一种可自适应扩展的实时无人机飞行异常状态识别方法及系统,其实现的方案为,从历史无人机飞行日志数据中获取基线特征组,建立异常检测模型;实时采集无人机传感器数据特征,使用实时数据特征对异常检测模型进行自适应扩展更新;根据实时数据特征与基线特征组的匹配情况评估无人机飞行状态的正常或者异常;在识别到异常飞行状态时进行归因分析并下达处置指令。本技术能够对飞行中的无人机实时进行检测,扩展性好,对相似型号的无人机具备自适应扩展能力,算法复杂度与模型空间占用低,容易在终端直接部署,能够准确检测多种类型的异常飞行状态并精确分析异常原因。
背景技术
无人机已被证明容易受到各种形式的攻击,这些攻击将会严重影响无人机的飞行安全,导致无人机的任务失败、甚至无人机坠毁等情况。通常情况下,无人机系统能够根据传感器数据对自身姿态和周围环境进行估计,并根据任务目标做出控制决策,同时在设计时无人机便考虑了许多的自然干扰,因此,无人机能够在复杂多变的未知物理环境中平稳运行。受限于当前的技术条件与无人机的计算能力,无人机必须依赖于传感器所回报数据以进行状态估计,并无条件认为其下达的控制指令被准确执行。异常检测作为一种常用的数据分析手段,被广泛使用在各种高维数据的分析中。在无人机的飞行中,检测无人机飞行时结果的准确性与检测时延对无人机平稳持续正常工作至关重要。
陕西千山航空电子有限责任公司在其申请的专利文献“一种基于飞参数据的飞机异常状态识别方法”(申请号:202010821230.X,申请公布号:CN 112085866A,申请日:2020年08月14日)中公开了一种基于飞参数据的飞机异常状态识别方法。该方法的实现步骤包括:构造初始状态空间;重构状态空间并生成单架次飞行数据对应的状态序列片段:合并状态序列中连续重复状态;使用滑动窗处理状态序列,构造状态转移模型训练数据集;状态转移模型的训练;结合状态空间和状态转移模型进行单架次飞行数据异常检测。该方法能够有效地定位单架次飞行数据异常帧数,对保障飞机性能安全具有极大的意义。但是,该方法仍然存在的不足之处是:该方法为识别异常状态所构建的状态转移模型的结构复杂,计算复杂度高,在计算资源受限的无人机设备上不易部署;该方法设计为针对单架次飞行数据的异常检测,其检测对象为一段已经产生的飞行数据,无法针对正在飞行的无人机实时地进行飞行数据的异常检测。
西安电子科技大学在其申请的专利文献“一种实时在线的无人机多故障异常检测方法及设备”(申请号:2020107609317,申请公布号:CN 111907730 A,申请日:2020年07月31日)中公开了一种实时在线的无人机多故障异常检测方法。该检测方法的步骤包括:获取无人机传感器控制数据与测量数据,建立异常检测模型并对模型进行迭代更新,更新之后根据更新步长是否在给定时间内小于给定阈值来判定模型是否达到稳定;检测模型稳定之后,计算渐进型故障阈值、对数似然比以及实时误差的Z值;根据渐进型故障阈值、对数似然比以及Z值判断是否发生故障。该发明易于移植,能在线实时检测,计算过程简单,并且能够准确检测多种类型的故障。但是,该方法仍然存在的不足之处是:该方法在进行实时异常检测时需要使用传感器的控制数据,对此类数据的额外采集将会增加处理时间,并影响实时检测效率;该方法在检测到故障后无法对异常类型进行更加细化的归因分析,也就无法在检测到异常后对无人机进行针对性的处置。
贵州大学在其申请的专利文献“一种基于编码-解码的无人机飞行数据自适应异常检测方法”(申请号:2024104960719,申请公布号:CN 118094447 A,申请日:2024年04月24日)中公开了一种基于神经网络的四旋翼无人机攻击检测方法。该方法实现的步骤包括:数据重建和自适应异常检测;数据重建包括模型架构建立和模型训练;模型架构建立采用一维CNN-BiLSTM作为特征提取器,捕捉时间特征和局部特征的基本特征数据,并引入注意力机制选择和加权基本特征数据;模型架构建立包括编码和解码;自适应异常检测包括对残差序列进行建模,并以此匹配SVR模型输入,对SVR模型进行评估测试。该发明通过一维CNN和BiLSTM,并结合注意力机制,使模型能够更好地理解数据的特征,实现更精确的数据表示,以此建立精准的数据重构模型。同时,采用自适应阈值,更好满足数据动态变化条件下的自适应异常检测。但是,该方法仍然存在的不足之处是:该方法使用使用深度学习的“编码-解码”模型作为检测核心算法,计算复杂度高,不易在无人机上部署;且在检测前需要收集大量基础数据进行模型训练,实施成本与难度较大;该方法的自适应性只能提高检测精度,而针对不同的无人机进行检测时,需要重新训练异常检测模型,无法自适应扩展。
综上所述,现有技术在针对无人机实时飞行状态异常检测中主要存在以下五个不足之处:
1.基于机器学习方法建立异常检测模型,所需用于训练的基础数据量大,采集成本高,且对这些数据进行标注的耗费大;
2.进行异常检测所使用算法的计算复杂度高,不易直接部署在计算能力有限的无人机设备上;
3.缺乏实时性,在进行异常检测时无法在线的针对实时飞行的无人机进行异常检测;
4.缺少异常归因分析,仅能检测出异常而无法分析引发异常的原因,限制了在检出异常后更加细化有针对性的异常处置措施的部署能力;
5.扩展性不足,针对不同的无人机无法直接移植扩展已有的异常检测模型,需要重新建立一个新的检测模型。
实现思路