基于VAE-LSTM模型的无人机飞行数据异常检测

来源：电子测量技术杂志2024年第3期北京时间：

作者：王从宝，张安思，杨磊，张保，李松

单位：1.贵州大学机械工程学院 贵阳 550025; 2.贵州大学公共大数据国家重点实验室 贵阳 550025

摘要：无人机飞行数据是反映其自身飞行安全的重要状态参数，通过对飞行数据进行异常检测，是提高无人机整体飞行安全性的关键举措。尽管基于数据驱动方法不需专家先验知识和精确的物理模型，但缺乏参数选择且检测网络结构模型单一，使得检测模型由于参数过多导致过拟合以及无法有效捕捉数据异常模式的问题。文中结合变分自编码器和长短期记忆网络的优势，提出了一种基于VAE-LSTM的无人机飞行数据异常检测模型方法。首先，引入肯德尔相关性分析方法用于选择相关依赖的飞行数据参数集；其次，将具有相关性的参数集对所设计的VAE-LSTM深度混合模型进行训练，学习不同数据特征之间的关系映射；最后，以无监督异常检测方式在真实多维无人机飞行数据进行验证。实验结果表明，VAE-LSTM的精密度、检测率、准确率、F1分数及误检率的各项平均性能指标分别达到95.24%、98.71%、98.8%、 96.82%、 1.31%，相比于KNN、OC-SVM、VAE、LSTM模型，整体上展现出较好异常检测性能。

关键词：无人机飞行数据;Kendall相关性;变分自编码器;长短期记忆网络;混合模型;异常检测

基金资助：国家重点研发计划资助项目（2020YFB1713302）、国家自然科学基金（52365061）、贵州省高等学校集成攻关大平台资助项目（黔教合KY字［2020］005）、贵州省省级科技计划项目（黔科合基础-ZK［2023］一般059）资助