1.一种基于深度学习的四旋翼无人机故障动态补偿和控制方法，其特征在于，包括如下步骤：S1、数据收集：模拟四旋翼无人机不同部位电机出现故障的情况，收集各电机故障状态下四旋翼无人机的飞行状态数据；

S2、数据预处理：对收集到的飞行状态数据进行数据清洗，标准化处理；

S3、构建动力学模型并整合飞行数据集：基于预处理后的飞行状态数据，结合系统动力学方程得到四旋翼无人机的动力学方程，表示四旋翼无人机真实的动力学行为；

S4、构建深度学习模型：通过深度学习算法，得到与电机故障状态无关的深度神经网络模型；引入判别器构建目标函数，通过具有对抗性的元学习框架对目标函数进行优化；

基于整合的飞行数据集，构建深度学习模型，包括如下子步骤：S4.1、构建深度神经网络模型 ，输入为飞行器状态信息，输出为一种故障补偿力，用于捕捉与电机故障相关的动态特性，同时对电机故障状态具有不变性；构建深度神经网络模型，方法如下：S4.1.1、构造预测误差函数，表示如下：；

其中， 是将2n维输入空间映射到n*h维的特征空间； 是与电机故障相关的h维线性系数，用于调整 提取的特征， 用于表示带噪声的力的估计值，K为电机故障类别总数量；

S4.1.2、求解预测误差函数最小值，找到最优的表示函数 和与电机故障情况相关的隐变量集合 ；

其中， 为所有电机故障情况共有特征，线性系数 为不同电机故障情况下的特征；

S4.2、引入判别器h，定义目标函数，区分不同故障状态下的表示；所述目标函数为交叉熵损失，公式如下：；

其中， 是指标函数，如果 则为1，否则为0， 表示判别器h预测第i种故障的概率， 为交叉熵损失；

S4.3、构建具有对抗性的元学习框架，目标函数进行优化：通过对抗训练机制强化深度神经网络模型 学习故障不变性表示的能力，生成使判别器h无法区分的特征表示；

对目标函数进行优化，包括如下子步骤：

S4.3.1、构建具有对抗性的元学习框架，表示如下：；

其中，α是正则化超参数；

S4.3.2、进行内层最小化，最小化预测误差；

所述预测误差为飞行状态的真实输出 与通过 映射后乘以相应线性系数得到的预测输出之间的差异，使 有效学习到飞行状态到所需输出的映射关系；

S4.3.3、进行外层最大化，最大化判别器h的表现，使h准确预测出当前飞行状态对应的电机故障类别k；

S5、进行深度学习模型的迭代优化：包括适应步骤、训练步骤、正则化步骤；

S6、在线适应阶段：四旋翼无人机沿设定轨迹飞行时，当检测到电机故障，通过混合控制策略，根据卡尔曼滤波器启发自适应更新律，动态更新控制参数，计算控制输出，确保飞行稳定性以及飞行精度；

所述混合控制策略，基于系统的动力学模型，结合比例微分反馈项和深度学习的前馈项，公式如下：；

其中，x是不同的故障条件， 是基于深度学习的前馈项， 是自适应控制阶段估计的线性参数，用于实时调节系统； 是反馈项， 是比例系数， 是微分系数， 是目标状态量与当前状态量的差值， 是目标状态量与当前状态量的差值的微分；

所述自适应更新律，融合预测误差和跟踪误差，同时加入正则项,公式如下：；

其中，用于避免过拟合，A为协方差矩阵，用于指导参数更新的方向和速率，B为测量噪声和过程噪声的协方差，y为包含噪声的实际测量值，e为跟踪误差， 为线性参数估计值的微分，上标T表示转置；

协方差矩阵A随着系统动态更新，公式如下:

；

其中，Q是过程噪声的协方差矩阵， 是A的微分。

2.根据权利要求1所述的基于深度学习的四旋翼无人机故障动态补偿和控制方法，其特征在于，步骤S1模拟四旋翼无人机不同部位电机故障，使用被动容错控制器跟踪各电机故障状态下四旋翼无人机沿随机轨迹的飞行状态，收集飞行状态数据；

所述随机轨迹包括若干段多项式轨迹，每一段所述多项式轨迹以当前位置为起始航点、以目标位置为结束航点，样条线在起始和结束航点处速度、加速度和加加速度被限制为

0，四旋翼无人机到达样条线末端后生成一段新的多项式轨迹，重复训练，获取飞行状态数据；

所述飞行状态数据包括：四旋翼无人机位置、速度、飞行姿态、角速度、加速度、电机速度PWM命令、及计算得到的故障补偿力。

3.根据权利要求2所述的基于深度学习的四旋翼无人机故障动态补偿和控制方法，其特征在于，步骤S2中数据预处理，包括如下子步骤：S2.1、补充飞行状态数据中的缺失值并进行异常值检测；通过SPSS的缺失值分析方法找出缺失值，通过均值填充方法进行缺失值填补，通过箱线图分析方法找到异常值，对异常值进行删除或使用相邻点平均值进行替换；

S2.2、对飞行状态数据进行特征选择和构造，选取飞行控制以及故障分析关键特征，将故障补偿力作为目标标签，将位置、速度、飞行姿态角及姿态角变化率、角速度、加速度作为输入特征，降低飞行状态数据维度；

S2.3、对飞行状态数据进行标准化处理，消除不同特征间量纲和尺度差异，对于每个特征值采用如下公式：；

其中， 是标准化之后的值， 是原始值， 是特征i的平均值， 是特征i的标准差；

经过标准化处理后，所有特征的均值为0，标准差为1。

4.根据权利要求3所述的基于深度学习的四旋翼无人机故障动态补偿和控制方法，其特征在于，步骤S3中，基于预处理后的飞行状态数据，构建动力学模型，包括如下子步骤：S3.1、将每一段多项式轨迹上的飞行状态数据整合成带有时间戳的数据形式，表示如下：；

其中，q表示四旋翼无人机的位置和姿态， 表示四旋翼无人机的速度和角速度， 表示四旋翼无人机的加速度和角加速度，u表示电机产生的总推力和扭矩；

；

其中，T是电机产生的总推力， 分别是四旋翼无人机滚转、俯仰和偏航方向上的扭矩；

S3.2、引入系统动力学模型方程，表示如下：；

其中，M(q)是系统的质量惯性矩阵，C(q,q’)是科里奥利和离心力矩阵，用于描述运动产生的惯性力，g是重力加速度，f是与系统动力行为相关的方程；

S3.3、将带有时间戳的数据带入系统动力学模型方程，得到代表四旋翼无人机真实动力学行为的动力学方程，表示如下：；

其中，z为二维向量组 ， 是噪声干扰；

S3.4、将每一段多项式轨迹得到的动力学方程进行整合，构建飞行数据集D：；

其中， 表示不同时间戳下的状态量 ， 表示具体的电机故障情况，用来体现不同的故障情况如何影响扰动力， 是输出变量，用于表示带噪声的力的估计值。

5.根据权利要求4所述的基于深度学习的四旋翼无人机故障动态补偿和控制方法，其特征在于，步骤S5中，从包含多个不同故障状态条件的数据子集的飞行数据集中随机抽取数据集 ,从 中随机抽取两个互斥的批次作为适应集A和训练集B，用于解决最小二乘问题，深度学习模型的迭代优化，具体包括如下子步骤；

S5.1、适应步骤：在元学习阶段，通过最小化适应集上的损失函数，找到每个故障状态下的最佳线性系数a*(x)，在不同故障发生时调整无人机控制参数，维持飞行控制精度；

从适应集A中根据时间戳取 和 ，以求解一组最优线性系数a*(x)，公式如下：；

S5.2、训练步骤：基于步骤S4.3.1构建的元学习框架，在训练集B上，利用找到的a*(x)，反向传播更新 的参数，捕获故障状态间的共性；

S5.3、正则化步骤：训练判别器 h，使得 学习到的表示对电机故障状态具有不变性，提升 对不同故障状态之间的泛化能力和鲁棒性；

以概率η在每轮迭代中决定是否更新判别器h，  ；如果更新，则使用元学习框架在训练集B上根据时间戳取 进行优化，提高对故障分类的准确性，通过损失函数关注判别器的分类性能，表示如下：；

其中，交叉熵损失 用于衡量判别器h预测故障状况标签k与实际故障状况标签之间的不一致程度；

S5.4、重复步骤S5.1至S5.3，进行迭代优化，直到模型性能达到预设要求。