基于神经网络的无人机传感器故障识别

2019-04-28孟文晔

电子技术与软件工程 2019年3期

文/孟文晔

神经网络的应用，能够对无人机传感器的故障识别体系更好健全，其在信息处理和各项数据判断过程中，给出了更多的依据。另一方面，神经网络的运用过程中，能够对无人机传感器更好的健全，在更新换代与实验的过程中，可以由此来拉动元件的有效健全，降低故障的发生概率。因此，基于神经网络的无人机传感器故障识别，值得推广应用。

1 神经网络的应用意义

从客观的角度来分析，无人机传感器故障识别的过程中，传统方法不仅在检验的内容上非常的繁琐，同时得到的结果，未必能够获得较高的准确性。结合以往的工作经验和当下的工作标准，认为神经网络的应用意义，主要是表现在以下几个方面：

（1）神经网络促使识别技术的操作，按照较高的标准和方法来完成，针对传统的经验判断，或者是固有的依据不足等有效应对。整体上的工作开展，能够由此获得较高的肯定。

（2）神经网络的应用，符合无人机传感器故障识别的趋势，其能够在故障的定位和类型掌握上，取得较好的成果。

2 无人机传感器故障识别的现状和问题

2.1 识别依据较少

分析认为，识别依据较少的问题，是日后的重点解决对象。例如，无人机的无人机传感器故障识别过程中，不同的故障和元件损坏，造成的故障现象存在很大的差异性，但是由于在识别依据上较少，以至于无人机传感器故障识别的结果并不准确，大量的元件更换，或者是反复的拆解维修，都容易导致无人机传感器故障识别的效率下降，而且得不到用户的认可，最终产生的损失和矛盾较多。

2.2 识别体系不健全

首先，无人机传感器故障识别的初期阶段，并没有办法完成快速引导实验分析，对于传感器的损坏原因，或者是具体损坏的程度等，无法做出快速、准确的判断。其次，识别体系不健全的情况下，容易导致无人机的其他元件，也出现较多的隐患和不足，这对于将来工作的进步，无疑造成了严重的挑战。

3 无人机传感器分析

现阶段的无人机传感器研究过程中，自身的精细化程度大幅度的提升，同时包含的内容也在不断的丰富。

（1）加速度计是无人机传感器的核心组成部分，其主要是对无人机在不同的方向所承受的加速力进行有效的提供。例如，无人机在应用或者是静止的过程中，自身的倾斜角度，是通过加速度计来完成的，因此一旦出现了故障，则导致无人机自身的平衡性无法良好的保障，容易出现损毁现象。

（2）陀螺仪。该元件在应用的过程中，能够针对三轴的角速度开展有效的监测分析，这其中涵盖了无人机的俯仰、无人机的翻滚、无人机的偏摆等等，不同的动作幅度，对于陀螺仪的要求存在差异性，所以在故障诊断和处理的过程中，陀螺仪的应对和解决，必须高度的关注。

（3）磁罗盘能为无人机提供方向感。它能提供装置在XYZ各轴向所承受磁场的数据。接着相关数据会汇入微控制器的运算法，以提供磁北极相关的航向角，然后就能用这些信息来侦测地理方位。

4 神经网络在无人机传感器故障识别中的应用

4.1 完善神经网络架构

从主观的角度来分析，无人机传感器故障识别工作的开展，对于神经网络的融入和应用，想要在具体的效果上得到良好的提升，必须对神经网络架构不断的完善，该方面的工作开展，是细节上的组成部分，而且能够产生的影响力是非常高的。

4.2 加强测试

基于神经网络的无人机传感器故障识别，是比较可靠的方法和手段，同时能够在很大程度上，针对固有的疏漏现象良好的解决。分析认为，基于神经网络的无人机传感器故障识别，其在运用过程中，会在测试的力度上不断的加强。针对传感器q来进行仿真分析。首先选取600s的实航数据作为网络学习的样本，然后选取100s的数据来进行故障诊断的数字仿真。仿真中，传感器故障注入采用人工方式，注入时间为50s，故障类型为传感器卡死故障。为了得到高的故障检测能力和好的信号恢复质量，主神经网络结构选输入层单元数、隐层单元数、输出层单元数分别为9，16，3，学习速率为0.1，如图1所示。

图1：MQEE随时间变化曲线图

4.3 完善识别体系

从目前所掌握的情况来看，基于神经网络的无人机传感器故障识别，能够在很大程度上对既有的不足开展良好的弥补，而且在全局工作的实施层面上，创造了较高的价值。本文认为，基于神经网络的无人机传感器故障识别，必须在日后的发展上，对于自身的识别体系不断的完善。例如，用户在送检和报修的过程中，针对不同的传感器类型、故障原因、故障发生时间、故障持续时间、故障恶化情况等，都要开展搜集和探讨，从而促使识别体系更好的健全，针对基于神经网络的无人机传感器故障识别，能够产生良好的推动效果。