无人机机载异常检测及数据重构方法研究

To achieve real-time evaluation and correction of UAV operation, the lightweight and real-time anomaly detection and data reconstruction algorithm are focused in this work. Firstly, the cause of high false alarm of anomaly detection is analyzed, involving multiple operating conditions, complicated environment, mixed data, and etc. By combining causal relation model and temporal correlation model, a new enhanced airborne anomaly detection method is proposed. Then, considering the high failure risk and nonlinear failure of sensors, the sensor data tracking and reconstruction is implemented with hybrid model of local association rules and data-driven method. Finally, the high performance and lightweight airborne computing system is built under the constraints of power consumption, volume and weight. As a result, the on-board anomaly detection and sensor data reconstruction system is obtained in three aspects: data, algorithm and computing platform.

针对无人机任务执行时缺乏运行状态实时评估和修正的问题，研究轻量化实时异常检测和数据重构算法。首先，分析无人机多工况、复杂应用环境以及混合数据利用不充分等导致异常检测虚警率上升的现象，通过结合因果关系物理模型和短时关联关系模型，构建基于多级过滤的机载增强异常检测方法；然后，重点针对传感器易失效、非线性的问题，通过局部关联规则与数据驱动方法构建的融合模型，实现对传感器数据的跟踪和数据重构。最后，通过构建高能效轻量级机载计算系统，在无人机系统能耗，体积和重量限制条件下，最终从数据、算法以及计算平台三个方面实现机载在线异常检测和传感数据重构系统。

近年来，以无人机为代表的复杂无人系统已成为我国国防建设及民生服务的中坚力量。但受限于设计、制造成本，无人机机载状态感知参数较少，系统自身的可靠性低，且缺少飞行员在回路的实时监测与决策，导致其事故率比有人机高出1~2个数量级，因此无人机的异常检测技术已成为无人机系统健康管理与智能自主任务等领域的共性需求。但同时，随着无人机执行任务过程中环境愈发恶劣、工况更加复杂，稳定、准确、近实时的无人机异常检测需求愈发迫切。基于此，本项目首先针对无人机复杂工况和应用环境以及监测参数利用不充分等问题，提出基于LSTM的多级过滤的增强型异常检测方法，在降低无人机异常检测虚警率的同时，解决无人机异常模式标记的问题。进而，基于关联规则挖掘方法，建立无人机机载传感数据重构模型，实现局部关联规则与检测数据回归预测数据融合。以此为理论基础，针对无人机平台计算资源受限的现实挑战，设计并研制基于混合数据接入的高能效SOPC机载异常检测硬件平台，进一步提升了项目成果的实用化水平。最后，开展无人机异常检测和传感数据重构技术验证及评价体系研究，建立完备、可行的评估体系，实现所提出理论方法和计算架构的综合验证与评估。