一种基于模型的大气数据故障估计方法技术

本发明专利技术公开了一种基于模型的大气数据故障估计方法，包括以下步骤：采集测量信息；构建双模型滤波器的状态方程和量测方程；采用无迹卡尔曼滤波对双模型滤波器进行滤波更新；计算双模型滤波器的模型概率，通过模型概率判断大气数据系统是否发生故障；发生故障时通过残差分量卡方检测法找出故障信息源，选择性的对双模型滤波器重新初始化；基于双模型滤波器的状态估计结果计算并输出大气数据估计值及大气数据故障估计值。本方法能够及时检测大气数据系统偏置故障并保证故障情况下空速、攻角、侧滑角的准确估计，进一步提升了大气数据系统的可靠性，对保障飞机的安全飞行具有重要意义。对保障飞机的安全飞行具有重要意义。对保障飞机的安全飞行具有重要意义。

【技术实现步骤摘要】
一种基于模型的大气数据故障估计方法


[0001]本专利技术属于传感器故障诊断
，尤其涉及一种基于模型的大气数据故障估计方法。

技术介绍

[0002]大气数据系统是现代军/民用飞机在飞行过程中感知周围大气信息的关键机载航空电子设备。它利用全/静压传感器、总温探头及攻角传感器测量总压、静压、总温、攻角等信息，由大气数据计算机对各传感器输出信号进行信号处理和解算，进而为机载导航系统及飞行控制系统提供空速、攻角、侧滑角等重要飞行大气参数。然而在实际飞行过程中，暴露在空气中的大气数据传感器容易受到磨损、风化、结冰等影响，从而引发大气数据系统故障，造成错误的飞行参数输出。大气数据系统输出数据的可靠性对飞机的安全飞行至关重要。因此，必须对大气数据系统进行相应的故障诊断及处理措施，以确保在大气数据系统发生可能的失效后，仍能保证飞机的安全稳定飞行。
[0003]目前国内外主要军/民用飞机的大气数据系统普遍采用基于多余度传感器配置和表决机制的架构，通过统计学上的一致性检验对多路大气数据信号进行表决和综合。基于多余度信号表决的传感器故障诊断方式发展成熟，但也存在无法识别故障类型和特征的不足以及当2个及以上传感器发生共模故障时难以正确隔离故障的风险。
[0004]基于双模型的传感器故障估计方法利用数学模型取代物理实体，能够在不增加硬件余度数量的基础上，实现空速、攻角、侧滑角等关键大气参数的估计。通过比较估计参数与先验信息的一致性即可判断传感器是否发生故障，通过实时估计故障信息即可实现故障信号的辨识。这种基于模型的传感器故障估计方法能够减少硬件余度，既降低了运行成本，也能保证运行安全，是面向未来更加严格的适航要求以及进一步提升大气数据系统可用性的重点研究方向。

技术实现思路

[0005]为实现上述目的，本专利技术提供了一种基于模型的大气数据故障估计方法，包括以下步骤：
[0006]采集惯性导航系统及大气数据系统的测量信息；
[0007]基于所述测量信息构建双模型滤波器的状态方程及量测方程；
[0008]采用无迹卡尔曼滤波对双模型滤波器进行滤波更新；
[0009]计算双模型滤波器的模型概率，通过模型概率判断大气数据系统是否发生故障；
[0010]发生故障时通过残差分量卡方检测法找出故障信息源，选择性的对所述双模型滤波器重新初始化；
[0011]基于双模型滤波器的状态估计结果计算并输出大气数据估计值及大气数据故障估计值。
[0012]优选地，所述双模型包括无故障模型和故障模型；
[0013]所述测量信息包括惯性导航系统信息和大气数据系统信息：
[0014]所述惯性导航系统信息包括横滚角速率、俯仰角速率、航向角速率、加速度在机体系三轴的分量、横滚角和俯仰角；
[0015]所述大气数据系统信息包括空速、攻角和侧滑角。
[0016]优选地，所述构建双模型滤波器的状态方程及量测方程的方法包括：
[0017]基于惯性导航系统测量输入量、惯性导航系统测量噪声构建双模型的状态方程；
[0018]基于大气数据系统的空速、攻角、侧滑角测量值、大气数据系统空速、攻角、侧滑角的量测噪声和双模型滤波器的观测矩阵构建双模型的量测方程。
[0019]优选地，所述采用无迹卡尔曼滤波对双模型滤波器进行滤波更新的过程包括：
[0020]采用UT变化获取逼近双模型非线性密度函数的Sigma点集；
[0021]计算双模型采样点的权值，计算双模型的状态一步预测值，进行时间更新；
[0022]再次使用UT变化，更新双模型的Sigma点集；
[0023]将Sigma点集带入量测方程，加权计算双模型的预测量测值的均值及协方差；
[0024]基于所述均值及协方差计算双模型的滤波增益；
[0025]更新双模型的状态估计值及误差协方差阵。
[0026]优选地，所述计算双模型滤波器的模型概率的方法包括：
[0027]基于滤波更新得到双模型的新息与新息协方差矩阵；
[0028]基于新息与新息协方差矩阵获得条件概率密度函数；
[0029]基于条件概率密度函数，通过贝叶斯公式递归计算双模型的模型概率。
[0030]优选地，所述通过残差分量卡方检测法找出故障信息源的方法包括：
[0031]通过误检率确定检测阈值；
[0032]基于无故障滤波器新息的第j个元素和无故障滤波器新息协方差阵的第j个对角线元素构建该模型第j个新息分量的故障检测值；j＝1,2,3分别代表空速、攻角、侧滑角；
[0033]当故障检测值大于检测阈值时，j分量故障，当故障检测值小于等于检测阈值时，j分量无故障，即可通过j的取值判断出故障信息源。
[0034]优选地，所述选择性的对所述双模型滤波器重新初始化的方法包括：
[0035]当大气数据系统发生故障时，对无故障模型和故障模型进行初始化，当大气数据系统未发生故障时，对故障模型进行初始化，无故障模型不进行初始化。
[0036]优选地，计算大气数据估计值及大气数据故障估计值的方法包括：
[0037]将无故障模型滤波器的状态估计值与故障模型滤波器的前3维状态量进行加权，计算得到大气数据估计值；
[0038]对故障滤波器模型的后3维状态量进行加权计算，得到大气数据故障估计值。
[0039]与现有技术相比，本专利技术具有如下优点和技术效果：
[0040]本专利技术提供了一种基于模型的大气数据故障估计方法，与现有技术相比，本专利技术利用数学模型代替物理传感器，有效地降低了传统大气数据系统对硬件余度的要求。所设计的选择性重新初始化算法实现了双模型之间的输入交互，不仅能够及时检测出关键大气数据(空速、攻角、侧滑角)故障的存在，而且能够确定具体的故障信息源并识别故障的大小，同时本专利技术也能实现大气数据系统故障情况下空速、攻角、侧滑角的准确估计，提升了共模故障场景下的大气数据系统可用性，对保障飞机的安全飞行具有重要意义。
附图说明
[0041]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0042]图1为本专利技术实施例的大气数据故障估计方法流程图。
具体实施方式
[0043]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0044]需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0045]如图1所示，本申请提出了一种基于模型的大气数据故障估计方法，包括以下步骤：
[0046]步骤1，在本实施例中，通过仿真实验周期获取k时刻惯性导航系统及大气数据系统的测量信息，具体流程如下：...

【技术保护点】

【技术特征摘要】
1.一种基于模型的大气数据故障估计方法，其特征在于，包括以下步骤：采集惯性导航系统及大气数据系统的测量信息；基于所述测量信息构建双模型滤波器的状态方程及量测方程；采用无迹卡尔曼滤波对双模型滤波器进行滤波更新；计算双模型滤波器的模型概率，通过模型概率判断大气数据系统是否发生故障；发生故障时通过残差分量卡方检测法找出故障信息源，选择性的对所述双模型滤波器重新初始化；基于双模型滤波器的状态估计结果计算并输出大气数据估计值及大气数据故障估计值。2.根据权利要求1所述的基于模型的大气数据故障估计方法，其特征在于，所述双模型包括无故障模型和故障模型；所述测量信息包括惯性导航系统信息和大气数据系统信息：所述惯性导航系统信息包括横滚角速率、俯仰角速率、航向角速率、加速度在机体系三轴的分量、横滚角和俯仰角；所述大气数据系统信息包括空速、攻角和侧滑角。3.根据权利要求1所述的基于模型的大气数据故障估计方法，其特征在于，所述构建双模型滤波器的状态方程及量测方程的方法包括：基于惯性导航系统测量输入量、惯性导航系统测量噪声构建双模型的状态方程；基于大气数据系统的空速、攻角、侧滑角测量值、大气数据系统的空速、攻角、侧滑角量测噪声和双模型滤波器的观测矩阵构建双模型的量测方程。4.根据权利要求1所述的基于模型的大气数据故障估计方法，其特征在于，所述采用无迹卡尔曼滤波对双模型滤波器进行滤波更新的过程包括：采用UT变化获取逼近双模型非线性密度函数的Sigma点集；计算双模型采样点的权值，计算双模型的状态一步预测值，进行时间更新；再次使用UT变化，更新双模型的Sigma点集；将Sigma点集...

【专利技术属性】
技术研发人员：赖际舟，瞿潇炜，戴宇庭，李志敏，
申请(专利权)人：南京航空航天大学秦淮创新研究院，
类型：发明
国别省市：