一个权重转移域适应网络应用于无人机故障诊断

科学领域:

• 航空航天工程 航空航天工程
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 无人驾驶飞行器 (UAV) 系统面临复杂的故障诊断挑战,原因是复杂的设计和不同的操作条件.
• 传统的深度学习方法在无人机中难以检测异常,因为数据分布的变化和标记故障数据的困难.
• 无人机中的弱,非线性和不确定的故障特征需要先进的诊断技术来提高可靠性.

研究的目的:

• 引入一种新的加权转移域适应网络 (WTDAN),用于在线检测UAV电磁敏感飞行数据的异常和故障诊断.
• 解决无人机系统中数据分布不平衡和有限的标记故障数据的挑战.
• 提高故障诊断模型在不同无人机飞行条件中的准确性和可转移性.

主要方法:

• 开发了一个加权转移域适应网络 (WTDAN),采用无监督转移学习.
• 集成了三种新的多尺度模块:特征提取器,域区分器和标签分类器.
• 利用多层域调整和加权的源域样本来缓解数据分布差异.

主要成果:

• 在异常检测中达到高达90%的分类准确性,即使有稀缺的异常目标数据.
• 与现有方法相比,WTDAN模型在跨域数据集中具有卓越的可转移性.
• 该WTDAN方法有效地从弱,合和杂的无人机飞行数据中提取诊断信息.

结论:

• WTDAN为无人机在线异常检测和故障诊断提供了一个强大的解决方案.
• 这种方法在数据稀缺和分布转移的情况下显著提高了故障诊断的性能.
• 拟议的方法提高了无人机的预后和健康管理 (PHM),有助于提高系统可靠性,可修复性和安全性.