【技术实现步骤摘要】
本专利技术涉及无人机巡检，更具体地说，本专利技术涉及一种小型无人机巡检数据管理方法。
技术介绍
1、无人机巡检是一种利用无人机搭载多种传感器（如高清摄像头、温湿度传感器、振动传感器等）对目标区域进行实时检测、数据采集和故障诊断的智能巡检方式。传统巡检方法通常依赖人工或固定设备，不仅效率低下，还存在巡检盲区、人工误差和安全隐患，尤其在变电站、电力线、石油化工、交通设施等复杂或危险场景中，传统方法难以满足高效、安全、精准巡检的需求。
2、现有技术存在的不足：在无人机巡检过程中采集的多模态数据处理方法过于简单，难以将图像、传感器和位置信息有效融合，导致对设备状态的分析不够全面，且故障检测能力也比较有限，尤其是在识别复杂的故障模式时，常常难以准确判断，缺乏对故障发展趋势的预测，无法及时给出维护建议，同时，巡检任务的路径规划和调度通常是固定的，无法根据实时数据动态调整，让巡检资源的利用效率较低，限制了无人机巡检的智能化发展和实际应用效果。
技术实现思路
1、为了克服现有技术的上述缺陷，有如下方案，以解决上述
技术介绍
中无人机巡检数据管理不清晰的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种小型无人机巡检数据管理方法，包括如下步骤：
4、获取无人机在巡检任务中的空间位置和采集的数据，并通过时间戳对数据进行时空同步，将采集的数据与设备位置关联；
5、对采集的数据进行噪声去除、标准化与多模态特征提取，并通过深度学习网络进
6、根据历史数据与当前采集数据，对巡检区域设备进行实时状态监测，识别并分类设备故障，根据识别出故障模式与严重性评分评估设备风险，并通过时间序列预测模型分析故障发展趋势，生成设备维护建议；
7、基于实时故障检测结果，动态调整巡检任务的优先级，结合飞行路径长度、能耗和设备风险评分优化巡检路径，生成最优巡检路线，并在无人机任务执行中动态修正路径。
8、在一个优选的实施方式中，获取无人机在巡检任务中的空间位置和采集的数据，并通过时间戳对数据进行时空同步，将采集的数据与设备位置关联，具体步骤如下：
9、获取无人机每一个时间点的坐标，并根据在基站坐标和移动终端坐标之间传递校正信号进行位置校正，确定空间位置；
10、将无人机采集所有采集的传感器数据与无人机位置信息同步，并通过时间戳将采集的数据统一到同一时间维度，传感器数据包括图像数据、环境数据、传感器数据；
11、将无人机采集的图像数据与环境数据使用多模态深度融合网络进行融合，生成带有位置和时间标签的数据集。
12、在一个优选的实施方式中，对采集的数据进行噪声去除、标准化与多模态特征提取，并通过深度学习网络进行多模态特征融合，对融合后的特征进行降维处理，生成特征表示，具体步骤包括：
13、对采集数据使用卡尔曼滤波进行数据平滑，并进行标准化与归一化处理；
14、使用卷积神经网络提取图像数据的特征，对传感器数据使用自回归模型提取时间序列特征；对无人机位置数据是通过计算无人机轨迹的速度、加速度以及变化率得到，将提取出的时域和频域的特征作为轨迹特征；
15、使用深度神经网络对不同模态的特征进行融合得到统一的多模态特征向量，使用主成分分析方法对融合后的多模态特征进行降维，在降维后作为特征表示。
16、在一个优选的实施方式中，根据历史数据与当前采集数据，对巡检区域设备进行实时状态监测，识别并分类设备故障，具体步骤如下：
17、进行传感器数据异常确定，对温湿度、振动传感器数据进行实时监测，结合预设的正常范围，使用孤立森林进行异常识别，检测图像数据异常，对高清摄像数据的实时处理，根据边缘检测、特征点匹配确定图像中的异常特征，得到当前采集的传感器数据和图像数据中的不正常波动或偏差；
18、根据历史数据和已标定的故障类别，使用支持向量机学习方法训练分类模型；
19、训练好的模型通过分析实时传感器数据和图像数据，输出一个预测的故障模式，若预测的故障模式显示设备处于故障状态，则触发警报并进入后续故障处理程序，其中，每个故障模式对应一组传感器特征和图像特征。
20、在一个优选的实施方式中，根据识别出故障模式与严重性评分评估设备风险，并通过时间序列预测模型分析故障发展趋势，生成设备维护建议，包括以下步骤：
21、根据识别出的故障模式，评估故障的严重性，每个故障模式都赋予一个严重性评分；
22、故障严重性评分表达式为：，其中，r(t)是t时刻故障的严重性评分，是当前时刻识别到的第i个故障模式，是第i个故障模式的权重，是故障模式对系统的影响程度；
23、使用时间序列预测方法对故障发展进行预测，对未来风险量化评估；
24、整合历史数据、实时故障评分以及环境特征，构建时序数据集，作为预测输入，故障严重性评分r(t)和实时风险评分作为时间序列输入的关键特征，并构建时间序列矩阵x(t)，每一行为每一时间点的多模态特征，表示为：，其中，、…、为在时间点 t的第1、2、…、m个模态传感器数据，n为时间序列长度，m表示传感器总数量；
25、将时间序列划分为固定长度的窗口，每个窗口包含过去n个时间点的特征，用于预测未来个时间点的故障评分；
26、采用adf检验方法判断数据是否平稳，对于非平稳序列，进行差分或对数变换：；
27、对每个时间窗口内的数据进行统计特征提取，包括最大值、最小值、峰值变化率；
28、进行模态间动态关联分析，分析不同传感器的模态数据之间的动态关联性，通过互相关函数计算各模态之间的相关性，形成跨模态关联特征：，其中i，j为模态编号，k为滞后时间，、分别为传感器i、j在时间t数据；、分别为传感器i和传感器j的均值，n表示时间序列的总长度；
29、通过分析传感器模态i和j在不同滞后时间k下的相关性，识别多模态数据之间的因果关系或时序依赖性；
30、对未来时间点的故障风险进行预测，使用长短期记忆网络处理时间序列数据，输入层是长度为n的时间序列x(t)，长短期记忆网络隐藏层提取时间序列中的动态模式，全连接输出层预测未来时间点的故障评分，预测公式为：；
31、将故障评分预测与故障模式预测结合，并将预测结果转化为具体的风险量化指标，根据未来故障评分的分布，将风险分为低、中、高风险，具体如下：当时为低风险，当时为中风险，当时为高风险，其中，为低风险阈值，为高风险阈值，基于故障发展趋势提出维护建议。
32、在一个优选的实施方式中，基于实时故障检测结果，动态调整巡检任务的优先级，结合飞行路径长度、能耗和设备风险评分优化巡检路径，生成最优巡检路线，并在无人机任务执行中动态修正路径，包括以下步骤：
33、根据设备的故障模式、严重性评分和风险预测确定任务的优先级，任务的本文档来自技高网...
【技术保护点】
1.一种小型无人机巡检数据管理方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种小型无人机巡检数据管理方法，其特征在于：对采集的数据进行噪声去除、标准化与多模态特征提取，并通过深度学习网络进行多模态特征融合，对融合后的特征进行降维处理，生成特征表示，具体步骤包括：
3.根据权利要求2所述的一种小型无人机巡检数据管理方法，其特征在于：根据历史数据与当前采集数据，对巡检区域设备进行实时状态监测，识别并分类设备故障，具体步骤如下：
4.根据权利要求3所述的一种小型无人机巡检数据管理方法，其特征在于：根据识别出故障模式与严重性评分评估设备风险，并通过时间序列预测模型分析故障发展趋势，生成设备维护建议，包括以下步骤：
5.根据权利要求4所述的一种小型无人机巡检数据管理方法，其特征在于：基于实时故障检测结果，动态调整巡检任务的优先级，结合飞行路径长度、能耗和设备风险评分优化巡检路径，生成最优巡检路线，并在无人机任务执行中动态修正路径，包括以下步骤：
【技术特征摘要】
1.一种小型无人机巡检数据管理方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种小型无人机巡检数据管理方法，其特征在于：对采集的数据进行噪声去除、标准化与多模态特征提取，并通过深度学习网络进行多模态特征融合，对融合后的特征进行降维处理，生成特征表示，具体步骤包括：
3.根据权利要求2所述的一种小型无人机巡检数据管理方法，其特征在于：根据历史数据与当前采集数据，对巡检区域设备进行实时状态监测，识别并分类设备故障，具体...
【专利技术属性】
技术研发人员：肖礼荣，杨磊，涂文标，李帆，李杰，肖中伟，党翠，李利明，徐潇灵，邹辉，余文，李卫平，谢玲玲，
申请(专利权)人：国网江西省电力有限公司南昌供电分公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。