使用信息颗粒来有效检测无人机故障的时间序列的分类

科学领域:

• 工程 工程师 工程师 工程师
• 数据科学数据科学数据科学
• 机器学习 机器学习

背景情况:

• 时间序列分类对于无人机操作等应用至关重要.
• 准确的车辆操作数据分类,如振动信号,对于安全和维护至关重要.
• 现有的方法可能会在复杂的时间序列数据中的噪声和解释性方面扎.

研究的目的:

• 建议使用信息颗粒进行时间序列分类的新方法.
• 提高无人机振动信号分析的可解释性和噪声强度.
• 提高无人机不同转子故障级别分类的准确性.

主要方法:

• 连续时间窗口的振动信号转化为信息颗粒 (紧的统计总结).
• 利用这些信息颗粒作为机器学习分类器的输入.
• 测试使用不同转子故障级别的操作无人机的振动数据来测试方法.

主要成果:

• 与原始数据相比,使用信息颗粒显著提高了分类准确性.
• 使用树组合方法与信息颗粒实现了100%的转子故障级别分类准确度,从原始数据的57.5%大幅增加到57.5%.
• 证明了信息颗粒在区分五种不同的转子故障级别 (0%至100%) 中的有效性.

结论:

• 拟议的信息颗粒方法为时间序列分类提供了更有效和更稳定的方法,特别是用于无人机健康监测.
• 信息颗粒提供了信号动态的优越表示,从而提高了分类性能.
• 该研究提供了对优化参数的见解,例如时间窗口长度和训练集大小,用于实际应用.