.png){kind=icon}
返回
CausalFPS: A causal discovery-based method for UAV flight parameter selection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ymssp.2026.113851.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无人机的飞行性能高度依赖于其复杂的传感系统，而对其传感器进行准确检测和故障排查是当前技术发展中的重要议题。无人机的传感系统可在任务期间捕获各种飞行参数。然而，无人机是一个高度耦合的复杂系统，多个参数相互交互，这给基于人工经验或统计相关性的输入参数选择带来了巨大挑战。因此，从因果关系角度出发，我们提出了一种用于无人机传感器故障参数选择的因果发现方法——CausalFPS。CausalFPS旨在通过捕捉传感器参数之间的非线性因果关系，深入理解故障传播路径，并选择最具有区分性的核心参数用于故障诊断。具体而言，首先，融合结构方程模型（SEM）和变分自编码器（VAE），实现多传感器参数的非线性因果推断，并初步构建参数间的普遍因果关系。其次，创新性地设计了一个面向故障信息的因果发现模块，通过实时获取各参数节点的强度并对输入参数进行加权，引导模型聚焦于学习故障信息的因果关系。最后，采用PageRank算法量化因果网络中各参数的全局影响并进行排序，进而选择最具影响力的参数用于故障诊断。CausalFPS的有效性和优越性已在实际飞行案例中得到验证，其仅选择5个参数时即可达到其他算法选择20个参数时的诊断精度。
期刊
IF:
8.9
论文数:
1.3W
被引数:
6.6W
机构
引用论文
Data-driven unsupervised anomaly detection and recovery of unmanned aerial vehicle flight data based on spatiotemporal correlation基于时空关联的无人机飞行数据驱动无监督异常检测与恢复
PREAI
分享收藏Aileron fault detection with dynamic resampling based on fuzzy entropy and multi-branch neural network.png)
MEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏Flight anomaly detection and localization based on flight data fusion and random channel masking基于飞行数据融合和随机通道掩码的飞行异常检测与定位
PREAI
分享收藏Spatio-temporal correlation-based multiple regression for anomaly detection and recovery of unmanned aerial vehicle flight data基于时空相关性的多元回归在无人机飞行数据异常检测与恢复中的应用
OAAI
OAAI分享收藏
查看更多内容