一种无人机飞行控制系统的故障检测方法技术方案

本发明专利技术涉及一种无人机飞行控制系统的故障检测方法。该方法能够实现固定翼无人机飞行控制系统执行器和传感器故障的在线检测。本发明专利技术以无人机动力学方程和故障类型为基础，建立无人机飞行控制系统连续非线性故障模型；然后借助非线性观测器将无人机飞行控制系统连续非线性故障模型转变为无人机飞行控制离散时变故障模型，并采用等价空间方法实现无人机飞行控制系统故障检测。针对传统等价空间方法在未知干扰下鲁棒性较差的问题，设计了鲁棒性性能指标以提高系统故障检测的鲁棒性；针对传统等价空间方法在线故障检测计算量大的问题，在Krein空间中利用扩展卡尔曼滤波方程实现了残差评价函数的递推计算以减小计算量。本发明专利技术提出的方法能够实现无人机传感器和执行器故障的快速报警，为无人机飞行控制系统故障检测提供一种有效依据。 1

A fault detection method for UAV flight control system

The invention relates to a failure detection method for an UAV flight control system. This method can detect the actuator and sensor faults of the fixed wing UAV flight control system on-line. Based on the dynamic equation and fault type of UAV, the continuous nonlinear fault model of UAV flight control system is established, and the nonlinear fault model of UAV flight control system is transformed into a discrete time-varying fault model of UAV flight control with the help of nonlinear observer, and the equivalent space method is used. To realize the fault detection of UAV flight control system. In view of the poor robustness of traditional equivalent space method under unknown interference, the robust performance index is designed to improve the robustness of system fault detection, and the residual evaluation function is realized by using the extended Calman filter equation in the Krein space for the problem of the traditional equivalent space method with large on-line fault detection. The calculation is reduced by the recursive calculation. The method proposed by this invention can realize the rapid alarm of unmanned aerial vehicle sensor and actuator fault, and provides an effective basis for the fault detection of UAV flight control system. One

【技术实现步骤摘要】
一种无人机飞行控制系统的故障检测方法
本专利技术涉及一种无人机飞行控制系统的故障检测方法，用于无人机飞行控制系统中传感器和执行器的在线故障检测，属于无人机系统故障诊断

技术介绍
近年来，作为解析冗余的一个重要分支，基于模型的故障检测方法被广泛应用于无人机飞行控制系统的故障检测之中，并取得了丰硕成果。基于模型的故障检测方法利用系统输入输出变量之间固有的解析关系，通过系统实际输出和算法的理论输出获得残差序列，并依此判断系统的故障状态。其可以根据系统的解析数学模型深入了解系统的动态性能，优点是故障检测计算量小，结果准确。基于模型的故障检测方法可分三种：状态估计法、参数估计法和等价空间法。等价空间法可以实现故障检测残差与未知初始状态的解耦，从而完全隔离了未知初始状态对故障检测精度的影响，故障检测精度较高；其利用有限时间窗内系统输入与输出(或部分输出)之间的冗余关系构造残差，尤其适合于拥有较多冗余测量信号的系统(如无人机)的故障检测。目前应用等价空间方法对无人机飞行控制系统进行故障检测已经有了一些研究成果，例如钟麦英等所撰写论文“基于观测器与小波变换的UAV作动器故障检测[J].系统仿真技术,2016,12(1):6-12”将平稳小波变换与等价空间相结合实现了无人机作动器的故障检测，解决了传统等价空间方法性能指标较好时在线计算量大且漏报率较高的缺陷，实现了较宽频率范围内作动器故障信号的检测。但其仅针对无人机线性定常模型，对于无人机中不可避免存在的非线性，尚无解决办法。针对无人机的非线性特性，马岩等撰写的论文“基于BP神经网络的无人机故障诊断专家系统研究[J].长春理工大学学报(自然科学版),2011,34(4):137-139”综合应用神经网络、专家系统各自的优点，构建了基于BP神经网络的UAV故障诊断专家系统。但其需要故障诊断系统有强大的计算能力作为支撑，不适合于对体积、重量、成本等有严格要求的无人机。将非线性系统转化为线性时变系统是解决以上问题的一条途径。DingSX.的著作“Model-basedFaultDiagnosisTechniques:DesignSchemes,Algorithms,andTools[M].Springer,2008”提出了针对线性时变系统的等价空间方法，但算法中系数矩阵的更新和较多的矩阵乘法运算使得其计算量较大；另一方面，MagrabiSM等所撰写论文“Decentralizedfaultdetectionanddiagnosisinnavigationsystemsforunmannedaerialvehicles[C].PositionLocationandNavigationSymposium,IEEE2000.IEEE,2000:363-370”采用等价空间方法实现了无人机组合导航系统的故障检测，但其没有考虑外部未知环境干扰对故障检测的影响。综上所述，目前基于等价空间的无人机飞行控制系统故障检测研究成果仅限于线性模型，对于未知扰动存在下的非线性系统，特别是如何利用等价空间方法的优势，以及如何减小故障检测计算量以提高故障检测实时性和如何减小外界环境噪声对故障检测的影响以提高故障检测鲁棒性等问题，尚无相关专利提出，故该方向有待深入的研究。
技术实现思路
本专利技术的技术解决问题是：根据无人机运动方程和故障类型建立无人机飞行控制系统连续非线性故障模型并转化为线性离散时变模型；采用等价空间方法实现无人机飞行控制系统的故障检测。其中，为减小传统等价空间方法在未知外界非白噪声干扰条件下鲁棒性较差的问题，利用鲁棒指标优化提高了故障检测的鲁棒性；针对传统等价空间方法故障检测计算量大的问题，利用Krein空间投影减小故障检测计算量。该方法能够实现无人机飞行控制系统执行器和传感器故障的在线检测。本专利技术的技术解决方案为：一种无人机飞行控制系统的故障检测方法，包括下列步骤：步骤1：根据无人机动力学、运动学方程和故障类型，建立无人机飞行控制系统连续非线性故障模型。步骤2：对步骤1所得的所述的无人机飞行控制系统连续非线性故障模型进行欧拉离散化并线性化，求取无人机飞行控制系统离散时变故障模型。步骤3：步骤3至步骤10利用等价空间方法进行无人机飞行控制系统故障检测。等价空间方法的基本原理是：构建被检测对象的故障模型，利用系统特定有限长度的控制输入和系统输出(或部分输出)之间的冗余关系构建残差生成器，检验被诊断对象数学关系的等价性，从而达到检测的目的。首先根据无人机飞行控制系统最小可观测性能指标，确定等价空间阶次其中表示所有正整数；然后利用无人机传感器系统测量得到的测量数据，基于步骤2所得的所述的无人机飞行控制系统离散时变故障模型构建等价方程。步骤4：根据步骤3所得的所述等价方程，求取等价矩阵使得故障残差与未知初始状态解耦，以此提高故障检测精度。步骤5：为了减小无人机飞行过程中未知环境干扰对故障检测精度的影响，构建鲁棒性性能指标，该指标反应了故障残差对于干扰的鲁棒性和对于故障的灵敏性。鲁棒性性能指标的值越小，故障检测的鲁棒性越好。步骤6：为了实现残差评价函数的递推计算以减小计算量，利用步骤4所得的所述等价矩阵求取解耦新息向量及其格莱姆矩阵。步骤7：对步骤6所得的所述解耦新息向量做奇异值分解，并结合步骤6所得的所述解耦新息向量构建残差评价函数。此时，残差评价函数能够使步骤5所得的所述鲁棒性性能指标达到最小值，从而实现故障检测的鲁棒性；同时，残差评价函数由递推计算产生，从而克服了传统等价空间每一步系数矩阵更新计算量大的问题，提高了故障检测的实时性。步骤8：为了达到更准确的故障检测结果，在所述时间窗内对步骤7所得的所述残差评价函数平滑处理得到新的残差评价函数；步骤9：在外界真实环境干扰下，无人机未发生故障时进行多次重复飞行实验，利用步骤8所述的方法计算新的残差评价函数，选取重复实验中新的残差评价函数的最大值当作残差评价阈值。步骤10：根据步骤8所得的所述新的残差评价函数和步骤9所得的所述残差评价阈值，利用布尔逻辑判断故障是否发生。返回步骤2实现残差评价函数的递推计算，直至无人机完成飞行任务，无人机飞行控制系统故障检测完成。进一步地，步骤1所述的无人机飞行控制系统连续非线性故障模型设计如下：其中，状态变量x(t)＝[VxVyVzωxωyωzXHZγψθ]T，Vx,Vy,Vz分别表示无人机沿载体坐标系的三轴速度分量，ωx,ωy,ωz分别表示无人机沿机体坐标系三轴的角速率分量，X,H,Z分别代表无人机航程，高度和侧偏，γ,ψ,θ分别表示无人机滚转角，航向角和俯仰角，T表示转置符号；控制输入为u(t)＝[δxδyδzδp]T，δx,δy,δz和δp分别表示副翼、方向舵、升降舵和油门杆偏转量，实现对滚转、偏航、俯仰和速度的控制；干扰向量为d(t)＝[wT(t)vT(t)]T，w(t)和v(t)分别代表过程噪声和量测噪声，均为l2范数有界的未知干扰；故障向量为f1(t)和f2(t)分别是执行器和传感器故障，均为l2范数有界的加性故障；量测量为y(t)＝[ωxωyωzHZγθVk]T，其中ωx,ωy,ωz分别由三轴速率陀螺测量，H由气压高度计测量，Z由GPS测量，γ、θ由垂直陀螺测量，Vk由空速管测量；fc(本文档来自技高网...

【技术保护点】
1.一种无人机飞行控制系统的故障检测方法，其特征在于，包括下列步骤：

【技术特征摘要】
1.一种无人机飞行控制系统的故障检测方法，其特征在于，包括下列步骤：步骤1：根据无人机动力学、运动学方程和故障类型，建立无人机飞行控制系统连续非线性故障模型；步骤2：对步骤1所得的所述的无人机飞行控制系统连续非线性故障模型进行欧拉离散化并线性化，求取无人机飞行控制系统离散时变故障模型；步骤3：根据无人机飞行控制系统的最小可观测性能指数和在线计算能力的要求，确定等价空间阶次，然后利用无人机传感器系统测量得到的测量数据基于步骤2所得的所述无人机飞行控制系统离散时变故障模型构建等价方程；步骤4：根据步骤3所得的所述等价方程，求取等价矩阵Vls(k)使得故障残差与未知初始状态解耦；步骤5：构建反映故障残差对于干扰的鲁棒性和对于故障的灵敏性的鲁棒性性能指标；步骤6：利用步骤4所得的所述等价矩阵求取解耦新息向量以及的格莱姆矩阵步骤7：结合步骤6所得的所述格莱姆矩阵和所得的所述解耦新息向量构建残差评价函数Js(k)；步骤8：在所述时间窗内对步骤7所得的所述残差评价函数平滑处理得到新的残差评价函数Jns(k)；步骤9：利用步骤8计算多个重复飞行实验的所述新的残差评价函数，得到残差评价阈值Jth；步骤10：根据步骤8所得的所述残差评价函数和步骤9所得的所述残差评价阈值，判断故障是否发生，即所述残差评价函数大于所述残差评价阈值时产生故障报警信号，反之认为系统正常；步骤11：返回步骤2，重复步骤2-10，完成所述新的残差评价函数计算，直至无人机完成飞行任务，至此无人机飞行控制系统故障检测完成。2.根据权利要求1所述的一种无人机飞行控制系统的故障检测方法，其特征在于：步骤1中，所述无人机飞行控制系统连续非线性故障模型如下：其中，x(t)为状态向量；u(t)为控制输入向量；d(t)为l2范数有界的未知干扰向量；f(t)为l2范数有界的未知故障向量；y(t)为量测向量；fc(x(t))、bc(t)、bcd和bcf(t)分别为无人机飞行控制系统连续非线性故障模型的系统矩阵、输入矩阵、过程噪声输入矩阵和执行器故障输入矩阵，描述了无人机的运动和故障形式；C、Dd和Df分别为量测矩阵、量测噪声输入矩阵和传感器故障输入矩阵，t代表矩阵为连续系统时变矩阵，fc(x(t))、bc(t)、bcd、bcf(t)、C、Dd和Df由无人机动力学、运动学方程以及故障形式确定，具体参数由无人机型号确定。3.根据权利要求1所述的一种无人机飞行控制系统的故障检测方法，其特征在于：步骤2中，所述无人机飞行控制系统离散时变故障模型为：式中，k代表矩阵为离散系统时变矩阵；定义是在k时刻的状态估计，则：Al(k)＝A(k)-L(k)C，Bld(k)＝Bd(k)-L(k)Dd，Blf(k)＝Bf(k)-L(k)Df其中，滤波器增益矩阵L(k)由如下扩展卡尔曼滤波方程递推计算如下：T代表转置符号，为新息的格莱姆矩阵，P(k)为误差方差阵。4.根据权利要求1所述的一种无人机飞行控制系统的故障检测方法，其特征在于：步骤3中，所述构建等价方程的具体方法为：选取等价空间阶次s，其中表示所有正整数，利用无人机传感器系统测量得到的测量数据基于无人机飞行控制系统离散时变故障模型构建如下等价方程：式中，Hos(k)为扩维系统矩阵，Hds(k)为扩维干扰输入矩阵，Hfs(k)为扩维故障输入矩阵，ds(k)为干扰集合，fs(k)为故障集合，分别表示如下：Hfs(k...

【专利技术属性】
技术研发人员：钟麦英，赵煊，周东华，赵岩，陈杰，盖文东，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：山东,37