用于路段拥堵报警的无人机检测系统的制作方法

本发明涉及无人机检测领域，具体涉及用于路段拥堵报警的无人机检测系统。

背景技术：

相关技术中的拥堵报警信息的获得模式为通过城市内部数以万计的出租车返回到交管交管监控平台的GPS定位数据来确定路段的路况，并根据路况决定是否发出路段拥堵报警信息，但这种模式过于依赖发出GPS定位数据的车辆数量，同时计算的数据量偏多，报警效果一般。

技术实现要素：

针对上述问题，本发明旨在提供用于路段拥堵报警的无人机检测系统。

本发明的目的采用以下技术方案来实现：

提供了用于路段拥堵报警的无人机检测系统，包括无线通信接口、目标路段图像采集装置、图像分析处理装置和数字信号处理器，所述无线通信接口用于接收地面交管监控平台发送的目标路段的北斗星定位数据并用于接收路段拥堵报警信号，所述目标路段的北斗星定位数据用于驱动无人机飞往目标路段的正上方，所述目标路段图像采集装置用于采集目标路段的路段图像，所述图像分析处理装置连接所述目标路段图像采集装置以对所述路段图像进行图像处理，所述数字信号处理器与所述图像分析处理装置连接，以根据所述图像分析处理装置的图像处理结果，确定是否发出拥堵报警信号。

本发明的有益效果为：利用无人机检测的优势，将路段拥堵报警功能搭载在无人机上，构建一种新的路段拥堵报警系统，通过对目标路段的图像数据进行处理和分析，即能得到目标路段的拥堵报警信息，有利于道路交通管理部门对路况信息的及时发布。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明的结构连接示意图；

图2是本发明无人机故障检测装置的结构框图。

附图标记：

无线通信接口1、目标路段图像采集装置2、图像分析处理装置3、数字信号处理器4、无人机故障检测装置5、振动信号获取单元10、振动信号降噪单元20、故障特征提取单元30、故障检测识别单元40。

具体实施方式

结合以下实施例对本发明作进一步描述。

参见图1，本实施例的用于路段拥堵报警的无人机检测系统，包括无线通信接口1、目标路段图像采集装置2、图像分析处理装置3和数字信号处理器4，所述无线通信接口1用于接收地面交管监控平台发送的目标路段的北斗星定位数据并用于接收路段拥堵报警信号，所述目标路段的北斗星定位数据用于驱动无人机飞往目标路段的正上方，所述目标路段图像采集装置2用于采集目标路段的路段图像，所述图像分析处理装置3连接所述目标路段图像采集装置2以对所述路段图像进行图像处理，所述数字信号处理器4与所述图像分析处理装置3连接，以根据所述图像分析处理装置3的图像处理结果，确定是否发出拥堵报警信号。

其中，所述无线通信接口1为GPRS无线通信接口、3G通信接口、4G无线通信接口中的一种。

进一步地，所述用于路段拥堵报警的无人机检测系统还包括用于对无人机进行故障检测的无人机故障检测装置5，所述无人机故障检测装置5无线连接所述地面交管监控平台。

本发明上述实施例利用无人机检测的优势，将路段拥堵报警功能搭载在无人机上，构建一种新的路段拥堵报警系统，通过对目标路段的图像数据进行处理和分析，即能得到目标路段的拥堵报警信息，并且能够对无人机进行实时故障检测，从而及时对发生故障的无人机进行检修，有利于道路交通管理部门对路况信息的及时发布。

参见图2，所述无人机故障检测装置5包括依次连接的振动信号获取单元10、振动信号降噪单元20、故障特征提取单元30和故障检测识别单元40；

所述振动信号获取单元10，用于利用加速度传感器获取无人机在正常状态下及各种故障状态下运行时的原始振动信号；所述振动信号降噪单元20用于对原始振动信号进行降噪处理；所述故障特征提取单元30用于提取降噪后的振动信号的故障特征信息；所述故障检测识别单元40用于建立故障诊断模型，并采用提取的故障特征信息对该故障诊断模型进行训练，从而基于训练完的故障诊断模型对无人机进行故障识别。

所述振动信号降噪单元20包括信号初步降噪子单元、信号二级降噪子单元和信号末级降噪子单元；

所述信号初步降噪子单元用于利用最小熵反褶积的自适应分析方法对原始振动信号进行初步降噪；所述信号二级降噪子单元用于对经过信号初步降噪子单元处理后的振动信号进行二次降噪；所述信号末级降噪子单元用于基于改进的综合经验模态算法对信号二级降噪后的振动信号进行末级降噪。

本优选实施例通过对获取的原始振动信号进行了多次降噪处理，有效地消除了噪声对数据的影响，具有较好的降噪效果。

优选地，所述提取降噪后的振动信号的故障特征信息，具体包括：通过二阶循环自相关函数对降噪后的振动信号进行解调分析，获得二阶循环自相关函数，对该二阶循环自相关函数进行时域切片，获得时域切片信号，从而提取出振动信号的故障特征信息；

其中，所述利用最小熵反褶积的自适应分析方法对原始振动信号进行初步降噪，包括：采用范数衡量熵的大小，并把其作为目标函数，求目标函数的最大值，将该目标函数的最大值作为最优滤波器系数，运用该最优滤波器系数对原始振动信号进行反褶积运算，得出滤波器系数，使用得到的滤波器系数设计FIR滤波器对原始振动历史信号进行滤波。

本优选实施例能够有效降低原始振动信号中的噪声部分，并且提高原始振动信号的信噪比，为实现对无人机进行故障特征的精确提取奠定了基础，从而有利于提高对无人机进行故障识别的准确度。

优选地，具体按照下述方式对经过信号初步降噪子单元处理后的振动信号进行二次降噪：

(1)对经过信号初步降噪子单元降噪的振动信号进行小波转换，得到不同频带上的振动信号后，采用滑动窗技术对各频带上的振动信号进行分段处理，提取振动信号的时间序列Q和S，以及各段信号的小波系数其中G＝1，2，3…，为振动信号的频带数，m＝1，2，3…，为小波系数的序列；

(2)对振动信号的功率谱密度进行一阶平滑处理，得到平滑后的振动信号V(Q,S)；

(3)设定各个频带上平滑后的振动信号中各段信号的阀值，根据设定的阀值对各段信号进行降噪，削除超出阀值以外的振动信号，然后将降噪后的各段信号进行重构，之后进入信号末级降噪子单元进行进一步降噪处理。

本优选实施例能够使得各段噪声的处理更加灵活准确，提高对无人机的原始振动信号进行二次降噪的效果。

优选地，设V(Q,S)表示时间序列为Q和S的平滑后的振动信号，V(Q-1,S)为时间序列为Q-1和S的平滑后的振动信号，设定V(0,S)＝0，引入认为设定的阈值系数β，进行二次降噪时，采用以下经过优化的平滑公式得到平滑后的振动信号：

式中，|P(Q,S)|²为振动信号V(Q,S)所对应频带的功率谱密度，N为采用的窗函数的长度。

在本实施例中，按照上述公式对平滑后的振动信号进行计算，由于考虑了阀值系数和窗函数的长度的影响，从而具有较好的平滑处理效果，适用范围广，使得对无人机的原始振动信号的降噪处理更为彻底，避免噪声对后续数据处理产生影响。

优选地，按照以下公式对各个频带上平滑后的振动信号中各段信号的阀值进行设定，设L_G为第G个频带上平滑后的振动信号V(Q,S)的阈值，P_max(Q,S)、P_min(Q,S)和分别为平滑后的振动信号V(Q,S)的最大值、最小值和平均值，则：

式中，为所述的各段信号的小波系数的中值的绝对值，β为所述的人为设定的阀值系数。

在本优选实施例中，通过使用振动信号中各频带的功率谱密度和小波系数对各段信号的阀值进行自适应地调整，避免了振动信号长度的影响，具有较好的降噪效果，有利于实现无人机的故障的精确识别。

优选地，所述基于改进的综合经验模态算法对信号二级降噪后的振动信号进行末级降噪时，具体包括：

(1)设定高低频的分界线，采用经验模态分解的自适应时频分析方法将初步降噪后的原始振动信号按高低频分解成不同的固有模态函数；

(2)对所得的固有模态函数进行傅里叶变换，获得多个含有高频成分的固有模态函数和多个含有低频成分的固有模态函数；

(3)将多个含有高频成分的固有模态函数组合成新的本征模态函数U_H，设U₁,U₂,…,U_a表示含有高频成分的固有模态函数，U_1+a,U_2+a,…,U_b表示含有低频成分的固有模态函数，该本征模态函数U_H的组合计算公式为：

U_H＝U₁+U₂+…+U_a

将多个含有低频成分的固有模态函数组合成新的本征模态函数U_P，该本征模态函数U_P的组合计算公式为：

式中，a是含有高频成分的固有模态函数的最大层数，b是含有低频成分的固有模态函数的最大层数；

(4)对本征模态函数U_H、U_P分别进行综合经验模态分解，提取敏感的固有模态函数。

本优选实施例能够避免综合经验模态分解中的模态混叠现象，具有提高综合经验模态的分解精度的有益效果，为下一步对无人机振动信号的故障特征提取奠定了基础。

优选地，对本征模态函数U_P进行综合经验模态分解时，选取整合次数为10，选取白噪声幅值为[0.2,0.6]；

对本征模态函数U_H进行综合经验模态分解时，选取整合次数为10，选取白噪声幅值满足：

Z_n＝0.06Z_δ

其中，Z_n为选取的白噪声的能量标准差，Z_δ为原始振动信号的最优高频成分的能量标准差；

其中，该最优高频成分为与原始振动信号相关性最大的固有模态函数，采用下式计算固有模态函数与原始振动信号的相关性：

式中，RE[H_i(j)]表示H_i(j)与原始振动信号的相关性，F₀(j)表示第j个原始振动信号，H_i(j)表示与第j个原始振动信号对应的第i个固有模态函数；

B为原始振动信号的采样点数，φ表示与第j个原始振动信号对应的固有模态函数的数量，为原始振动信号的均值，η为人为设定的修正系数。

本优选实施例对白噪声幅值进行了优化，采用优化的白噪声幅值对二级降噪后的振动信号进行末级降噪，能够更好地实现对无人机的原始振动信号的精确降噪以及故障特征的提取，从而实现精确的无人机的故障识别。

发明人采用本实施例进行了一系列测试，以下是进行测试得到的实验数据：

该试验数据表明，本发明能得到目标路段的拥堵报警信息，实现精确的拥堵报警，并且能够精确地对无人机进行故障检测，由此可见，本发明在用于路段拥堵报警方面产生了显著的有益效果。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。