Обнаружение контекстных неисправностей в беспилотных летательных аппаратах с использованием динамической линейной регрессии и классификации методом k-ближайших соседей

基于动态线性回归和k-最近邻分类方法的无人机上下文故障检测

摘要

Беспилотный летательный аппарат (БПЛА) представляет собой сложную систему, при проектировании которой рассматриваются проблемы управления, аэродинамики и связи. В статье предложен новый метод обнаружения контекстных неисправностей на основе сложных линейных соотношений между параметрами БПЛА (показаниями датчиков и командами). Под контекстными неисправностями подразумеваются вырабатываемые неисправным датчиком значения, недопустимые в контексте других параметров. Предлагаемый подход основан на оценке значений целевого параметра с использованием динамической линейной регрессии, после чего выполняется расчет погрешности оценивания на каждом временном интервале. Путем классификации методом ближайших соседей (K-Nearest Neighbour - K-NN) значения погрешности оценивания разделяются на нормальные и аномальные. Аномальные значения принимаются за потенциально ошибочные. Помимо этого, предложенный метод сравнивается с другими методами поиска аномалий - k-средних (K-Means) и One-Class SVM. Результаты сопоставления продемонстрировали более высокую эффективность нового подхода в большинстве случаев.

 

无人驾驶飞行器（UAV）是一个复杂的系统，在其设计中解决了控制，空气动力学和通信问题。 本文提出了一种基于无人机参数（传感器读数和命令）之间复杂线性关系的上下文故障检测方法。 上下文故障是由有故障的传感器生成的值，在其他参数的上下文中不允许这些值。 所提出的方法是基于使用动态线性回归估计目标参数的值，然后计算每个时间间隔的估计误差。 通过用最近邻法(K-Nearest Neighbor-K-NN)进行分类，估计误差值分为正常值和异常值。 异常值被认为是潜在的错误。 此外，将所提出的方法与其他发现异常的方法进行了比较-k均值和一类支持向量机。 比较结果显示，在大多数情况下，新方法的效率更高。

структура

       Функция обнаружения неисправностей является неотъемлемой частью таких сложных систем как БПЛА, поскольку она обеспечивает их безопасность. В ста- тье предложен новый практический подход к обнаружению контекстных аномалий с помощью линейных соотношений между различными парами параметров. В этой методике такие соотношения используются для оценивания значений целевых па- раметров с последующей классификацией значений погрешности оценивания с помощью алгоритма K-NN. Классифицированные значения погрешности оценивания используются для обозначения точек в качестве потенциальных контекстных неис- правностей. Новый метод был сопоставлен с другими популярными алгоритмами – k-средних и One-Class SVM. сравнение производилось по значениям вероятностей обнаружения, ложных тревог и точности. скопления неисправностей приведены на рисунках, на которых черно-белая цветовая гамма клеток обозначает способность алгоритма обнаруживать контекстные неисправности. результаты, полученные с по- мощью нового алгоритма, свидетельствуют о том, что по сравнению с алгоритмом k-средних он обладает большей эффективностью во всех состояниях, а по сравне- нию с One-Class SVM – сходной, исключая случаи, когда диапазон значений пара- метра значительно превышает диапазон неисправностей. В этих ситуациях новый алгоритм, в отличие от двух других, успешно справился с решением задачи. Даль- нейшая работа будет направлена на значительное усовершенствование алгоритма с точки зрения его скорости.

новизна

       Применение АГК для обнаружения аномалий при большом объеме выборки и сложной корреляции данных датчиков БПЛА. Большинство методов обнаружения аномалий имеют заранее определенные ограничения, но в реальных системах данным часто свойственны неоднородность, многомерность и наличие шумов. В работе описывается метод задания порога динамической погрешности, который позволяет классифицировать аномальные значения. При этом для преодоления разнообразия применялся неконтролируемый алгоритм, а в потоки данных были включены параметры шумов.

методы и следования

       В описанном сценарии команда управления высотой является зависимым параметром (который считается непрерывным), а показания датчика высоты, в котором проявилась неисправность, – целевым. Алгоритм предполагает, что значения всех параметров (показаний датчиков и команд) являются непрерывными вещественными числами, а не кодами или импульсами. Используемый метод скользящего окна задействует ограниченное число предшествующих точек. Эти точки служат для оценки значений целевого параметра с помощью динамической линейной регрессии (dynamic linear regression – DLR), которая применяется к точ-кам скользящего окна. Всякий раз при перемещении скользящего окна линейные соотношения изменяются. Значения погрешности оценивания классифицируются  с помощью классификатора K-NN. согласно этой классификации, соответствующие точки скользящего окна помечаются как нормальные или аномальные. Мы про-тестировали алгоритм на модельных полетных данных и сравнили наш метод с дру-гими алгоритмами, в частности k-средних и One-Class SVM. В большинстве случаев наш алгоритм продемонстрировал лучшие результаты. Для повышения его эффективности и точности оцени- вания можно задействовать более совершенные классификаторы, например LSTM (long-short memory networks – сети с долгой краткосрочной памятью) и дерево при- нятия решений.

 

 

 

Потенциальные сбои датчика угловой скорости крена:

a – скопление неисправностей для DLR–KNN;

б – скопление неисправностей для алгоритма k-средних;

в – скопление неисправностей для One-Class SVM

 

 

 

 

中文概述

    当无人机飞控系统或其某个部件不能正常工作或者产生了异常的特征、参数，甚至整个飞控系统失效，不能正常完成任务，就意味着无人机飞控故障，出现故障后，需要对故障进行检测和诊断，对故障位置进行定位，对故障原因进行分析，以确保系统能够继续回到正常的工作状态，并减少再次故障的概率。本文通过故障检测功能，确保无人机的安全性。本文提出了一种新方法来检测无人机上下文故障，即找到不同参数之间的线性关系（特征参数与目标值的映射关系）。在该方法中，使用这种关系来估计目标值（动态线性回归），然后使用K-NN算法对估计误差的值进行分类。本文提出的新算法与其他流行的算法k-means和一类支持向量机SVM进行了比较。通过比较检测率、误差率和准确率的值，得出了图中的故障集群，其中单元格的黑白配色方案表示算法检测上下文故障的能力。使用本算法得出的结果表明，与k-means算法相比，它在不同状态的效率要高，与一类支持向量机SVM相比，效率差不多。当参数值的范围超过故障范围的情况下，本算法成功地解决了k-means算法和一类支持向量机SVM不能解决的问题。为了提高估计的效率和准确性，可以使用更高级的分类器，例如LSTM(短期记忆人工神经网络)和决策树。