一种无人机陀螺仪故障的诊断方法技术

本发明专利技术公开了一种无人机陀螺仪故障的诊断方法，基于模糊化技术，计算样本与期望值的接近程度，用接近程度的概率来设计样本隶属度因子，将此隶属度因子配置到表示支持向量机的数学模型中，消除样本分布失衡性和噪声特性的影响。离线方式进行支持向量机训练，获取区分正负类样本的最优间隔分类面的决策函数参数，无人机飞行时，实时采集机载传感器陀螺仪输出的姿态信号，采用db4小波基分解法提取信号的特征向量并归一化，然后输入到最优间隔分类面的决策函数，实时计算出待分信号的类别标签，识别陀螺仪的故障情况。本发明专利技术的诊断方法显著减少故障分类超平面的偏置程度，提高了故障诊断精度，计算量小，并且实现了故障诊断算法的在线实时性。

Method for diagnosing gyroscope fault of unmanned aerial vehicle

The invention discloses a UAV gyro fault diagnosis method based on fuzzy technology, close to the level of sample and the expected value calculation, with the probability of proximity to design the sample membership factor, the membership factor allocation to said support vector machine model, eliminate the influence of sample distribution imbalance and noise the characteristics of the. The off-line method for support vector machine training, obtain the distinction between positive and negative sample interval optimal classification surface decision function parameters of UAV flight attitude signals, real-time acquisition of airborne sensor gyroscope output, using DB4 wavelet decomposition method to extract the signal feature vector and normalized, then input to the optimal classification surface interval decision function, calculated in real time to signal label the fault identification of gyroscope. The diagnosis method of the invention remarkably reduces the bias degree of the fault classification hyperplane, improves the accuracy of the fault diagnosis, reduces the amount of calculation, and realizes the on-line real-time performance of the fault diagnosis algorithm.

【技术实现步骤摘要】
一种无人机陀螺仪故障的诊断方法
本专利技术涉及传感器的故障诊断，具体是一种无人机陀螺仪故障的诊断方法。
技术介绍
随着无人机3D(Dull:枯燥乏味，Dirty:恶劣环境，Dangerous:危险)任务执行优势和价格低廉优势的发挥，无人机广泛应用在空中侦察、目标定位、电子战、导弹拦截等军事领域；和抢险救灾、电力线路和油气管路巡检、反恐维稳、航拍等民用领域。军事应用领域内的无人机平台常搭载塔康、雷达的多型干扰设备；飞行器平台本身配套安装测控设备、GPS/GLONASS/北斗导航设备，因此飞行器上存在干扰设备链路信号、测控信号、导航信号、发动机工作产生的辐射信号，复杂的机载电磁环境对陀螺仪输出信号产生不确定性的干扰，输出信号中包含各类噪声信号、孤立点信号。另外火箭助推或弹射发射方式，以及任务剖面大机动飞行的过载、冲击效应，使陀螺仪承受多方向耦合的大机械应力，影响陀螺仪内部机械装置的工作性能，致使陀螺仪使用中出现静差或漂移增大现象、偶发陀螺倒事件等。所以作为测量无人机姿态和姿态变化信息的陀螺仪，因产生飞行控制内回路的输入参数，是影响无人机安全稳定飞行和任务执行精准率的关键要素。陀螺的故障发生是小概率事件，故障样本数远少于正常样本数，标准的SVM应用于陀螺故障诊断时，易造成漏检事件，错分率提高。加之无人机飞行速度大，故障一旦发生，致命危情迅速引发，因此对故障的实时诊断，无人机应急特情处置的快速性，具有强烈而迫切的需求。目前，陀螺仪故障诊断方法主要有两大类：1)基于信号处理的方法；2)基于人工智能的方法。基于信号处理的方法主要利用信号处理技术对采集到的系统信号进行处理和分析，挖掘出时域和频域中与系统运行状态有关的深层特征向量，利用它与故障之间的内在关系，从而检测出系统故障。中国专利CN104019831A公开了一种基于EMD和熵权的陀螺仪故障诊断方法，并进行了仿真验证。近年随着人工智能技术的快速发展，因逻辑推理、自学习、自诊断和自处理等能力优势，基于人工智能的故障诊断方法，已发展成陀螺仪故障诊断技术研究的热点。神经网络方法容易出现欠学习和过学习，需要在大量训练样本的前提下才能保证有较好的学习和推广能力。支持向量机是基于统计学习理论的机器学习方法，其结构风险最小化原则，能有效解决神经网络的过学习问题。中国期刊论文《基于CPSO-LSSVM的陀螺仪故障趋势预测》(四川大学学报(工程科学版)，2010,vol42(2):177-181)提出了一种结合混沌粒子群优化算法和最小二乘支持向量机算法应用到陀螺仪的故障检测方法，提高了陀螺漂移故障检测的诊断精度。但该方法没有讨论样本数据集不平衡和噪声奇异点情况对故障诊断精度的影响问题。支持向量机训练过程中，正负类样本数据集不平衡和噪声干扰问题，会导致最优分类决策函数超平面偏置，降低故障诊断的精度。
技术实现思路
本专利技术要解决的技术问题是提供一种无人机陀螺仪故障的诊断方法，该方法能够避免陀螺仪故障诊断中的正负类样本分布失衡和含噪情况下故障诊断的在线实时性问题。为实现上述专利技术目的，本专利技术采用如下技术方案：一种无人机陀螺仪故障的诊断方法，基于模糊化技术，计算样本与期望值的接近程度，用接近程度的概率来设计样本隶属度因子，将此隶属度因子配置到表示支持向量机的数学模型中，消除样本分布失衡性和噪声特性的影响。离线方式进行支持向量机训练，获取区分正负类样本的最优间隔分类面的决策函数参数，无人机飞行时，实时采集机载传感器陀螺仪输出的姿态信号，采用db4小波基分解法提取信号的特征向量并归一化，然后输入到最优间隔分类面的决策函数，实时计算出待分信号的类别标签，识别陀螺仪的故障情况。比如，可使用基于TMS320F28335平台的故障诊断装置实施以上故障诊断过程。具体来说，一种无人机陀螺仪故障的诊断方法，包括以下步骤：1)基于db4小波基分解法处理样本，提取出若干个频带的能量作为样本特征向量；2)将样本特征向量进行归一化，归一化到[0,1]区间；3)基于正态分布模型计算正负类样本的隶属度因子，正类隶属度因子定义为s+(xi)；负类隶属度因子定义为s-(xi)：其中，l+、l-分别为正、负类样本的数量，样本类间数量不平衡特性用l+/l-反映；p为样本属性的维数，μ为样本期望，∑为样本协方差，正负类样本隶属度函数中的样本期望和协方差用极大似然法估计量计算：4)采用离线方式进行支持向量机训练，获取区分正负类样本最优间隔分类面的决策函数模型；5)定时采集陀螺仪输出信号，连续采样若干个点计算其平均值作为待诊断样本；重复步骤1)和2)，基于SVM最优间隔分类面的决策函数计算出样本类别后，实时输出到无人机飞控计算机上，供飞控计算机容错控制系统使用。进一步的，所述步骤2)的归一化采用的归一化函数为：式中，x是原始样本，x*归一化后的样本，xmax是样本集中的最大值，xmin是样本集中的最小值。进一步的，所述步骤4)采用离线方式进行支持向量机训练，获取区分正负类样本最优间隔分类面的决策函数模型的过程包括以下步骤：41)定义支持向量机约束优化问题的数学表示为：式中，xi为样本，yi为分类属性，ω为超平面的法向量，松弛变量ξi表征样本被错分的程度，C为惩罚因子，b为分类阈值，为样本输入空间到高维Hilbert空间的映射，si为样本隶属度；42)采用拉格朗日乘子优化方法，式(5)的约束优化问题转化为关于α的最大化的目标函数式：K(xi,xj)为核函数，核函数采用径向高斯基函数。43)在matlab仿真环境下对正负类样本进行离线训练，求取满足式(6)的α值。正负类样本最优间隔分类面的决策函数模型表示为：式中，αi*表示为非零的α值，b*值用为最大时的支持向量，代入式(8)求取。上述无人机陀螺仪故障的诊断方法主要采用故障诊断装置实施。故障诊断装置灌装SVM最优间隔分类面的决策函数模型后，在线诊断时，定时采集速率陀螺仪输出信号，连续采样多个点计算其平均值作为待诊断样本，输入到决策函数模型，计算样本类别，最后将故障诊断结果实时输出到无人机飞控计算机上，供飞控计算机容错控制系统使用。所述故障诊断装置包括数字信号处理器、时钟电路、供电电路、复位电路、串口电平转换电路、模拟量转换电路、存储器扩展电路。所述串口电平转换电路，用于故障诊断算法的灌装与维护，以及与机载飞控计算机的实时通讯，实时反馈故障诊断结果给飞控计算机；所述模拟信号转换电路，指的是模拟信号采集电路，用于陀螺仪输出的俯仰角、滚转角、偏航角、俯仰角速率、滚转角速率、偏航角速率模拟量信号的采集和电压幅值转换。更进一步，所述数字信号处理器为TMS320F28335芯片，主频150MHz；内含32位单精度硬件浮点运算单元和32×32位硬件乘法单元；16通道的0伏—3.3伏的12位A/D转换模块，单通道最高采样频率可达12.5MSPS，内置采样/保持电路；3通道CMOS电平的的异步串行通信接口(SCI_A、SCI_B，SCI_C)，支持16级深度的发送FIFO和接收FIFO。另一种改进，所述串口电平转换电路，包括RS-232串行接口和RS-422串行接口；所述RS-232串行接口基于MAX3232芯片实施TMS320F28335片上SCI_A的CMOS电平与RS-232电平间转换；所本文档来自技高网...

【技术保护点】
一种无人机陀螺仪故障的诊断方法，其特征在于，包括以下步骤：1)基于db4小波基分解法处理样本，提取出若干个频带的能量作为样本特征向量；2)将样本特征向量进行归一化，归一化到[0,1]区间；3)基于正态分布模型计算正负类样本的隶属度因子，正类隶属度因子定义为s

【技术特征摘要】
1.一种无人机陀螺仪故障的诊断方法，其特征在于，包括以下步骤：1)基于db4小波基分解法处理样本，提取出若干个频带的能量作为样本特征向量；2)将样本特征向量进行归一化，归一化到[0,1]区间；3)基于正态分布模型计算正负类样本的隶属度因子，正类隶属度因子定义为s+(xi)；负类隶属度因子定义为s-(xi)：其中，l+、l-分别为正、负类样本的数量，样本类间数量不平衡特性用l+/l-反映；p为样本属性的维数，μ为样本期望，∑为样本协方差，正负类样本隶属度函数中的样本期望和协方差用极大似然法估计量计算：4)采用离线方式进行支持向量机训练，获取区分正负类样本最优间隔分类面的决策函数模型；5)定时采集陀螺仪输出信号，连续采样若干个点计算其平均值作为待诊断样本；重复步骤1)和2)，基于SVM最优间隔分类面的决策函数计算出样本类别后，实时输出到无人机飞控计算机上，供飞控计算机容错控制系统使用；进一步的，所述步骤2)的归一化采用的归一化函数为：式中，x是原始样本，x*归一化后的样本，xmax是样本集中的最大值，xmin是样本集中的最小值。2.根据权利要求1所述的无人机陀螺仪故障的诊断方法，其特征在于，所述步骤4)采用离线方式进行支持向量机训练，获取区分正负类样本最优间隔分类面的决策函数模型的过程包括以下步骤：41)定义支持向量机约束优化问题的数学表示为：式中，xi为样本，yi为分类属性，ω为超平面的法向量，松弛变量ξi表征样本被错分的程度，C为惩罚因子，b为分类阈值，为样本输入空间到高维Hilbert空间的映射，si为样本隶属度；42)采用拉格朗日乘子优化方法，式(5)的约束优化问题转化为关于α的最大化的目标函数式：K(xi,xj)为核函数，核函数采用...

【专利技术属性】
技术研发人员：罗秋凤，周国兴，陈喆，吴武斌，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32