论文摘要
相较于有人驾驶飞行器,无人机具有诸多优势,在军事、民用及科研等领域都有着广泛应用。但是,无人机缺少飞行员的实时决策能力,因此具有较高的事故率。故障预测是无人机健康管理技术的核心,在构建故障预警模型之前,很重要的一步是对采样数据进行模式识别,进而对建模的训练数据添加精准标签,这也是完善飞行画像的一部分。文中基于沈阳某无人机生产公司大数据平台累积的无人机飞行数据,提出利用半监督聚类技术自动识别飞行过程的正常点、故障点(若故障后发生炸机,则包括炸机点)以及炸机后的点(若故障后发生炸机),在加强对飞行数据进行管理和统计的同时,进一步提高对历史飞行数据添加精准标签的效率和准确率。在真实的飞行数据或飞行测试数据上进行实验,人工验证的结果表明故障点的识别率可达到80%以上。
论文目录
文章来源
类型: 期刊论文
作者: 王楠,孙善武
关键词: 半监督聚类,无人机,模式识别,故障预测
来源: 计算机科学 2019年S1期
年度: 2019
分类: 信息科技,工程科技Ⅱ辑
专业: 航空航天科学与工程,计算机软件及计算机应用
单位: 吉林财经大学管理科学与信息工程学院,吉林财经大学物流产业经济与智能物流吉林省重点实验室
基金: 国家自然科学基金(61702213),吉林省教育厅“十三五”科学技术研究(JJKH20180463KJ),吉林省科技发展计划项目自然基金(20180101337JC),物流产业经济与智能物流省重点实验室开放课题基金项目(201701)资助
分类号: V267;V279;TP311.13
页码: 192-195
总页数: 4
文件大小: 149K
下载量: 140