多模型飞行控制系统故障诊断方法及装置制造方法及图纸

本发明专利技术提出一种基于期望模式扩展的多模型飞行控制系统故障诊断方法，包括：统计飞行控制系统的各种故障并建立基本模型集；预测当前时刻的多个故障模型的概率并建立期望模型集；将基本模型集和期望模型集进行组合以建立当前时刻故障模型集；对当前时刻模型集中的每个故障模型进行滤波和概率更新；如果当前时刻模型集中的某个故障模型的概率大于或等于预设的概率阈值，则判断飞行控制系统发生故障模型对应的故障。本发明专利技术还提出了一种基于期望模式扩展的多模型飞行控制系统故障诊断装置，包括:基本模型集建立模块、期望模型集建立模块、当前时刻模型集建立模块、滤波和概率更新模块、故障判断模块。本发明专利技术还提出了一种飞行控制系统。

【技术实现步骤摘要】

本专利技术涉及飞行控制
，特别涉及一种基于期望模式扩展的多模型飞行控制系统故障诊断方法、故障诊断装置及飞行控制系统。
技术介绍
从八十年代初开始，自修复飞行控制作为ー项新的故障处理方法引起越来越广泛的重视，而其中ー个重要方面就是故障检测和诊断系统。自主式故障诊断系统的发展，不仅能为自修复控制提供保障，实现在线重构控制，而且能给地面维护人员提供飞机状况的各种信息，对地勤的工作提供有效的帮助。因此，在现代飞机飞行中，快速准确的自主式故障诊断方法能大大提高飞机飞控系统的可靠性、可维护性、生存性并降低全寿命费用。当前常用的故障检测和诊断方法主要包括滤波器方法、状态观测器方法、多模型方法、故障树分析、专家系统、神经网络等，其中前三者都需要建立系统模型，后三者不需要 具体模型。在飞行控制系统中，可以建立飞机动力学和运动学模型，而且为了实现重构控制，需要明确故障类型、故障位置和故障大小，而故障树分析、专家系统、神经网络等方法无法完全达到这些要求。因此在飞行控制系统中，常用的诊断方法为滤波器方法、状态观测器方法、多模型方法。滤波器和观测器方法都是需要构造被控对象的过程模型，通过比较构造的过程模型输出值与实际系统测量值来产生残差，从中提取故障特征，然后根据检验规则判断是否发生故障。其中滤波器方法主要包括卡尔曼滤波器(KF)和扩展卡尔曼滤波器(EKF)，卡尔曼滤波器是是ー种递推的状态估计算法，它采用的是状态空间模型，在白噪声情况下能很好地跟踪系统的状态。对于非线性系统，可引入扩展卡尔曼滤波(Extended KalmanFilter,EKF)方法。而基于观测器的方法不需要状态估计理论，只需对输出进行估计，然后与实际系统输出比较得到残差。这两种方法都可用于检测飞控系统故障，但是对于残差的故障特征提取、检验规则选取以及故障大小的计算都是较难解决的问题，而且可能存在误差，尤其是当系统存在多种类型或者多个故障同时发生吋，这两种方法不能很好地解决问题。多模型方法的引入可以较好地解决故障类型多祥的问题，它将各种故障分别建立模型，对这些故障模型建立一系列的卡尔曼滤波器，然后根据贝叶斯(Bayes)后验概率得到各个模型的概率，根据此概率的大小来判断系统是否工作于正常状态或者确定出发生了哪种故障。这种方法操作起来非常简单，而且能很好地解释故障的物理意义。但传统的多模型方法存在ー个问题，当系统的故障种类很多或者组合故障很多吋，故障模型集会非常大，给计算带来困难而且影响诊断結果。如何減少模型个数是多模型方法面临的ー个主要问题，本专利技术正是基于这个需要，提出了ー种能实现模型集在线自适应更新的变结构多模型方法
技术实现思路
本专利技术的目的旨在至少解决上述技术缺陷之一。为此，本专利技术实施例的第一个目的在于提出一种基于期望模式扩展的多模型飞行控制系统故障诊断方法，通过采用期望模式扩展，实现了模型集的在线自适应更新，用期望模型来描述系统未来可能的故障模式，解决了模型集巨大的问题，可获得一种快速准确的故障诊断方法，能在线实时检测单个或者多个故障，为自修复控制和维护决策提供了基础和保障。本专利技术实施例的第二个目的在于提供一种基于期望模式扩展的多模型飞行控制系统故障诊断装置。本专利技术实施例的第三个目的在于提供一种飞行控制系统。为达到上述目的，本专利技术第一方面的实施例公开了一种基于期望模式扩展的多模型飞行控制系统故障诊断方法，采用期望模型来描述系统未来的可能故障模式，包括以下步骤统计飞行控制系统的多个故障并建立对应的多个故障模型，根据所述多种故障模型建立基本模型集；预测当前时刻的所述多个故障模型的概率，根据所述基本模型集以及所述当前时刻预测概率最大的前多个故障模型得到所述预设数目个期望模型集，将所述预设数目个期望模型集组合，建立期望模型集；组合所述基本模型集和所述期望模型集得到当 前时刻模型集，并根据当前时刻模型集更新概率转移矩阵；对当前时刻模型集中的每个故障模型进行滤波和概率更新；对每个所述故障模型的概率设置概率阈值，并将所述当前时刻故障模型集中的每个所述故障模型的概率与概率阈值进行比较，如果所述故障模型的概率大于或等于所述概率阈值，则判断所述飞行控制系统发生所述故障模型对应的故障。根据本专利技术实施例的基于期望模式扩展的多模型飞行控制系统故障诊断方法，通过采用期望模式扩展，实现了变结构的多模型方法，即实现了模型集的在线自适应更新，通过期望模型来描述系统未来可能的故障模式，解决了模型集巨大的问题，可获得一种快速准确的故障诊断方法，能在线实时检测单个或者多个故障，为自修复控制和维护决策提供了基础和保障。在本专利技术的一个实施例中，所述基本模型集由飞行控制系统的各种单故障模型组成，包括操作舵面故障模型、作动器故障模型和传感器故障模型。在本专利技术的一个实施例中，所述预测当前时刻的所述多个故障模型的概率进一步包括根据上一时刻模型的概率以及所述基本模型集的概率转移矩阵预测当前时刻的所述多个故障模型的概率。在本专利技术的一个实施例中，所述根据当前时刻模型集更新概率转移矩阵进一步包括根据实际系统故障模式间的关系，绘制所述基本模型集的状态转换图，得到所述基本模型集的状态转换关系，设定所述基本模型集的概率转移矩阵的预设值；绘制当前时刻模型集的状态转换关系，并在基本模型集的概率转移矩阵基础上计算得到当前时刻模型集的概率转移矩阵。在本专利技术的一个实施例中，所述根据所述基本模型集以及所述当前时刻预测概率最大的前多个故障模型得到所述预设数目个期望模型，将所述预设数目个期望模型组合，建立期望模型集进一步包括根据所需所述期望模型集的个数确定所述基本模型集的子模型集个数；在所述基本模型集中选取所述当前时刻模型的概率最大的前多个模型，组合所述模型得到预设数目的子模型集序列；将所述子模型集序列中每一个子模型集的模型组合得到一个期望模型，由所述期望模型得到所述期望模型集。在本专利技术的一个实施例中，所述对当前时刻模型集中的每个故障模型进行滤波和概率更新进一步包括在每个时刻由所述基本模型集和所述期望模型组合得到所述当前时刻模型集后，对所述当前时刻故障模型集中的每个故障模型分别进行滤波得到状态估计和残差，并对所述故障模型的概率进行更新。在本专利技术的一个实施例中，对所述当前时刻故障模型集中的每个故障模型分别进行滤波得到状态估计和残差，并对所述故障模型的概率进行更新，进一步包括根据上一时刻模型的滤波器的所述状态估计和协方差输出值，初始化所述当前时刻模型对应的滤波器的所述状态估计和所述协方差，并预测所述当前时刻模型的概率；根据卡尔曼滤波过程，分别对所述当前时刻模型更新所述状态估计和所述协方差，并计算所述残差和残差协方差；根据贝叶斯后验概率准则计算所述当前时刻模型的概率。本专利技术第二方面的实施例还提出了一种基于期望模式扩展的多模型飞行控制系统故障诊断装置，包括基本模型集建立模块，所述基本模型集建立模块用于统计飞行控制系统的多种故障并建立对应的多个单故障模型，并根据所述多个单故障模型建立基本模型 集；期望模型集建立模块，所述期望模型集建立模块用于预测当前时刻的所述多个故障模型的概率，根据所述基本模型集以及所述当前时刻预测概率最大的前多个故障模型得到所述预设数目个期望模型，将所述多个期望模型组合，建立期望模型集；当前时刻模型集建立模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于期望模式扩展的多模型飞行控制系统故障诊断方法，其特征在于，包括 统计飞行控制系统的各种故障并建立对应的多个单故障模型，根据所述多个单故障模型建立基本模型集； 预测当前时刻的所述多个故障模型的概率，根据所述基本模型集以及所述当前时刻预测概率最大的前多个故障模型得到所述预设数目个期望模型，将所述预设数目个期望模型组合，建立期望模型集； 组合所述基本模型集和所述期望模型集得到当前时刻模型集，并根据当前时刻模型集更新概率转移矩阵； 对当前时刻模型集中的每个故障模型进行滤波和概率更新；以及对所述故障模型的概率设置概率阈值，并将所述当前时刻模型集中的每个所述故障模型的概率与所述概率阈值进行比较，如果所述故障模型的概率大于或等于所述概率阈值，则判断所述飞行控制系统发生所述故障模型对应的故障。2.如权利要求I所述的基于期望模式扩展的多模型飞行控制系统故障诊断方法，其特征在于，所述基本模型集由飞行控制系统的各种单故障模型组成，包括操作舵面故障模型、作动器故障模型和传感器故障模型。3.如权利要求I所述的基于期望模式扩展的多模型飞行控制系统故障诊断方法，其特征在于，所述预测当前时刻的所述多个故障模型的概率进一步包括根据上一时刻模型的概率以及上一时刻模型集的概率转移矩阵预测当前时刻的所述多个故障模型的概率。4.如权利要求I所述的基于期望模式扩展的多模型飞行控制系统故障诊断方法，其特征在于，所述根据当前时刻模型集更新概率转移矩阵进一步包括 根据实际系统故障模式间的关系，绘制所述基本模型集的状态转换图，得到所述基本模型集的状态转换关系，设定所述基本模型集的概率转移矩阵的预设值； 绘制当前时刻模型集的状态转换关系，并在基本模型集的概率转移矩阵基础上计算得到当前时刻模型集的概率转移矩阵。5.如权利要求I所述的基于期望模式扩展的多模型飞行控制系统故障诊断方法，其特征在于，所述根据所述基本模型集以及所述当前时刻预测概率最大的前多个基本故障模型得到所述预设数目个期望模型，将所述预设数目个期望模型组合，建立期望模型集进一步包括 根据所需所述期望模型的个数确定所述基本模型集的子模型集个数； 在所述基本模型集中选取所述当前时刻模型的概率最大的前多个模型组合得到预设数目的模型集，组合所述模型集得到预设数目的子模型集序列； 将所述子模型集序列中每一个子模型集的模型组合得到一个期望模型，由所述期望模型得到所述期望模型集。6.如权利要求I所述的基于期望模式扩展的多模型飞行控制系统故障诊断方法，其特征在于，所述对当前时刻模型集中的每个故障模型进行滤波和概率更新进一步包括 在每个时刻由所述基本模型集和所述期望模型组合得到所述当前时刻模型集后，对所述当前时刻故障模型集中的每个故障模型分别进行滤波得到状态估计和残差，并对所述故障模型的概率进行更新。7.如权利要求I所述的基于期望模式扩展的多模型飞行控制系统故障诊断方法，其特征在于，对所述当前时刻故障模型集中的每个故障模型分别进行滤波得到状态估计和残差，并对所述故障模型的概率进行更新，进一步包括 根据上一时刻模型的滤波器的所述状态估计和协方差输出值，初始化所述当前时刻模型对应的滤波器的所述状态估计和所述协方差，并预测所述当前时刻模型的概率； 根据卡尔曼滤波过程，分别对所述当前时刻模型更新所述状态估计和所述协方差，并计算所述残差和残差协方差； 根据贝叶斯后验概率准则计算所述当前时刻模型的概率。8.一种基于期望模式扩展的多模型飞行控制系统故障诊断装置，其特征在于，包括 基本模型集建立模块，所述基本模型集建立模块用于统计飞行控制系统的各种故障并建立对应的多个单故障模型，并根据所述多个单故障模型建立基本模型集； 期望模型集建立模块，所述期望模型集建立模块用于预测当前时刻的所述多个故障模型的概率，根据所述基本模型集以及所述当前时刻预测概率最大的前多个故障模型得到所述预设数目个期望模型，将所述预设数目个期望模型组合，建立期望模型集； 当前时刻模型集建立模块，所述当前时刻模型集建立模块用于组合所述基本模型集和所述期望模型集得到当前时刻模型集，并根据当前时刻模型集更新概率转移矩阵；...

【专利技术属性】
技术研发人员：柳志娟，李清，程农，慕春棣，
申请(专利权)人：清华大学，
类型：发明
国别省市：