| 摘要 | 第7-8页 |
| ABSTRACT | 第8-9页 |
| 第1章 绪论 | 第13-22页 |
| 1.1 选题的背景及意义 | 第13-14页 |
| 1.2 故障诊断与容错控制概述 | 第14-17页 |
| 1.2.1 故障诊断方法概述 | 第14-16页 |
| 1.2.2 容错控制方法概述 | 第16-17页 |
| 1.3 本课题相关研究现状 | 第17-20页 |
| 1.3.1 四旋翼无人机故障诊断与容错控制技术的发展现状 | 第17-18页 |
| 1.3.2 多模型主动容错控制方法发展现状 | 第18-19页 |
| 1.3.3 深度学习方法发展现状 | 第19-20页 |
| 1.4 本文的主要研究内容及章节安排 | 第20-21页 |
| 1.5 本章小结 | 第21-22页 |
| 第二章 基于故障区间的多模型主动容错控制方法研究 | 第22-38页 |
| 2.1 引言 | 第22页 |
| 2.2 四旋翼无人机工作原理 | 第22-24页 |
| 2.3 四旋翼无人机运动学模型和执行器故障模型的建立 | 第24-29页 |
| 2.3.1 坐标定义 | 第24-25页 |
| 2.3.2 四旋翼无人机运动学模型 | 第25-27页 |
| 2.3.3 具有执行器故障的四旋翼无人机模型 | 第27-29页 |
| 2.4 基于故障区间的多模型主动容错控制方法 | 第29-32页 |
| 2.4.1 多模型主动容错控制方法 | 第29-30页 |
| 2.4.2 多模型方法应用在无人机上遇到的问题分析和解决方法 | 第30页 |
| 2.4.3 模型库的建立 | 第30-31页 |
| 2.4.4 基于故障区间的多模型主动容错控制监控决策 | 第31-32页 |
| 2.5 仿真实验与结果分析 | 第32-37页 |
| 2.5.1 四旋翼无人机系统组成及模块划分 | 第32-35页 |
| 2.5.2 仿真与结果分析 | 第35-37页 |
| 2.6 本章小结 | 第37-38页 |
| 第三章 基于深度学习故障分类的多模型主动容错控制方法研究 | 第38-49页 |
| 3.1 引言 | 第38页 |
| 3.2 深度学习网络介绍与应用 | 第38-43页 |
| 3.2.1 深度置信网络DBN | 第38-39页 |
| 3.2.2 深度卷积神经网络CNN | 第39-40页 |
| 3.2.3 深度堆栈自编码网络SAE | 第40-42页 |
| 3.2.4 深度学习的应用 | 第42-43页 |
| 3.3 基于SAE故障分类的多模型主动容错控制方法 | 第43-44页 |
| 3.3.1 多模型主动容错控制方法用于无人机的问题分析 | 第43页 |
| 3.3.2 问题解决 | 第43-44页 |
| 3.3.3 模型库的建立 | 第44页 |
| 3.3.4 基于SAE故障分类的多模型主动容错控制监控决策 | 第44页 |
| 3.4 仿真实验与结果分析 | 第44-48页 |
| 3.4.1 SAE分类网络的建立 | 第44-46页 |
| 3.4.2 仿真与结果分析 | 第46-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第四章 基于深度学习两级分类的并发故障多模型主动容错控制方法研究 | 第49-61页 |
| 4.1 引言 | 第49页 |
| 4.2 无人机执行器发生并发故障的问题分析及解决方法 | 第49-50页 |
| 4.2.1 多模型容错方法用于无人机执行器并发故障的问题分析 | 第49-50页 |
| 4.2.2 问题解决 | 第50页 |
| 4.3 基于SDA两级分类的并发故障多模型主动容错控制方法 | 第50-53页 |
| 4.3.1 去噪自编码器SDA原理 | 第50-51页 |
| 4.3.2 基于SDA两级分类的并发故障多模型主动容错方法的容错策略 | 第51页 |
| 4.3.3 模型库的建立 | 第51-52页 |
| 4.3.4 基于SDA两级分类的并发故障多模型主动容错控制监控决策 | 第52-53页 |
| 4.4 仿真实验与结果分析 | 第53-60页 |
| 4.4.1 SDA分类网络的建立 | 第53-58页 |
| 4.4.2 仿真与结果分析 | 第58-60页 |
| 4.5 本章小结 | 第60-61页 |
| 结论与展望 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 致谢 | 第69-70页 |
| 附录A 攻读学位期间发表的学术论文 | 第70页 |
