买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京信息工程大学

摘要：本发明公开了一种基于深度学习的四旋翼无人机故障动态补偿和控制方法，将深度学习利用在故障识别与补偿自适应控制中，通过构建与电机故障状态无关的深度神经网络，学习和表达故障补偿力，捕捉四旋翼无人机动力学的非线性特性，实时识别并适应电机故障，并通过引入判别器网络和对抗训练机制增强模型的泛化能力和鲁棒性，强化学习故障不变性表示的能力。同时本发明控制方法使用在线适应模式，检测到电机故障时，立即基于当前状态和预先学习的模型动态调整控制输出，确保故障状态下无人机飞行的稳定性和精度，并在飞行过程中持续学习，基于新的数据调整参数，通过自我进化使无人机控制随时间和环境变化而优化，提高控制的灵活性和长期可靠性。

主权项：1.一种基于深度学习的四旋翼无人机故障动态补偿和控制方法，其特征在于，包括如下步骤：S1、数据收集：模拟四旋翼无人机不同部位电机出现故障的情况，收集各电机故障状态下四旋翼无人机的飞行状态数据；S2、数据预处理：对收集到的飞行状态数据进行数据清洗，标准化处理；S3、构建动力学模型并整合飞行数据集：基于预处理后的飞行状态数据，结合系统动力学方程得到四旋翼无人机的动力学方程，表示四旋翼无人机真实的动力学行为；S4、构建深度学习模型：通过深度学习算法，得到与电机故障状态无关的深度神经网络模型；引入判别器构建目标函数，通过具有对抗性的元学习框架对目标函数进行优化；基于整合的飞行数据集，构建深度学习模型，包括如下子步骤：S4.1、构建深度神经网络模型，输入为飞行器状态信息，输出为一种故障补偿力，用于捕捉与电机故障相关的动态特性，同时对电机故障状态具有不变性；构建深度神经网络模型，方法如下：S4.1.1、构造预测误差函数，表示如下： ；其中，是将2n维输入空间映射到n*h维的特征空间；是与电机故障相关的h维线性系数，用于调整提取的特征，用于表示带噪声的力的估计值，K为电机故障类别总数量；S4.1.2、求解预测误差函数最小值，找到最优的表示函数和与电机故障情况相关的隐变量集合；其中，为所有电机故障情况共有特征，线性系数为不同电机故障情况下的特征；S4.2、引入判别器h，定义目标函数，区分不同故障状态下的表示；所述目标函数为交叉熵损失，公式如下： ；其中，是指标函数，如果则为1，否则为0，表示判别器h预测第i种故障的概率，为交叉熵损失；S4.3、构建具有对抗性的元学习框架，目标函数进行优化：通过对抗训练机制强化深度神经网络模型学习故障不变性表示的能力，生成使判别器h无法区分的特征表示；对目标函数进行优化，包括如下子步骤：S4.3.1、构建具有对抗性的元学习框架，表示如下： ；其中，α是正则化超参数；S4.3.2、进行内层最小化，最小化预测误差；所述预测误差为飞行状态的真实输出与通过映射后乘以相应线性系数得到的预测输出之间的差异，使有效学习到飞行状态到所需输出的映射关系；S4.3.3、进行外层最大化，最大化判别器h的表现，使h准确预测出当前飞行状态对应的电机故障类别k；S5、进行深度学习模型的迭代优化：包括适应步骤、训练步骤、正则化步骤；S6、在线适应阶段：四旋翼无人机沿设定轨迹飞行时，当检测到电机故障，通过混合控制策略，根据卡尔曼滤波器启发自适应更新律，动态更新控制参数，计算控制输出，确保飞行稳定性以及飞行精度；所述混合控制策略，基于系统的动力学模型，结合比例微分反馈项和深度学习的前馈项，公式如下： ；其中，x是不同的故障条件，是基于深度学习的前馈项，是自适应控制阶段估计的线性参数，用于实时调节系统；是反馈项，是比例系数，是微分系数，是目标状态量与当前状态量的差值，是目标状态量与当前状态量的差值的微分；所述自适应更新律，融合预测误差和跟踪误差，同时加入正则项,公式如下： ；其中，用于避免过拟合，A为协方差矩阵，用于指导参数更新的方向和速率，B为测量噪声和过程噪声的协方差，y为包含噪声的实际测量值，e为跟踪误差，为线性参数估计值的微分，上标T表示转置；协方差矩阵A随着系统动态更新，公式如下: ；其中，Q是过程噪声的协方差矩阵，是A的微分。

全文数据：

权利要求：

百度查询： 南京信息工程大学 基于深度学习的四旋翼无人机故障动态补偿和控制方法