基于声音的多任务学习无人机故障分类

无人机已被用于多种用途，包括军事应用、航拍和农药喷洒。然而，无人机易受外部干扰，螺旋桨和电机容易发生故障。为提高无人机操作的安全性，应实时检测其机械故障。本文提出一种基于声音的深度神经网络（DNN）故障分类器及无人机声音数据集。该数据集通过在消声室中安装于三架不同无人机上的麦克风采集其运行声音构建而成。数据集包含无人机的多种运行条件，如飞行方向（前、后、右、左、顺时针、逆时针）以及螺旋桨和电机的故障。随后将这些无人机声音与在大学校园内五个不同地点记录的噪声混合，信噪比（SNR）在 10 dB 至 15 dB 之间变化。利用所获取的数据集，我们训练了一个 DNN 分类器 1DCNN-ResNet，从短时输入波形中分类机械故障类型及其位置。我们采用多任务学习（MTL），并将方向分类任务作为辅助任务，以使分类器学习更通用的音频特征。对未见数据的测试表明，所提出的多任务模型能成功分类无人机故障，且即使在训练数据较少的情况下也优于单任务模型。