無人機(jī)飛行數(shù)據(jù)異常檢測算法綜述

祁超帥，何文思，焦 毅，馬英紅*，蔡 偉，任素萍

（1.西安電子科技大學(xué) 通信工程學(xué)院，西安 710071；2.中國航天科工集團(tuán)第二研究院 七〇六所，北京 100854；3.西安郵電大學(xué) 通信與信息工程學(xué)院，西安 710121；4.中國航天空氣動(dòng)力技術(shù)研究院 創(chuàng)新與應(yīng)用中心，北京 100074）

0 引言

無人機(jī)（Unmanned Aerial Vehicle，UAV）最早起源于20世紀(jì)20 年代，受到各國高度關(guān)注，成為了全球新一輪技術(shù)革命、產(chǎn)業(yè)革命的熱點(diǎn)，無人機(jī)也因此得到了廣泛應(yīng)用。無人機(jī)系統(tǒng)路線圖2005—2030 版預(yù)測，未來無人機(jī)將在遙控引導(dǎo)、實(shí)時(shí)健康/診斷、故障自適應(yīng)/飛行條件自適應(yīng)、機(jī)上航路重規(guī)劃、編隊(duì)協(xié)同、集群戰(zhàn)術(shù)重規(guī)劃、集群戰(zhàn)術(shù)目標(biāo)、分布控制、集群戰(zhàn)略目標(biāo)等技術(shù)上實(shí)現(xiàn)無人機(jī)的自主性［1］。目前，無人機(jī)綜合路線圖2017—2042 年版進(jìn)一步延伸，提出無人機(jī)互用性、自主性、網(wǎng)絡(luò)安全以及人機(jī)協(xié)同四大發(fā)展主題，其中自主性發(fā)展中提高無人任務(wù)和作戰(zhàn)的安全性和效率是關(guān)鍵支撐技術(shù)之一［2］。無人機(jī)系統(tǒng)發(fā)展至今，種類繁多、性能強(qiáng)勁，具有功耗低、體積小、重量輕、靈活機(jī)動(dòng)、造價(jià)低廉和作戰(zhàn)環(huán)境要求低的特點(diǎn)，可代替有人機(jī)完成高難度、高強(qiáng)度任務(wù)。軍用無人機(jī)作為空中偵察平臺(tái)和武器平臺(tái)，可通過攜帶先進(jìn)設(shè)備執(zhí)行情報(bào)偵察、信息對(duì)抗、空中打擊、通信中繼、目標(biāo)跟蹤等軍事作戰(zhàn)任務(wù)。民用無人機(jī)則主要應(yīng)用在航空攝像、電力巡檢、環(huán)境監(jiān)測、搶險(xiǎn)救災(zāi)、快遞運(yùn)輸?shù)让裆矫妗?/p>

然而，由于無人機(jī)在執(zhí)行任務(wù)過程中無飛行員現(xiàn)場操作，從而導(dǎo)致發(fā)生故障時(shí)不能及時(shí)采取相應(yīng)的應(yīng)急措施，安全性和可靠性遠(yuǎn)不如有人機(jī)。無人機(jī)的高故障率引發(fā)了各國研究機(jī)構(gòu)對(duì)事故緩解策略的制定和實(shí)施，究其根本，無人機(jī)執(zhí)行任務(wù)時(shí)缺少有效的方法檢測自身故障；因此，無人機(jī)機(jī)載健康監(jiān)測已成為國內(nèi)外相關(guān)機(jī)構(gòu)關(guān)注的重點(diǎn)，而飛行數(shù)據(jù)異常檢測技術(shù)是無人機(jī)的狀態(tài)監(jiān)測和潛在異常狀態(tài)挖掘的有力手段，它的研究工作對(duì)于改善無人機(jī)的運(yùn)行可靠性、預(yù)防事故的發(fā)生具有十分重要的應(yīng)用價(jià)值。

面向無人機(jī)機(jī)載健康監(jiān)測，本文闡述了無人機(jī)飛行數(shù)據(jù)的特點(diǎn)和常見的異常類型，并重點(diǎn)總結(jié)了基于數(shù)據(jù)驅(qū)動(dòng)的無人機(jī)飛行數(shù)據(jù)異常檢測算法的研究現(xiàn)狀，從算法實(shí)時(shí)性、精確性和魯棒性等方面對(duì)比分析了各類算法的優(yōu)缺點(diǎn)，為未來無人機(jī)異常檢測領(lǐng)域的研究提供了參考依據(jù)。

1 無人機(jī)飛行數(shù)據(jù)異常檢測問題概述

異常數(shù)據(jù)指存在于數(shù)據(jù)集中不屬于隨機(jī)偏差，而是由其他機(jī)制產(chǎn)生的數(shù)據(jù)［3］，即異常指數(shù)據(jù)表現(xiàn)為不同于所設(shè)定的正常模式或與正常數(shù)據(jù)偏差過大的現(xiàn)象。異常檢測則是基于一定的方法，如統(tǒng)計(jì)理論、數(shù)據(jù)挖掘或機(jī)器學(xué)習(xí)理論，從數(shù)據(jù)集中檢測不符合期望行為的數(shù)據(jù)或模式［4］。

異常檢測算法的設(shè)計(jì)與應(yīng)用場景數(shù)據(jù)特性的適配程度越高，準(zhǔn)確性和魯棒性越高。盡管無人機(jī)應(yīng)用場景多種多樣，但這些場景中無人機(jī)飛行數(shù)據(jù)具有諸多共性特征，目前國內(nèi)外在無人機(jī)飛行數(shù)據(jù)異常檢測領(lǐng)域的研究工作大多圍繞這些共性特點(diǎn)設(shè)計(jì)算法。

1.1 無人機(jī)飛行數(shù)據(jù)特點(diǎn)及其對(duì)異常檢測算法的要求

無論在民用還是軍用領(lǐng)域，無人機(jī)飛行數(shù)據(jù)都是評(píng)估無人機(jī)是否處于異常狀態(tài)的主要手段和重要依據(jù)。為保證準(zhǔn)確高效地完成作戰(zhàn)任務(wù)，無人機(jī)內(nèi)部各個(gè)子系統(tǒng)安裝了多種傳感器實(shí)時(shí)監(jiān)測飛行狀態(tài)，包括陀螺儀、加速度傳感器、溫濕度傳感器、氣壓傳感器、超聲波傳感器、磁方向傳感器和全球定位系統(tǒng)（Global Positioning System，GPS）等，涉及無人機(jī)的狀態(tài)、姿態(tài)、發(fā)動(dòng)機(jī)、環(huán)境條件和全球定位等信息，產(chǎn)生高度、角度、加速度和經(jīng)緯度等飛行狀態(tài)數(shù)據(jù)，以及大量控制命令數(shù)據(jù)，如舵機(jī)命令、機(jī)翼控制命令、電機(jī)控制命令等。無人機(jī)飛行數(shù)據(jù)異常檢測致力于分析這些數(shù)據(jù)，實(shí)現(xiàn)無人機(jī)的狀態(tài)監(jiān)測和潛在異常狀態(tài)的挖掘。異常檢測算法的設(shè)計(jì)需考慮算法對(duì)無人機(jī)飛行數(shù)據(jù)的適用性，因此，首先對(duì)無人機(jī)飛行數(shù)據(jù)的特點(diǎn)闡述如下。

1）高維性。無人機(jī)飛行數(shù)據(jù)來自子系統(tǒng)的各類傳感器，由與子系統(tǒng)狀態(tài)密切相關(guān)的多種指標(biāo)數(shù)據(jù)構(gòu)成。隨著無人機(jī)能力增強(qiáng)，傳感器數(shù)量增多，無人機(jī)飛行數(shù)據(jù)呈現(xiàn)高維度特征。若直接采用原始高維數(shù)據(jù)作為異常檢測算法的訓(xùn)練集，一方面維數(shù)過高可能會(huì)引發(fā)“維數(shù)災(zāi)難”，影響算法檢測的效率；另一方面，無關(guān)數(shù)據(jù)過多導(dǎo)致訓(xùn)練數(shù)據(jù)在維度上的稀疏化，從而帶來較大的泛化誤差，影響算法的準(zhǔn)確度。

2）異常標(biāo)簽少。無人機(jī)作為執(zhí)行高強(qiáng)度、高難度任務(wù)的工具，必須將內(nèi)部的部件故障率降到最低，實(shí)際遙測飛行時(shí)很難捕捉無人機(jī)真正發(fā)生故障的數(shù)據(jù)，更重要的是無人機(jī)故障發(fā)生的隨機(jī)性導(dǎo)致難以完全歸納出所有異常種類。

3）流數(shù)據(jù)。無人機(jī)飛行數(shù)據(jù)由內(nèi)部傳感器以一定頻率采樣得到，是一系列順序、大量、快速、連續(xù)到達(dá)的隨著時(shí)間無限增長的動(dòng)態(tài)數(shù)據(jù)集合。這意味著無人機(jī)飛行數(shù)據(jù)是實(shí)時(shí)性強(qiáng)、數(shù)據(jù)量大的流數(shù)據(jù)。

4）模式切換。無人機(jī)飛行過程中存在模式切換，模式切換特性包括兩種情況：第一種為飛行模式切換，指無人機(jī)在經(jīng)歷起飛、巡航、滑行、降落等模式，在每種模式中又包括具體執(zhí)行階段，如無人機(jī)起飛時(shí)的地面滑跑、離地和加速爬升階段，降落時(shí)的航道截獲、下滑、平飄和著陸等階段；第二種為任務(wù)模式切換，指無人機(jī)從一種任務(wù)模式到另一種任務(wù)模式的切換，當(dāng)切換到未知任務(wù)模式時(shí)，即在正常飛行模式下執(zhí)行了訓(xùn)練數(shù)據(jù)中未出現(xiàn)過的新任務(wù)，此時(shí)飛行數(shù)據(jù)將呈現(xiàn)不同的數(shù)據(jù)特點(diǎn)。兩種情況都會(huì)導(dǎo)致無人機(jī)的飛行數(shù)據(jù)隨著模式的切換發(fā)生較明顯的變化，從而影響異常檢測算法準(zhǔn)確度，造成更高的誤檢率。

針對(duì)上述無人機(jī)飛行數(shù)據(jù)特點(diǎn)，適用于無人機(jī)的異常檢測算法需要滿足以下要求。

1）低時(shí)間復(fù)雜度。針對(duì)無人機(jī)飛行數(shù)據(jù)高維和連續(xù)到達(dá)的特性，無人機(jī)飛行數(shù)據(jù)異常檢測算法必須著眼于大數(shù)據(jù)量和實(shí)時(shí)性要求。首先，無人機(jī)飛行數(shù)據(jù)的異常檢測算法不能隨著維度和數(shù)據(jù)量的增加而導(dǎo)致計(jì)算開銷呈指數(shù)增長，避免引發(fā)“維數(shù)災(zāi)難”；其次，除了滿足較低的計(jì)算復(fù)雜度，還需要改進(jìn)異常檢測算法，使它在面對(duì)持續(xù)到達(dá)的無人機(jī)飛行數(shù)據(jù)時(shí)能夠自適應(yīng)更新模型。

2）無監(jiān)督或半監(jiān)督。無人機(jī)飛行數(shù)據(jù)異常標(biāo)簽少，有監(jiān)督的異常檢測算法在訓(xùn)練時(shí)，正常異常樣本分布不均勻且不能包含所有異常種類，此時(shí)訓(xùn)練出來的異常檢測模型性能較低，不能滿足準(zhǔn)確性要求；因此在實(shí)際應(yīng)用中，無監(jiān)督或半監(jiān)督的異常檢測算法更適用于無人機(jī)飛行數(shù)據(jù)。

3）異常度量的普適性。異常檢測不是針對(duì)某個(gè)特定子系統(tǒng)或傳感器而設(shè)計(jì)，算法本身除了要求一定的檢測精度外，還要考慮度量的普適性，即如何選取一個(gè)度量標(biāo)準(zhǔn)使得算法適用于大部分無人機(jī)飛行數(shù)據(jù)的異常檢測。

4）模式切換魯棒性。針對(duì)模式切換帶來的影響，異常檢測算法有兩種解決方案：其一，使用歷史數(shù)據(jù)訓(xùn)練，數(shù)據(jù)中包含所有已知模式下的正常數(shù)據(jù)，此方案不需要考慮無人機(jī)的飛行模式切換，但當(dāng)切換到未知任務(wù)模式時(shí)，需要考慮歷史數(shù)據(jù)更新和模型保存的問題；其二，異常檢測模型隨著無人機(jī)飛行數(shù)據(jù)流實(shí)現(xiàn)在線更新，以保證訓(xùn)練數(shù)據(jù)中加入了模式切換時(shí)的飛行數(shù)據(jù)，此方案要求算法必須保證較低的訓(xùn)練時(shí)間復(fù)雜度。兩種方案均可行，實(shí)際應(yīng)用中需要根據(jù)具體算法的特點(diǎn)選取合適的異常檢測方案。

1.2 無人機(jī)飛行數(shù)據(jù)異常類型

無人機(jī)飛行數(shù)據(jù)在飛行過程中可能會(huì)發(fā)生不期望的狀態(tài)或者不遵循某個(gè)期望的模式，這些異?？赡苡蓛x器的電磁干擾、傳感器故障或性能老化和惡劣的任務(wù)環(huán)境造成。根據(jù)異常數(shù)據(jù)的性質(zhì)，無人機(jī)飛行數(shù)據(jù)異?？煞譃辄c(diǎn)異常、上下文異常和集合異常［3］。

1）點(diǎn)異常。

如果數(shù)據(jù)點(diǎn)相較于其他正常數(shù)據(jù)點(diǎn)有明顯區(qū)別，則該點(diǎn)被稱為點(diǎn)異常。當(dāng)飛行環(huán)境中存在較強(qiáng)的電磁干擾信號(hào)時(shí)，可能導(dǎo)致無人機(jī)速度傳感器在某些時(shí)刻的數(shù)據(jù)發(fā)生跳變，并且與正常數(shù)據(jù)有明顯偏差，如圖1 所示。

圖1 點(diǎn)異常Fig.1 Point outliers

2）上下文異常。

從數(shù)據(jù)本身屬性，數(shù)據(jù)在正常范圍內(nèi)，但在特定的上下文環(huán)境中此數(shù)據(jù)為異常，則稱該點(diǎn)為上下文異常。例如，當(dāng)無人機(jī)受到攻擊時(shí)，無人機(jī)海拔高度數(shù)據(jù)可能出現(xiàn)瞬時(shí)跳變，跳變值與該時(shí)刻所處的爬升、降落等上下文環(huán)境不符，如圖2 所示。

圖2 上下文異常Fig.2 Contextual outliers

上下文的概念由數(shù)據(jù)集的結(jié)構(gòu)引出，每個(gè)數(shù)據(jù)都有兩種屬性［3］。

①上下文屬性。上下文屬性通常用于確定數(shù)據(jù)所處的上下文，如當(dāng)考慮無人機(jī)高度變化時(shí)，無人機(jī)的爬升、巡航和降落等飛行模式可作為上下文屬性。更經(jīng)典的屬性是經(jīng)緯度和時(shí)間屬性，它們分別是空間數(shù)據(jù)集和時(shí)間序列數(shù)據(jù)集的上下文屬性。上下文屬性決定了數(shù)據(jù)應(yīng)該處在的位置。

②行為屬性。行為屬性定義了數(shù)據(jù)的在特定上下文屬性的性質(zhì)。如無人機(jī)在巡航的上下文屬性中，此時(shí)高度的變化趨勢和范圍可作為行為屬性。

因此，對(duì)于上下文異常的判斷可依據(jù)數(shù)據(jù)在上下文屬性中是否符合對(duì)應(yīng)的行為屬性。當(dāng)發(fā)生連續(xù)的上下文異常時(shí)，就構(gòu)成了集合異常。

3）集合異常。

集合異常表現(xiàn)為單個(gè)數(shù)據(jù)點(diǎn)在當(dāng)前的上下文屬性中可能正常，也可能異常，它們只有作為一個(gè)集合一起出現(xiàn)時(shí)才視為異常。例如，當(dāng)氣壓高度傳感器發(fā)生故障時(shí)，可能出現(xiàn)海拔高度為正常傳感器數(shù)據(jù)，而氣壓高度在10 000～135 000 m 范圍內(nèi)呈現(xiàn)連續(xù)異常，如圖3（a）所示。在軍事應(yīng)用場景中，若無人機(jī)遭受敵方的重放攻擊，則可能發(fā)生數(shù)據(jù)周期性回放，此時(shí)在當(dāng)前處于正常范圍的數(shù)據(jù)也是異常數(shù)據(jù)。如圖3（b）中在150～350 ms時(shí)間段海拔高度的周期性回放異常數(shù)據(jù)。

圖3 集合異常Fig.3 Collective outliers

2 無人機(jī)飛行數(shù)據(jù)異常檢測算法研究現(xiàn)狀

目前異常檢測算法應(yīng)用十分廣泛，包括金融、網(wǎng)絡(luò)安全、氣象預(yù)警和工業(yè)等領(lǐng)域。近年來，隨著機(jī)器學(xué)習(xí)的快速發(fā)展，很多適用于各個(gè)領(lǐng)域的異常檢測算法被提出，國內(nèi)外研究機(jī)構(gòu)在近些年來也隨之對(duì)多種異常檢測算法進(jìn)行改進(jìn)以適用于無人機(jī)場景。無人機(jī)飛行數(shù)據(jù)異常檢測算法可以歸結(jié)為3 大類：基于先驗(yàn)知識(shí)的定性異常檢測算法、基于模型的定量異常檢測算法和基于數(shù)據(jù)驅(qū)動(dòng)的異常檢測算法［5］。3 種算法各有優(yōu)劣，總結(jié)如表1 所示。

表1 異常檢測算法優(yōu)劣對(duì)比Tab.1 Comparison of pros and cons of anomaly detection algorithms

2.1 基于先驗(yàn)知識(shí)的定性異常檢測算法

基于先驗(yàn)知識(shí)是最早也最簡單的一種異常檢測算法，它綜合了無人機(jī)目標(biāo)系統(tǒng)的數(shù)據(jù)信息，基于專家的先驗(yàn)知識(shí)建立適用于離線的異常檢測模型。模型一般由一定的規(guī)則（如if-then 語句）將數(shù)據(jù)癥狀和異常聯(lián)系起來?；谙闰?yàn)知識(shí)的定性異常檢測代表算法有閾值判定、專家系統(tǒng)等。

閾值判定的算法基于事先設(shè)定好的信號(hào)閾值判斷觀測數(shù)據(jù)是否異常，當(dāng)超出閾值范圍時(shí)判定為異常。文獻(xiàn)［6］中提出了一種基于強(qiáng)化學(xué)習(xí)的無人機(jī)電機(jī)溫度異常檢測系統(tǒng)，利用學(xué)習(xí)到的動(dòng)態(tài)溫度閾值監(jiān)控?zé)o人機(jī)在每個(gè)狀態(tài)下是否異常。閾值判定操作簡單，但需尋找合適的閾值，防止閾值過高和過低引起的高漏檢率和高虛警率。由于閾值判定只適用于簡單的異常檢測場景且模式切換時(shí)設(shè)定的閾值適應(yīng)性差，故實(shí)用性不強(qiáng)。

專家系統(tǒng)是一種模擬專家決策的計(jì)算機(jī)系統(tǒng)［7］，系統(tǒng)內(nèi)部加載了特定應(yīng)用場景下的大量專家經(jīng)驗(yàn)，基于此推理數(shù)據(jù)之間密切的關(guān)系。無人機(jī)異常檢測專家系統(tǒng)的基本構(gòu)成如圖4［8］所示，包括無人機(jī)異常檢測知識(shí)庫、無人機(jī)異常檢測推理機(jī)、無人機(jī)異常檢測解釋機(jī)制和人機(jī)交互接口這4個(gè)部分。

圖4 無人機(jī)異常檢測專家系統(tǒng)Fig.4 Expert system for UAV anomaly detection

人機(jī)交互接口主要用于用戶與故障診斷系統(tǒng)之間的交互，知識(shí)庫提供包含異常狀態(tài)因果關(guān)系等專家先驗(yàn)知識(shí)，推理機(jī)根據(jù)系統(tǒng)的知識(shí)庫進(jìn)行無人機(jī)異常的推理工作，并將推理的結(jié)果通過交互界面顯示，解釋機(jī)制負(fù)責(zé)對(duì)知識(shí)庫的內(nèi)容和推理的結(jié)果解釋，其中知識(shí)庫和推理機(jī)是整個(gè)系統(tǒng)的核心構(gòu)成部分。知識(shí)庫的描述方式包括狀態(tài)空間、語義網(wǎng)絡(luò)、框架或謂詞公式，或者采用結(jié)構(gòu)化的方法。例如文獻(xiàn)［8］中基于分級(jí)式故障原因結(jié)構(gòu)圖建立了無人機(jī)的系統(tǒng)知識(shí)庫。在結(jié)構(gòu)化的知識(shí)庫構(gòu)建方法中，故障樹分析法是一種適用性較廣的方法，它以樹狀圖為導(dǎo)向，通過具體符號(hào)和術(shù)語定量、定性地描述不同事件之間的因果關(guān)系。例如文獻(xiàn)［9］中基于故障樹分析法研究無人機(jī)飛控系統(tǒng)，根據(jù)征兆空間與故障空間的對(duì)應(yīng)關(guān)系將專家經(jīng)驗(yàn)轉(zhuǎn)化為故障知識(shí)庫。在推理機(jī)方面，有正向推理、反向推理和雙向推理這3 種機(jī)制，推理方法分為確定性推理和不確定性推理。確定性推理建立在經(jīng)典邏輯的基礎(chǔ)上，運(yùn)用確定性知識(shí)進(jìn)行單調(diào)性推理。例如文獻(xiàn)［10］中基于案例推理，采用分級(jí)檢索和最近鄰算法結(jié)合的方法建立了飛機(jī)故障診斷專家系統(tǒng)，性能上較好地模擬了專家的診斷能力。為避免采用大量的統(tǒng)計(jì)數(shù)據(jù)和對(duì)推理過程中理論性的較高要求，通常采用貝葉斯理論、模糊理論等不確定性推理方法。如文獻(xiàn)［8］中采用正反綜合推理和主觀貝葉斯推理方法提高了專家系統(tǒng)的故障識(shí)別率。文獻(xiàn)［11］中根據(jù)影響無人機(jī)飛行安全的各因素之間的邏輯關(guān)系，構(gòu)建了無人機(jī)的模糊故障樹，并基于模糊故障樹和貝葉斯網(wǎng)絡(luò)模型評(píng)估無人機(jī)全系統(tǒng)的異常概率。需要說明的是，模糊理論通過模糊集的定義和分類對(duì)不確定性系統(tǒng)的估計(jì)更為準(zhǔn)確，當(dāng)系統(tǒng)比較復(fù)雜時(shí)，模糊匹配易出現(xiàn)歧義性。

總體而言，基于先驗(yàn)知識(shí)的異常檢測算法需要對(duì)系統(tǒng)運(yùn)行的信息和特征有足夠的了解，借助專家經(jīng)驗(yàn)建立觀測對(duì)象的各參數(shù)和系統(tǒng)異常結(jié)果的定性模型，通過此模型判斷系統(tǒng)信息的異常狀態(tài)?；谙闰?yàn)知識(shí)不需要嚴(yán)格的數(shù)據(jù)定量分析，實(shí)現(xiàn)簡單，適用于異常種類已知的異常檢測場景，但大部分無人機(jī)系統(tǒng)的異常難以完全把握、先驗(yàn)知識(shí)少、模型建立困難，難以滿足實(shí)際需求。

2.2 基于模型的定量異常檢測算法

基于模型的定量異常檢測算法分為基于物理模型的算法和基于解析模型的算法。兩者都是對(duì)無人機(jī)內(nèi)部子系統(tǒng)精確建模，區(qū)別是物理模型的基本思想是用具有相同輸入信號(hào)的相同組件復(fù)制輸出信號(hào)［12］，再比較與實(shí)際信號(hào)的殘差作出異常診斷決策。例如，文獻(xiàn)［13］中對(duì)機(jī)翼結(jié)構(gòu)全尺寸三維建模，利用FLUENT 和ANSYS 軟件進(jìn)行有限元仿真分析，確定故障監(jiān)測節(jié)點(diǎn)，最后采用信標(biāo)異常分析法對(duì)數(shù)據(jù)進(jìn)行異常檢測。物理模型法是可靠的，但是代價(jià)昂貴且占用空間較多。文獻(xiàn)［14］中提出了基于解析模型的算法，根據(jù)無人機(jī)執(zhí)行機(jī)構(gòu)的物理結(jié)構(gòu)和運(yùn)行機(jī)理，建立執(zhí)行機(jī)構(gòu)的數(shù)學(xué)模型，通過定量的內(nèi)在解析關(guān)系分析系統(tǒng)狀態(tài)。如圖5［15］所示，基于解析模型的算法將無人機(jī)的實(shí)時(shí)狀態(tài)信息作為測量值，根據(jù)執(zhí)行機(jī)構(gòu)物理參數(shù)所建立的解析模型為系統(tǒng)提供解析值，對(duì)比測量值與解析值，分析殘差的狀態(tài)和變化，作為故障判斷的依據(jù)。針對(duì)解析模型的正確性對(duì)系統(tǒng)性能的影響，文獻(xiàn)［15］中還引入了模型校正環(huán)節(jié)（圖5 虛線部分），將模型輸出的信息經(jīng)過對(duì)比和處理再反饋到模型校正環(huán)節(jié)，利用動(dòng)態(tài)反饋修正模型，減小了系統(tǒng)在動(dòng)態(tài)運(yùn)行中的長時(shí)累積誤差，降低了局部模型誤差對(duì)系統(tǒng)整體狀態(tài)的干擾或負(fù)面影響。與物理模型相比，解析模型具有成本優(yōu)勢，但噪聲和模型不精確帶來的誤差以及系統(tǒng)的復(fù)雜結(jié)構(gòu)，會(huì)對(duì)解析模型算法的可靠性產(chǎn)生一定的負(fù)面影響。

圖5 基于解析模型的無人機(jī)異常檢測系統(tǒng)Fig.5 Analytical model-based UAV anomaly detection system

目前，越來越多的解析模型算法被提出，包括參數(shù)估計(jì)法、等價(jià)空間法、狀態(tài)估計(jì)法［15-20］。其中，參數(shù)估計(jì)法需要建立比較準(zhǔn)確的數(shù)學(xué)模型表示系統(tǒng)與元器件的關(guān)系方程，通過對(duì)比求解的參數(shù)與系統(tǒng)實(shí)際參數(shù)確定系統(tǒng)的異常程度。例如，文獻(xiàn)［16］中研究了一種基于參數(shù)估計(jì)的無人機(jī)控制系統(tǒng)故障檢測算法，在基礎(chǔ)模型構(gòu)建完成后提取其故障特征參數(shù)，并選取不同于正常狀態(tài)的特征參數(shù)，利用噪聲估計(jì)器診斷故障，分析殘差與“零”之間的關(guān)系，實(shí)現(xiàn)無人機(jī)控制系統(tǒng)的故障檢測。等價(jià)空間法主要針對(duì)線性系統(tǒng)，利用系統(tǒng)動(dòng)態(tài)方程的線性相關(guān)性求出所選測量值與其余測量值的殘差序列，通過處理殘差序列實(shí)現(xiàn)異常檢測。文獻(xiàn)［17］中采用等價(jià)空間法建立了無人機(jī)飛控系統(tǒng)中的作動(dòng)器數(shù)學(xué)模型，有效地檢測了作動(dòng)器的卡死故障。狀態(tài)估計(jì)法適用于非線性系統(tǒng)，也是解析模型中研究成果最多的算法。它的原理為利用設(shè)計(jì)好的觀測器或?yàn)V波器等模型預(yù)測系統(tǒng)的估計(jì)值，通過分析估計(jì)值與實(shí)際值的殘差判定數(shù)據(jù)是否異常，常用算法有：基于非線性觀測器、基于濾波器、微分幾何法和自適應(yīng)學(xué)習(xí)法等［15，18-20］。例如，文獻(xiàn)［19］中針對(duì)飛控系統(tǒng)中執(zhí)行器和傳感器故障，基于觀測器、奇偶空間法和微分幾何法分別對(duì)不同情況下的飛控系統(tǒng)建立精確的數(shù)學(xué)模型，實(shí)現(xiàn)了故障的檢測、診斷和定位。文獻(xiàn)［20］中提出了一種通用的異常檢測框架，通過使用向量自回歸外生模型表示多元時(shí)間序列，基于對(duì)象之間的向量自回歸外生模型構(gòu)建對(duì)象之間的距離矩陣，最后基于對(duì)象差異進(jìn)行異常檢測。

基于模型的算法適用于能夠精確建模的無人機(jī)系統(tǒng)，且需要對(duì)無人機(jī)內(nèi)部結(jié)構(gòu)非常了解。當(dāng)模型準(zhǔn)確建立后，環(huán)境噪聲也是影響模型檢測的重要因素，由于噪聲不可控，導(dǎo)致魯棒性較差。重要的是，建立好的模型可移植性差，無人機(jī)各系統(tǒng)需要單獨(dú)建模，實(shí)用性差。因此，面對(duì)無人機(jī)系統(tǒng)內(nèi)部的復(fù)雜結(jié)構(gòu)和飛行環(huán)境因素，基于模型的算法顯然力不從心。

2.3 基于數(shù)據(jù)驅(qū)動(dòng)的異常檢測算法

基于數(shù)據(jù)驅(qū)動(dòng)的異常檢測算法通過分析無人機(jī)傳感器數(shù)據(jù)間的相關(guān)性，將不符合數(shù)據(jù)規(guī)律的觀測數(shù)據(jù)判定為異常。常用算法有：基于統(tǒng)計(jì)的算法［21-24］、基于分類的算法［25-31］、基于相似性的算法［32-38］、基于預(yù)測的算法［39-48］。這些算法的特點(diǎn)總結(jié)如表2 所示。

表2 各基于數(shù)據(jù)驅(qū)動(dòng)算法的特點(diǎn)Tab.2 Characteristics of different data-driven algorithms

2.3.1 基于統(tǒng)計(jì)的數(shù)據(jù)驅(qū)動(dòng)異常檢測算法

基于統(tǒng)計(jì)的算法首先對(duì)觀測數(shù)據(jù)作正常性假定，它認(rèn)為正常數(shù)據(jù)分布在高概率區(qū)域，即由正常數(shù)據(jù)建立一個(gè)統(tǒng)計(jì)模型并確定置信區(qū)間，將不符合該模型的數(shù)據(jù)點(diǎn)視為異常點(diǎn)。基于統(tǒng)計(jì)的異常檢測算法主要分為參數(shù)法和非參數(shù)法兩類：參數(shù)法基于高斯模型、基于混合參數(shù)分布等；非參數(shù)法基于直方圖、基于密度估計(jì)技術(shù)等。參數(shù)法和非參數(shù)法檢測異常的基本思想一致，區(qū)別是建立模型的方法。

參數(shù)法認(rèn)為正常的數(shù)據(jù)對(duì)象分布在一個(gè)特定參數(shù)的統(tǒng)計(jì)模型上，該參數(shù)的概率密度函數(shù)給出了數(shù)據(jù)對(duì)象在該分布出現(xiàn)的概率，以此刻畫數(shù)據(jù)的異常程度：概率越小，異常的可能性越大。文獻(xiàn)［21］中針對(duì)無線傳感器網(wǎng)絡(luò)建立了一系列馬爾可夫模型，基于此估計(jì)出一個(gè)無異常概率定律，利用大偏差技術(shù)開發(fā)了較優(yōu)異常檢測規(guī)則。文獻(xiàn)［22］中利用模型方法和統(tǒng)計(jì)方法分別檢測無人機(jī)故障飛行實(shí)驗(yàn)數(shù)據(jù)，分析了兩種方法的適用場景和優(yōu)劣勢。文獻(xiàn)［23］中提出了一種基于隱半馬爾可夫模型（Hidden Semi-Markov Model，HSMM）的框架，用于檢測由人為因素引起的航空安全事件。此方法具有對(duì)時(shí)序數(shù)據(jù)建模的能力，表現(xiàn)良好。非參數(shù)法并沒有特定的參數(shù)分布模型，而是希望用觀測數(shù)據(jù)確定統(tǒng)計(jì)模型。非參數(shù)法模型的參數(shù)個(gè)數(shù)和性質(zhì)是靈活的，并不是完全無參。文獻(xiàn)［24］中對(duì)飛控?cái)?shù)據(jù)的傅里葉系數(shù)分布進(jìn)行分析并推理建模，實(shí)現(xiàn)了對(duì)傳感器的異常檢測。

上述基于統(tǒng)計(jì)的算法過于依賴數(shù)據(jù)分布的規(guī)律性。在數(shù)據(jù)分布假設(shè)成立的前提下，對(duì)觀測數(shù)據(jù)處理速度較快，能有效地檢測單個(gè)屬性的離群點(diǎn)；但在實(shí)際的無人機(jī)場景中，大部分?jǐn)?shù)據(jù)的先驗(yàn)分布假設(shè)通常很難確定，且無人機(jī)飛行數(shù)據(jù)海量、高維等特點(diǎn)也加大了統(tǒng)計(jì)模型建立的難度，極大降低了模型準(zhǔn)確性。

2.3.2 基于分類的數(shù)據(jù)驅(qū)動(dòng)異常檢測算法

基于分類的算法通過帶有標(biāo)簽的數(shù)據(jù)訓(xùn)練出正常與異常數(shù)據(jù)之間的決策邊界或分類器，當(dāng)觀測數(shù)據(jù)超出邊界或不屬于正常類別時(shí)被視為異常。代表算法有支持向量機(jī)（Support Vector Machine，SVM）、一類支持向量機(jī)（One-Class SVM，OCSVM）、半監(jiān)督支持向量機(jī)（Semi-Supervised SVM，S3VM）和樸素貝葉斯等。

SVM 是一種二分類算法，主要思想是找到空間中的一個(gè)能夠?qū)⑺袛?shù)據(jù)樣本劃分開的超平面（分類平面），使得與分類平面距離最近的樣本點(diǎn)構(gòu)成的兩個(gè)超平面（支持平面）之間的距離（分類間距）最大化，如圖6 所示。

圖6 SVM示意圖Fig.6 Schematic diagram of SVM

SVM 算法已應(yīng)用于無人機(jī)異常檢測領(lǐng)域。例如，文獻(xiàn)［25］中基于無人機(jī)的飛行日志，并利用SVM 算法將無人機(jī)在正常飛行階段和故障階段的行為進(jìn)行分類，針對(duì)無人機(jī)失控故障的檢測達(dá)到了較高的準(zhǔn)確度。文獻(xiàn)［26］中針對(duì)無人機(jī)電機(jī)異常，采用SVM 算法對(duì)音頻信號(hào)分類，設(shè)計(jì)了輕量級(jí)故障檢測算法，可在嵌入式系統(tǒng)中實(shí)時(shí)工作。OCSVM 算法是由SVM 算法擴(kuò)展而來的單分類算法，基本思想是將數(shù)據(jù)映射到與內(nèi)核相對(duì)應(yīng)的特征空間，在數(shù)據(jù)與原點(diǎn)間構(gòu)建超平面，并且最大化超平面到零點(diǎn)的距離，如圖7 所示。文獻(xiàn)［27］中提出了一種多核異常檢測算法，通過多核組合多維數(shù)據(jù)源信息，聯(lián)合OCSVM 算法對(duì)飛行數(shù)據(jù)進(jìn)行異常檢測。文獻(xiàn)［28］中將無人機(jī)飛行數(shù)據(jù)的能量指標(biāo)作為特征向量，結(jié)合基于密度的噪聲應(yīng)用空間聚類（Density-Based Spatial Clustering of Applications with Noise，DBSCAN）和OCSVM 兩種算法實(shí)現(xiàn)了對(duì)實(shí)際航空飛行數(shù)據(jù)的異常檢測。文獻(xiàn)［29］中結(jié)合OCSVM 算法和核主成分分析（Kernel Principal Component Analysis，KPCA）算法建立混合模型，完成了對(duì)無人機(jī)系統(tǒng)和傳感器異常的檢測。S3VM 是SVM 在半監(jiān)督學(xué)習(xí)上的推廣，考慮了未標(biāo)注樣本的信息，試圖找到能將兩類有標(biāo)記樣本分開，且穿過數(shù)據(jù)低密度區(qū)域的分類超平面，如圖8 所示。文獻(xiàn)［30］中引入改進(jìn)的S3VM，結(jié)合邊緣抽樣主動(dòng)學(xué)習(xí)優(yōu)化分類模型，實(shí)現(xiàn)了對(duì)無人機(jī)信道遙測數(shù)據(jù)的異常檢測。

圖7 OCSVM示意圖Fig.7 Schematic diagram of OCSVM

圖8 S3VM示意圖Fig.8 Schematic diagram of S3VM

樸素貝葉斯算法是一種基于貝葉斯定理與特征條件獨(dú)立假設(shè)的概率分類算法，對(duì)于給出的待分類樣本，利用貝葉斯公式求解在樣本項(xiàng)出現(xiàn)的條件下各個(gè)類別出現(xiàn)的概率，即該樣本屬于某一類的概率，選擇具有最大后驗(yàn)概率的類別作為該樣本所屬的類別，分類過程如圖9 所示。文獻(xiàn)［31］中通過采用樹增廣樸素貝葉斯（Tree Augmented Na?ve Bayesians，TANs）算法，擴(kuò)展了樸素貝葉斯學(xué)習(xí)模式，并結(jié)合領(lǐng)域的專家知識(shí)，生成可與現(xiàn)有參考模型結(jié)構(gòu)匹配的分類器結(jié)構(gòu)，完成飛行數(shù)據(jù)的異常檢測工作。

圖9 樸素貝葉斯分類過程Fig.9 Na?ve Bayesians classification process

基于分類的算法對(duì)多參數(shù)、標(biāo)簽明確且樣本比例均衡的異常檢測場景效果較好。但在實(shí)際的無人機(jī)飛行數(shù)據(jù)中，異常數(shù)據(jù)少、人工標(biāo)記成本高，且異常種類難以完全把握，定義一個(gè)包含所有正?；虍惓Ｐ袨榈膮^(qū)域比較困難，因此很難訓(xùn)練出有良好魯棒性的分類器。

2.3.3 基于相似性的數(shù)據(jù)驅(qū)動(dòng)異常檢測算法

基于相似性的算法是根據(jù)距離、密度和角度等信息衡量數(shù)據(jù)間的相似度。如：K均值聚類（K-means clustering，K-Means）算法、K最鄰近（K-Nearest Neighbors，KNN）算法、DBSCAN 算法、孤立森林（Isolation Forest，IForest）算法［32］和基于角度的離群值檢測（Angle-Based Outlier Detection，ABOD）算法等。圖10 給出了上述算法采用的相似度衡量信息。

圖10 基于相似性的數(shù)據(jù)驅(qū)動(dòng)異常檢測算法Fig.10 Data-driven anomaly detection algorithm based on similarity

K-means 和DBSCAN 屬于聚類算法，使用距離、密度等信息，將相似度高的數(shù)據(jù)聚為一個(gè)簇，若最終數(shù)據(jù)為不屬于任何一個(gè)簇的離群點(diǎn)，則視其為異常。文獻(xiàn)［4］中基于高層次綜合工具（High Level Synthesis，HLS），實(shí)現(xiàn)了K-means 和最小二乘支持向量機(jī)（Least Square SVM，LS-SVM）兩種異常檢測算法的模塊化設(shè)計(jì)，并利用FPGA（Field-Programmable Gate Array）硬件平臺(tái)提高了算法的檢測速度。文獻(xiàn)［33］中介紹了一種K近鄰搜索的異常檢測算法，并結(jié)合KD 樹（K-Dimension Tree）提高了搜索效率，能夠有效檢測無人機(jī)飛行數(shù)據(jù)流中的異常。文獻(xiàn)［34］中基于DBSCAN 聚類算法，根據(jù)數(shù)據(jù)間的密度相似性完成了對(duì)飛行數(shù)據(jù)的異常檢測。

IForest 算法空間劃分評(píng)估樣本點(diǎn)鄰近區(qū)域數(shù)據(jù)的稀疏程度，作為樣本點(diǎn)與數(shù)據(jù)集之間相似性的度量，稀疏程度越高，則樣本點(diǎn)的離群程度越高，越可能為異常點(diǎn)。IForest 算法將“數(shù)據(jù)集中容易被孤立的離群點(diǎn)”定義為異常，不斷用隨機(jī)超平面切割數(shù)據(jù)空間，直到樣本點(diǎn)所在空間只包含樣本點(diǎn)本身或分割次數(shù)達(dá)到閾值為止。通常異常點(diǎn)所在區(qū)域分布稀疏，較早停止分割，即分割路徑較短，因此，分割路徑越短的樣本點(diǎn)，越可能為異常點(diǎn)。與其他異常檢測算法相比，IForest 算法在具有較高準(zhǔn)確度的同時(shí)，不需要計(jì)算距離和密度等信息，因此訓(xùn)練和檢測過程的時(shí)間復(fù)雜度低，適用于高維和海量數(shù)據(jù)應(yīng)用場景。文獻(xiàn)［35］中討論了IForest 算法在無人機(jī)場景的適用性，并使用航空推進(jìn)系統(tǒng)仿真數(shù)據(jù)為基準(zhǔn)，驗(yàn)證了IForest 算法的準(zhǔn)確性。

基于角度的相似度衡量通過比較數(shù)據(jù)的角度方差確定是否異常，正常數(shù)據(jù)和邊界數(shù)據(jù)的角度方差遠(yuǎn)大于異常點(diǎn)［36］。文獻(xiàn)［37］中基于ABOD 算法得出了角度異常因子，通過比較異常因子的大小確定高維數(shù)據(jù)中數(shù)據(jù)點(diǎn)的異常程度。文獻(xiàn)［38］中通過計(jì)算相鄰時(shí)刻數(shù)據(jù)子空間方向的變化程度刻畫數(shù)據(jù)的差異性，實(shí)現(xiàn)了對(duì)無人機(jī)飛行數(shù)據(jù)的異常檢測，取得了良好效果。

基于相似性的算法側(cè)重于挖掘無人機(jī)飛行數(shù)據(jù)的空間相關(guān)性，根據(jù)一定的相似性度量算法刻畫觀測數(shù)據(jù)的異常程度，算法的核心在于選取正確且適用的相似性度量函數(shù)表示各數(shù)據(jù)間的相似性，同時(shí)還需要考慮數(shù)據(jù)的計(jì)算量，例如其中基于聚類的算法計(jì)算復(fù)雜度較高，多用于離線數(shù)據(jù)集的異常檢測。

2.3.4 基于預(yù)測的數(shù)據(jù)驅(qū)動(dòng)異常檢測算法

基于預(yù)測的算法假定未來數(shù)據(jù)與歷史數(shù)據(jù)存在關(guān)聯(lián)性，通過對(duì)歷史數(shù)據(jù)分析建模，預(yù)測未來時(shí)刻數(shù)據(jù)，然后計(jì)算預(yù)測結(jié)果與真實(shí)數(shù)據(jù)的殘差，并根據(jù)殘差的波動(dòng)范圍完成對(duì)正常與異常數(shù)據(jù)的劃分?；陬A(yù)測算法的檢測流程如圖11。

圖11 預(yù)測模型的檢測流程Fig.11 Detection process of prediction model

圖11 的檢測流程中，預(yù)測模型主要包括兩類：一是回歸模型，例如文獻(xiàn)［39］中基于相關(guān)向量機(jī)（Relevance Vector Machine，RVM）的回歸模型訓(xùn)練觀測數(shù)據(jù)，給出了一個(gè)估計(jì)不確定區(qū)間作為飛行數(shù)據(jù)的異常檢測閾值，結(jié)合不同飛行參數(shù)之間的皮爾遜相關(guān)系數(shù)，實(shí)現(xiàn)了自適應(yīng)異常檢測；二是神經(jīng)網(wǎng)絡(luò)模型，主要包括適用于時(shí)間序列預(yù)測的長短期記憶（Long Short-Term Memory，LSTM）神經(jīng)網(wǎng)絡(luò)和時(shí)域卷積網(wǎng)絡(luò)（Temporal Convolutional Network，TCN）。例如，文獻(xiàn)［40］中基于只包含正常數(shù)據(jù)的訓(xùn)練集，建立了LSTM 神經(jīng)網(wǎng)絡(luò)預(yù)測模型，有效檢測了具有北向速度和氣動(dòng)升降速度點(diǎn)異常的真實(shí)無人機(jī)傳感器數(shù)據(jù)。文獻(xiàn)［41］中采用了深度學(xué)習(xí)算法提取數(shù)據(jù)特征，構(gòu)建了無人機(jī)時(shí)序數(shù)據(jù)LSTM 預(yù)測模型，完成了無人機(jī)單維數(shù)據(jù)的異常檢測。文獻(xiàn)［42］中比較了基于多重LSTM 和基于多輸出卷積LSTM 的無人機(jī)數(shù)據(jù)異常檢測算法，指出由于多輸出卷積LSTM 結(jié)合了適用于多變量數(shù)據(jù)分析的卷積結(jié)構(gòu)與適用于時(shí)間序列分析的LSTM 結(jié)構(gòu)，更適用于無人機(jī)的多維時(shí)間數(shù)據(jù)分析。文獻(xiàn)［43］中針對(duì)無人機(jī)高維飛行數(shù)據(jù)間存在的復(fù)雜時(shí)空相關(guān)性，提出了一種基于時(shí)空相關(guān)的LSTM 算法，用于無人機(jī)飛行數(shù)據(jù)異常檢測，通過人工神經(jīng)網(wǎng)絡(luò)挖掘飛行數(shù)據(jù)的時(shí)空相關(guān)性獲得相關(guān)參數(shù)集，然后建立LSTM 模型進(jìn)行異常檢測。文獻(xiàn)［44-45］中采用TCN分別實(shí)現(xiàn)了無人機(jī)電池瞬時(shí)耗電量的異常檢測和無人機(jī)傳感器數(shù)據(jù)異常檢測。圖11 中基于殘差的異常判定算法，可采用SVM 等分類算法。例如，文獻(xiàn)［46］中使用滑動(dòng)窗口的單步迭代算法，基于LS-SVM 算法實(shí)現(xiàn)了對(duì)無人機(jī)未來時(shí)刻的預(yù)測，通過殘差檢測觀測數(shù)據(jù)的異常狀態(tài)。文獻(xiàn)［47］中采用LSTM 神經(jīng)網(wǎng)絡(luò)預(yù)測值與真實(shí)值作差，并輸入OCSVM 分類器中訓(xùn)練得到正樣本超平面，通過測試數(shù)據(jù)到超平面的距離判斷數(shù)據(jù)的異常與否。

圖12 對(duì)上述基于數(shù)據(jù)驅(qū)動(dòng)的異常檢測算法進(jìn)行了梳理總結(jié)。

圖12 基于數(shù)據(jù)驅(qū)動(dòng)的異常檢測算法Fig.12 Data-driven anomaly detection algorithm

基于預(yù)測的算法以數(shù)據(jù)預(yù)測為基礎(chǔ)，側(cè)重于尋求數(shù)據(jù)間的時(shí)間相關(guān)性，在無人機(jī)趨勢性或周期性數(shù)據(jù)的異常檢測方面有較大優(yōu)勢。模型訓(xùn)練完成后的預(yù)測計(jì)算復(fù)雜度低，因此適用于無人機(jī)的在線異常檢測；但高維數(shù)據(jù)會(huì)加大預(yù)測模型建立和參數(shù)尋優(yōu)的難度，且對(duì)不規(guī)則分布的噪聲數(shù)據(jù)較為敏感［48］。

3 未來重點(diǎn)發(fā)展方向

隨著時(shí)代的發(fā)展，基于先驗(yàn)知識(shí)和基于模型的異常檢測算法將逐漸不適用于無人機(jī)的異常檢測。無人機(jī)飛行數(shù)據(jù)異常檢測的發(fā)展趨勢必然要與數(shù)據(jù)挖掘結(jié)合，未來將更加注重基于數(shù)據(jù)驅(qū)動(dòng)的異常檢測算法，它的研究和應(yīng)用方向?qū)⒅攸c(diǎn)解決以下挑戰(zhàn)/問題。

一是提升異常檢測算法的抗噪能力。無人機(jī)設(shè)備復(fù)雜度隨著作戰(zhàn)任務(wù)的多樣化變得越來越高，所處環(huán)境也更加惡劣，這使得無人機(jī)狀態(tài)信息的獲取精準(zhǔn)度下降，噪聲數(shù)據(jù)難以確認(rèn)和消除，在一定程度上影響了異常檢測算法的準(zhǔn)確性。因此，如何提升異常檢測算法在強(qiáng)噪條件下的準(zhǔn)確性是一個(gè)極大的挑戰(zhàn)。

二是提升異常檢測算法的時(shí)空相關(guān)特性挖掘能力。無人機(jī)系統(tǒng)是復(fù)雜的，存在著復(fù)雜的時(shí)空高維飛行數(shù)據(jù)之間的相關(guān)性與許多參數(shù)；然而，現(xiàn)有的算法往往忽略了時(shí)空因素，缺乏參數(shù)選擇，從而導(dǎo)致欠擬合、維數(shù)災(zāi)難、算法體量過大等諸多問題［43］。因此，如何設(shè)計(jì)無人機(jī)數(shù)據(jù)時(shí)空相關(guān)性挖掘算法，將是無人機(jī)異常檢測需要重點(diǎn)關(guān)注的問題之一。

三是提升異常檢測算法對(duì)無人機(jī)飛行模式切換的適應(yīng)性。由于作戰(zhàn)環(huán)境和任務(wù)的多樣性，無人機(jī)在不同任務(wù)模式中的正常數(shù)據(jù)表現(xiàn)在不斷變化。目前無人機(jī)飛行數(shù)據(jù)異常檢測算法大都著眼于常見異?；蛞阎收项愋偷臋z測準(zhǔn)確率，而忽視了無人機(jī)的模式切換特性帶來的高誤檢率問題，導(dǎo)致它們在應(yīng)用于無人機(jī)飛行數(shù)據(jù)異常檢測時(shí)不能識(shí)別未知的正常數(shù)據(jù)，魯棒性較低。因此，如何提升異常檢測算法在模式切換時(shí)的魯棒性也是需要重點(diǎn)解決的一大難題。

四是提升異常檢測算法的實(shí)時(shí)性。無人機(jī)機(jī)載異常檢測系統(tǒng)要求能實(shí)時(shí)檢測飛行數(shù)據(jù)中出現(xiàn)的異常，以及時(shí)采取有效措施，盡可能避免安全事故發(fā)生。然而，多數(shù)具有較好的檢測效果的異常檢測算法，計(jì)算量較大，時(shí)間復(fù)雜度較高，不能很好地滿足實(shí)時(shí)性要求［4］。因此，設(shè)計(jì)計(jì)算輕量級(jí)、高性能的檢測算法亦將成為無人機(jī)異常檢測領(lǐng)域的重要研究方向之一。

未來將以數(shù)據(jù)采集和分析為核心，算法準(zhǔn)確率和實(shí)時(shí)性為目標(biāo)，以無人機(jī)飛行數(shù)據(jù)的時(shí)序性、時(shí)空相關(guān)性、模式切換特性和無人機(jī)在線異常檢測的時(shí)延要求為側(cè)重點(diǎn)，持續(xù)改進(jìn)，使它具有更強(qiáng)的工程應(yīng)用性。

4 結(jié)語

無人機(jī)智能化程度的提高促進(jìn)了無人機(jī)健康狀態(tài)檢測技術(shù)的發(fā)展，同時(shí)出現(xiàn)了一批適用于無人機(jī)飛行數(shù)據(jù)異常檢測的算法。無人機(jī)的異常檢測技術(shù)具有重要作用，自身智能監(jiān)控健康狀態(tài)能力的提升，能極大降低無人機(jī)事故發(fā)生率，避免大量人力物力的浪費(fèi)，為穩(wěn)定高效完成作戰(zhàn)任務(wù)提供重要依據(jù)。本文首先分析了無人機(jī)飛行數(shù)據(jù)特點(diǎn)，簡要介紹了無人機(jī)的常見異常模式，并詳細(xì)總結(jié)了無人機(jī)飛行數(shù)據(jù)異常檢測算法的研究現(xiàn)狀，分析了各類異常檢測算法的優(yōu)缺點(diǎn)以及異常檢測面對(duì)的挑戰(zhàn)，為進(jìn)一步開展相關(guān)研究提供參考。