CN119203006B - 一种电动垂直起降飞行器飞行异常状态诊断方法 - Google Patents

Abstract

一种电动垂直起降飞行器飞行异常状态诊断方法，属于电动垂直起降飞行器飞行管理技术领域。为解决电动垂直起降飞行器异常状态的检测和处理，本发明包括构建电动垂直起降飞行器飞行监测指标；构建电动垂直起降飞行器飞行监测指标的影响因素包括环境温度、风速、风向、载重、飞行时间、电池电压、电池电流；构建电动垂直起降飞行器飞行异常状态诊断数据集，包括训练集、验证集、测试集；基于改进的LSTM神经网络构建电动垂直起降飞行器飞行监测指标预测模型；利用训练集对电动垂直起降飞行器飞行监测指标预测模型进行训练，得到训练好的电动垂直起降飞行器飞行监测指标预测模型；基于预测数据对电动垂直起降飞行器飞行异常状态进行诊断。

Description

一种电动垂直起降飞行器飞行异常状态诊断方法

技术领域

本发明属于电动垂直起降飞行器飞行管理技术领域，具体涉及一种电动垂直起降飞行器飞行异常状态诊断方法。

背景技术

eVTOL飞行器（电动垂直起降飞行器）具有多种显著特点和优势。首先，它们能够在极小的起降空间内垂直起降，使得在城市和拥挤地区的运行成为可能，极大地节省了需要长跑道的传统飞机所需的空间。其次，由于采用电动推进系统，eVTOL飞行器比传统内燃机飞机更为环保，排放较低，噪音也大幅降低，有助于减少对环境的影响和提高居民的生活质量。此外，eVTOL飞行器的维护成本相对较低，操作灵活，能够快速响应城市短途运输需求。这些特点使得eVTOL成为未来城市空中交通和快速救援等领域的理想选择。

在eVTOL飞行器的飞行过程中，监测电池电量、电机温度和转速是至关重要的。电池电量的监测确保飞行器能在电能耗尽前安全返回或着陆，也有助于电池维护和延长其使用寿命。电机温度的实时监控可以防止电机过热导致的设备损坏或性能降低，同时提供关于电机健康状况的重要数据。转速的精确监测则直接影响到飞行器的升力和推力，对飞行控制和能耗优化至关重要。通过这些数据的持续监测，可以大幅提升飞行的安全性和效率。

eVTOL（电动垂直起降飞行器）在飞行过程中，缺少对电池电量、电机温度和转速的异常状态检测，会面临一系列严重问题。首先，电池电量是eVTOL飞行的基础能源，电量异常可能导致飞行器无法完成预定飞行任务，甚至在空中突然断电，造成飞行安全事故。其次，电机是驱动eVTOL飞行的核心部件，电机温度异常升高可能预示着过载或故障发生，若不及时检测和处理，可能引起电机损坏，严重时可能引发火灾。同时，电机转速的异常变化直接关联到飞行器的控制稳定性和操作响应性，转速过高或过低都可能导致飞行控制困难，影响飞行安全。缺乏有效的异常检测方法，不仅增加了飞行过程中的安全风险，而且可能导致飞行器的维护成本增加，飞行效率下降。此外，这也会影响乘客和操作员的信任度，对商业运营造成负面影响。

申请号为201810790066.3、发明名称为“一种基于LSTM的无人机飞行状态预测方法及系统”的发明专利中，针对现有无人机控制模型无法根据飞行状态数据预测飞行动作的问题，提出了一种基于LSTM的飞行状态预测方法及系统。通过构建动作标签字典、采集和预处理数据、使用改进的LSTM模型进行训练和验证，该方法能够准确预测无人机的飞行动作，提高无人机操作的准确性和安全性。然而，上述发明专用于正常操作情况下的动作预测，尚未涉及异常状态检测或处理。

发明内容

本发明要解决的问题是电动垂直起降飞行器异常状态的检测和处理，提出一种电动垂直起降飞行器飞行异常状态诊断方法。

为实现上述目的，本发明通过以下技术方案实现：

一种电动垂直起降飞行器飞行异常状态诊断方法，包括如下步骤：

S1. 构建电动垂直起降飞行器飞行监测指标为电池电量、电机温度和转速；

S2. 构建电动垂直起降飞行器飞行监测指标的影响因素包括环境温度、风速、风向、载重、飞行时间、电池电压、电池电流；

S3. 采集同一时间的电动垂直起降飞行器飞行监测指标数据及电动垂直起降飞行器飞行监测指标的影响因素数据，构建电动垂直起降飞行器飞行异常状态诊断数据集，包括训练集、验证集、测试集；

S4. 基于改进的LSTM神经网络构建电动垂直起降飞行器飞行监测指标预测模型；

S5. 利用步骤S3得到的训练集对电动垂直起降飞行器飞行监测指标预测模型进行训练，得到训练好的电动垂直起降飞行器飞行监测指标预测模型；

S6. 利用步骤S5得到的训练好的电动垂直起降飞行器飞行监测指标预测模型对电动垂直起降飞行器飞行监测指标进行预测，基于预测数据对电动垂直起降飞行器飞行异常状态进行诊断。

进一步的，步骤S1中利用eVTOL飞行器装备的库仑计测量电池电量、红外传感器测量电机温度、光学编码器检测转速。

进一步的，步骤S3的具体实现方法包括如下步骤：

S3.1. 采集同一时间的电动垂直起降飞行器飞行监测指标数据及电动垂直起降飞行器飞行监测指标的影响因素数据；

采集无人机飞行过程中时刻对应的电池电量依次为，对应的电机温度依次为，对应的电机转速依次为；

利用红外热像仪采集无人机飞行过程中时刻对应的环境温度依次为；

采用热线风速计采集无人机飞行过程中时刻对应的风速依次为；

采用超声波风向计采集无人机飞行过程中时刻对应的风向依次为；

采用压电式称重传感器采集无人机飞行过程中时刻对应的载重依次为；

采用GPS模块采集无人机飞行过程中时刻对应的飞行时间依次为；

采用电压传感器采集无人机飞行过程中时刻对应的电池的电压依次为；

采用电流传感器采集无人机飞行过程中时刻对应的电池的电流依次为；

S3.2. 将步骤S3.1得到的t1~tn时刻的数据进行划分，划分成了多个连续的时间序列，每个时间序列的长度为j，划分得到的时间序列的数量为K个；即第一个时间序列对应的时刻为：t1~tj；第二个时间序列对应的时刻为：t2~t(j+1)；第三个时间序列对应的时刻为：t3~t(j+2)；…；第K个时间序列对应的时刻为：tK~t(j+K-1)；

将全部K个时间序列的数据，按照8:1:1的比例关系划分成训练集、验证集、测试集。

进一步的，步骤S4的具体实现方法包括如下步骤：

S4.1. 设置改进的LSTM神经网络中改进后的遗忘门的激活值计算表达式为：

；

其中，为遗忘门的激活值，为sigmoid激活函数，为层归一化，为Dropout正则化，为遗忘门的权重，为上一时间步的最终输出，为当前时间步的输入，为连接操作，为遗忘门中的权重，为上一时间步的细胞状态，为遗忘门的偏置；

S4.2. 设置改进的LSTM神经网络中，改进后的输入门的激活值计算方法如下为：

；

其中，为输入门的激活值，为输入门的权重，为输入门中的权重，为输入门的偏置；

S4.3. 设置改进的LSTM神经网络中，改进后的细胞候选值计算方法如下：

；

其中，为细胞候选值，为双曲正切激活函数，为细胞候选值的权重，为细胞候选值中的权重，为细胞候选值的偏置；

S4.4. 设置改进的LSTM神经网络中，改进后的细胞状态更新的计算方法如下：

；

其中，为注意力权重，为softmax激活函数，为注意力权重的系数，为注意力权重中的权重，为注意力权重的偏置；

；

其中，为细胞状态；为点乘操作；

S4.5. 设置改进的LSTM神经网络中，改进后的输出门和最终输出计算方法如下：

；

其中，为输出门的激活值，为输出门的权重，为输出门的权重，为输出门的偏置；

；

其中，为最终输出值；

S4.6. 将改进的LSTM模型计算公式，更新至LSTM模型对应的算法中，并且部署至计算机中，完成电动垂直起降飞行器飞行监测指标预测模型的构建。

进一步的，步骤S5的具体实现方法包括如下步骤：

S5.1. 将训练集输入到电动垂直起降飞行器飞行监测指标预测模型中进行训练，训练过程中，损失函数采用均方误差MSE，计算方法如下：

；

其中，为样本数量，为真实值，为预测值；

S5.2. 设置电池电量、电机温度、电机转速对应的均方误差依次记为、、，则总的损失函数为：

；

其中，为电池电量的均方误差对应的权重系数，为电机温度的均方误差对应的权重系数，为电机转速的均方误差对应的权重系数；

S5.3. 误差修正通过反向传播和随机梯度下降SGD方法来实现，当损失函数值趋于稳定或达到预设的训练轮次时，训练结束；完成电动垂直起降飞行器飞行监测指标预测模型的训练，用于预测eVTOL飞行器飞行过程中的电池电量、电机温度、电机转速。

进一步的，步骤S6的具体实现方法包括如下步骤：

S6.1. 利用步骤S5得到的训练好的电动垂直起降飞行器飞行监测指标预测模型对电动垂直起降飞行器飞行监测指标进行预测，预测得到第时刻的电池预测电量、第时刻的电机预测温度、第时刻的电机预测转速；

S6.2. 对于步骤S6.1得到的第时刻的电池预测电量，采用库仑计实际监测得到第时刻的电池实际电量为；

比较与，当时，其中为专家确定的允许电池电量误差，表明模型预测的电池电量值与实际监测值保持一致；

当时，则对第tp+1时刻的电池预测电量和第tp+1时刻的电池实际电量进行进一步比较，当时，则认为电池电量预测值与实际监测值的偏差为传感器偏差所致，不需要对eVTOL飞行器设备进行处理；

当时，对第tp+2时刻的电池预测电量和第tp+2时刻的电池实际电量进行进一步比较，当时，则认为电池电量预测值与实际监测值的偏差为传感器偏差所致，不需要对eVTOL飞行器设备进行处理；而当时，表明模型预测的电池电量值与实际监测值相差较大，认为电池预测电量与实际监测值的偏差为电池本身出现问题，需要进行电池检查和维修；

S6.3. 对于步骤S6.1得到的第时刻的电机预测温度，采用红外传感器实际监测得到的第时刻的电机实际温度为；

比较与，当时，其中为专家确定的允许电机温度误差，表明模型预测的电机温度与实际监测值保持一致；

当时，对第tp+1时刻的电机预测温度和第tp+1时刻的电机实际温度进行进一步比较，当时，则认为电机温度预测值与监测值的偏差为传感器偏差所致，不需要对eVTOL飞行器设备进行处理；而当时，表明模型预测的电机温度值与实际监测值相差较大，认为电机温度预测值与实际监测值的偏差为电机本身出现问题，需要进行电机检查和维修；

S6.4. 对于步骤S6.1得到的第时刻的电机预测转速；采用光学编码器实际监测得到的第时刻的电机实际转速为；

比较与，当时，其中为专家确定的允许电机转速误差，表明模型预测的电机转速值与实际监测值保持一致；

当时，表明模型预测的电机转速值与实际监测值相差较大，此时，需要立即对无人机电机进行检查和维修；

S6.5. 当上述电池电量、电机温度、电机转速同时出现异常时，需要优先处理电机转速问题，其次，需要处理电机温度问题，最后，处理电池电量问题。

本发明的有益效果：

本发明所述的一种电动垂直起降飞行器飞行异常状态诊断方法，考虑了数据波动较大、数据时间复杂性、数据中重要特征挖掘、过拟合等问题，提出了改进LSTM预测模型，提升了对于电池电量、电机温度、电机转速预测的准确性。对于保证eVTOL飞行器飞行安全、优化电机性能管理、延长电池寿命、提高能效和降低维护成本具有重要价值，使得能源利用更加高效和经济。

本发明所述的一种电动垂直起降飞行器飞行异常状态诊断方法，通过准确识别数据异常，可以及时发现潜在的eVTOL飞行器设备故障或性能下降，从而采取预防措施或进行必要的维护。这不仅有助于保障eVTOL飞行器设备安全运行，降低事故风险，还能有效延长设备使用寿命，降低运营成本，保证生产效率和质量。

附图说明

图1为本发明所述的一种电动垂直起降飞行器飞行异常状态诊断方法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施方式，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅用以解释本发明，并不用于限定本发明，即所描述的具体实施方式仅仅是本发明一部分实施方式，而不是全部的具体实施方式。通常在此处附图中描述和展示的本发明具体实施方式的组件可以以各种不同的配置来布置和设计，本发明还可以具有其他实施方式。

因此，以下对在附图中提供的本发明的具体实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定具体实施方式。基于本发明的具体实施方式，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他具体实施方式，都属于本发明保护的范围。

为能进一步了解本发明的发明内容、特点及功效，兹例举以下具体实施方式，并配合附图1详细说明如下：

实施例1：

一种电动垂直起降飞行器飞行异常状态诊断方法，包括如下步骤：

S1. 构建电动垂直起降飞行器飞行监测指标为电池电量、电机温度和转速；

进一步的，步骤S1中利用eVTOL飞行器装备的库仑计测量电池电量、红外传感器测量电机温度、光学编码器检测转速；

S2. 构建电动垂直起降飞行器飞行监测指标的影响因素包括环境温度、风速、风向、载重、飞行时间、电池电压、电池电流；

进一步的，环境温度较低时，会降低电池化学反应速率，增加内阻，减少可用电量，导致电量消耗加快；低温使得电机需要更长时间达到最佳工作温度，同时，电机之间的机械部件摩擦增加，需要提高电机转速克服额外阻力。

风速较大且顺风时，可以减少电池的功耗，同时，增加电机的冷却效果，电机需要降低转速保持当前飞行速度。

eVTOL飞行器的载重越大，电池电量消耗越大，电机温度越高，电机转速越快。采用压电式称重传感器，测量飞行器的负载重量。

eVTOL飞行器的飞行时间越长，电量消耗越大，电机温度会升高，电机效率可能略有下降，需要增加转速维持相同的性能。

电压与电量之间存在非线性关系，同时，电压降低时，维持相同的功率下，电机温度会升高；且电压降低时，电机的最高可达转速会下降。采用电压传感器，测量电池端电压。

电流直接决定功率输出和能量消耗。电流的增加会导致电量消耗速度增加，电机温度升高，电机转速增加。采用电流传感器，测量电路中的电流。

S3. 采集同一时间的电动垂直起降飞行器飞行监测指标数据及电动垂直起降飞行器飞行监测指标的影响因素数据，构建电动垂直起降飞行器飞行异常状态诊断数据集，包括训练集、验证集、测试集；

进一步的，步骤S3的具体实现方法包括如下步骤：

S3.1. 采集同一时间的电动垂直起降飞行器飞行监测指标数据及电动垂直起降飞行器飞行监测指标的影响因素数据；

采集无人机飞行过程中时刻对应的电池电量依次为，对应的电机温度依次为，对应的电机转速依次为；

利用红外热像仪采集无人机飞行过程中时刻对应的环境温度依次为；

采用热线风速计采集无人机飞行过程中时刻对应的风速依次为；

采用超声波风向计采集无人机飞行过程中时刻对应的风向依次为；

采用压电式称重传感器采集无人机飞行过程中时刻对应的载重依次为；

采用GPS模块采集无人机飞行过程中时刻对应的飞行时间依次为；

采用电压传感器采集无人机飞行过程中时刻对应的电池的电压依次为；

采用电流传感器采集无人机飞行过程中时刻对应的电池的电流依次为；

S3.2. 将步骤S3.1得到的t1~tn时刻的数据进行划分，划分成了多个连续的时间序列，每个时间序列的长度为j，划分得到的时间序列的数量为K个；即第一个时间序列对应的时刻为：t1~tj；第二个时间序列对应的时刻为：t2~t(j+1)；第三个时间序列对应的时刻为：t3~t(j+2)；…；第K个时间序列对应的时刻为：tK~t(j+K-1)；

将全部K个时间序列的数据，按照8:1:1的比例关系划分成训练集、验证集、测试集。

在构建预测模型过程中，存在两个问题：（1）传统模型中，难以捕捉数据之间的长期依赖关系，即模型难以记住并使用较早时刻的电池电量、电机温度、电机转速，对未来时刻的电池电量、电机温度、电机转速进行预测。（2）在对电池电量、电机温度、电机转速进行预测时，并不是所有的较早时刻的信息都是同等重要的，需要对已有时刻的信息的重要程度进行区分。

针对上述问题，学者提出了LSTM（长短期记忆网络）模型，该模型引入了门控机制，包括输入门、遗忘门、输出门，通过控制信息的长期保存与遗忘，有效解决了数据长期以来问题。同时，LSTM的门控机制可以允许模型学习不同时间节点的信息重要程度。

然而，在LSTM中，依然存在下面几方面的问题，（1）在训练LSTM时，由于时间序列中的数据波动较大，模型的性能可能会受到影响，特别是在数据分布不均匀的情况下。（2）传统的LSTM模型在处理含有复杂时间依赖性的数据，如电机转速或电池电量变化时可能不够精确，因为该方法通常只依赖于短期的输入和隐藏状态。（3）传统LSTM在处理长序列数据时，可能会忽略那些对预测特别重要的信息，该方法通常用于处理整个序列的信息。（4）在训练复杂的LSTM网络时，模型会过拟合训练数据，导致在实际应用中性能下降。

上述问题，将导致eVTOL飞行器飞行过程中，较难基于监测数据对电池电量、电机温度、电机转速进行准确地预测。

对LSTM模型进行了改进。具体如下：

（1）引入层归一化技术。层归一化能够稳定LSTM的学习过程，提高模型在不同数据条件下的适应能力，这对于无人机在不同环境和负载条件下飞行是非常重要的。这种技术可以帮助模型更好地适应环境变化，如温度变化对电机温度的影响，或负载变化对电池耗电和电机性能的影响。

（2）引入峰值连接技术。峰值连接使得模型可以直接利用长期记忆来调整门控的开闭，这对于预测如电池的长期消耗模式或电机在连续运行下的温度和转速非常有用。

（3）引入注意力机制。注意力机制可以帮助模型识别出对电池电量消耗最关键的飞行阶段，以及影响电机温度和转速的特定操作条件。例如，模型可以学习在起飞和降落时电池消耗最快的模式，以及在高速飞行时电机温度和转速的变化。

（4）引入Dropout 正则化技术。在无人机的电池电量、电机温度和转速的预测模型中，使用Dropout可以增加模型的泛化能力，减少在新的或未见过的飞行条件下的预测误差。这有助于当无人机面临不同的环境条件或飞行模式时，保持预测的稳定性和准确性。

采用上述4项技术，对传统LSTM中遗忘门、输入门、细胞候选值、细胞状态更新值、输出门、最终输出进行改进。

细胞状态为网络记忆的核心部分，通过一系列时间步传递信息。细胞状态可以看作是一条流动的“信息公路”，它携带着对未来决策可能重要的所有信息。在 LSTM 中，这个细胞状态能够在不同时间步间以几乎不变的形式传递，只通过门控制的方式进行细微的调整。

S4. 基于改进的LSTM神经网络构建电动垂直起降飞行器飞行监测指标预测模型；

进一步的，步骤S4的具体实现方法包括如下步骤：

S4.1. 设置改进的LSTM神经网络中改进后的遗忘门的激活值计算表达式为：

；

其中，为遗忘门的激活值，为sigmoid激活函数，为层归一化，为Dropout正则化，为遗忘门的权重，为上一时间步的最终输出，为当前时间步的输入，为连接操作，为遗忘门中的权重，为上一时间步的细胞状态，为遗忘门的偏置；

进一步的，遗忘门的作用是决定从细胞状态中丢弃的信息。它通过一个sigmoid激活函数计算出一个介于0和1之间的值，这个值会与细胞状态逐元素相乘，从而实现对状态的“遗忘”。

对于eVTOL飞行器飞行过程中，对于电池电量预测，如果电池的放电速率在某些条件下变化不大，遗忘门可以帮助模型忽略这些不重要的变化；对于电机温度预测，遗忘门可以帮助模型丢弃与当前温度预测无关的历史温度信息，比如过去的异常温度波动；对于电机转速预测，在转速快速变化时，遗忘门可以使模型忽略那些过时的转速信息，专注于更近期的数据。

S4.2. 设置改进的LSTM神经网络中，改进后的输入门的激活值计算方法如下为：

；

其中，为输入门的激活值，为输入门的权重，为输入门中的权重，为输入门的偏置；

进一步的，输入门控制着新信息的重要性，决定将被加入到细胞状态的新信息。细胞候选值则是可能被加入到细胞状态的新信息的一个变换形式。

对于eVTOL飞行器飞行过程中，对于电池电量预测，输入门控制着新的电量输入信息（如充电状态、使用时间等）的重要性，细胞候选值则根据这些信息更新电量状态；对于电机温度预测，新的环境或机器操作信息通过输入门和细胞候选值更新温度预测模型；对于电机转速预测，输入门和细胞候选值帮助模型整合最新的操作命令和环境因素，调整转速预测。

S4.3. 设置改进的LSTM神经网络中，改进后的细胞候选值计算方法如下：

；

其中，为细胞候选值，为双曲正切激活函数，为细胞候选值的权重，为细胞候选值中的权重，为细胞候选值的偏置；

S4.4. 设置改进的LSTM神经网络中，改进后的细胞状态更新的计算方法如下：

；

其中，为注意力权重，为softmax激活函数，为注意力权重的系数，为注意力权重中的权重，为注意力权重的偏置；

；

其中，为细胞状态；为点乘操作；

进一步的，细胞状态是LSTM存储过去信息的地方，它在每个时间步被更新，用以保持长期依赖的信息。

对于eVTOL飞行器飞行过程中，在进行电池电量、电机温度和电机转速预测时，细胞状态的更新允许模型保留和遗忘信息，确保只有有用的信息被保留，从而提高预测的准确性。

S4.5. 设置改进的LSTM神经网络中，改进后的输出门和最终输出计算方法如下：

；

其中，为输出门的激活值，为输出门的权重，为输出门的权重，为输出门的偏置；

；

其中，为最终输出值；

输出门控制着从LSTM单元输出的信息量。最终输出则是基于当前的细胞状态和输出门的输出，它是传递给下一个时间步的输出以及最终输出的部分。

对于eVTOL飞行器飞行过程中，对于电池电量预测，输出门和最终输出帮助确定每一步的电量输出，为电池管理提供数据支持；对于电机温度预测，通过调节输出门和最终输出，模型可以精确地预测电机的即时温度，帮助防止过热；对于电机转速预测，输出门和最终输出的更新使得模型能够反应当前和未来可能的转速变化，优化机器性能。

S4.6. 将改进的LSTM模型计算公式，更新至LSTM模型对应的算法中，并且部署至计算机中，完成电动垂直起降飞行器飞行监测指标预测模型的构建。

S5. 利用步骤S3得到的训练集对电动垂直起降飞行器飞行监测指标预测模型进行训练，得到训练好的电动垂直起降飞行器飞行监测指标预测模型；

进一步的，步骤S5的具体实现方法包括如下步骤：

S5.1. 将训练集输入到电动垂直起降飞行器飞行监测指标预测模型中进行训练，训练过程中，损失函数采用均方误差MSE，计算方法如下：

；

其中，为样本数量，为真实值，为预测值；

S5.2. 设置电池电量、电机温度、电机转速对应的均方误差依次记为、、，则总的损失函数为：

；

其中，为电池电量的均方误差对应的权重系数，为电机温度的均方误差对应的权重系数，为电机转速的均方误差对应的权重系数；

S5.3. 误差修正通过反向传播和随机梯度下降SGD方法来实现，当损失函数值趋于稳定或达到预设的训练轮次时，训练结束；完成电动垂直起降飞行器飞行监测指标预测模型的训练，用于预测eVTOL飞行器飞行过程中的电池电量、电机温度、电机转速；

S6. 利用步骤S5得到的训练好的电动垂直起降飞行器飞行监测指标预测模型对电动垂直起降飞行器飞行监测指标进行预测，基于预测数据对电动垂直起降飞行器飞行异常状态进行诊断。

进一步的，步骤S6的具体实现方法包括如下步骤：

S6.1. 利用步骤S5得到的训练好的电动垂直起降飞行器飞行监测指标预测模型对电动垂直起降飞行器飞行监测指标进行预测，预测得到第时刻的电池预测电量、第时刻的电机预测温度、第时刻的电机预测转速；

S6.2. 对于步骤S6.1得到的第时刻的电池预测电量，采用库仑计实际监测得到第时刻的电池实际电量为；

比较与，当时，其中为专家确定的允许电池电量误差，表明模型预测的电池电量值与实际监测值保持一致；

当时，则对第tp+1时刻的电池预测电量和第tp+1时刻的电池实际电量进行进一步比较，当时，则认为电池电量预测值与实际监测值的偏差为传感器偏差所致，不需要对eVTOL飞行器设备进行处理；

当时，对第tp+2时刻的电池预测电量和第tp+2时刻的电池实际电量进行进一步比较，当时，则认为电池电量预测值与实际监测值的偏差为传感器偏差所致，不需要对eVTOL飞行器设备进行处理；而当时，表明模型预测的电池电量值与实际监测值相差较大，认为电池预测电量与实际监测值的偏差为电池本身出现问题，需要进行电池检查和维修；

S6.3. 对于步骤S6.1得到的第时刻的电机预测温度，采用红外传感器实际监测得到的第时刻的电机实际温度为；

比较与，当时，其中为专家确定的允许电机温度误差，表明模型预测的电机温度与实际监测值保持一致；

当时，对第tp+1时刻的电机预测温度和第tp+1时刻的电机实际温度进行进一步比较，当时，则认为电机温度预测值与监测值的偏差为传感器偏差所致，不需要对eVTOL飞行器设备进行处理；而当时，表明模型预测的电机温度值与实际监测值相差较大，认为电机温度预测值与实际监测值的偏差为电机本身出现问题，需要进行电机检查和维修；

S6.4. 对于步骤S6.1得到的第时刻的电机预测转速；采用光学编码器实际监测得到的第时刻的电机实际转速为；

比较与，当时，其中为专家确定的允许电机转速误差，表明模型预测的电机转速值与实际监测值保持一致；

当时，表明模型预测的电机转速值与实际监测值相差较大，此时，需要立即对无人机电机进行检查和维修；

S6.5. 当上述电池电量、电机温度、电机转速同时出现异常时，需要优先处理电机转速问题，其次，需要处理电机温度问题，最后，处理电池电量问题。

本发明的关键点和欲保护点为：

（1）一种电池电量、电机温度、电机转速预测模型。

（2）一种电池电量、电机温度、电机转速异常数据判别方法。

需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

虽然在上文中已经参考具体实施方式对本申请进行了描述，然而在不脱离本申请的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本申请所披露的具体实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本申请并不局限于文中公开的特定具体实施方式，而是包括落入权利要求的范围内的所有技术方案。

Claims (5)

1.一种电动垂直起降飞行器飞行异常状态诊断方法，其特征在于，包括如下步骤：

S1.构建电动垂直起降飞行器飞行监测指标为电池电量、电机温度和转速；

S2.构建电动垂直起降飞行器飞行监测指标的影响因素包括环境温度、风速、风向、载重、飞行时间、电池电压、电池电流；

S3.采集同一时间的电动垂直起降飞行器飞行监测指标数据及电动垂直起降飞行器飞行监测指标的影响因素数据，构建电动垂直起降飞行器飞行异常状态诊断数据集，包括训练集、验证集、测试集；

S4.基于改进的LSTM神经网络构建电动垂直起降飞行器飞行监测指标预测模型；

步骤S4的具体实现方法包括如下步骤：

S4.1.设置改进的LSTM神经网络中改进后的遗忘门的激活值计算表达式为：

f_t＝σ(LayerNorm(Dropout(W_f)·[h_t-1,x_t]+P_f·C_t-1+b_f))

其中，f_t为遗忘门的激活值，σ为sigmoid激活函数，LayerNorm为层归一化，Dropout为Dropout正则化，W_f为遗忘门的权重，h_t-1为上一时间步的最终输出，x_t为当前时间步的输入，[h_t-1,x_t]为连接操作，P_f为遗忘门中C_t-1的权重，C_t-1为上一时间步的细胞状态，b_f为遗忘门的偏置；

S4.2.设置改进的LSTM神经网络中，改进后的输入门的激活值计算方法如下为：

i_t＝σ(LayerNorm(Dropout(W_i)·[h_t-1,x_t]+P_i·C_t-1+b_i))

其中，i_t为输入门的激活值，W_i为输入门的权重，P_i为输入门中C_t-1的权重，b_i为输入门的偏置；

S4.3.设置改进的LSTM神经网络中，改进后的细胞候选值计算方法如下：

其中，为细胞候选值，tanh为双曲正切激活函数，W_C为细胞候选值的权重，P_C为细胞候选值中C_t-1的权重，b_C为细胞候选值的偏置；

S4.4.设置改进的LSTM神经网络中，改进后的细胞状态更新的计算方法如下：

a_t＝softmax(V_a·tanh(W_a[h_t-1,x_t]+b_a))

其中，a_t为注意力权重，softmax为softmax激活函数，V_a为注意力权重的系数，W_a为注意力权重中[h_t-1,x_t]的权重，b_a为注意力权重的偏置；

其中，C_t为细胞状态；⊙为点乘操作；

S4.5.设置改进的LSTM神经网络中，改进后的输出门和最终输出计算方法如下：

o_t＝σ(LayerNorm(Dropout(W_o)·[h_t-1,x_t]+P_o·C_t-1+b_o))

其中，o_t为输出门的激活值，W_o为输出门的权重，P_o为输出门中C_t-1的权重，b_o为输出门的偏置；

h_t＝o_t*tanh(C_t)

其中，h_t为最终输出值；

S4.6.将改进的LSTM模型计算公式，更新至LSTM模型对应的算法中，并且部署至计算机中，完成电动垂直起降飞行器飞行监测指标预测模型的构建；

S5.利用步骤S3得到的训练集对电动垂直起降飞行器飞行监测指标预测模型进行训练，得到训练好的电动垂直起降飞行器飞行监测指标预测模型；

S6.利用步骤S5得到的训练好的电动垂直起降飞行器飞行监测指标预测模型对电动垂直起降飞行器飞行监测指标进行预测，基于预测数据对电动垂直起降飞行器飞行异常状态进行诊断。

2.根据权利要求1所述的一种电动垂直起降飞行器飞行异常状态诊断方法，其特征在于，步骤S1中利用eVTOL飞行器装备的库仑计测量电池电量、红外传感器测量电机温度、光学编码器检测转速。

3.根据权利要求2所述的一种电动垂直起降飞行器飞行异常状态诊断方法，其特征在于，步骤S3的具体实现方法包括如下步骤：

S3.1.采集同一时间的电动垂直起降飞行器飞行监测指标数据及电动垂直起降飞行器飞行监测指标的影响因素数据；

采集无人机飞行过程中t1、t2、…、tn时刻对应的电池电量依次为a_t1、a_t2、…、a_tn，对应的电机温度依次为b_t1、b_t2、…、b_tn，对应的电机转速依次为c_t1、c_t2、…、c_tn；

利用红外热像仪采集无人机飞行过程中t1、t2、…、tn时刻对应的环境温度依次为D_t1、D_t2、…、D_tn；

采用热线风速计采集无人机飞行过程中t1、t2、…、tn时刻对应的风速依次为E_t1、E_t2、…、E_tn；

采用超声波风向计采集无人机飞行过程中t1、t2、…、tn时刻对应的风向依次为F_t1、F_t2、…、F_tn；

采用压电式称重传感器采集无人机飞行过程中t1、t2、…、tn时刻对应的载重依次为G_t1、G_t2、…、G_tn；

采用GPS模块采集无人机飞行过程中t1、t2、…、tn时刻对应的飞行时间依次为H_t1、H_t2、…、H_tn；

采用电压传感器采集无人机飞行过程中t1、t2、…、tn时刻对应的电池的电压依次为J_t1、J_t2、…、J_tn；

采用电流传感器采集无人机飞行过程中t1、t2、…、tn时刻对应的电池的电流依次为I_t1、I_t2、…、I_tn；

S3.2.将步骤S3.1得到的t1～tn时刻的数据进行划分，划分成了多个连续的时间序列，每个时间序列的长度为j，划分得到的时间序列的数量为K个；即第一个时间序列对应的时刻为：t1～tj；第二个时间序列对应的时刻为：t2～t(j+1)；第三个时间序列对应的时刻为：t3～t(j+2)；…；第K个时间序列对应的时刻为：tK～t(j+K-1)；

将全部K个时间序列的数据，按照8:1:1的比例关系划分成训练集、验证集、测试集。

4.根据权利要求3所述的一种电动垂直起降飞行器飞行异常状态诊断方法，其特征在于，步骤S5的具体实现方法包括如下步骤：

S5.1.将训练集输入到电动垂直起降飞行器飞行监测指标预测模型中进行训练，训练过程中，损失函数采用均方误差MSE，计算方法如下：

其中，m为样本数量，y_tr为真实值，y_pr为预测值；

S5.2.设置电池电量、电机温度、电机转速对应的均方误差依次记为MSE_a、MSE_b、MSE_c，则总的损失函数L为：

L＝ω₁MSE_a+ω₂MSE_b+ω₃MSE_c

其中，ω₁为电池电量的均方误差对应的权重系数，ω₂为电机温度的均方误差对应的权重系数，ω₃为电机转速的均方误差对应的权重系数；

S5.3.误差修正通过反向传播和随机梯度下降SGD方法来实现，当损失函数值趋于稳定或达到预设的训练轮次时，训练结束；完成电动垂直起降飞行器飞行监测指标预测模型的训练，用于预测eVTOL飞行器飞行过程中的电池电量、电机温度、电机转速。

5.根据权利要求4所述的一种电动垂直起降飞行器飞行异常状态诊断方法，其特征在于，步骤S6的具体实现方法包括如下步骤：

S6.1.利用步骤S5得到的训练好的电动垂直起降飞行器飞行监测指标预测模型对电动垂直起降飞行器飞行监测指标进行预测，预测得到第tp时刻的电池预测电量a_pr-tp、第tp时刻的电机预测温度b_pr-tp、第tp时刻的电机预测转速c_pr-tp；

S6.2.对于步骤S6.1得到的第tp时刻的电池预测电量a_pr-tp，采用库仑计实际监测得到第tp时刻的电池实际电量为a_tp；

比较a_pr-tp与a_tp，当|a_pr-tp-a_tp|≤a_tr时，其中a_tr为专家确定的允许电池电量误差，表明模型预测的电池电量值与实际监测值保持一致；

当|a_pr-tp-a_tp|＞a_tr时，则对第tp+1时刻的电池预测电量a_pr-(tp+1)和第tp+1时刻的电池实际电量a_tp+1进行进一步比较，当|a_pr-(tp+1)-a_tp+1|≤a_tr时，则认为电池电量预测值与实际监测值的偏差为传感器偏差所致，不需要对eVTOL飞行器设备进行处理；

当|a_pr-(tp+1)-a_tp+1|＞a_tr时，对第tp+2时刻的电池预测电量a_pr-(tp+2)和第tp+2时刻的电池实际电量a_tp+2进行进一步比较，当|a_pr-(tp+2)-a_tp+2|≤a_tr时，则认为电池电量预测值与实际监测值的偏差为传感器偏差所致，不需要对eVTOL飞行器设备进行处理；而当|a_pr-(tp+2)-a_tp+2|＞a_tr时，表明模型预测的电池电量值与实际监测值相差较大，认为电池预测电量与实际监测值的偏差为电池本身出现问题，需要进行电池检查和维修；

S6.3.对于步骤S6.1得到的第tp时刻的电机预测温度b_pr-tp，采用红外传感器实际监测得到的第tp时刻的电机实际温度为b_tp；

比较b_pr-tp与b_tp，当|b_pr-tp-b_tp|≤b_tr时，其中b_tr为专家确定的允许电机温度误差，表明模型预测的电机温度与实际监测值保持一致；

当|b_pr-tp-b_tp|＞b_tr时，对第tp+1时刻的电机预测温度b_pr-(tp+1)和第tp+1时刻的电机实际温度b_tp+1进行进一步比较，当|b_pr-(tp+1)-b_tp+1|≤b_tr时，则认为电机温度预测值与监测值的偏差为传感器偏差所致，不需要对eVTOL飞行器设备进行处理；而当|b_pr-(tp+1)-b_tp+1|＞b_tr时，表明模型预测的电机温度值与实际监测值相差较大，认为电机温度预测值与实际监测值的偏差为电机本身出现问题，需要进行电机检查和维修；

S6.4.对于步骤S6.1得到的第tp时刻的电机预测转速c_pr-tp；采用光学编码器实际监测得到的第tp时刻的电机实际转速为c_tp；

比较c_pr-tp与c_tp，当|c_pr-tp-c_tp|≤c_tr时，其中c_tr为专家确定的允许电机转速误差，表明模型预测的电机转速值与实际监测值保持一致；

当|c_pr-tp-c_tp|＞c_tr时，表明模型预测的电机转速值与实际监测值相差较大，此时，需要立即对无人机电机进行检查和维修；

S6.5.当上述电池电量、电机温度、电机转速同时出现异常时，需要优先处理电机转速问题，其次，需要处理电机温度问题，最后，处理电池电量问题。