.png){kind=icon}
返回
Transformer-based sensor failure prediction and classification framework for UAVs
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2024.123415.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无人飞行器 (uav) 严重依赖传感器来感知其环境，从而确保安全的飞行操作。然而，传感器故障可能会意外发生，危及飞行安全。为了解决这个问题，我们提出了一种创新的实时解决方案，用于诊断和预防自主飞行期间的传感器故障。我们的研究是由于缺乏无人机的传感器故障数据集。我们通过生成第一个全面的无人机传感器故障数据集做出贡献，其中包含70个自主飞行数据实例，飞行时间超过7小时。我们的Biomisa Arducopter Sensory Critique (BASiC) 数据集包括各种传感器故障场景，例如GPS，遥控器，加速度计，陀螺仪，指南针和气压计。在本文中，我们介绍了一种基于注意力的新颖框架，利用变压器神经网络架构进行无人机传感器故障预测和分类。所提出的框架使用转换器分析我们的多元时空基本数据集。我们进行了消融研究，以评估不同超参数设置下的变压器性能，证明参数调整的效果。我们的框架在预测传感器故障方面取得了86% 的平均准确性，在发生之前预计了1分钟和2 s。与已建立的基于LSTM (长期短期记忆) 的方法相比，改进了30秒。此外，我们的框架在分类传感器故障方面达到了94% 的准确性。此性能评估突出了我们优化的框架在关键任务无人机中的集成潜力，从而实现了实时传感器故障预测和分类。
Keyword:
Sensors dataset
Autonomous flights
Attention
Deep learning
Transformer neural network
Failure prediction
Failure classification
UAV
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
Fault Diagnosis for Electro-Mechanical Actuators Based on STL-HSTA-GRU and SM基于stl-hsta-GRU和SM的机电作动器故障诊断
OAAI
.png){kind=icon}
OAAI分享收藏Assessing the performance of unmanned aerial vehicle for logistics and transportation leveraging the Bayesian network approach利用贝叶斯网络方法评估用于物流和运输的无人机的性能
PREAI
分享收藏China’s College Expansion and the Timing of the College-to-Work Transition: A Natural Experiment中国的大学扩张与大学到工作过渡的时机: 自然实验
OAAI
OAAI分享收藏
查看更多内容