评估故障诊断模型的准确率和受试者工作特征ROC曲线值选取最优的待评估故障诊断模型作为所述训练后的舵面故障诊断模型。

说明书

一种基于机器学习的无人机的舵面故障报警方法及装置

技术领域

[0001] 本发明涉及一种无人机故障诊断报警领域，尤其涉及一种基于机器学习的无人机的舵面故障报警方法及装置。

背景技术

[0002] 无人机舵面系统是无人机重要的组成部分，其可靠性是安全飞行的重要保证，尤其是作为三大舵面系统的副翼、升降舵和方向舵，会直接影响无人机的控制系统性能，一旦
他们发生故障，轻则造成无人机飞控系统的稳定性能下降，重则直接导致飞机坠毁。因此，
对无人机舵面系统的状态检测和故障预警研究具有重要意义。

[0003] 目前，当无人机出现舵面极限环振动时，传统故障诊断算法无法有效判别故障特征，而且，由于飞行控制系统内部存在复杂的耦合关系，导致难以有效建立系统准确的物理
模型和故障模型，造成飞行控制系统故障诊断的准确率不高、预测能力具有较大的不确定
性的问题。

[0004] 因此，如何提供一种适用于实时输入数据、准确率高且具有特征预测能力的无人机的舵面故障报警方法，成为亟待解决的问题。

发明内容

[0005] 本发明旨在解决上述问题之一。

[0006] 本发明的主要目的在于提供一种基于机器学习的无人机的舵面故障报警方法。

[0007] 本发明的另一目的在于提供一种基于机器学习的无人机的舵面故障报警装置。

[0008] 为达到上述目的，本发明的技术方案具体是这样实现的：

[0009] 本发明一方面提供了一种基于机器学习的无人机的舵面故障报警方法，包括：

[0010] 获取飞行参数数据集，所述飞行参数数据集包括影响舵面振荡的数据；

[0011] 对所述飞行参数数据集进行预处理，得到舵面先验数据集，所述舵面先验数据集包括：所述飞行参数数据集和对所述飞行参数数据集进行舵面振荡评估得到的极限环振荡
数据标识，所述极限环振荡数据标识包括用于标识舵面振荡的数值和用于标识舵面未振荡
的数值；

[0012] 根据预设比例将所述舵面先验数据集划分为训练集和测试集；

[0013] 采用机器学习的方法对所述训练集进行学习，得到训练后的舵面故障诊断模型；

[0014] 获取待诊断的飞行参数数据集，将所述待诊断的飞行参数数据集输入所述训练后的舵面故障诊断模型进行故障诊断得到分析结果，并在所述分析结果满足预设条件时进行
舵面振荡报警。

[0015] 可选的，所述影响舵面振荡的数据包括：时标参数、方向舵位置参数和方向舵偏度指令参数；所述对所述飞行参数数据集进行预处理，得到舵面先验数据集，包括：将所述飞
行参数数据集划分为n组飞行参数数据集，每组飞行参数数据集包括m个所述影响舵面振荡
的数据，m、n为正整数；对每组飞行参数数据集执行以下操作：依次获取m个所述影响舵面振
荡的数据，计算m个所述影响舵面振荡的数据中所述方向舵偏度指令参数与所述方向舵位
置参数的偏差值，判断所述偏差值的绝对值是否大于第一预设阈值且所述方向舵偏度指令
参数的绝对值是否大于第二预设阈值，如果是，则计数器加1；否则，计数器加0；判断计数器
的计数值是否大于第三预设阈值，如果大于，则将对m个所述影响舵面振荡的数据进行舵面
振荡评估得到的极限环振荡数据标识记录为用于标识舵面振荡的数值；否则，将对m个所述
影响舵面振荡的数据进行舵面振荡评估得到的极限环振荡数据标识记录为用于标识舵面
未振荡的数值。

[0016] 可选的，所述采用机器学习的方法对所述训练集进行学习，得到训练后的舵面故障诊断模型，包括：采用多种机器学习的方法对所述训练集进行学习，得到多个待评估故障
诊断模型，并根据各个待评估故障诊断模型的准确率和受试者工作特征ROC曲线值选取最
优的待评估故障诊断模型作为所述训练后的舵面故障诊断模型。

[0017] 可选的，所述机器学习的方法至少包括以下之一：线性算法、邻近算法、支持向量机算法和神经网络算法。

[0018] 可选的，在所述采用机器学习的方法对所述训练集进行学习，得到训练后的舵面故障诊断模型之前，还包括：对所述舵面先验数据集进行归一化处理。

[0019] 可选的，所述方法还包括：将所述测试集输入所述训练后的舵面故障诊断模型进行测试，根据测试结果的准确率、ROC曲线值、查准率和查全率评估所述训练后的舵面故障
诊断模型的性能，调整所述训练后的舵面故障诊断模型的参数。

[0020] 可选的，将所述待诊断的飞行参数数据集输入所述训练后的舵面故障诊断模型进行故障诊断得到分析结果，并在所述分析结果满足预设条件时进行舵面振荡报警，包括：

[0021] 将所述待诊断的飞行参数数据集按照预设的方式分组输入所述训练后的舵面故障诊断模型得到多组分析结果，当多组分析结果中的振荡次数超过预设次数时进行舵面振
荡报警。

[0022] 本发明另一方面提供了一种基于机器学习的无人机的舵面故障报警装置，包括：

[0023] 参数获取模块，用于获取飞行参数数据集，所述飞行参数数据集包括影响舵面振荡的数据；

[0024] 预处理模块，用于对所述飞行参数数据集进行预处理，得到舵面先验数据集，所述舵面先验数据集包括所述飞行参数数据集和对所述飞行参数数据集进行舵面振荡评估得
到的极限环振荡数据标识，所述极限环振荡数据标识包括用于标识舵面振荡的数值和用于
标识舵面未振荡的数值；

[0025] 模型构建模块，用于根据预设比例将所述舵面先验数据集划分为训练集和测试集；采用机器学习的方法对所述训练集进行学习，得到训练后的舵面故障诊断模型；

[0026] 故障诊断报警模块，用于获取待诊断的飞行参数数据集，将所述待诊断的飞行参数数据集输入所述训练后的舵面故障诊断模型进行故障诊断得到分析结果，并在所述分析
结果满足预设条件时进行舵面振荡报警。

[0027] 可选的，所述影响舵面振荡的数据包括：时标参数、方向舵位置参数和方向舵偏度指令参数；所述预处理模块通过以下方式对所述飞行参数数据集进行预处理，得到舵面先
验数据集：将所述飞行参数数据集划分为n组飞行参数数据集，每组飞行参数数据集包括m
个所述影响舵面振荡的数据，m、n为正整数；对每组飞行参数数据集执行以下操作：依次获
取m个所述影响舵面振荡的数据，计算m个所述影响舵面振荡的数据中所述方向舵偏度指令
参数与所述方向舵位置参数的偏差值，判断所述偏差值的绝对值是否大于第一预设阈值且
所述方向舵偏度指令参数的绝对值是否大于第二预设阈值，如果是，则计数器加1；否则，计
数器加0；判断计数器的计数值是否大于第三预设阈值，如果大于，则将对m个所述影响舵面
振荡的数据进行舵面振荡评估得到的极限环振荡数据标识记录为用于标识舵面振荡的数
值；否则，将对m个所述影响舵面振荡的数据进行舵面振荡评估得到的极限环振荡数据标识
记录为用于标识舵面未振荡的数值。

[0028] 可选的，所述模型构建模块通过以下方式采用机器学习的方法对所述训练集进行学习，得到训练后的舵面故障诊断模型：采用多种机器学习的方法对所述训练集进行学习，
得到多个待评估故障诊断模型，并根据各个待评估故障诊断模型的准确率和受试者工作特
征ROC曲线值选取最优的待评估故障诊断模型作为所述训练后的舵面故障诊断模型。

[0029] 由上述本发明提供的技术方案可以看出，本发明提供了一种基于机器学习的无人机的舵面故障报警方法及装置，可以有效建立系统准确的舵面故障诊断模型，通过测试集
测试模型的诊断精度，并逐步迭代模型算法，能实时输入待诊断的飞行参数数据集，故障诊
断准确率高且训练后的舵面故障诊断模型具有较强的特征预测能力，能够准确及时地进行
故障报警。

附图说明

[0030] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本
领域的普通技术人员来讲，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
附图。

[0031] 图1为本发明实施例提供的基于机器学习的无人机的舵面故障报警方法的流程图；

[0032] 图2为本发明实施例提供的基于机器学习的无人机的舵面故障报警装置的结构示意图。

具体实施方式

[0033] 下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本
发明的实施例，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，都属于本发明的保护范围。

[0034] 在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对
本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或数量或位置。

[0035] 在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本
发明中的具体含义。

[0036] 下面将结合附图对本发明实施例作进一步地详细描述。

[0037] 实施例

[0038] 机器学习是一种数据驱动的算法，无需建立系统模型，只需收集系统运行的历史数据，即可获得系统的最优特征表示，从而完成故障分类、故障预测等任务，为此本发明实
施例提供了一种基于机器学习的无人机的舵面故障报警方法及装置。

[0039] 图1示出了本实施例提供的基于机器学习的无人机的舵面故障报警方法的流程图。

[0040] 如图1所示，该基于机器学习的无人机的舵面故障报警方法包括(步骤S101‑S105)：

[0041] S101、获取飞行参数数据集，飞行参数数据集包括：影响舵面振荡的数据。

[0042] 本实施例中，影响舵面振荡的数据可以为不同的舵面数据，例如，升降舵位置参数、方向舵位置参数、襟翼位置参数、副翼位置参数、前缘缝翼位置参数等等。根据不同的舵
面故障，可以采用不同的舵面数据。此外，影响舵面振荡的数据还可以为影响舵面振荡的其
他类型的飞行参数数据集，例如，发动机的振动系数、空气动力参数、舵面的材料、舵机刚
度、舵机的间隙、舵面质量等等。由此，根据不同的影响舵面振荡的数据可以提高对不同原
因造成的故障诊断的预测能力。

[0043] 无人机向地面指挥站传回飞行参数数据集，可以包含上千条乃至上万条飞行参数数据。具体地，表1示例性地给出了飞行参数数据集的部分数据，具体包括时标参数、左方向
舵位置参数、右方向舵位置参数和方向舵偏度指令参数，具体见表1。

[0044]

[0045] 表1 部分飞行参数数据集示例

[0046] S102、对飞行参数数据集进行预处理，得到舵面先验数据集，舵面先验数据集包括飞行参数数据集和对飞行参数数据集进行舵面振荡评估得到的极限环振荡数据标识，极限
环振荡数据标识包括用于标识舵面振荡的数值和用于标识舵面未振荡的数值；

[0047] 本实施例中，对飞行参数数据集进行评估，如果评估为舵面振荡，则将极限环振荡数据标识记录为用于标识舵面振荡的数值，例如1，如果评估为舵面未振荡，则将极限环振
荡数据标识记录为用于标识舵面未振荡的数值，例如0。

[0048] 步骤S102中，对飞行参数数据集进行预处理包括：对飞行参数数据集进行舵面振荡评估，如果评估为舵面振荡，则将评估得到的极限环振荡数据标识记录为用于标识舵面
振荡的数值，如果评估为舵面未振荡，则将评估得到的极限环振荡数据标识记录为用于标
识舵面未振荡的数值，进而得到舵面先验数据。

[0049] 作为本发明实施例中一种可选的实施方式，在影响舵面振荡的数据包括：时标参数、方向舵位置参数和方向舵偏度指令参数的情况下，对飞行参数数据集进行预处理，得到
舵面先验数据集，包括：将飞行参数数据集划分为n组飞行参数数据集，每组飞行参数数据
集包括m个影响舵面振荡的数据，m、n为正整数；对每组飞行参数数据集执行以下操作：依次
获取m个影响舵面振荡的数据，计算m个影响舵面振荡的数据中方向舵偏度指令参数与方向
舵位置参数的偏差值，判断偏差值的绝对值是否大于第一预设阈值且方向舵偏度指令参数
的绝对值是否大于第二预设阈值，如果是，则计数器加1；否则，计数器加0；判断计数器的计
数值是否大于第三预设阈值，如果大于，则将对m个影响舵面振荡的数据进行舵面振荡评估
得到的极限环振荡数据标识记录为用于标识舵面振荡的数值；否则，将对m个影响舵面振荡
的数据进行舵面振荡评估得到的极限环振荡数据标识记录为用于标识舵面未振荡的数值。

[0050] 具体地，在一个应用示例中，假设飞行参数数据集具有20000条飞行参数数据，划分为200组，每组100条飞行参数数据，以第1组的100个飞行参数数据为例，从第1组的第1个
飞行参数数据开始进行舵面振荡评估，具体包括：计算第1个飞行参数数据中的方向舵偏度
指令参数与方向舵位置参数的偏差值，得到第1个偏差值，判断该偏差值的绝对值是否大于
第一预设阈值且方向舵偏度指令参数的绝对值是否大于第二预设阈值，如果大于，则计数
器加1；否则，计数器加0；其中，每组的计数器的初始值为0，根据技术人员的经验可以将第
一预设阈值设为0.66°，将第二预设阈值设为1°，当然第一预设阈值与第二预设阈值可以根
据需要进行设置，本实施例对此不做限制。接着，按照上述相同的方式，对第1组中的后续飞
行参数数据依次进行舵面振荡评估。在对第1组的飞行参数数据进行舵面振荡评估的过程
中，如果计数器的计数值大于第三预设阈值，则将该组的极限环振荡数据标识记录为用于
标识舵面振荡的数值，例如1。如果计数器的计数值小于或等于第三预设阈值，则将该组的
极限环振荡数据标识记录为用于标识舵面未振荡的数值，例如0。采用与对第1组的100个飞
行参数数据进行舵面振荡评估的相同方式，依次对后续的199组飞行参数数据进行舵面振
荡评估，由此，完成对200组飞行参数数据的舵面振荡评估，得到舵面先验数据集。

[0051] 具体地，舵面先验数据集可以包括n行，即划分的n组飞行参数数据，每一行包括m列飞行参数数据和1列极限环振荡数据标识，即每组飞行参数数据集包括m个所述影响舵面
振荡的数据和对该m个所述影响舵面振荡的数据进行舵面振荡评估得到的极限环振荡数据
标识。表2示例性地给出了部分舵面先验数据集。参见表2，舵面先验数据集由飞行参数数据
集和对飞行参数数据集进行舵面振荡评估得到的极限环振荡数据标识构成。其中，最后一
列即为对飞行参数数据集进行舵面振荡评估得到的极限环振荡数据标识，最后一列之前的
数据即为飞行参数数据集。

[0052] 极限环振荡数据标识的具体数值为0或1，以第3行为例，最后一列的数值为0，表示该行的飞行参数数据的舵面振荡评估为舵面未振荡。再例如，可以将飞行参数数据每100个
为一组进行舵面振荡评估，表2即为101列数据，前100列为飞行参数数据，第101列为极限环
振荡数据标识。

[0053]

[0054] 表2 部分舵面先验数据集示例

[0055] S103、根据预设比例将舵面先验数据集划分为训练集和测试集；

[0056] 具体地，预设比例可以根据经验设置，例如，可以按照训练集：测试集＝3:1的预设比例将舵面先验数据集划分为训练集和测试集。将表2中任意3/4的数据作为训练集，剩下
1/4的数据集作为测试集。在划分时，可以将舵面先验数据集中的每组数据顺序随机打乱
后，按照预设比例进行训练集和测试集的划分。例如，预设比例也可以为8:2，本发明对此不
做限制。其中，对训练集进行学习可以得到训练后的舵面故障诊断模型，测试集可以对训练
后的舵面故障诊断模型进行验证和调参。

[0057] S104、采用机器学习的方法对训练集进行学习，得到训练后的舵面故障诊断模型；

[0058] 作为本发明实施例中一种可选的实施方式，采用机器学习的方法对训练集进行学习，得到训练后的舵面故障诊断模型，包括：采用多种机器学习的方法对训练集进行学习，
得到多个待评估故障诊断模型，并根据各个待评估故障诊断模型的准确率和ROC曲线
((receiver operating characteristic curve，受试者工作特征曲线)的曲线值选取最优
的待评估故障诊断模型作为训练后的舵面故障诊断模型。

[0059] 其中，机器学习的方法包括以下之一：线性算法、邻近算法(k Nearest Neighbor，简写为KNN)，支持向量机算法(Support Vector Machine，简写为SVM)和神经网络
(Artificial Neural Network，简称ANN)算法。

[0060] 准确率和ROC曲线都是对待评估故障诊断模型的预测能力是否准确的一种评估方式。具体地，作为一种可选的应用示例，表3示例性地给出了利用上述4种学习算法获得的四
种待评估故障诊断模型(线性模型、MLP模型、KNN模型和SVM模型)的准确率和ROC曲线值。

[0061]模型名称 ROC曲线值 准确率
线性模型 0.90 0.8592
ANN模型 0.93 0.8930
KNN模型 0.92 0.8704
SVM模型 0.82 0.7944

[0062] 表3各个待评估故障诊断模型的准确率和ROC曲线值

[0063] 参见表3，可知，在4个待评估故障诊断模型中，神经网络算法对训练集学习得到的神经网络模型的准确率为0.8930，ROC曲线值为0.93，取值最优，因此，在该应用示例中，选
取训练后的神经网络模型作为训练后的舵面故障诊断模型。

[0064] 作为本实施例中一种可选的实施方式，在采用机器学习的方法对训练集进行学习，得到训练后的舵面故障诊断模型之前，本实施例提供的基于机器学习的无人机的舵面
故障报警方法还包括：对舵面先验数据集进行归一化处理。

[0065] 具体地，可以通过主要成分分析方法(PrincipalComponents Analysis，简写PCA)对舵面先验数据集进行归一化处理，特别是在飞行参数数据集包括多项不同类型的数据
(如不同的舵面数据，或者发动机的振动系数、空气动力参数等等)时，在信息损失较小的前
提下，将高维的数据转换到低维，将数值归一到0至1，从而减小计算量。

[0066] 作为本实施例中一种可选的实施方式，本实施例提供的基于机器学习的无人机的舵面故障报警方法还包括：将测试集输入训练后的舵面故障诊断模型进行测试，根据测试
结果的准确率、ROC曲线值、查准率和查全率评估训练后的舵面故障诊断模型的性能，调整
训练后的舵面故障诊断模型的参数。特别地，通过准确率、ROC曲线值和查准率可以确保减
少误判，降低误判率。误判是指在舵面没有振荡时，评估为舵面振荡的情况。本发明中，通过
测试集测试模型的诊断精度，并逐步迭代模型算法，由此，保证训练后的舵面故障诊断模型
的性能最优，故障诊断准确率较高。

[0067] S105、获取待诊断的飞行参数数据集，将待诊断的飞行参数数据集输入训练后的舵面故障诊断模型进行故障诊断得到分析结果，并在分析结果满足预设条件时进行舵面振
荡报警。

[0068] 作为本实施例中一种可选的实施方式，将待诊断的飞行参数数据集输入训练后的舵面故障诊断模型进行故障诊断得到分析结果，并在分析结果满足预设条件时报警，包括：
将待诊断的飞行参数数据集按照预设的方式分组输入训练后的舵面故障诊断模型得到多
组分析结果，在各组分析结果中的振荡次数超过预设次数时报警。例如，可以将实时获取的
左方向舵位置参数数据集每100个为1组，以6组为一次舵面振荡检测，将6组数据依次输入
训练后的舵面故障诊断模型，如果6组中有3组得到的诊断结果为舵面发生振荡，则进行舵
面振荡报警。

[0069] 通过本实施例提供的一种基于机器学习的无人机的舵面故障报警方法，可以有效建立系统准确的舵面故障诊断模型，通过测试集测试模型的诊断精度，并逐步迭代模型算
法，能实时输入待诊断的飞行参数数据集，提高了故障诊断准确率，且训练后的舵面故障诊
断模型具有较强的特征预测能力，能够准确及时地进行故障报警。

[0070] 本实施例还提供了一种基于机器学习的无人机的舵面故障报警装置。图2示出了本实施例提供的基于机器学习的无人机的舵面故障报警装置的结构示意图。以下仅对该基
于机器学习的无人机的舵面故障报警装置的结构进行简要说明，其他相关事宜请参见上文
关于基于机器学习的无人机的舵面故障报警方法的详细描述。

[0071] 参见图2，该基于机器学习的无人机的舵面故障报警装置，包括：

[0072] 参数获取模块，用于获取飞行参数数据集，飞行参数数据集包括影响舵面振荡的数据；

[0073] 预处理模块，用于对飞行参数数据集进行预处理，得到舵面先验数据集，舵面先验数据集包括飞行参数数据集和对飞行参数数据集进行舵面振荡评估得到的极限环振荡数
据标识，极限环振荡数据标识包括用于标识舵面振荡的数值和用于标识舵面未振荡的数
值；

[0074] 模型构建模块，用于根据预设比例将舵面先验数据集划分为训练集和测试集；采用机器学习的方法对训练集进行学习，得到训练后的舵面故障诊断模型；

[0075] 故障诊断报警模块，用于获取待诊断的飞行参数数据集，将待诊断的飞行参数数据集输入训练后的舵面故障诊断模型进行故障诊断得到分析结果，并在分析结果满足预设
条件时进行舵面振荡报警。

[0076] 作为本实施例中一种可选的实施方式，影响舵面振荡的数据包括：时标参数、方向舵位置参数和方向舵偏度指令参数；

[0077] 预处理模块通过以下方式对飞行参数数据集进行预处理，得到舵面先验数据集：将飞行参数数据集划分为n组飞行参数数据集，每组飞行参数数据集包括m个影响舵面振荡
的数据，m、n为正整数；对每组飞行参数数据集执行以下操作：依次获取m个影响舵面振荡的
数据，计算m个影响舵面振荡的数据中方向舵偏度指令参数与方向舵位置参数的偏差值，判
断偏差值的绝对值是否大于第一预设阈值且方向舵偏度指令参数的绝对值是否大于第二
预设阈值，如果是，则计数器加1；否则，计数器加0；判断计数器的计数值是否大于第三预设
阈值，如果大于，则将对m个影响舵面振荡的数据进行舵面振荡评估得到的极限环振荡数据
标识记录为用于标识舵面振荡的数值；否则，将对m个影响舵面振荡的数据进行舵面振荡评
估得到的极限环振荡数据标识记录为用于标识舵面未振荡的数值。

[0078] 作为本实施例中一种可选的实施方式，模型构建模块通过以下方式采用机器学习的方法对训练集进行学习，得到训练后的舵面故障诊断模型：采用多种机器学习的方法对
训练集进行学习，得到多个待评估故障诊断模型，并根据各个待评估故障诊断模型的准确
率和受试者工作特征ROC曲线值选取最优的待评估故障诊断模型作为训练后的舵面故障诊
断模型。

[0079] 通过本实施例提供的一种基于机器学习的无人机的舵面故障报警装置，可以有效建立系统准确的舵面故障诊断模型，通过测试集测试模型的诊断精度，并逐步迭代模型算
法，能实时输入待诊断的飞行参数数据集，提高了故障诊断准确率，且训练后的舵面故障诊
断模型具有较强的特征预测能力，能够准确及时地进行故障报警。

[0080] 应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件
或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下
列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路
的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场
可编程门阵列(FPGA)、Tx2、树莓派等。

[0081] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不
一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何
的一个或多个实施例或示例中以合适的方式结合。

[0082] 尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨
的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本发明的范围
由所附权利要求及其等同限定。