(19)國(guó)家知識(shí)產(chǎn)權(quán)局(10)申請(qǐng)公布號(hào)CN120216888A(21)申請(qǐng)?zhí)?02510696525.1(22)申請(qǐng)日2025.05.28路貴州大學(xué)西校區(qū)(72)發(fā)明人李傳江王浩宇張儀宗李澄江張向杰李少波安蘇陽(yáng)周振華(74)專利代理機(jī)構(gòu)重慶強(qiáng)大凱創(chuàng)專利代理事務(wù)(54)發(fā)明名稱面向樣本-標(biāo)簽噪聲耦合場(chǎng)景的無(wú)人機(jī)智能故障診斷方法(57)摘要本發(fā)明涉及無(wú)人機(jī)故障診斷技術(shù)領(lǐng)域，具體涉及了一種面向樣本-標(biāo)簽噪聲耦合場(chǎng)景的無(wú)人機(jī)智能故障診斷方法。步驟包括：獲取無(wú)人機(jī)運(yùn)行過(guò)程中的信號(hào)，向采集到的原始信號(hào)注入高斯白噪聲模擬樣本噪聲；構(gòu)建LWPT子網(wǎng)絡(luò)對(duì)含有樣本噪聲的信號(hào)進(jìn)行去噪；使用滑動(dòng)窗口對(duì)去噪后的信號(hào)進(jìn)行劃分?jǐn)U充樣本；劃分訓(xùn)練集和測(cè)試集聲；構(gòu)建SGLE子網(wǎng)絡(luò)減弱訓(xùn)練過(guò)程中標(biāo)簽噪聲的影響；驗(yàn)證LWPT-SGLE模型在樣本-標(biāo)簽噪聲耦合影響下的故障診斷性能。本發(fā)明在工業(yè)場(chǎng)景中樣本與標(biāo)簽噪聲耦合影響下的實(shí)驗(yàn)中具有優(yōu)異的21.面向樣本-標(biāo)簽噪聲耦合場(chǎng)景的無(wú)人機(jī)智能故障診斷方法，其特征在于：包括以下步步驟一、使用傳感器分別獲取無(wú)人機(jī)運(yùn)行過(guò)程中正常狀態(tài)以及電機(jī)故障、螺旋槳故障、障狀態(tài)下的信號(hào)，向采集到的原始信號(hào)注入高斯白噪聲模擬樣本噪聲；為基于小波變換的自編碼器架構(gòu)；其中編碼器部分用于將原始信號(hào)的每個(gè)節(jié)點(diǎn)分解為低頻部分和高頻部分，在所有節(jié)點(diǎn)應(yīng)用可學(xué)習(xí)的閾值來(lái)抑制與噪聲相關(guān)的系數(shù)，并學(xué)習(xí)參數(shù)來(lái)適應(yīng)輸入信號(hào)的頻率特性，通過(guò)學(xué)習(xí)適當(dāng)?shù)南♂尡硎救コ肼?；?jīng)過(guò)編碼器得到干凈系數(shù)，基于干凈系數(shù)，解碼器部分采用可學(xué)習(xí)轉(zhuǎn)置卷積自適應(yīng)地步驟三、使用滑動(dòng)窗口對(duì)去噪后的信號(hào)進(jìn)行劃分?jǐn)U充樣本；步驟四、劃分訓(xùn)練集和測(cè)試集用于故障診斷任務(wù)，向訓(xùn)練集中注入標(biāo)簽噪聲；所述步驟四中向訓(xùn)練集中注入標(biāo)簽噪聲的方式為：通過(guò)噪聲轉(zhuǎn)移矩陣T來(lái)描述干凈標(biāo)簽翻轉(zhuǎn)為噪聲標(biāo)簽的概率，注入的標(biāo)簽噪聲包括對(duì)稱標(biāo)簽噪聲以及非對(duì)稱標(biāo)簽噪聲，所述對(duì)稱標(biāo)簽噪聲基于對(duì)稱標(biāo)簽噪聲轉(zhuǎn)移矩陣Tsym以相同的概率使得某類干凈標(biāo)簽樣本翻轉(zhuǎn)為其余類別標(biāo)簽，所述非對(duì)稱標(biāo)簽噪聲基于非對(duì)稱標(biāo)簽噪聲轉(zhuǎn)移矩陣Tasym,使某一類別的樣本與另一特定類別具有較高相似性；步驟五、構(gòu)建尺度圖表增強(qiáng)SGLE子網(wǎng)絡(luò)減弱訓(xùn)練過(guò)程中的標(biāo)簽噪聲的影響，所述步驟S5.1、樣本選擇：對(duì)樣本信號(hào)進(jìn)行下采樣得到不同尺度的信號(hào)，融合不同尺度的信號(hào)并進(jìn)行學(xué)習(xí)，基于小損失準(zhǔn)則挑選干凈標(biāo)簽的樣本；S5.2、樣本重標(biāo)記：對(duì)于未被選擇的樣本，基于標(biāo)簽傳播理論，構(gòu)建圖嵌入學(xué)習(xí)網(wǎng)絡(luò)組件，通過(guò)所述嵌入學(xué)習(xí)網(wǎng)絡(luò)組件利用干凈標(biāo)簽樣本對(duì)未被選擇的樣本進(jìn)行標(biāo)簽校正；步驟六、對(duì)訓(xùn)練得到的LWPT-SGLE模型進(jìn)行測(cè)試，測(cè)試其在樣本-標(biāo)簽噪聲耦合影響下的故障診斷結(jié)果。2.根據(jù)權(quán)利要求1所述的面向樣本-標(biāo)簽噪聲耦合場(chǎng)景的無(wú)人機(jī)智能故障診斷方法，其其中x;為注入白噪聲后的信號(hào)xi為原始信號(hào)，α表示噪聲強(qiáng)度，ni為服從標(biāo)準(zhǔn)正態(tài)分布的高斯白噪聲。3.根據(jù)權(quán)利要求1所述的面向樣本-標(biāo)簽噪聲耦合場(chǎng)景的無(wú)人機(jī)智能故障診斷方法，其所述編碼器使用步長(zhǎng)為2的卷積層替代傳統(tǒng)WPT的濾波器部分，使用可學(xué)習(xí)去噪激活函3其中，Y指可學(xué)習(xí)偏置；經(jīng)過(guò)分解后，通過(guò)以下公式計(jì)算第i層第j個(gè)節(jié)點(diǎn)的分解系數(shù)為Vij:其中φ表示逆卷積，*表示卷積操作，[i/2]表示從上一個(gè)節(jié)點(diǎn)獲取相應(yīng)的輸入；解碼器部分，采用步長(zhǎng)為2的可學(xué)習(xí)轉(zhuǎn)置卷積層逐步重構(gòu)信號(hào)，通過(guò)以下公式計(jì)算干凈對(duì)干凈系數(shù)進(jìn)行逆卷積操作：s?,j=1v?,j*Ψ?,j將Sij相加得到完重構(gòu)的完整信號(hào)x:4.根據(jù)權(quán)利要求1所述的面向樣本-標(biāo)簽噪聲耦合場(chǎng)景的無(wú)人機(jī)智能故障診斷方法，其特征在于：所述步驟三中，使用滑動(dòng)窗口對(duì)去噪信號(hào)進(jìn)行樣本劃分，滑動(dòng)窗口的大小為128,步長(zhǎng)為16。5.根據(jù)權(quán)利要求1所述的面向樣本-標(biāo)簽噪聲耦合場(chǎng)景的無(wú)人機(jī)智能故障診斷方法，其特征在于：所述S5.1具體包括以下步驟：S5.1.1、經(jīng)過(guò)LWPT去噪后的信號(hào)表示為xi={x?,x2,…xT},對(duì)信號(hào)進(jìn)行下采樣：其中0為下采樣率且屬于[1,T/2]之間，0越大，原始信號(hào)中數(shù)據(jù)的數(shù)據(jù)尺度越大，將其按照細(xì)粒度到粗粒度的尺度對(duì)嵌入空間中的樣本嵌入進(jìn)行融合：其中為學(xué)習(xí)到的單尺度嵌入，29為x,的嵌入，Ⅱ指兩個(gè)向量的拼接操作，f表示用于融合不同尺度的信息的非線性神經(jīng)網(wǎng)絡(luò)；S5.1.2、計(jì)算每個(gè)樣本的損失L:S5.1.3、基于每個(gè)樣本的損傷從小到大進(jìn)行排序，設(shè)置標(biāo)簽噪聲率為ρ,與損失對(duì)應(yīng)的41-p部分的樣本選擇作為干凈樣本。6.根據(jù)權(quán)利要求5所述的面向樣本-標(biāo)簽噪聲耦合場(chǎng)景的無(wú)人機(jī)智能故障診斷方法，其S5.2.1、構(gòu)建圖嵌入學(xué)習(xí)網(wǎng)絡(luò)，將融合嵌入表示為Z={29,2…-3,M表示批次大小；S5.2.2、在訓(xùn)練過(guò)程的早期進(jìn)行動(dòng)量更新：其中epo指的是當(dāng)前訓(xùn)練的回合數(shù)，m代表動(dòng)量更新參數(shù)；S5.2.3、使用高斯相似函數(shù)計(jì)算最近鄰圖的邊權(quán)重：其中d()表示計(jì)算歐氏距離，9為固定的參數(shù)；S5.2.4、對(duì)邊權(quán)重E進(jìn)行圖拉普拉斯操作：Q=D-12ED-1/2其中D為一個(gè)對(duì)角矩陣；S5.2.5、根據(jù)標(biāo)簽傳播理論，通過(guò)以下公式計(jì)算得到Ω中每個(gè)節(jié)點(diǎn)的偽標(biāo)簽：F:+1=βQF?+(1-β)Y其中F指預(yù)測(cè)的偽標(biāo)簽，β為0到1之間的超參數(shù)，未被選擇的樣本的校正標(biāo)簽為：其中argmax表示去最大值的偽標(biāo)簽。7.根據(jù)權(quán)利要求1所述的面向樣本-標(biāo)簽噪聲耦合場(chǎng)景的無(wú)人機(jī)智能故障診斷方法，其特征在于：所述步驟六中，測(cè)試LWPT-SGLE的故障診斷結(jié)果為驗(yàn)證去噪信號(hào)與原始信號(hào)的對(duì)比，并驗(yàn)證標(biāo)簽噪聲影響下的故障診斷分類準(zhǔn)確率。5技術(shù)領(lǐng)域[0001]本發(fā)明涉及無(wú)人機(jī)故障診斷技術(shù)領(lǐng)域，具體涉及了一種面向樣本-標(biāo)簽噪聲耦合場(chǎng)景的無(wú)人機(jī)智能故障診斷方法。背景技術(shù)[0002]無(wú)人機(jī)是現(xiàn)代智能系統(tǒng)的重要載體，已在軍事偵查、環(huán)境監(jiān)測(cè)、應(yīng)急救援和商業(yè)服務(wù)等領(lǐng)域發(fā)揮關(guān)鍵作用。無(wú)人機(jī)的可靠運(yùn)行對(duì)系統(tǒng)安全和任務(wù)完成至關(guān)重要，如果無(wú)人機(jī)出現(xiàn)故障，可能會(huì)導(dǎo)致任務(wù)失敗、設(shè)備墜毀甚至造成嚴(yán)重的人身傷害，進(jìn)而引發(fā)重大的緊急損失和安全事故。因此，開(kāi)展無(wú)人機(jī)的智能故障診斷在工程應(yīng)用中具有重要意義。[0003]現(xiàn)有的無(wú)人機(jī)故障診斷方法利用飛行數(shù)據(jù)和先進(jìn)的深度學(xué)習(xí)方法實(shí)現(xiàn)快速、準(zhǔn)確的診斷，盡管這些方法取得了一定的進(jìn)展，但在實(shí)際的無(wú)人機(jī)應(yīng)用場(chǎng)景中往往面臨低質(zhì)量數(shù)據(jù)的挑戰(zhàn)。一方面，復(fù)雜的飛行環(huán)境和傳感器測(cè)量誤差會(huì)引入樣本噪聲，導(dǎo)致模型學(xué)習(xí)到錯(cuò)誤的特征或趨勢(shì)。這些錯(cuò)誤特征會(huì)引發(fā)故障檢測(cè)系統(tǒng)的誤報(bào)或漏報(bào)，造成無(wú)人機(jī)執(zhí)行不必要的維修(增加維護(hù)成本)或錯(cuò)過(guò)關(guān)鍵故障點(diǎn)(導(dǎo)致設(shè)備損壞甚至墜毀事故)。另一方面，由于標(biāo)簽概念模糊或者時(shí)間變化使得標(biāo)簽標(biāo)注標(biāo)準(zhǔn)發(fā)生變化等原因造成標(biāo)簽噪聲，使得模型在訓(xùn)練過(guò)程中收到錯(cuò)誤的反饋，從而學(xué)到錯(cuò)誤的映射關(guān)系。這直接影響故障診斷的準(zhǔn)確率，降低系統(tǒng)可靠性，在實(shí)際應(yīng)用中表現(xiàn)為平均檢測(cè)延遲增加，導(dǎo)致無(wú)人機(jī)任務(wù)中斷時(shí)間延長(zhǎng)，運(yùn)營(yíng)效率顯著下降。進(jìn)一步的，它們的耦合影響也會(huì)使得模型訓(xùn)練過(guò)程發(fā)生震蕩，難以收斂，延長(zhǎng)算法開(kāi)發(fā)周期，增加研發(fā)投入成本。這些問(wèn)題給無(wú)人機(jī)可靠故障診斷帶來(lái)了巨大挑戰(zhàn)，不僅影響設(shè)備使用壽命和安全性，還直接關(guān)系到無(wú)人機(jī)運(yùn)營(yíng)的經(jīng)濟(jì)效益和市場(chǎng)競(jìng)爭(zhēng)發(fā)明內(nèi)容[0004]本發(fā)明所解決的技術(shù)問(wèn)題在于提供一種面向樣本-標(biāo)簽噪聲耦合場(chǎng)景的無(wú)人機(jī)智能故障診斷方法，用于解決復(fù)雜飛行環(huán)境下數(shù)據(jù)樣本受樣本噪聲干擾且標(biāo)簽信息不準(zhǔn)確的問(wèn)題，以克服樣本噪聲和標(biāo)簽噪聲耦合影響導(dǎo)致的模型診斷性能下降。[0005]本發(fā)明提供的基礎(chǔ)方案：面向樣本-標(biāo)簽噪聲耦合場(chǎng)景的無(wú)人機(jī)智能故障診斷方步驟一、使用傳感器分別獲取無(wú)人機(jī)運(yùn)行過(guò)程中正常狀態(tài)以及電機(jī)故障、螺旋槳GPS故障狀態(tài)下的信號(hào)，向采集到的原始信號(hào)注入高斯白噪聲模擬樣本噪聲；網(wǎng)絡(luò)為基于小波變換的自編碼器架構(gòu)；其中編碼器部分用于將原始信號(hào)的每個(gè)節(jié)點(diǎn)分解為低頻部分和高頻部分，在所有節(jié)點(diǎn)應(yīng)用可學(xué)習(xí)的閾值來(lái)抑制與噪聲相關(guān)的系數(shù)，并學(xué)習(xí)參數(shù)來(lái)適應(yīng)輸入信號(hào)的頻率特性，通過(guò)學(xué)習(xí)適當(dāng)?shù)南♂尡硎緛?lái)有效去除噪聲；6經(jīng)過(guò)編碼器得到干凈系數(shù)，基于干凈系數(shù)，解碼器部分采用可學(xué)習(xí)轉(zhuǎn)置卷積自適應(yīng)地優(yōu)化重構(gòu)過(guò)程中的參數(shù)，逐步重構(gòu)信號(hào)，進(jìn)行信號(hào)去噪；步驟三、使用滑動(dòng)窗口對(duì)去噪后的信號(hào)進(jìn)行劃分?jǐn)U充樣本；步驟四、劃分訓(xùn)練集和測(cè)試集用于故障診斷任務(wù)，向訓(xùn)練集中注入標(biāo)簽噪聲；所述步驟四中向訓(xùn)練集中注入標(biāo)簽噪聲的方式為：通過(guò)噪聲轉(zhuǎn)移矩陣T來(lái)描述干凈標(biāo)簽翻轉(zhuǎn)為噪聲標(biāo)簽的概率，注入的標(biāo)簽噪聲包括對(duì)稱標(biāo)簽噪聲以及非對(duì)稱標(biāo)簽噪聲，所述對(duì)稱標(biāo)簽噪聲基于對(duì)稱標(biāo)簽噪聲轉(zhuǎn)移矩陣Tsym以相同的概率使得某類干凈標(biāo)簽樣本翻轉(zhuǎn)為其余類別標(biāo)簽，所述非對(duì)稱標(biāo)簽噪聲基于非對(duì)稱標(biāo)簽噪聲轉(zhuǎn)移矩陣Tasym,使某一類別的樣本與另一特定類別具有較高相似性；步驟五、構(gòu)建尺度圖表增強(qiáng)SGLE子網(wǎng)絡(luò)減弱訓(xùn)練過(guò)程中的標(biāo)簽噪聲的影響，所述S5.1、樣本選擇：對(duì)樣本信號(hào)進(jìn)行下采樣得到不同尺度的信號(hào)，融合不同尺度的信號(hào)并進(jìn)行學(xué)習(xí)，基于小損失準(zhǔn)則挑選干凈標(biāo)簽的樣本；S5.2、樣本重標(biāo)記：對(duì)于未被選擇的樣本，基于標(biāo)簽傳播理論，構(gòu)建圖嵌入學(xué)習(xí)網(wǎng)絡(luò)組件，通過(guò)所述嵌入學(xué)習(xí)網(wǎng)絡(luò)組件利用干凈標(biāo)簽樣本對(duì)未被選擇的樣本進(jìn)行標(biāo)簽校正；步驟六、對(duì)訓(xùn)練得到的LWPT-SGLE模型進(jìn)行測(cè)試，測(cè)試其在樣本-標(biāo)簽噪聲耦合影響下的故障診斷結(jié)果。分布的高斯白噪聲。所述編碼器使用步長(zhǎng)為2的卷積層替代傳統(tǒng)WPT的濾波器部分，使用可學(xué)習(xí)去噪激活函數(shù)η進(jìn)行特征提取和噪聲抑制：[0009]其中，Y指可學(xué)習(xí)偏置；經(jīng)過(guò)分解后，通過(guò)以下公式計(jì)算第i層第j個(gè)節(jié)點(diǎn)的分解系數(shù)為Vij:解碼器部分，采用步長(zhǎng)為2的可學(xué)習(xí)轉(zhuǎn)置卷積層逐步重構(gòu)信號(hào)，通過(guò)以下公式計(jì)算干凈系數(shù)；j:[0011]其中為逆卷積核，ups()表示上采樣操作；對(duì)干凈系數(shù)進(jìn)行逆卷積操作：7[0014]進(jìn)一步，所述步驟三中，使用滑動(dòng)窗口對(duì)去噪信號(hào)進(jìn)行樣本劃分，滑動(dòng)窗口的大小為128,步長(zhǎng)為16。[0016]其中0為下采樣率且屬于[1,T/2]之間，0越大，原始信號(hào)中數(shù)據(jù)的數(shù)據(jù)尺度越大，將其按照細(xì)粒度到粗粒度的尺度對(duì)嵌入空間中的樣本嵌入進(jìn)行融合：[0017]其中為學(xué)習(xí)到的單尺度嵌入，2為x,的嵌入，Ⅱ指兩個(gè)向量的拼接操作，f表示用于融合不同尺度的信息的非線性神經(jīng)網(wǎng)絡(luò)；S5.1.2、計(jì)算每個(gè)樣本的損失L:S5.1.3、基于每個(gè)樣本的損傷從小到大進(jìn)行排序，設(shè)置標(biāo)簽噪聲率為ρ,與損失對(duì)應(yīng)的1-ρ部分的樣本選擇作為干凈樣本。S5.2.2、在訓(xùn)練過(guò)程的早期進(jìn)行動(dòng)量更新：[0020]其中epo指的是當(dāng)前訓(xùn)練的回合數(shù)，S5.2.3、使用高斯相似函數(shù)計(jì)算最近鄰圖的邊權(quán)重：S5.2.4、對(duì)邊權(quán)重E進(jìn)行圖拉普拉斯操作：S5.2.5、根據(jù)標(biāo)簽傳播理論，通過(guò)以下公式計(jì)算得到Q中每個(gè)節(jié)點(diǎn)的偽標(biāo)簽：8[0023]其中F指預(yù)測(cè)的偽標(biāo)簽，β為0到1[0024]其中argmax表示去最大值的偽標(biāo)簽。[0025]進(jìn)一步，所述步驟六中，測(cè)試LWPT-S始信號(hào)的對(duì)比，并驗(yàn)證標(biāo)簽噪聲影響下的故障診斷分類準(zhǔn)確率。[0026]本發(fā)明的原理及優(yōu)點(diǎn)在于：1、本方案構(gòu)建了面向耦合噪聲影響的故障診斷系統(tǒng)框架，通過(guò)LWPT子網(wǎng)絡(luò)與SGLE子網(wǎng)絡(luò)的級(jí)聯(lián)機(jī)制，實(shí)現(xiàn)了樣本噪聲消除與標(biāo)簽噪聲抑制的協(xié)同優(yōu)化，在系統(tǒng)層面提升了無(wú)人機(jī)復(fù)雜噪聲影響場(chǎng)景下的診斷魯棒性。[0027]2、本方案中LWPT子網(wǎng)絡(luò)在傳統(tǒng)信號(hào)方法的基礎(chǔ)上集成了深度學(xué)習(xí)方法，使用卷積層替代了傳統(tǒng)小波包變換的濾波器部分，在所有節(jié)點(diǎn)應(yīng)用可學(xué)習(xí)的閾值來(lái)抑制與噪聲相關(guān)[0028]3、本方案中模擬耦合噪聲場(chǎng)景下的標(biāo)簽噪聲場(chǎng)景，基于噪聲轉(zhuǎn)移矩陣的思想向訓(xùn)練集中注入噪聲標(biāo)簽。除了基于對(duì)稱標(biāo)簽噪聲轉(zhuǎn)移矩陣以相同的概率將原始標(biāo)簽映射為其它類別的噪聲標(biāo)簽，還考慮了特殊場(chǎng)景下特征相似而更容易被標(biāo)記為相似類別的情況，基于非對(duì)稱標(biāo)簽噪聲轉(zhuǎn)移矩陣向訓(xùn)練集中注入標(biāo)簽噪聲。[0029]4、本方案中SGLE子網(wǎng)絡(luò)部分通過(guò)樣本選擇與樣本重標(biāo)記兩個(gè)步驟減弱了訓(xùn)練過(guò)程中標(biāo)簽噪聲帶來(lái)的影響。通過(guò)對(duì)信號(hào)數(shù)據(jù)下采樣獲得不同尺度數(shù)據(jù)，融合學(xué)習(xí)這些數(shù)據(jù)并基于小損失準(zhǔn)則選擇出干凈的樣本，基于標(biāo)簽傳播理論通過(guò)圖嵌入學(xué)習(xí)使用干凈樣本校正未被選擇的樣本的標(biāo)簽。[0030]5、本方案中驗(yàn)證耦合噪聲影響下的故障診斷結(jié)果時(shí)，分別定性(可視化去噪信號(hào)和原始信號(hào))和定量分析(計(jì)算評(píng)價(jià)指標(biāo))對(duì)于樣本噪聲的去除效果，另外設(shè)置了不同類型[0031]6、本方案的優(yōu)勢(shì)在于，現(xiàn)有的多數(shù)噪聲數(shù)據(jù)故障診斷方法對(duì)于樣本噪聲和標(biāo)簽噪聲是獨(dú)立研究的，并沒(méi)有考慮到兩種噪聲同時(shí)出現(xiàn)對(duì)故障診斷的影響。而本方案旨在解決這一點(diǎn)，在去除樣本噪聲的同時(shí)減弱標(biāo)簽噪聲在訓(xùn)練過(guò)程中的影響，以提高復(fù)雜噪聲下的診斷結(jié)果。[0032]在無(wú)人機(jī)故障診斷的實(shí)際場(chǎng)景中，傳感器信號(hào)易受環(huán)境干擾導(dǎo)致樣本噪聲，同時(shí)人工標(biāo)注過(guò)程易產(chǎn)生標(biāo)簽噪聲，兩者疊加使得使用這些訓(xùn)練數(shù)據(jù)進(jìn)行高質(zhì)量故障診斷面臨著挑戰(zhàn)。本方案以解決以上問(wèn)題為出發(fā)點(diǎn)，旨在復(fù)雜噪聲耦合的數(shù)據(jù)情況實(shí)現(xiàn)理想的故障診斷結(jié)果，相比主流方法更適用于真實(shí)數(shù)據(jù)場(chǎng)景，具有較好的應(yīng)用價(jià)值。附圖說(shuō)明[0033]圖1為本發(fā)明面向樣本-標(biāo)簽噪聲耦合場(chǎng)景的無(wú)人機(jī)智能故障診斷方法實(shí)施例的流程示意圖；圖2為本發(fā)明面向樣本-標(biāo)簽噪聲耦合場(chǎng)景的無(wú)人機(jī)智能故障診斷方法實(shí)施例的原理框圖；9圖3為本發(fā)明面向樣本-標(biāo)簽噪聲耦合場(chǎng)景的無(wú)人機(jī)智能故障診斷方法實(shí)施例中樣本噪聲去噪效果定性分析圖；圖4為本發(fā)明面向樣本-標(biāo)簽噪聲耦合場(chǎng)景的無(wú)人機(jī)智能故障診斷方法實(shí)施例中樣本噪聲去噪效果定量分析圖；圖5為本發(fā)明面向樣本-標(biāo)簽噪聲耦合場(chǎng)景的無(wú)人機(jī)智能故障診斷方法實(shí)施例中不同類型不同程度標(biāo)簽噪聲影響下的故障診斷準(zhǔn)確率示意圖；圖6為本發(fā)明面向樣本-標(biāo)簽噪聲耦合場(chǎng)景的無(wú)人機(jī)智能故障診斷方法實(shí)施例中抑制標(biāo)簽噪聲時(shí)尺度整合學(xué)習(xí)的增益效果圖。具體實(shí)施方式[0034]下面通過(guò)具體實(shí)施方式進(jìn)一步詳細(xì)說(shuō)明：實(shí)施例基本如附圖1所示：面向樣本-標(biāo)簽噪聲耦合場(chǎng)景的無(wú)人機(jī)智能故障診斷方法，如圖1所示：主要通過(guò)向獲得到的無(wú)人機(jī)原始信號(hào)添加高斯白噪聲實(shí)現(xiàn)樣本噪聲注入。利用深度學(xué)習(xí)的可學(xué)習(xí)特性，將深度學(xué)習(xí)與傳統(tǒng)信號(hào)處理方法相結(jié)合，構(gòu)建可學(xué)習(xí)小波包變換子網(wǎng)絡(luò)，實(shí)現(xiàn)在小波包分解樹(shù)每個(gè)節(jié)點(diǎn)上的可學(xué)習(xí)閾值調(diào)整，實(shí)現(xiàn)對(duì)樣本噪聲的高效去噪。將去噪信號(hào)作為診斷模型的輸入時(shí)，通過(guò)交換樣本標(biāo)簽引入標(biāo)簽噪聲。通過(guò)尺度整合學(xué)習(xí)策略對(duì)原始信號(hào)數(shù)據(jù)進(jìn)行下采樣，融合學(xué)習(xí)不同尺度下的數(shù)據(jù)并基于小損失準(zhǔn)則選擇干凈樣本?；跇?biāo)簽傳播理論，構(gòu)建圖嵌入學(xué)習(xí)網(wǎng)絡(luò)利用干凈樣本對(duì)未被選擇的樣本進(jìn)行標(biāo)簽校正。實(shí)現(xiàn)了樣本-標(biāo)簽噪聲耦合影響下的無(wú)人機(jī)故障的魯棒診斷，具體包括以下步驟：步驟一、使用傳感器分別獲取無(wú)人機(jī)運(yùn)行過(guò)程中正常狀態(tài)以及電機(jī)故障、螺旋槳GPS故障狀態(tài)下的信號(hào)，向采集到的原始信號(hào)注入高斯白噪聲模擬樣本噪聲。[0035]所述步驟一中，注入高斯白噪聲的方法表示為：分布的高斯白噪聲。所述LWPT子網(wǎng)絡(luò)為基于小波變換的自編碼器架構(gòu)。[0038]其中編碼器部分用于將原始信號(hào)的每個(gè)節(jié)點(diǎn)分解為低頻部分和高頻部分，在所有節(jié)點(diǎn)應(yīng)用可學(xué)習(xí)的閾值來(lái)抑制與噪聲相關(guān)的系數(shù)，并學(xué)習(xí)參數(shù)來(lái)適應(yīng)輸入信號(hào)的頻率特性，通過(guò)學(xué)習(xí)適當(dāng)?shù)南♂尡硎緛?lái)有效去除噪聲。[0039]經(jīng)過(guò)編碼器得到干凈系數(shù)，基于干凈系數(shù)，解碼器部分采用可學(xué)習(xí)轉(zhuǎn)置卷積自適應(yīng)地優(yōu)化重構(gòu)過(guò)程中的參數(shù)，逐步重構(gòu)信號(hào)，進(jìn)行信號(hào)去噪。步驟二的具體實(shí)現(xiàn)流程如下：[0040]所述編碼器使用步長(zhǎng)為2的卷積層替代傳統(tǒng)WPT的濾波器部分，使用可學(xué)習(xí)去噪激[0041]其中，Y指可學(xué)習(xí)偏置；經(jīng)過(guò)分解后，通過(guò)以下公式計(jì)算第i層第j個(gè)節(jié)點(diǎn)的分解系數(shù)為Vij:[0042]其中φ表示逆卷積，*表示卷積操作，[j/2]表示從上一個(gè)節(jié)點(diǎn)獲取[0043]解碼器部分，采用步長(zhǎng)為2的可學(xué)習(xí)轉(zhuǎn)置卷積層逐步重構(gòu)信號(hào)，通過(guò)以下公式計(jì)算干凈系數(shù)；j:[0045]對(duì)干凈系數(shù)進(jìn)行逆卷積操作：s?,j=1v?,j*Ψ?,j[0048]步驟三、使用滑動(dòng)窗口對(duì)去噪后的信號(hào)進(jìn)行劃分?jǐn)U充樣本?；瑒?dòng)窗口的大小為128,步長(zhǎng)為16。[0049]步驟四、劃分訓(xùn)練集和測(cè)試集用于故障診斷任務(wù)，劃分訓(xùn)練集的方法為按照樣本總數(shù)量的8:2的比例劃分為訓(xùn)練集和測(cè)試集，并向訓(xùn)練集中注入標(biāo)簽噪聲。所述步驟四中向訓(xùn)練集中注入標(biāo)簽噪聲的方式為：通過(guò)噪聲轉(zhuǎn)移矩陣T來(lái)描述干凈標(biāo)簽翻轉(zhuǎn)為噪聲標(biāo)簽的概率，注入的標(biāo)簽噪聲包括對(duì)稱標(biāo)簽噪聲以及非對(duì)稱標(biāo)簽噪聲，所述對(duì)稱標(biāo)簽噪聲基于對(duì)稱標(biāo)簽噪聲轉(zhuǎn)移矩陣Tsym以相同的概率使得某類干凈標(biāo)簽樣本翻轉(zhuǎn)為其余類別標(biāo)簽，所述非對(duì)稱標(biāo)簽噪聲基于非對(duì)稱標(biāo)簽噪聲轉(zhuǎn)移矩陣Tasym,使某一類別的樣本與另一特定類別具有較高相似性。[0050]步驟五、構(gòu)建尺度圖表增強(qiáng)SGLE子網(wǎng)絡(luò)減弱訓(xùn)練過(guò)程中的標(biāo)簽噪聲的影響，所述S5.1、樣本選擇：對(duì)樣本信號(hào)進(jìn)行下采樣得到不同尺度的信號(hào)，融合不同尺度的信號(hào)并進(jìn)行學(xué)習(xí)，基于小損失準(zhǔn)則挑選干凈標(biāo)簽的樣本。S5.1.1、經(jīng)過(guò)LWPT去噪后的信號(hào)表示為xi={x?,x2,…x},對(duì)信號(hào)進(jìn)行下采樣：[0052]其中0為下采樣率且屬于[1,T/2]之間，0越大，原始信號(hào)中數(shù)據(jù)的數(shù)據(jù)尺度越大，將其按照細(xì)粒度到粗粒度的尺度對(duì)嵌入空間中的樣本嵌入進(jìn)行融合：用于融合不同尺度的信息的非線性神經(jīng)網(wǎng)絡(luò)。S5.1.3、基于每個(gè)樣本的損傷從小到大進(jìn)行排序，設(shè)置標(biāo)簽噪聲率為p,與損失對(duì)應(yīng)的1-p部分的樣本選擇作為干凈樣本。[0056]S5.2、樣本重標(biāo)記：對(duì)于未被選擇的樣本，基于標(biāo)簽傳播理論，構(gòu)建圖嵌入學(xué)習(xí)網(wǎng)絡(luò)組件，通過(guò)所述嵌入學(xué)習(xí)網(wǎng)絡(luò)組件利用干凈標(biāo)簽樣本對(duì)未被選擇的樣本進(jìn)行標(biāo)簽校正。云[epo]=mz?[epo]+(1-m)z[epo[0059]其中epo指的是當(dāng)前訓(xùn)練的回合數(shù)，m[0060]S5.2.3、使用高斯相似函數(shù)計(jì)算最近鄰圖的邊權(quán)重：[0061]其中d()表示計(jì)算歐氏距離，9為固定的參S5.2.4、對(duì)邊權(quán)重E進(jìn)行圖拉普拉斯操作：Q=D-12ED-1V2S5.2.5、根據(jù)標(biāo)簽傳播理論，通過(guò)以下公式計(jì)算得到Q中每個(gè)節(jié)點(diǎn)的偽標(biāo)簽：F+1=βQF?+(1-β)Y[0065]通過(guò)步驟5.1與5.2便可減弱標(biāo)簽噪聲的影響。另外，在訓(xùn)練開(kāi)始時(shí)先進(jìn)行學(xué)習(xí)率預(yù)熱，預(yù)熱階段之后繼續(xù)進(jìn)行了幾次額外的訓(xùn)練，這些回合訓(xùn)練結(jié)束后，標(biāo)簽校正階段才開(kāi)[0066]步驟六，測(cè)試LWPT-SGLE模型在樣本-標(biāo)簽噪聲耦合影響下的故障診斷結(jié)果。測(cè)試LWPT-SGLE的故障診斷結(jié)果指的是驗(yàn)證去噪信號(hào)與原始信號(hào)的對(duì)比，并驗(yàn)證標(biāo)簽噪聲影響下的故障診斷分類準(zhǔn)確率。[0067]以公開(kāi)的無(wú)人機(jī)故障數(shù)據(jù)集為例，使用硬件仿真數(shù)據(jù)進(jìn)行測(cè)試。數(shù)據(jù)采集過(guò)程基臺(tái)按順序執(zhí)行控制程序，當(dāng)注入故障時(shí)，多旋翼飛行器在故障注入過(guò)程中的異常表現(xiàn)將確認(rèn)故障條件模擬成功。模擬得到九種不同的故障類型和正常運(yùn)行條件，故障類別包括電機(jī)壓計(jì)故障和GPS故障。[0068]圖3為L(zhǎng)WPT-SGLE對(duì)于樣本噪聲的去除效果圖，傳統(tǒng)方法如卡爾曼濾波(KF)重構(gòu)的信號(hào)已經(jīng)嚴(yán)重偏離原始信號(hào)，信號(hào)呈現(xiàn)出過(guò)度平滑的效果。而深度學(xué)習(xí)方法如卷積神經(jīng)網(wǎng)絡(luò)(CNN)恢復(fù)了原始信號(hào)的趨勢(shì)，但無(wú)法有效去除信號(hào)中的高頻噪聲，使得重構(gòu)信號(hào)重疊。長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)在處理長(zhǎng)序列時(shí)經(jīng)驗(yàn)記憶衰減，重構(gòu)得到的信號(hào)中出現(xiàn)周期性的顛有突變的區(qū)域，它利用深度學(xué)習(xí)模型的非線性特性，有效地處理復(fù)雜的噪聲模式，去噪后的信號(hào)與原始信號(hào)非常接近，高精度地保留了重要特征和轉(zhuǎn)折點(diǎn)。[0069]另外定量分析了LWPT-SGLE對(duì)樣本噪聲的去噪效果，如圖4所示，通過(guò)比較四種不同信號(hào)去噪方法的評(píng)價(jià)指標(biāo)(R2、MSE和MAE),結(jié)果顯示LWPT-SGLE方法在所有評(píng)價(jià)維度上都取得了最優(yōu)表現(xiàn)，其R2值最接近1,同時(shí)MSE和MAE值最小，表明該方法具有最好的信號(hào)擬合度和最小的誤差水平。傳統(tǒng)的KF方法也能實(shí)現(xiàn)基本的去噪效果，但從各項(xiàng)指標(biāo)來(lái)看都顯著低于其他三種方法。LSTM方法和CNN方法的性能相對(duì)接近，兩者均優(yōu)于傳統(tǒng)的KF方法，但與LWPT-SGLE方法相比仍有一定差距。這些定量評(píng)估結(jié)果與之前的波形圖分析結(jié)果相互印證，[0070]圖5展示了不同類型不同級(jí)別標(biāo)簽噪聲下各類方法的診斷準(zhǔn)確率對(duì)比，交叉熵法表現(xiàn)出了最優(yōu)異的性能，不僅在各個(gè)對(duì)稱標(biāo)簽噪聲參數(shù)下都保持最高準(zhǔn)確率，其性能下降程度也最為平緩，說(shuō)明該方法在處理不同程度的對(duì)稱性問(wèn)題時(shí)都具有顯著優(yōu)勢(shì)。值得注他方法。這得益于該模型通過(guò)穩(wěn)健的樣本選擇和標(biāo)簽校正機(jī)制實(shí)現(xiàn)了最高的準(zhǔn)確率，表現(xiàn)出良好的魯棒性和適應(yīng)性。處理標(biāo)簽噪聲時(shí)，尺度整合學(xué)習(xí)策略起到了關(guān)鍵作用。如圖6所示，在低對(duì)稱標(biāo)簽噪聲條件下，單一尺度學(xué)習(xí)和尺度整合學(xué)習(xí)的性能差距相對(duì)較小。然而，隨著噪聲強(qiáng)度的增加，差距逐漸擴(kuò)大。這一趨勢(shì)表明了尺度整合策略的重要性，它通過(guò)整合學(xué)習(xí)過(guò)程有效地捕捉了多個(gè)尺度上的局部和全局特征，從而減輕了訓(xùn)練過(guò)程中標(biāo)簽噪聲的干擾效應(yīng)。[0071]本實(shí)施例中LWPT-SGLE模型針對(duì)無(wú)人機(jī)在樣本噪聲與標(biāo)簽噪聲耦合干擾下的故障診斷難題，提出雙階段協(xié)同優(yōu)化解決方案。在階段一，通過(guò)向原始飛行信號(hào)注入高斯白噪聲模擬實(shí)際環(huán)境干擾，構(gòu)建可學(xué)習(xí)小波包變換子網(wǎng)絡(luò)(LWPT),利用其在小波包分解樹(shù)各節(jié)點(diǎn)動(dòng)態(tài)調(diào)整閾值的特性，將傳統(tǒng)小波包濾波器的固定閾值機(jī)制升級(jí)為基于深度學(xué)習(xí)的自適應(yīng)噪聲抑制方法，顯著提升對(duì)非平穩(wěn)噪聲的去噪精度。階段二，首先對(duì)去噪信號(hào)進(jìn)行多尺度滑動(dòng)窗口分割以擴(kuò)充樣本多樣性，隨后在訓(xùn)練集內(nèi)同步注入非對(duì)稱標(biāo)簽噪聲模擬人工標(biāo)注誤差，構(gòu)建圖嵌入學(xué)習(xí)子網(wǎng)絡(luò)(SGLE)實(shí)施噪聲免疫訓(xùn)