基于多源数据融合的知识转移,用于无人机飞行数据异常检测和恢复

科学领域:

• 航空航天工程 航空航天工程
• 数据科学数据科学数据科学
• 机器学习 机器学习

背景情况:

• 在无人机 (UAV) 的健康管理中,异常检测 (AD) 是至关重要的.
• 数据驱动的方法通常需要大量的数据,而这些数据并不总是可用.
• 由于成本或特殊条件,有限的数据场景会降低传统数据驱动方法的性能.

研究的目的:

• 提出一种创新的数据驱动方法,以有限的样本检测和恢复异常的无人机飞行数据.
• 为了提高性能,利用转移学习和多源数据融合.
• 解决传统方法在低数据制度中的性能退化问题.

主要方法:

• 一个数据驱动的框架,使用一维卷积神经网络和双向长短期记忆 (1D CNN-BiLSTM) 与参数选择和剩余光滑 (1DCB-PSRS).
• 使用1D CNN-BiLSTM模型提取时空特征.
• 通过最大信息系数 (MIC) 选择参数,通过指数加权移动平均线 (EWMA) 进行残余平滑.
• 多源数据融合用于模型的预训练,然后通过使用转移学习对有限的目标域数据进行微调.

主要成果:

• 拟议的1DCB-PSRS框架有效地提取了用于异常检测和恢复的时空特征.
• 从多个源域转移学习显著提高模型性能在有限的目标域数据.
• 该方法在检测和恢复现实数据集上的异常无人机飞行数据方面表现出有效性.

结论:

• 拟议的转移学习方法在有限的样本条件下显著提高了无人机飞行数据的异常检测和恢复.
• 1DCB-PSRS框架为无人机健康管理提供了强大的解决方案,在数据采集具有挑战性的情况下.
• 该方法为数据稀缺的现实世界无人机应用提供了实用和有效的解决方案.