增强图像化：一种数据驱动的飞机大气数据传感器故障检测方法
计算机视觉与模式识别
2022-06-29 v2 人工智能
摘要
本文提出了一种名为增强图像化（Augmented Imagefication）的新型数据驱动方法，用于飞机大气数据传感器（ADS）的故障检测（FD）。以飞机大气数据传感器的故障检测问题为例，开发了一种基于深度神经网络（DNN）的边缘设备在线故障检测方案。首先，采用飞机惯性参考单元测量值作为等效输入，该方法可扩展到不同飞机/飞行案例。收集了与6种不同飞机/飞行条件相关的数据，以在训练/测试数据库中提供多样性（可扩展性）。然后，提出了增强图像化方法，用于基于DNN的飞行状态预测。将原始数据重塑为灰度图像以进行卷积操作，并分析指出了增强的必要性。讨论了不同类型的增强方法，即翻转（Flip）、重复（Repeat）、平铺（Tile）及其组合，结果表明，在图像矩阵的两个轴上进行全重复（All Repeat）操作可使DNN达到最佳性能。基于Grad-CAM研究了DNN的可解释性，这提供了更好的理解并进一步巩固了DNN的鲁棒性。接下来，针对移动硬件部署优化了采用增强图像化数据的DNN模型VGG-16。在对DNN进行剪枝后，获得了一个轻量级模型（比原始VGG-16小98.79%），具有高精度（略微提升0.27%）和快速速度（时间延迟减少87.54%）。并基于TPE实现了DNN的超参数优化，确定了最佳超参数组合（学习率0.001，迭代周期600，批次大小100，达到最高精度0.987）。最后，开发了基于边缘设备Jetson Nano的在线故障检测部署方案，实现了对飞机的实时监控。我们相信，该方法对于解决其他类似领域的故障检测问题具有指导意义。
引用
@article{arxiv.2206.09055,
title = {Augmented Imagefication: A Data-driven Fault Detection Method for Aircraft Air Data Sensors},
author = {Hang Zhao and Jinyi Ma and Zhongzhi Li and Yiqun Dong and Jianliang Ai},
journal= {arXiv preprint arXiv:2206.09055},
year = {2022}
}
备注
a crucial design defect to acquire flying data by simulation