摘 要

随着时代的进步和科学技术的发展，世界各国正在积极扩展行业应用与发展无人机技术。无人机拥有一套十分复杂的系统，要想使无人机能够稳定准确地完成各项任务，保障其安全性能显得尤为重要。无人机必须适应各个领域复杂多变的未知故障与系统问题。

针对无人机的灵活性高，故障频率高，实时性差的特点，本文提出了基于小波包能量特征提取和自适应烟花算法的BP神经网络故障分类模型。利用小波包技术对故障信号进行局部分析并提取特征向量，从而表征无人机在不同传感器故障中的特征状态。针对BP神经网络算法容易陷入局部最小值等缺陷，本文使用自适应烟花算法优化更新网络权重与阈值。实验结果表明，该算法网络收敛速度更快，故障分类精度较高，有较好的鲁棒性和自适应能力。

关键字：小波包特征提取；自适应烟花算法；BP神经网络；无人机故障诊断

Abstract

With the progress of the times and the development of science and technology, countries around the world are actively expanding industry applications and developing UAV technology. The UAV has a very complicated system. It is particularly important to ensure that the UAV can complete various tasks stably and accurately, and to ensure its safety performance. Unmanned aerial vehicles must adapt to complex and ever-changing unknown faults and system problems in various fields.

Aiming at the characteristics of high flexibility, high failure frequency and poor real-time performance of UAV, this paper proposes a BP neural network fault classification model based on wavelet packet energy feature extraction and adaptive fireworks algorithm. The wavelet packet technology is used to analyze the fault signal locally and extract the feature vector, so as to characterize the feature state of the UAV in different sensor faults. In view of the BP neural network algorithm is easy to fall into the local minimum and other defects, this article uses an adaptive fireworks algorithm to optimize and update the network weights and thresholds. Experimental results show that the algorithm has faster network convergence speed, higher fault classification accuracy, and better robustness and adaptability.

Key words: wavelet entropy; adaptive fireworks algorithm; BP neural networks; UAV fault diagnosis

目 录

第1章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 1

1.2.1故障诊断技术发展趋势 1

1.2.2故障诊断技术国内外研究现状 2

1.3 本文主要研究内容 3

第2章 无人机传感器故障诊断方法设计 4

2.1 无人机传感器及其故障分析 4

2.2 基于人工智能的故障诊断方法设计 5

第3章 基于小波包故障能量特征提取方法研究 7

3.1时频分析与小波理论 7

3.1.1短时傅里叶变换 7

3.1.2小波理论 7

3.2小波包变换技术 8

3.2.1小波函数 8

3.2.2小波包分解与重构技术 9

3.2.3小波包能量特征提取技术 10

3.3小波包能量特征提取实验分析 10

第4章 基于AFWA-BP神经网络故障诊断方法研究 13

4.1 人工神经网络基本概述 13

4.2 误差反向传播神经网络 14

4.2.1BP神经网络拓扑结构 14

4.2.2BP神经网络计算原理 15

4.3 群智能优化算法应用 16

4.3.1遗传算法 16

4.3.2蚁群算法 16

4.4自适应烟花算法优化BP神经网络 17

4.4.1烟花算法基本概述 17

4.4.2基于自适应烟花算法的BP神经网络优化过程 19

第5章 故障诊断系统实验及仿真验证 21

5.1故障诊断系统总体流程 21

5.2故障能量特征提取 22

5.3故障诊断系统仿真 25

第6章 结论 28

参考文献 29

致 谢 31

第1章 绪论

1.1 研究背景及意义

随着时代的进步和科学技术的发展，越来越多从事军用活动的的新型技术产品正广泛运用于更多民用领域。同样无人机在问世之初，广泛运用于军事领域的勘察、巡逻等任务，现如今大疆无人机等各类品类大大拓展了无人机本身的用途。摄影爱好者航拍城市人文景观，俯瞰各类山川风貌；快递运输者提高分拣速度，让寄件更快到达货主手中；务农无人机打药播种，提高农业效率与可持续性；电力巡检员不再日行万步，适应复杂的电磁环境。世界各国也在积极扩展行业应用与发展无人机技术。

无人机广阔的应用领域意味着无人机必须适应各个领域复杂多变的未知故障与系统问题。外界环境变化导致无人机控制故障，对无人机系统造成巨大干扰，甚至严重威胁无人机的飞行安全。无人机拥有一套十分复杂的系统，要想使无人机能够安全、准确地完成各项任务，保障其安全稳定性显得尤为重要。据权威数据统计，在无人机发生故障失事的事故中，由飞行控制系统故障而导致的比例高达85%，而在飞行控制系统故障中，无人机传感器故障失事率高达75%。由此可见，传感器对于无人机整体的安全运行起着至关重要的作用。

因此，对无人机传感器与执行器件进行故障诊断不仅可以提高无人机的飞行安全，而且可以降低无人机开发和维护的成本，对系统后期维护运营具有重要作用。

1.2 国内外研究现状

1.2.1故障诊断技术发展趋势

故障诊断技术是一门综合了计算机技术、人工智能等各个学科和领域的新型技术。当今系统愈发庞大并趋于复杂化，因此我们需要发展故障诊断技术以提高故障检测的准确性以及系统总体的安全性。当系统出现故障时，我们应该立即进行检测以准确定位故障发生部位，其次去除冗余因素以分离辨识故障种类、大小及发生时间。故障诊断应该包含故障关键信息的提取处理、对比分析、评价决策等几个方面的内容。