基于卷积神经网络与迁移学习的四旋翼无人机音频故障诊断方法
信号处理
2020-08-13 v2
摘要
四旋翼无人飞行器（UAV）已被开发并应用于仓库等涉及人类工人的多种工作场所。人与 UAV 的共存给 UAV 带来新挑战：UAV 的潜在故障可能对周围人员造成风险与危险。对此类故障进行有效且高效的检测，可向周围工人提供预警，并尽可能降低对人的风险。导致 UAV 飞行故障最常见的原因之一是螺旋桨的物理损伤。本文提出一种仅基于 UAV 飞行所产生的音频噪声来检测螺旋桨损伤的方法。诊断模型基于卷积神经网络（CNN）与迁移学习技术构建。音频数据由 UAV 实时采集，转换为时频谱图，并用于训练基于 CNN 的诊断模型。所开发的模型能够检测谱图的异常特征，进而识别螺旋桨的物理损伤。为降低对 UAV 动力学模型的数据依赖，并能够利用来自不同动力学模型 UAV 的训练数据，基于 CNN 的诊断模型进一步通过迁移学习增强。如此，基于其他 UAV 对训练良好的诊断模型进行精化仅需少量 UAV 训练数据。实验测试验证了该诊断模型，准确率高于 90%。
引用
@article{arxiv.2003.02649,
title = {An Audio-Based Fault Diagnosis Method for Quadrotors Using Convolutional Neural Network and Transfer Learning},
author = {Wansong Liu and Zhu Chen and Minghui Zheng},
journal= {arXiv preprint arXiv:2003.02649},
year = {2020}
}
备注
ACC 2020 Final Version