改进鸽群优化的随机森林无人机传感器故障预测技术

doi:10.3969/j.issn.1009-086x.2025.05.022

摘要/Abstract

摘要：

无人机传感器故障预测对于提高系统可靠性和安全性具有重要意义，然而，当前预测方法存在准确性不足和计算复杂度高等问题。针对无人机传感器故障预测问题，研究了一种基于改进鸽群算法(pigeon-inspired optimization，PIO)的随机森林故障预测算法。利用小波包变换(wavelet packet transform，WPT)对故障特征进行提取。利用莱维飞行机制形成变异机制以提高种群的多样性，进而改善PIO易陷入局部最优的问题，并提高算法收敛速度和全局寻优能力。将改进的PIO用于随机森林算法中使其进行自主超参数优化，从而实现传感器故障的早期预测。仿真结果表明，经过改进PIO调优后的随机森林算法收敛速度更快，相较于传统算法在准确率上提升了20%以上，表明了提出的算法在无人机传感器故障预测中的有效性和优越性。

关键词: 小波包变换, 改进鸽群算法, 随机森林, 莱维飞行, 无人机传感器故障

Abstract:

The prediction of UAV sensor faults is of great significance for improving system reliability and safety. However， current prediction methods suffer from insufficient accuracy and high computational complexity. To address this issue， this study proposed a random forest fault prediction algorithm based on improved pigeon-inspired optimization （PIO）. The wavelet packet transform （WPT） was employed to extract fault features， and the Levy flight mechanism was introduced to form a mutation mechanism to enhance population diversity， thereby alleviating the problem of PIO easily falling into local optima and enhancing both the convergence speed and global optimization ability of the algorithm. The improved PIO was then applied to the random forest algorithm to achieve autonomous hyperparameter optimization， enabling early prediction of sensor faults. Simulation results show that the random forest algorithm optimized by the improved PIO converged faster and achieved an accuracy improvement of more than 20% compared with traditional algorithms， indicating the effectiveness and superiority of the proposed method in UAV sensor fault prediction.

Key words: wavelet packet transform（WPT）, improved pigeon-inspired optimization（PIO）, random forest, Levy flight, drone sensor fault

中图分类号:

TP181

刘媛媛, 袁荣, 邵书义, 陈谋. 改进鸽群优化的随机森林无人机传感器故障预测技术[J]. 现代防御技术, 2025, 53(5): 215-226.

Yuanyuan LIU, Rong YUAN, Shuyi SHAO, Mou CHEN. Fault Prediction Technology for UAVs Sensor Based on Random Forest Improved by Pigeon-Inspired Optimization[J]. Modern Defense Technology, 2025, 53(5): 215-226.

图/表 15

图1 待测信号采集结构图

Fig. 1 Structure diagram of signal acquisition to be tested

图2 故障预测流程图

Fig. 2 Fault prediction flowchart

图3 3层小波包树

Fig. 3 Three layer wavelet packet tree

图4 随机森林算法流程图

Fig. 4 Random Forest algorithm flow chart

图5 正常状态下小波包能量分布

Fig. 5 WPT energy distribution under normal conditions

图6 故障情况下小波包能量分布

Fig. 6 WPT energy distribution under fault conditions

表 1 优化算法参数

Table 1 Parameters of optimization algorithm

优化算法	符号	参数名称	参数值
PSO	$N c, m a x$	最大迭代次数	50
	$N u m$	粒子数目	30
	$w$	惯性权重	0.5
	$c 1$	个体学习因子	1.5
	$c 2$	群体学习因子	1.5
PIO	$N c, m a x$	最大迭代次数	50
	$N$	鸽子数目	10
	$R$	地图和指南针因数	0.3
LEPIO	$N c, m a x$	最大迭代次数	50
	$N$	鸽子数目	10
	$δ$	飞行因子	1.5
	$k$	$l o g s i g$ 函数斜率	10

表 1 优化算法参数

Table 1 Parameters of optimization algorithm

优化算法	符号	参数名称	参数值
PSO	$N c, m a x$	最大迭代次数	50
	$N u m$	粒子数目	30
	$w$	惯性权重	0.5
	$c 1$	个体学习因子	1.5
	$c 2$	群体学习因子	1.5
PIO	$N c, m a x$	最大迭代次数	50
	$N$	鸽子数目	10
	$R$	地图和指南针因数	0.3
LEPIO	$N c, m a x$	最大迭代次数	50
	$N$	鸽子数目	10
	$δ$	飞行因子	1.5
	$k$	$l o g s i g$ 函数斜率	10

图7 LEPIO搜索结果

Fig. 7 LEPIO search result

图8 不同规模下的优化时间

Fig. 8 Optimization time at different scales

图9 不同初值下的收敛性

Fig. 9 Convergence under different initial values

图10 适应度值变化曲线

Fig. 10 Fitness value change curve

图11 真实值与预测值对比图

Fig. 11 Actual vs. predicted value comparison chart

表 2 模型预测性能评估

Table 2 Model prediction performance evaluation

优化算法	均方误差	平均绝对误差
无	0.249 7	0.372 7
PSO	0.203 4	0.340 7
PIO	0.214 5	0.354 6
LEPIO	0.150 3	0.300 2

图12 误差的得分函数

Fig. 12 Score as a function of error

图13 3种算法得分对比

Fig. 13 Comparison of scores for three algorithms

参考文献 35

[1]	CHEN Mingzhang， ZHANG Xuancheng， XIONG Xiaoshuang， et al. Transformer： A Multifunctional Fast Unmanned Aerial Vehicles-Unmanned Surface Vehicles Coupling System［J］. Machines， 2021， 9（8）： 146.
[2]	XING Zhou， JIA Jindou， GUO Kexin， et al. Fast Active Fault-Tolerant Control for a Quadrotor UAV Against Multiple Actuator Faults［J］. Guidance， Navigation and Control， 2022， 2（1）： 2250007.
[3]	FOURLAS G K， KARRAS G C. A Survey on Fault Diagnosis Methods for UAVs［C］∥2021 International Conference on Unmanned Aircraft Systems （ICUAS）. Piscataway： IEEE， 2021： 394-403.
[4]	安雪，李少波，张仪宗，等. 无人机飞控系统故障诊断技术研究综述［J］. 计算机工程与应用， 2023， 59（24）： 1-15.
	AN Xue， LI Shaobo， ZHANG Yizong， et al. Review of Fault Diagnosis Techniques for UAV Flight Control Systems［J］. Computer Engineering and Applications， 2023， 59（24）： 1-15.
[5]	罗东亮，蔡雨萱，杨子豪，等. 工业缺陷检测深度学习方法综述［J］. 中国科学（信息科学）， 2022， 52（6）： 1002-1039.
	LUO Dongliang， CAI Yuxuan， YANG Zihao， et al. Survey on Industrial Defect Detection with Deep Learning［J］. Scientia Sinica（Informationis）， 2022， 52（6）： 1002-1039.
[6]	FOURLAS G K， KARRAS G C. A Survey on Fault Diagnosis and Fault-Tolerant Control Methods for Unmanned Aerial Vehicles［J］. Machines， 2021， 9（9）： 197.
[7]	黄瑾，刘洋，钟麦英，等. 利用随机森林算法的卫星控制系统故障诊断［J］. 宇航学报， 2021， 42（4）： 513-521.
	HUANG Jin， LIU Yang， ZHONG Maiying， et al. Fault Diagnosis of Satellite Attitude Control Systems Using Random Forest Algorithm［J］. Journal of Astronautics， 2021， 42（4）： 513-521.
[8]	ZHANG Ping， MENG Pinchao， YIN Weishi， et al. A Neural Network Method for Time-Dependent Inverse Source Problem with Limited-Aperture Data［J］. Journal of Computational and Applied Mathematics， 2023， 421： 114842.
[9]	LI Chuan， SANCHEZ R V， ZURITA G， et al. Gearbox Fault Diagnosis Based on Deep Random Forest Fusion of Acoustic and Vibratory Signals［J］. Mechanical Systems and Signal Processing， 2016， 76-77： 283-293.
[10]	DAGA S， TORGYN S， LOWE D. Decision Tree and Random Forest Models for Outcome Prediction in Antibody Incompatible Kidney Transplantation［J］. Biomedical Signal Processing & Control， 2002， 37（10）： 1025-1042.
[11]	PROBST P W， MARVIN N. Hyperparameters and Tuning Strategies for Random Forest［J］. WIREs Data Mining and Knowledge Discovery， 2019， 9（3）： e1301.
[12]	SUN Deliang， WEN Haijia， WANG Danzhou， et al. A Random Forest Model of Landslide Susceptibility Mapping Based on Hyperparameter Optimization Using Bayes Algorithm［J］. Geomorphology， 2020， 362： 107201.
[13]	王东风，孟丽，赵文杰. 基于自适应搜索中心的骨干粒子群算法［J］. 计算机学报， 2016， 39（12）： 2652-2667.
	WANG Dongfeng， MENG LI， ZHAO Wenjie. Improved Bare Bones Particle Swarm Optimization with Adaptive Search Center［J］. Chinese Journal of Computers， 2016， 39（12）： 2652-2667.
[14]	DUAN Haibin， QIAO Peixin. Pigeon-inspired Optimization： A New Swarm Intelligence Optimizer for Air Robot Path Planning［J］. International Journal of Intelligent Computing and Control Theory， 2014， 7（1）： 24-37.
[15]	LI Honghao， DUAN Haibin. Bloch Quantum-Behaved Pigeon-Inspired Optimization for Continuous Optimization Problems［C］∥Proceedings of 2014 IEEE Chinese Guidance， Navigation and Control Conference. Piscataway： IEEE， 2014： 2634-2638.
[16]	HAO Ran， LUO Delin， DUAN Haibin. Multiple UAVs Mission Assignment Based on Modified Pigeon-Inspired Optimization Algorithm［C］∥Proceedings of 2014 IEEE Chinese Guidance， Navigation and Control Conference. Piscataway： IEEE， 2014： 2692-2697.
[17]	时晓宇. 无人机飞控系统的故障诊断与容错控制技术研究［D］. 成都：电子科技大学， 2021.
	SHI Xiaoyu. Research on Fault Diagnosis and Fault Tolerance Control Technology of Drone Flight Control System［D］. Chengdu： University of Electronic Science and Technology of China， 2021.
[18]	李嘉伟. 四旋翼无人机的姿态控制系统研究［D］. 唐山：华北理工大学， 2023.
	LI Jiawei. Research on Attitude Control System of Protection UAV［D］. Tangshan： North China University of Science and Technology， 2023.
[19]	TAN Juan， FAN Yonghua， YAN Pengpeng， et al. Sliding Mode Fault Tolerant Control for Unmanned Aerial Vehicle with Sensor and Actuator Faults［J］. Sensors， 2019， 19（3）： 643.
[20]	CHEN Hao， ZHU Yikai， LEI Bo， et al. Sensor Fault Self-Detection Based on the Mean Shift Method［J］. Journal of Southeast University（English Edition）， 2024， 40（2）： 140-147.
[21]	SHAO Renping， HU Wentao， WANG Yayun， et al. The Fault Feature Extraction and Classification of Gear Using Principal Component Analysis and Kernel Principal Component Analysis Based on the Wavelet Packet Transform［J］. Measurement， 2014， 54： 118-132.
[22]	RAFIEE J， TSE P W， HARIFI A， et al. A Novel Technique for Selecting Mother Wavelet Function Using an Intelli Gent Fault Diagnosis System［J］. Expert Systems with Applications， 2009， 36（3， Part 1）： 4862-4875.
[23]	AI Shaojie， SONG Jia， CAI Guobiao. Diagnosis of Sensor Faults in Hypersonic Vehicles Using Wavelet Packet Translation Based Support Vector Regressive Classifier［J］. IEEE Transactions on Reliability， 2021， 70（3）： 901-915.
[24]	LU Qidong， YANG Rui， ZHONG Maiying， et al. An Improved Fault Diagnosis Method of Rotating Machinery Using Sensitive Features and RLS-BP Neural Network［J］. IEEE Transactions on Instrumentation and Measurement， 2020， 69（4）： 1585-1593.
[25]	XIAO Bingsong， WANG Rui， YANG Yongjian， et al. Quantum-Behaved Pigeon-Inspired Optimization Algorithm Based on Mutation Disturbance［C］∥2018 Chinese Automation Congress （CAC）. Piscataway： IEEE， 2018： 1913-1918.
[26]	梁康博，杨瑞娟，李晓柏，等. 改进鸽群算法的复杂信号盲源分离［J］. 现代防御技术， 2023， 51（2）： 100-108.
	LIANG Kangbo， YANG Ruijuan， LI Xiaobai， et al. Blind Source Separation of Complex Signals Based on Improved Pigeon-Inspired Optimization［J］. Modern Defence Technology， 2023， 51（2）： 100-108.
[27]	DOU Rui， DUAN Haibin. Lévy Flight Based Pigeon-Inspired Optimization for Control Parameters Optimization in Automatic Carrier Landing System［J］. Aerospace Science and Technology， 2017， 61： 11-20.
[28]	ZHANG Zhihua， SHENG Zheng， SHI Hanqing. Parameter Estimation of Atmospheric Refractivity from Radar Clutter Using the Particle Swarm Optimization via Lévy Flight［J］. Journal of Applied Remote Sensing， 2015， 9（1）： 095998.
[29]	EWEES A A， MOSTAFA R R， GHONIEM R M， et al. Improved Seagull Optimization Algorithm Using Lévy Flight and Mutation Operator for Feature Selection［J］. Neural Computing and Applications， 2022， 34（10）： 7437-7472.
[30]	高昊，张庆科，卜降龙，等. 基于协同变异与莱维飞行策略的教与学优化算法及其应用［J］. 计算机应用， 2023， 43（5）： 1355-1364.
	GAO Hao， ZHANG Qingke， BU Jianglong， et al. Teaching-Learning-Based Optimization Algorithm Based on Cooperative Mutation and Lévy Flight Strategy and Its Application［J］. Journal of Computer Applications， 2023， 43（5）： 1355-1364.
[31]	LIU Zhuqing， DUAN Haibin， YANG Yijun， et al. Pendulum-Like Oscillation Controller for UAV Based on Lévy-Flight Pigeon-Inspired Optimization and LQR［C］/∥2016 IEEE Symposium Series on Computational Intelligence （SSCI）. Piscataway： IEEE， 2016： 1-6.
[32]	AI Shaojie， SONG Jia， CAI Guobiao. Active Fault-Tolerant Control for Quadrotor UAV Against Sensor Fault Diagnosed by the Auto Sequential Random Forest［J］. Aerospace， 2022， 9（9）： 518.
[33]	赵庆媛，叶春茂，鲁耀兵. 基于随机森林的微动特征重要性评估研究［J］. 现代防御技术， 2022， 50（4）： 124-131.
	ZHAO Qingyuan， YE Chunmao， LU Yaobing. A Micro-Motion Feature Importance Evaluation Algorithm Based on Random Forest［J］. Modern Defence Technology， 2022， 50（4）： 124-131.
[34]	谢小正，王晋，赵荣珍，等. 基于小波包能量熵和GWO-SVM的滚动轴承故障诊断［J］. 兰州理工大学学报， 2022， 48（5）： 59-64.
	XIE Xiaozheng， WANG Jin， ZHAO Rongzhen， et al. Rolling Bearing Fault Diagnosis Based on Wavelet Packet Energy Entropy and GWO-SVM［J］. Journal of Lanzhou University of Technology， 2022， 48（5）： 59-64.
[35]	KIM G， CHOI J G， LIM S. Using Transformer and a Reweighting Technique to Develop a Remaining Useful Life Estimation Method for Turbofan Engines［J］. Engineering Applications of Artificial Intelligence， 2024， 133， Part E： 108475.