RflyMAD|无人机技术数据集|故障检测数据集

RflyMAD数据集是由Reliable Flight Control (Rfly) Group开发的无人机异常数据集，旨在推动故障检测和隔离（FDI）或健康评估（HA）等研究领域的发展。该数据集包含11种故障在6种飞行状态下的情况，总共有5629个飞行案例，包括软件在环（SIL）模拟、硬件在环（HIL）模拟和实际飞行案例。数据集可用于故障诊断方法的基准测试，并通过迁移学习方法验证模拟数据与实际飞行的支持关系。

AI搜集汇总

数据集介绍

构建方式

RflyMAD数据集的构建方式包括模拟数据和真实飞行数据两部分。模拟数据基于RflySim平台，使用高精度非线性多旋翼动态模型，并设计故障注入模块来改变模型内的故障参数。模拟数据分为软件在环(SIL)和硬件在环(HIL)两种，分别通过PX4固件和PX4自动驾驶仪进行控制。真实飞行数据则通过修改PX4固件，在多旋翼飞行器上进行实验收集。数据集包含四种原始数据类型和相关的处理文件，分别为飞行信息、ULog、遥测日志和地面真实数据。

特点

RflyMAD数据集的特点包括数据量大、涵盖多种故障类型和飞行状态，以及数据质量高。数据集包含11种模拟故障和7种真实飞行故障，涵盖电机、螺旋桨、传感器和环境影响等多个方面。飞行状态包括悬停、航点飞行、速度控制、盘旋、加速和减速等。数据集的层次结构清晰，便于研究人员设计基于模型或数据驱动的算法。此外，数据集具有可扩展性，用户可以通过RflySim平台自行设计和收集模拟数据。

使用方法

RflyMAD数据集的使用方法包括数据预处理、模型构建和领域自适应算法。数据预处理包括数据转换、时钟统一、插值处理等。模型构建可以使用改进的LeNet-5模型，并使用Adam优化算法进行训练。领域自适应算法可以使用TrAdaBoost或AdaBN等方法，以验证模拟数据和真实飞行数据之间的支持关系。数据集和相关工具包可通过RflyMAD的官方网站获取，方便研究人员使用和验证故障诊断方法。

背景与挑战

背景概述

在无人机技术迅速发展的背景下，多旋翼无人机的健康和飞行安全问题日益受到关注。为了推动无人机故障检测与隔离（FDI）以及健康评估（HA）等研究领域的发展，Reliable Flight Control（Rfly）小组开发了一个名为RflyMAD的开源数据集。该数据集包含11种故障类型，适应于6种飞行状态，覆盖了多旋翼无人机在故障发生时可能的不同移动水平。总共有5629个飞行案例，故障时间为3283分钟，其中2566个案例为软件在环（SIL）仿真，2566个案例为硬件在环（HIL）仿真，497个案例为真实飞行。数据集包含了基于RflySim的仿真数据和真实飞行数据，可以在提高数据量的同时提升数据质量。每个案例中都包含了ULog、遥测日志、飞行信息和处理过的文件，供研究人员使用和检查。RflyMAD数据集可以作为故障诊断方法的基准，并通过迁移学习方法验证了仿真数据与真实飞行之间的支持关系。未来，将会有更多作为基线的方法被提出，并且RflyMAD数据集将会更新更多的数据和类型。此外，数据集和相关工具包可以通过https://rfly-openha.github.io/documents/4 resources/dataset.html.访问。

当前挑战

RflyMAD数据集面临的挑战主要包括：1)领域问题挑战：尽管无人机领域有许多数据集，但专门针对无人机故障的数据集较少，且大多数数据集仅包含仿真数据，缺乏系统级故障的真实飞行数据。2)构建过程挑战：由于真实实验的高硬件成本，大多数反映无人机正常和异常状态的数据集包含仿真数据，而记录系统级故障的数据集稀缺。RflyMAD数据集旨在解决这些挑战，通过使用RflySim平台生成仿真数据，并结合PX4自动驾驶仪进行SIL和HIL仿真，以及通过修改PX4固件收集真实飞行数据。尽管如此，数据集在真实飞行子数据集中每种故障类型的飞行案例数量仍然不足，未来需要更多的研究和贡献来增加这些案例。此外，数据类型的多样性也需要扩展，例如添加更多的传感器数据，以及飞行过程中从多个视角拍摄的视频数据。

常用场景

经典使用场景

RflyMAD数据集作为多旋翼无人机异常检测与健康评估的基准数据集，提供了模拟和真实飞行数据，涵盖了11种故障类型和6种飞行状态。研究人员可以利用该数据集进行故障诊断、隔离和健康评估方法的研究和开发，验证模拟数据与真实飞行数据之间的支持关系，并通过迁移学习方法提高诊断准确性。

解决学术问题

RflyMAD数据集解决了无人机研究领域中数据集不足的问题，特别是针对故障检测与隔离（FDI）和健康评估（HA）方面的数据集匮乏。该数据集包含了模拟和真实飞行数据，以及多种故障类型和飞行状态，为研究人员提供了丰富的实验材料。此外，RflyMAD数据集还验证了模拟数据与真实飞行数据之间的支持关系，为无人机故障诊断领域的研究提供了重要参考。

衍生相关工作

RflyMAD数据集的发布推动了无人机故障诊断领域的研究，衍生出许多相关的工作。例如，基于RflyMAD数据集开发的故障诊断算法、迁移学习方法等，为无人机故障诊断领域的研究提供了重要的参考和借鉴。此外，RflyMAD数据集还可以用于无人机系统的性能评估和改进，推动无人机技术的发展和应用。