公开(公告)号：CN115712833A

公开(公告)日：2023-02-24

申请号：CN202211449025.0

申请日：2022-11-18

Applicant: 贵州大学

Inventor： 杨磊 ,  李少波 ,  李传江 ,  张安思 ,  张仪宗

IPC: G06F18/214 ,  G06N3/049 ,  G06N3/08 ,  G06N3/0442

Abstract: 本发明涉及无人机异常检测技术领域，公开了一种基于时空相关性的多维无人机飞行数据的无监督异常检测方法，包括以下步骤：步骤1：采集原始数据集；步骤2：预处理原始数据集，并得到标准数据集；步骤3：采用MIC相关分析法处理标准数据集，并输出得到飞行数据参数之间的关联程度值；步骤4：自标准数据集中，提取关联程度值大于第一阈值的飞行数据参数，并组成特征子集；步骤5：将特征子集作为模型输入，输入至LSTM‑AE模型中；将LSTM‑AE模型损失函数作为异常分数；步骤6：若异常分数大于第二阈值，则判定为飞行数据存在异常。本发明能够准确检测数据异常，且能够有效减少数据分析对于先验知识的依赖性，异常检测较为方便，检测有效度高。

公开(公告)号：CN114635639A

公开(公告)日：2022-06-17

申请号：CN202210270933.7

申请日：2022-03-18

Applicant: 贵州大学

Inventor： 李博 ,  杨智成 ,  李涛 ,  王中美 ,  褚学伟 ,  张贝贝 ,  杨磊

IPC: E21B7/00 ,  E21B33/13 ,  E21B36/00 ,  E21B21/06 ,  E21B44/00 ,  E21B49/00 ,  E21B47/013

Abstract: 本发明公开了一种适用岩溶地区的泥浆护壁钻机及方法，属于泥浆护壁钻机施工技术领域，包括控制装置、充气泵、泥浆喷射装置、热气流喷出装置、钻杆和钻头，所述泥浆喷射装置及热气流喷出装置套设于钻杆上，所述泥浆喷射装置与泥浆池相连接；所述热气流喷出装置与充气泵相连接；所述钻头、充气泵、泥浆喷射装置和热气流喷出装置均与控制装置相通讯连接或电连接。该泥浆护壁钻机，在施工同时能实现对溶洞和软弱夹层等有效护壁，避免了溶洞及软弱夹层由于岩石层松软，导致钻孔形成的孔洞易坍塌的问题。利用该浆护壁钻机的护壁方法，灵活性高、易操作，可有效提高钻进效率，并减小钻孔坍塌的可能。

公开(公告)号：CN119885038A

公开(公告)日：2025-04-25

申请号：CN202510352273.0

申请日：2025-03-25

Applicant: 贵州大学

Inventor： 杨磊 ,  李少波 ,  朱才朝 ,  张仪宗 ,  张安思

IPC: G06F18/2433 ,  G06N3/0455

Abstract: 一种基于重构模型的多变量飞行数据异常检测和定位方法，包括以下步骤：数据预处理步骤：收集无人机飞行数据，将原始输入数据按预设比例划分为训练集和测试集，对数据进行归一化处理；模型构建步骤：构建基于DCANNs的神经网络重构模型；自动编码器模块通过编码器将输入数据压缩为潜在变量再由解码器将z解码回原始数据空间获得重建数据；自适应异常检测步骤：利用训练集重构残差计算异常阈值，通过比较测试集的异常分数与阈值实现异常检测；异常定位步骤：通过计算和分析残差的统计特征定位异常参数；本发明的目的解决了传统深度学习模型特征提取不充分、固定统计阈值无法适应飞行数据动态变化以及异常参数具体来源无法定位的问题。

公开(公告)号：CN119475198A

公开(公告)日：2025-02-18

申请号：CN202510053041.5

申请日：2025-01-14

Applicant: 贵州大学

Inventor： 杨磊 ,  李少波 ,  朱才朝 ,  张安思 ,  刘健

IPC: G06F18/2433 ,  G06N3/0464 ,  G06F18/213 ,  G06F18/27 ,  G06N3/084

Abstract: 本发明涉及无人机检测技术领域，具体涉及了一种无人机飞行数据高精度异常检测和数据恢复方法。包括以下步骤：S1、构建基于TCN‑KANs的多元回归模型，所述TCN‑KANs模型包括输入层、三个残差块以及一个KAN层，其中残差块通过卷积层以及残差连接提取特征，并对输入特征进行非线性变化，提取潜在模式并生成最终输出，KAN层作为TCN‑KANs最终的输出层；S2、最小化预测值和真实值之间的误差；S3、根据模型的预测结果计算残差，对残差进行平滑处理后，通过对残差的统计特性进行分析确定异常阈值；S4、无人机的飞行实时监控以及操作控制时，通过模型在检测到异常后生成恢复值进行数据恢复。

公开(公告)号：CN118468454A

公开(公告)日：2024-08-09

申请号：CN202410925609.3

申请日：2024-07-11

Applicant: 贵州大学

Inventor： 李少波 ,  王岩 ,  杨磊 ,  张仪宗 ,  安雪 ,  张安思

IPC: G06F30/15 ,  G06F18/2411 ,  G06F18/214

Abstract: 本发明涉及无人机异常检测技术领域，公开了一种无人机执行器数据异常程度检测与关键参数识别方法，构建SCAE无监督混合模型；获取无人机执行器数据并进行数据预处理，得到训练数据集、验证数据集和测试数据集；利用预处理后的训练数据集对模型进行训练，得到CAE模型；将验证数据集输入至CAE模型得到阈值；将不同异常程度的异常数据分别注入测试数据集，分别形成相应的待测数据；将待测数据输入至CAE模型，得到预测结果，计算待测数据残差，通过比较待测数据残差和阈值进行不同异常程度下的异常检测；根据待测数据残差，计算无人机执行器各参数的异常贡献度，进行造成异常的关键参数识别；实现无人机执行器数据不同异常程度下的异常检测与关键参数识别。

公开(公告)号：CN118094447B

公开(公告)日：2024-07-02

申请号：CN202410496071.9

申请日：2024-04-24

Applicant: 贵州大学

Inventor： 李少波 ,  杨磊 ,  朱才朝 ,  张仪宗 ,  廖子豪

IPC: G06F18/2433 ,  G06F18/15 ,  G06F18/213 ,  G06F18/22 ,  G06F18/27 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/0455 ,  G06N3/084 ,  G07C5/08 ,  G06N3/048 ,  G06F123/02

Abstract: 本发明涉及无人机异常检测技术领域，公开了一种基于编码‑解码的无人机飞行数据自适应异常检测方法，包括数据重建和自适应异常检测；数据重建包括模型架构建立和模型训练；模型架构建立采用一维CNN‑BiLSTM作为特征提取器，捕捉时间特征和局部特征的基本特征数据，并引入注意力机制选择和加权基本特征数据；模型架构建立包括编码和解码；自适应异常检测包括对残差序列进行建模，并以此匹配SVR模型输入，对SVR模型进行评估测试。本发明通过一维CNN和BiLSTM，并结合注意力机制，使模型能够更好地理解数据的特征，实现更精确的数据表示，以此建立精准的数据重构模型。同时，采用自适应阈值，更好满足数据动态变化条件下的自适应异常检测。

公开(公告)号：CN118094447A

公开(公告)日：2024-05-28

申请号：CN202410496071.9

申请日：2024-04-24

Applicant: 贵州大学

Inventor： 李少波 ,  杨磊 ,  朱才朝 ,  张仪宗 ,  廖子豪

IPC: G06F18/2433 ,  G06F18/15 ,  G06F18/213 ,  G06F18/22 ,  G06F18/27 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/0455 ,  G06N3/084 ,  G07C5/08 ,  G06N3/048 ,  G06F123/02

Abstract: 本发明涉及无人机异常检测技术领域，公开了一种基于编码‑解码的无人机飞行数据自适应异常检测方法，包括数据重建和自适应异常检测；数据重建包括模型架构建立和模型训练；模型架构建立采用一维CNN‑BiLSTM作为特征提取器，捕捉时间特征和局部特征的基本特征数据，并引入注意力机制选择和加权基本特征数据；模型架构建立包括编码和解码；自适应异常检测包括对残差序列进行建模，并以此匹配SVR模型输入，对SVR模型进行评估测试。本发明通过一维CNN和BiLSTM，并结合注意力机制，使模型能够更好地理解数据的特征，实现更精确的数据表示，以此建立精准的数据重构模型。同时，采用自适应阈值，更好满足数据动态变化条件下的自适应异常检测。

公开(公告)号：CN117708741A

公开(公告)日：2024-03-15

申请号：CN202311781202.X

申请日：2023-12-21

Applicant: 贵州大学

Inventor： 李少波 ,  王岩 ,  杨磊 ,  张羽 ,  张安思 ,  李传江

IPC: G06F18/2433 ,  G06F18/213 ,  G06N3/0442 ,  G06N3/084

Abstract: 本发明涉及无人机异常检测技术领域，公开了一种用于参数选择的无人机多维飞行数据异常检测的方法，包括以下步骤：步骤1，采集无人机飞行数据，并基于无人机飞行数据选取特征子集；步骤2，基于特征子集，构建无监督的异常检测模型以进行无人机飞行数据的异常检测；步骤3，在异常检测模型中输入未训练集X(t)并输出参考检测数据X′(t)，并计算得到X(t)与X′(t)的参考残差；采用3σ原则确定残差上限值；步骤4，比对参考残差与残差上限值，若参考残差小于残差上限值，则判定为正常数据；反之，则判定为异常数据。本发明能够实现针对多种异常类型的同步高效检测，检测效率较高且检测精准度较高。

公开(公告)号：CN117034020B

公开(公告)日：2024-01-09

申请号：CN202311297725.7

申请日：2023-10-09

Applicant: 贵州大学

Inventor： 李传江 ,  王浩宇 ,  李少波 ,  杨磊 ,  岳昊 ,  王岩

IPC: G06F18/214 ,  G01D18/00 ,  G06F18/24 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/0455 ,  G06N3/094

Abstract: 本发明涉及无人机传感器故障检测方法领域，具体涉及一种基于CVAE‑GAN模型的无人机传感器零样本故障检测方法，包括步骤：采用滑动窗口截取多变量传感器数据构建样本，划分训练集、验证集和测试集；利用轻量级卷积神经网络，设计包含生成器和判别器的CVAE‑GAN模型；设计各子网络损失函数和权重系数以构建CVAE‑GAN模型的整体目标函数；利用正常传感器样本训练CVAE‑GAN模型，学习正常数据的重构机制；利用含故障样本的验证集获得自适应阈值调节系数；利用含故障样本的测试集测试模型，计算测试样本与重构样本的重构误差；归一化重构误差，与自适应阈值对比实现传感器故障检测。本发明能(56)对比文件CN 112633386 A,2021.04.09CN 112766386 A,2021.05.07CN 113361186 A,2021.09.07CN 113468703 A,2021.10.01CN 113609569 A,2021.11.05CN 114707600 A,2022.07.05CN 115471712 A,2022.12.13CN 116738140 A,2023.09.12叶林等.“基于堆叠自动编码器的汽轮发电机多指标故障诊断模型”《.中国电机工程学报》.2022,第42卷(第10期),第3656-3669页.李静等.“MicroAFL：一种云上微服务故障自动定位方法”《.计算机技术与发展》.2023,第33卷(第5期),第91页第2.2节.You-ren Wang等.“Imbalanced samplefault diagnosis of rotating machineryusing conditional variational auto-encoder generative adversarial network”.《Applied Soft Computing Journal》.2020,第1页摘要.

公开(公告)号：CN117034020A

公开(公告)日：2023-11-10

申请号：CN202311297725.7

申请日：2023-10-09

Applicant: 贵州大学

Inventor： 李传江 ,  王浩宇 ,  李少波 ,  杨磊 ,  岳昊 ,  王岩

IPC: G06F18/214 ,  G01D18/00 ,  G06F18/24 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/0455 ,  G06N3/094

Abstract: 本发明涉及无人机传感器故障检测方法领域，具体涉及一种基于CVAE‑GAN模型的无人机传感器零样本故障检测方法，包括步骤：采用滑动窗口截取多变量传感器数据构建样本，划分训练集、验证集和测试集；利用轻量级卷积神经网络，设计包含生成器和判别器的CVAE‑GAN模型；设计各子网络损失函数和权重系数以构建CVAE‑GAN模型的整体目标函数；利用正常传感器样本训练CVAE‑GAN模型，学习正常数据的重构机制；利用含故障样本的验证集获得自适应阈值调节系数；利用含故障样本的测试集测试模型，计算测试样本与重构样本的重构误差；归一化重构误差，与自适应阈值对比实现传感器故障检测。本发明能够在不提供故障训练样本的情况下，实现无人机传感器多种典型故障的细粒度准确检测。