用于基于仿真的无人机子系统故障预测的验证选定约束增量学习
《Aerospace》:Validation-Selected Constrained Incremental Learning for Simulation-Based UAV Subsystem Fault Prediction
【字体:
大
中
小
】
时间:2026年08月29日
来源:Aerospace 2.5
编辑推荐:
摘要
固定的离线预测模型在模型开发之后传感器数据分布发生变化时,可能会失去准确性。本文提出了一种经验证选择的增量学习框架,用于三种模拟无人机(UAV)子系统中的失效前时间(TBF)回归,分别为航电系统、电源系统和机体结构。根据数据集提供商说明,本文使用的子系统仿真记录是借助
摘要固定的离线预测模型在模型开发之后传感器数据分布发生变化时,可能会失去准确性。本文提出了一种经验证选择的增量学习框架,用于三种模拟无人机(UAV)子系统中的失效前时间(TBF)回归,分别为航电系统、电源系统和机体结构。根据数据集提供商说明,本文使用的子系统仿真记录是借助定制的四旋翼模型在RflySim框架上生成的,实验中使用的原始数据源数组可通过"数据可用性声明"中指定的研究仓库公开获取。一种泄漏控制协议在每个子系统上对200个参数化退化实现进行窗口使用前分区,仅在源训练实现上拟合归一化统计量,并通过标准化的传感器偏差、增益、噪声和连续丢失创建受控的目标域。CNN–LSTM、TCN–CNN和Transformer–CNN候选模型在三个随机种子上进行了比较;CNN–LSTM依据源验证均方根误差(RMSE)在所有三个子系统中被选中。增量基准比较了无更新、微调、弹性权重巩固(EWC)、回放、无遗忘学习(LwF)以及L2参数约束。每种可训练方法均获得四个预先声明的候选参数,使用相同的三个种子和五轮训练预算,并在留出测试前通过相同的旧数据加新数据验证分数进行选择。最终得到的稳定性与可塑性之间的平衡取决于子系统和存储条件:当允许源数据存储时,回放为电源系统和机体结构提供了最强的平衡,而微调在无回放更新方法中为航电系统提供了最低的遗忘率。L2保持为一种紧凑的无回放更新方式,但并不普遍优于其他经过调优的方法。近失效误差和阈值警告率为面向维护的接受检验提供了额外的依据。现有证据证实了受控仿真的可行性;实飞、台架测试和硬件在环验证仍不在本文范围内。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号