(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111561949.5 (22)申请日 2021.12.17 (71)申请人 北京航空航天大 学 地址 100089 北京市海淀区学院路37号 (72)发明人 宋佳　艾绍洁　苏江城　赵凯　 蔡国飙　 (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 专利代理师 张萍 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/15(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 119/04(2020.01) (54)发明名称 多旋翼无人机实时剩余使用寿命预测方法 和系统 (57)摘要 本发明提供了一种多旋翼无人机实时剩余 使用寿命预测方法和系统， 包括： 基于多旋翼无 人机的多传感器数据和目标外部因素， 构建多层 次融合Transformer模型 ； 多层次融合 Transformer模型包 括多尺度特征提取层和嵌入 目标外部因素的输入张量的解码器注 意力层； 基 于预设训练数据集对多层次融合Transformer模 型进行训练， 得到训练之后的多层次融合 Transformer模型； 利用训练之后的多层次融合 Transformer模型对多旋翼无人机的剩余使用寿 命进行预测。 本发明缓解了目前数据驱动的无人 机剩余使用寿命预测方法中剩余使用寿命预测 偏差较大、 实时性较差和不能进行序列预测的技 术问题。 权利要求书2页 说明书11页 附图3页 CN 114757086 A 2022.07.15 CN 114757086 A 1.一种多旋翼无 人机实时剩余使用寿命预测方法， 其特 征在于， 包括： 基于多旋翼无人机 的多传感器数据和目标外部因素， 构建多层次融合Transformer模 型； 所述多层次融合Transformer模 型的观测 编码器包括多尺度特征提取层； 所述多尺度特 征提取层用于基于预设挖掘算子对所述多传感器数据进行卷积计算得到时间特征向量； 所 述多层次融合Transformer模 型的预测解码 器包括嵌入 所述目标外部因素的输入张量的解 码器注意力层； 所述 目标外部因素包括所述多旋翼无人机的负载重量、 飞行速度和环境温 度； 基于预设训练数据集对所述多层次融合Transformer模型进行训练， 得到训练之后的 多层次融合Transformer模型； 利用所述训练之后的多层次融合Transformer模型对所述多旋翼无人机的剩余使用寿 命进行预测。 2.根据权利要求1所述的方法， 其特征在于， 基于多旋翼无人机的多传感器数据和目标 外部因素， 构建多层次融合Transformer模型， 包括： 通过在预设Transformer模型的观测编码器中， 添加所述多尺度特征提取层， 构 建所述 多层次融合Transformer模型的观测编码器； 所述多尺度特征提取层， 还用于通过所述预设挖掘算子， 沿时间维度对所述多传感器 数据进行一维卷积计算， 得到时间特 征向量； 通过在所述预设Transformer模型的预测解码器中， 添加嵌入所述目标外部因素的输 入张量的解码器注意力层， 构建所述多层次融合Transformer模型的预测解码器。 3.根据权利要求2所述的方法， 其特征在于， 所述预设挖掘算子为M( ·； Θ)； Θ:＝(k, p)决定挖掘尺度， k表示内核 大小， p表示填充 大小； 每个尺度中同时设置D个预设挖掘算子； D为所述多传感器数据的维度。 4.根据权利要求1所述的方法， 其特征在于， 所述预设训练数据集包括： 预测数据集和 观测数据集； 基于预设训练数据集对所述多层次融合Transformer模型进行训练， 包括： 基于所述预设训练数据集， 利用目标损失函数对所述多层次融合Transformer模型进 行训练； 所述目标损失函数包括： 为网络预测输出 ， 为所述剩余使 用寿命的标签值 ， PairwiseDistance()为像素级欧姆 距离。 5.一种多旋翼无人机实时剩余使用寿命预测系统， 其特征在于， 包括： 构建模块， 训练 模块和预测模块； 其中， 所述构建模块， 用于基于多旋翼无人机的多传感器数据和目标外部因素， 构建多层次 融合Transformer模型； 所述多层次融合Transformer模 型的观测编码器包括多尺度特征提 取层； 所述多尺度特征提取层用于基于预设挖掘算子对所述多传感器数据进 行卷积计算得 到时间特征向量； 所述多层次融合Transformer模型的预测解码器包括嵌入所述目标外部 因素的输入张量的解码器注意力层； 所述目标外部因素包括所述多旋翼无人机的负载重 量、 飞行速度和环境温度；权　利　要　求　书 1/2 页 2 CN 114757086 A 2所述训练模块， 用于基于预设训练数据集对所述多层次融合Transformer模型进行训 练， 得到训练之后的多层次融合Transformer模型； 所述预测模块， 用于利用所述训练之后的多层次融合Transformer模型对所述多旋翼 无人机的剩余使用寿命进行 预测。 6.根据权利要求5所述的系统， 其特征在于， 所述多层次融合Transformer模型包括观 测编码器； 所述观测 编码器包括： 多头自注 意力层， 剩余连接层， 前馈全连接层， 剩余连接层 和所述多尺度特 征提取层； 所述多尺度特征提取层， 还用于通过所述预设挖掘算子， 沿时间维度对所述多传感器 数据进行一维卷积计算， 得到时间特 征向量。 7.根据权利要求5所述的系统， 其特征在于， 所述多层次融合Transformer模型还包括 预测解码 器； 所述预测解码 器包括： 多头自注 意力层， 剩余连接层， 前馈全连接层， 剩余连接 层， 编码器解码器注意力层和嵌入所述目标外 部因素的输入张量的解码器注意力层。 8.根据权利要求5所述的系统， 其特征在于， 所述预设训练数据集包括： 预测数据集和 观测数据集； 所述训练模块， 还用于： 基于所述预设训练数据集， 利用目标损失函数对所述多层次融合Transformer模型进 行训练； 所述目标损失函数包括： 为网络预测输出 ， 为所述剩余使用寿命的标签值 ， PairwiseDistance()为像素级欧姆 距离。 9.一种电子设备， 包括存储器、 处理器及存储在所述存储器上并可在所述处理器上运 行的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现上述权利要求1至4 任一项所述的方法的步骤。 10.一种具有处理器可执行的非易失的程序代码的计算机可读介质， 其特征在于， 所述 程序代码使所述处 理器执行所述权利要求1 ‑4任一项所述方法。权　利　要　求　书 2/2 页 3 CN 114757086 A 3