CN120216888A 面向样本标签噪声耦合场景的无人机智能故障诊断方法

(19)国家知识产权局(10)申请公布号CN120216888A(21)申请号202510696525.1(22)申请日2025.05.28路贵州大学西校区(72)发明人李传江王浩宇张仪宗李澄江张向杰李少波安苏阳周振华(74)专利代理机构重庆强大凯创专利代理事务(54)发明名称面向样本-标签噪声耦合场景的无人机智能故障诊断方法(57)摘要本发明涉及无人机故障诊断技术领域，具体涉及了一种面向样本-标签噪声耦合场景的无人机智能故障诊断方法。步骤包括：获取无人机运行过程中的信号，向采集到的原始信号注入高斯白噪声模拟样本噪声；构建LWPT子网络对含有样本噪声的信号进行去噪；使用滑动窗口对去噪后的信号进行划分扩充样本；划分训练集和测试集声；构建SGLE子网络减弱训练过程中标签噪声的影响；验证LWPT-SGLE模型在样本-标签噪声耦合影响下的故障诊断性能。本发明在工业场景中样本与标签噪声耦合影响下的实验中具有优异的21.面向样本-标签噪声耦合场景的无人机智能故障诊断方法，其特征在于：包括以下步步骤一、使用传感器分别获取无人机运行过程中正常状态以及电机故障、螺旋桨故障、障状态下的信号，向采集到的原始信号注入高斯白噪声模拟样本噪声；为基于小波变换的自编码器架构；其中编码器部分用于将原始信号的每个节点分解为低频部分和高频部分，在所有节点应用可学习的阈值来抑制与噪声相关的系数，并学习参数来适应输入信号的频率特性，通过学习适当的稀释表示去除噪声；经过编码器得到干净系数，基于干净系数，解码器部分采用可学习转置卷积自适应地步骤三、使用滑动窗口对去噪后的信号进行划分扩充样本；步骤四、划分训练集和测试集用于故障诊断任务，向训练集中注入标签噪声；所述步骤四中向训练集中注入标签噪声的方式为：通过噪声转移矩阵T来描述干净标签翻转为噪声标签的概率，注入的标签噪声包括对称标签噪声以及非对称标签噪声，所述对称标签噪声基于对称标签噪声转移矩阵Tsym以相同的概率使得某类干净标签样本翻转为其余类别标签，所述非对称标签噪声基于非对称标签噪声转移矩阵Tasym,使某一类别的样本与另一特定类别具有较高相似性；步骤五、构建尺度图表增强SGLE子网络减弱训练过程中的标签噪声的影响，所述步骤S5.1、样本选择：对样本信号进行下采样得到不同尺度的信号，融合不同尺度的信号并进行学习，基于小损失准则挑选干净标签的样本；S5.2、样本重标记：对于未被选择的样本，基于标签传播理论，构建图嵌入学习网络组件，通过所述嵌入学习网络组件利用干净标签样本对未被选择的样本进行标签校正；步骤六、对训练得到的LWPT-SGLE模型进行测试，测试其在样本-标签噪声耦合影响下的故障诊断结果。2.根据权利要求1所述的面向样本-标签噪声耦合场景的无人机智能故障诊断方法，其其中x;为注入白噪声后的信号xi为原始信号，α表示噪声强度，ni为服从标准正态分布的高斯白噪声。3.根据权利要求1所述的面向样本-标签噪声耦合场景的无人机智能故障诊断方法，其所述编码器使用步长为2的卷积层替代传统WPT的滤波器部分，使用可学习去噪激活函3其中，Y指可学习偏置；经过分解后，通过以下公式计算第i层第j个节点的分解系数为Vij:其中φ表示逆卷积，*表示卷积操作，[i/2]表示从上一个节点获取相应的输入；解码器部分，采用步长为2的可学习转置卷积层逐步重构信号，通过以下公式计算干净对干净系数进行逆卷积操作：sᵢ,j=¹vᵢ,j*Ψᵢ,j将Sij相加得到完重构的完整信号x:4.根据权利要求1所述的面向样本-标签噪声耦合场景的无人机智能故障诊断方法，其特征在于：所述步骤三中，使用滑动窗口对去噪信号进行样本划分，滑动窗口的大小为128,步长为16。5.根据权利要求1所述的面向样本-标签噪声耦合场景的无人机智能故障诊断方法，其特征在于：所述S5.1具体包括以下步骤：S5.1.1、经过LWPT去噪后的信号表示为xi={x₁,x2,…xT},对信号进行下采样：其中0为下采样率且属于[1,T/2]之间，0越大，原始信号中数据的数据尺度越大，将其按照细粒度到粗粒度的尺度对嵌入空间中的样本嵌入进行融合：其中为学习到的单尺度嵌入，29为x,的嵌入，Ⅱ指两个向量的拼接操作，f表示用于融合不同尺度的信息的非线性神经网络；S5.1.2、计算每个样本的损失L:S5.1.3、基于每个样本的损伤从小到大进行排序，设置标签噪声率为ρ,与损失对应的41-p部分的样本选择作为干净样本。6.根据权利要求5所述的面向样本-标签噪声耦合场景的无人机智能故障诊断方法，其S5.2.1、构建图嵌入学习网络，将融合嵌入表示为Z={29,2…-3,M表示批次大小；S5.2.2、在训练过程的早期进行动量更新：其中epo指的是当前训练的回合数，m代表动量更新参数；S5.2.3、使用高斯相似函数计算最近邻图的边权重：其中d()表示计算欧氏距离，9为固定的参数；S5.2.4、对边权重E进行图拉普拉斯操作：Q=D-¹2ED-1/2其中D为一个对角矩阵；S5.2.5、根据标签传播理论，通过以下公式计算得到Ω中每个节点的伪标签：F:+1=βQF₁+(1-β)Y其中F指预测的伪标签，β为0到1之间的超参数，未被选择的样本的校正标签为：其中argmax表示去最大值的伪标签。7.根据权利要求1所述的面向样本-标签噪声耦合场景的无人机智能故障诊断方法，其特征在于：所述步骤六中，测试LWPT-SGLE的故障诊断结果为验证去噪信号与原始信号的对比，并验证标签噪声影响下的故障诊断分类准确率。5技术领域[0001]本发明涉及无人机故障诊断技术领域，具体涉及了一种面向样本-标签噪声耦合场景的无人机智能故障诊断方法。背景技术[0002]无人机是现代智能系统的重要载体，已在军事侦查、环境监测、应急救援和商业服务等领域发挥关键作用。无人机的可靠运行对系统安全和任务完成至关重要，如果无人机出现故障，可能会导致任务失败、设备坠毁甚至造成严重的人身伤害，进而引发重大的紧急损失和安全事故。因此，开展无人机的智能故障诊断在工程应用中具有重要意义。[0003]现有的无人机故障诊断方法利用飞行数据和先进的深度学习方法实现快速、准确的诊断，尽管这些方法取得了一定的进展，但在实际的无人机应用场景中往往面临低质量数据的挑战。一方面，复杂的飞行环境和传感器测量误差会引入样本噪声，导致模型学习到错误的特征或趋势。这些错误特征会引发故障检测系统的误报或漏报，造成无人机执行不必要的维修(增加维护成本)或错过关键故障点(导致设备损坏甚至坠毁事故)。另一方面，由于标签概念模糊或者时间变化使得标签标注标准发生变化等原因造成标签噪声，使得模型在训练过程中收到错误的反馈，从而学到错误的映射关系。这直接影响故障诊断的准确率，降低系统可靠性，在实际应用中表现为平均检测延迟增加，导致无人机任务中断时间延长，运营效率显著下降。进一步的，它们的耦合影响也会使得模型训练过程发生震荡，难以收敛，延长算法开发周期，增加研发投入成本。这些问题给无人机可靠故障诊断带来了巨大挑战，不仅影响设备使用寿命和安全性，还直接关系到无人机运营的经济效益和市场竞争发明内容[0004]本发明所解决的技术问题在于提供一种面向样本-标签噪声耦合场景的无人机智能故障诊断方法，用于解决复杂飞行环境下数据样本受样本噪声干扰且标签信息不准确的问题，以克服样本噪声和标签噪声耦合影响导致的模型诊断性能下降。[0005]本发明提供的基础方案：面向样本-标签噪声耦合场景的无人机智能故障诊断方步骤一、使用传感器分别获取无人机运行过程中正常状态以及电机故障、螺旋桨GPS故障状态下的信号，向采集到的原始信号注入高斯白噪声模拟样本噪声；网络为基于小波变换的自编码器架构；其中编码器部分用于将原始信号的每个节点分解为低频部分和高频部分，在所有节点应用可学习的阈值来抑制与噪声相关的系数，并学习参数来适应输入信号的频率特性，通过学习适当的稀释表示来有效去除噪声；6经过编码器得到干净系数，基于干净系数，解码器部分采用可学习转置卷积自适应地优化重构过程中的参数，逐步重构信号，进行信号去噪；步骤三、使用滑动窗口对去噪后的信号进行划分扩充样本；步骤四、划分训练集和测试集用于故障诊断任务，向训练集中注入标签噪声；所述步骤四中向训练集中注入标签噪声的方式为：通过噪声转移矩阵T来描述干净标签翻转为噪声标签的概率，注入的标签噪声包括对称标签噪声以及非对称标签噪声，所述对称标签噪声基于对称标签噪声转移矩阵Tsym以相同的概率使得某类干净标签样本翻转为其余类别标签，所述非对称标签噪声基于非对称标签噪声转移矩阵Tasym,使某一类别的样本与另一特定类别具有较高相似性；步骤五、构建尺度图表增强SGLE子网络减弱训练过程中的标签噪声的影响，所述S5.1、样本选择：对样本信号进行下采样得到不同尺度的信号，融合不同尺度的信号并进行学习，基于小损失准则挑选干净标签的样本；S5.2、样本重标记：对于未被选择的样本，基于标签传播理论，构建图嵌入学习网络组件，通过所述嵌入学习网络组件利用干净标签样本对未被选择的样本进行标签校正；步骤六、对训练得到的LWPT-SGLE模型进行测试，测试其在样本-标签噪声耦合影响下的故障诊断结果。分布的高斯白噪声。所述编码器使用步长为2的卷积层替代传统WPT的滤波器部分，使用可学习去噪激活函数η进行特征提取和噪声抑制：[0009]其中，Y指可学习偏置；经过分解后，通过以下公式计算第i层第j个节点的分解系数为Vij:解码器部分，采用步长为2的可学习转置卷积层逐步重构信号，通过以下公式计算干净系数；j:[0011]其中为逆卷积核，ups()表示上采样操作；对干净系数进行逆卷积操作：7[0014]进一步，所述步骤三中，使用滑动窗口对去噪信号进行样本划分，滑动窗口的大小为128,步长为16。[0016]其中0为下采样率且属于[1,T/2]之间，0越大，原始信号中数据的数据尺度越大，将其按照细粒度到粗粒度的尺度对嵌入空间中的样本嵌入进行融合：[0017]其中为学习到的单尺度嵌入，2为x,的嵌入，Ⅱ指两个向量的拼接操作，f表示用于融合不同尺度的信息的非线性神经网络；S5.1.2、计算每个样本的损失L:S5.1.3、基于每个样本的损伤从小到大进行排序，设置标签噪声率为ρ,与损失对应的1-ρ部分的样本选择作为干净样本。S5.2.2、在训练过程的早期进行动量更新：[0020]其中epo指的是当前训练的回合数，S5.2.3、使用高斯相似函数计算最近邻图的边权重：S5.2.4、对边权重E进行图拉普拉斯操作：S5.2.5、根据标签传播理论，通过以下公式计算得到Q中每个节点的伪标签：8[0023]其中F指预测的伪标签，β为0到1[0024]其中argmax表示去最大值的伪标签。[0025]进一步，所述步骤六中，测试LWPT-S始信号的对比，并验证标签噪声影响下的故障诊断分类准确率。[0026]本发明的原理及优点在于：1、本方案构建了面向耦合噪声影响的故障诊断系统框架，通过LWPT子网络与SGLE子网络的级联机制，实现了样本噪声消除与标签噪声抑制的协同优化，在系统层面提升了无人机复杂噪声影响场景下的诊断鲁棒性。[0027]2、本方案中LWPT子网络在传统信号方法的基础上集成了深度学习方法，使用卷积层替代了传统小波包变换的滤波器部分，在所有节点应用可学习的阈值来抑制与噪声相关[0028]3、本方案中模拟耦合噪声场景下的标签噪声场景，基于噪声转移矩阵的思想向训练集中注入噪声标签。除了基于对称标签噪声转移矩阵以相同的概率将原始标签映射为其它类别的噪声标签，还考虑了特殊场景下特征相似而更容易被标记为相似类别的情况，基于非对称标签噪声转移矩阵向训练集中注入标签噪声。[0029]4、本方案中SGLE子网络部分通过样本选择与样本重标记两个步骤减弱了训练过程中标签噪声带来的影响。通过对信号数据下采样获得不同尺度数据，融合学习这些数据并基于小损失准则选择出干净的样本，基于标签传播理论通过图嵌入学习使用干净样本校正未被选择的样本的标签。[0030]5、本方案中验证耦合噪声影响下的故障诊断结果时，分别定性(可视化去噪信号和原始信号)和定量分析(计算评价指标)对于样本噪声的去除效果，另外设置了不同类型[0031]6、本方案的优势在于，现有的多数噪声数据故障诊断方法对于样本噪声和标签噪声是独立研究的，并没有考虑到两种噪声同时出现对故障诊断的影响。而本方案旨在解决这一点，在去除样本噪声的同时减弱标签噪声在训练过程中的影响，以提高复杂噪声下的诊断结果。[0032]在无人机故障诊断的实际场景中，传感器信号易受环境干扰导致样本噪声，同时人工标注过程易产生标签噪声，两者叠加使得使用这些训练数据进行高质量故障诊断面临着挑战。本方案以解决以上问题为出发点，旨在复杂噪声耦合的数据情况实现理想的故障诊断结果，相比主流方法更适用于真实数据场景，具有较好的应用价值。附图说明[0033]图1为本发明面向样本-标签噪声耦合场景的无人机智能故障诊断方法实施例的流程示意图；图2为本发明面向样本-标签噪声耦合场景的无人机智能故障诊断方法实施例的原理框图；9图3为本发明面向样本-标签噪声耦合场景的无人机智能故障诊断方法实施例中样本噪声去噪效果定性分析图；图4为本发明面向样本-标签噪声耦合场景的无人机智能故障诊断方法实施例中样本噪声去噪效果定量分析图；图5为本发明面向样本-标签噪声耦合场景的无人机智能故障诊断方法实施例中不同类型不同程度标签噪声影响下的故障诊断准确率示意图；图6为本发明面向样本-标签噪声耦合场景的无人机智能故障诊断方法实施例中抑制标签噪声时尺度整合学习的增益效果图。具体实施方式[0034]下面通过具体实施方式进一步详细说明：实施例基本如附图1所示：面向样本-标签噪声耦合场景的无人机智能故障诊断方法，如图1所示：主要通过向获得到的无人机原始信号添加高斯白噪声实现样本噪声注入。利用深度学习的可学习特性，将深度学习与传统信号处理方法相结合，构建可学习小波包变换子网络，实现在小波包分解树每个节点上的可学习阈值调整，实现对样本噪声的高效去噪。将去噪信号作为诊断模型的输入时，通过交换样本标签引入标签噪声。通过尺度整合学习策略对原始信号数据进行下采样，融合学习不同尺度下的数据并基于小损失准则选择干净样本。基于标签传播理论，构建图嵌入学习网络利用干净样本对未被选择的样本进行标签校正。实现了样本-标签噪声耦合影响下的无人机故障的鲁棒诊断，具体包括以下步骤：步骤一、使用传感器分别获取无人机运行过程中正常状态以及电机故障、螺旋桨GPS故障状态下的信号，向采集到的原始信号注入高斯白噪声模拟样本噪声。[0035]所述步骤一中，注入高斯白噪声的方法表示为：分布的高斯白噪声。所述LWPT子网络为基于小波变换的自编码器架构。[0038]其中编码器部分用于将原始信号的每个节点分解为低频部分和高频部分，在所有节点应用可学习的阈值来抑制与噪声相关的系数，并学习参数来适应输入信号的频率特性，通过学习适当的稀释表示来有效去除噪声。[0039]经过编码器得到干净系数，基于干净系数，解码器部分采用可学习转置卷积自适应地优化重构过程中的参数，逐步重构信号，进行信号去噪。步骤二的具体实现流程如下：[0040]所述编码器使用步长为2的卷积层替代传统WPT的滤波器部分，使用可学习去噪激[0041]其中，Y指可学习偏置；经过分解后，通过以下公式计算第i层第j个节点的分解系数为Vij:[0042]其中φ表示逆卷积，*表示卷积操作，[j/2]表示从上一个节点获取[0043]解码器部分，采用步长为2的可学习转置卷积层逐步重构信号，通过以下公式计算干净系数；j:[0045]对干净系数进行逆卷积操作：sᵢ,j=¹vᵢ,j*Ψᵢ,j[0048]步骤三、使用滑动窗口对去噪后的信号进行划分扩充样本。滑动窗口的大小为128,步长为16。[0049]步骤四、划分训练集和测试集用于故障诊断任务，划分训练集的方法为按照样本总数量的8:2的比例划分为训练集和测试集，并向训练集中注入标签噪声。所述步骤四中向训练集中注入标签噪声的方式为：通过噪声转移矩阵T来描述干净标签翻转为噪声标签的概率，注入的标签噪声包括对称标签噪声以及非对称标签噪声，所述对称标签噪声基于对称标签噪声转移矩阵Tsym以相同的概率使得某类干净标签样本翻转为其余类别标签，所述非对称标签噪声基于非对称标签噪声转移矩阵Tasym,使某一类别的样本与另一特定类别具有较高相似性。[0050]步骤五、构建尺度图表增强SGLE子网络减弱训练过程中的标签噪声的影响，所述S5.1、样本选择：对样本信号进行下采样得到不同尺度的信号，融合不同尺度的信号并进行学习，基于小损失准则挑选干净标签的样本。S5.1.1、经过LWPT去噪后的信号表示为xi={x₁,x2,…x},对信号进行下采样：[0052]其中0为下采样率且属于[1,T/2]之间，0越大，原始信号中数据的数据尺度越大，将其按照细粒度到粗粒度的尺度对嵌入空间中的样本嵌入进行融合：用于融合不同尺度的信息的非线性神经网络。S5.1.3、基于每个样本的损伤从小到大进行排序，设置标签噪声率为p,与损失对应的1-p部分的样本选择作为干净样本。[0056]S5.2、样本重标记：对于未被选择的样本，基于标签传播理论，构建图嵌入学习网络组件，通过所述嵌入学习网络组件利用干净标签样本对未被选择的样本进行标签校正。云[epo]=mz⁹[epo]+(1-m)z[epo[0059]其中epo指的是当前训练的回合数，m[0060]S5.2.3、使用高斯相似函数计算最近邻图的边权重：[0061]其中d()表示计算欧氏距离，9为固定的参S5.2.4、对边权重E进行图拉普拉斯操作：Q=D-¹2ED-1V2S5.2.5、根据标签传播理论，通过以下公式计算得到Q中每个节点的伪标签：F+1=βQF₁+(1-β)Y[0065]通过步骤5.1与5.2便可减弱标签噪声的影响。另外，在训练开始时先进行学习率预热，预热阶段之后继续进行了几次额外的训练，这些回合训练结束后，标签校正阶段才开[0066]步骤六，测试LWPT-SGLE模型在样本-标签噪声耦合影响下的故障诊断结果。测试LWPT-SGLE的故障诊断结果指的是验证去噪信号与原始信号的对比，并验证标签噪声影响下的故障诊断分类准确率。[0067]以公开的无人机故障数据集为例，使用硬件仿真数据进行测试。数据采集过程基台按顺序执行控制程序，当注入故障时，多旋翼飞行器在故障注入过程中的异常表现将确认故障条件模拟成功。模拟得到九种不同的故障类型和正常运行条件，故障类别包括电机压计故障和GPS故障。[0068]图3为LWPT-SGLE对于样本噪声的去除效果图，传统方法如卡尔曼滤波(KF)重构的信号已经严重偏离原始信号，信号呈现出过度平滑的效果。而深度学习方法如卷积神经网络(CNN)恢复了原始信号的趋势，但无法有效去除信号中的高频噪声，使得重构信号重叠。长短时记忆网络(LSTM)在处理长序列时经验记忆衰减，重构得到的信号中出现周期性的颠有突变的区域，它利用深度学习模型的非线性特性，有效地处理复杂的噪声模式，去噪后的信号与原始信号非常接近，高精度地保留了重要特征和转折点。[0069]另外定量分析了LWPT-SGLE对样本噪声的去噪效果，如图4所示，通过比较四种不同信号去噪方法的评价指标(R²、MSE和MAE),结果显示LWPT-SGLE方法在所有评价维度上都取得了最优表现，其R²值最接近1,同时MSE和MAE值最小，表明该方法具有最好的信号拟合度和最小的误差水平。传统的KF方法也能实现基本的去噪效果，但从各项指标来看都显著低于其他三种方法。LSTM方法和CNN方法的性能相对接近，两者均优于传统的KF方法，但与LWPT-SGLE方法相比仍有一定差距。这些定量评估结果与之前的波形图分析结果相互印证，[0070]图5展示了不同类型不同级别标签噪声下各类方法的诊断准确率对比，交叉熵法表现出了最优异的性能，不仅在各个对称标签噪声参数下都保持最高准确率，其性能下降程度也最为平缓，说明该方法在处理不同程度的对称性问题时都具有显著优势。值得注他方法。这得益于该模型通过稳健的样本选择和标签校正机制实现了最高的准确率，表现出良好的鲁棒性和适应性。处理标签噪声时，尺度整合学习策略起到了关键作用。如图6所示，在低对称标签噪声条件下，单一尺度学习和尺度整合学习的性能差距相对较小。然而，随着噪声强度的增加，差距逐渐扩大。这一趋势表明了尺度整合策略的重要性，它通过整合学习过程有效地捕捉了多个尺度上的局部和全局特征，从而减轻了训练过程中标签噪声的干扰效应。[0071]本实施例中LWPT-SGLE模型针对无人机在样本噪声与标签噪声耦合干扰下的故障诊断难题，提出双阶段协同优化解决方案。在阶段一，通过向原始飞行信号注入高斯白噪声模拟实际环境干扰，构建可学习小波包变换子网络(LWPT),利用其在小波包分解树各节点动态调整阈值的特性，将传统小波包滤波器的固定阈值机制升级为基于深度学习的自适应噪声抑制方法，显著提升对非平稳噪声的去噪精度。阶段二，首先对去噪信号进行多尺度滑动窗口分割以扩充样本多样性，随后在训练集内同步注入非对称标签噪声模拟人工标注误差，构建图嵌入学习子网络(SGLE)实施噪声免疫训