تشخیص ناهنجاری در داده های پرواز پهپاد با استفاده از مدلهای یادگیری ماشین برای پیشبینی و پیشگیری از خرابی

با افزایش روزافزون کاربرد پهپادها پرنده های هدایت پذیر از دور در حوزه های مختلف نظامی و غیر نظامی، اطمینان از ایمنی و قابلیت اطمینان پرواز آنها به یک چالش اساسی تبدیل شده است. خرابیهای ناگهانی در قطعات سخت افزاری، حملات سایبری یا شرایط نامساعد محیطی میتوانند منجر به حوادث فاجعه بار شوند. از این رو تشخیص ناهنجاری در دادههای پرواز به عنوان یک راهکار کلیدی برای نظارت بر سلامت و پیش بینی خرابیهای احتمالی پهپادها مطرح شده است. این مقاله به بررسی جامع و تحلیل مدلهای یادگیری ماشین برای تشخیص ناهنجاری در دادههای پرواز پهپاد با هدف پیش بینی و پیشگیری از خرابی میپردازد. در این پژوهش رویکردهای مختلف یادگیری ماشین از جمله روشهای مبتنی بر خوشه بندی، طبقه بندی و یادگیری عمیق مانند شبکههای عصبی بازگشتی، کانولوشنی و خود رمزگذارها مورد مطالعه قرار گرفته اند. همچنین چالشهای مرتبط با دادههای پرواز پهپاد، نظیر ابعاد بالا، نویز، عدم توازن دادهها و نیاز به پردازش آنی بررسی و راهکارهای مقابله با آنها مانند تکنیکهای پیش پردازش داده و استخراج ویژگی تشریح شده اند. یافتههای این تحقیق نشان میدهد که مدلهای یادگیری عمیق، به ویژه شبکههای حافظه طولانی کوتاه مدت (LSTM) و خودرمزگذارها، به دلیل توانایی بالا در یادگیری الگوهای پیچیده زمانی از دادههای سنسورها عملکرد بسیار موفقی در تشخیص دقیق و به موقع ناهنجاریها از خود نشان داده اند. با این حال چالشهایی نظیر تفسیر پذیری مدلها و نیاز به مدلهای سبک وزن برای پیاده سازی روی سخت افزارهای محدود پهپاد، همچان به عنوان مسیرهای تحقیقاتی آینده باقی مانده اند.

کلیدواژه ها:

پهپاد ، تشخیص ناهنجاری ، یادگیری ماشین ، دادههای پرواز ، پیش بینی خرابی