CN103995529A - 一种旋翼飞行器机械安装故障在线诊断方法 - Google Patents
一种旋翼飞行器机械安装故障在线诊断方法 Download PDFInfo
- Publication number
- CN103995529A CN103995529A CN201410213248.6A CN201410213248A CN103995529A CN 103995529 A CN103995529 A CN 103995529A CN 201410213248 A CN201410213248 A CN 201410213248A CN 103995529 A CN103995529 A CN 103995529A
- Authority
- CN
- China
- Prior art keywords
- erp
- parameter
- flight
- servosignal
- rotor craft
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种能够提高飞行控制精度的旋翼飞行器机械安装故障在线诊断方法。该旋翼飞行器机械安装故障在线诊断方法是通过监视、记录、分析旋翼飞行器实际飞行过程中的遥控及伺服信号参数,通过数据分析方法检验是否存在机械安装误差,并将可改进信息提供给操控者,鉴于旋翼飞行器飞行环境的复杂性,首先对遥控信号数据进行模糊分类,获得当前飞行器飞行状态;之后通过ERP周期性检测以及队列竞争算法,判断旋翼飞行器当前飞行参数是否符合机身原有的动力学结构设计参数,获得相应的故障诊断,为旋翼飞行器操作人员提供机身调整建议,辅助操控者最终实现精准的飞行控制,可以大大提高飞行控制精度。适合在飞行器调试技术领域推广运用。
Description
技术领域
本发明属于飞行器调试技术领域,具体涉及一种旋翼飞行器机械安装故障在线诊断方法。
背景技术
四旋翼飞行器是一种具有四个旋翼(螺旋桨)的无人飞行器。其四个旋翼呈十字形或X形交叉结构,相对的两旋翼为一组,具有相同的旋转方向;不同组的旋翼旋转方向不同。与传统的直升机不同,四旋翼直升机只能通过改变旋翼(螺旋桨)的速度来实现各种动作。它能够实现垂直起降、悬停、进退等飞行动作,具有机械结构简单、空间灵活性高、操控简单、自治性好等特点,在航空拍摄、环境监控、地质遥测、安防监控、输电线路巡检等领域具备广泛的应用前景,是近年来智能机器人研究的前沿领域。
四旋翼飞行器通常依靠陀螺仪、加速度计、磁力计、GPS等传感器构成的组合导航系统实现姿态、位置的测量,并通过飞行控制器(微处理器)进行解算、再通过控制算法算出姿态、位置控制信号;飞行控制器输出控制信号分别控制四个旋翼上的电子调速器,驱动四个电机及其旋翼作相应速度的旋转,实现不同的飞行运动。该飞行器是一个典型的非线性欠驱动系统,由四个驱动(输入)信号驱动四个电机及其旋翼转动,实现俯仰(进退)、横滚、升降共六个飞行动作。
四旋翼飞行器的空气动力学模型较为简单,飞行过程中对大气压及空气流动特性的依赖程度较低。它在具备小区域、小范围灵活运动优势的同时,更容易受到周围环境以及自身控制装置系统故障的影响,导致在短时间内发生偏航甚至坠机事故。四旋翼飞行控制故障通常包括遥控器信号丢失、遥控信号不合理、传感器故障、电机伺服信号丢失、电机伺服状态不合理、机械安装故障等六个方面。
目前旋翼飞行器的机械安装故障校准均采用离线的机械调试方式进行,通过测量轴距等机械方法检验旋翼飞行器安装误差并矫正。此类机械安装误差诊断方法精度较低,与此同时,由于旋翼飞行器在飞行过程中自身抖动以及周围环境变化,容易引起旋翼飞行器的机械结构改变,直接影响旋翼飞行器飞行控制精度,甚至引起坠机故障。
发明内容
本发明所要解决的技术问题是提供一种能够提高飞行控制精度的旋翼飞行器机械安装故障在线诊断方法。
本发明解决其技术问题所采用的技术方案为:该旋翼飞行器机械安装故障在线诊断方法,当旋翼飞行器起飞后的时间超过1分钟并完成悬停、俯仰、横滚、升降动作后,根据下述分析步骤对飞行记录数据库飞行参数进行飞行状态分析,包括以下步骤:
A、通过模糊分类方法,对遥控器各路信号参数进行分类以获得当前飞行状态信息;
B、根据ERP周期性检验方法检验同一飞行状态下的伺服信号参数变化,若遥控信号恒定时检测到各路伺服信号的时间序列中均存在周期性信号,则表明传感器平稳姿态与旋翼飞行器机架的平稳结构间存在差异,旋翼飞行器某轴或多轴存在电机轴向安装误差;
C、对于飞行状态相同且油门信号恒定时的伺服信号参数,通过队列竞争算法排序相同伺服信号参数出现的概率,获取当前状态下出现频率最高的伺服信号参数作为当前飞行状态下的特征伺服信号参数;
C1:将悬停状态下的特征伺服信号参数与标准伺服信号参数进行对比,若两者信号间的差异大于标准伺服信号参数的5%,则表明旋翼飞行器存在轴距安装误差或负重不平衡;
C2:当油门通道的一阶差分信号保持在同向恒力状态,旋翼飞行器分别由两次不同的单向飞行状态切换至悬停状态,获取这两次单向飞行状态以及悬停飞行状态的特征伺服信号参数,比较飞行状态切换前后的特征伺服信号参数变化率,若某轴特征伺服信号参数在两飞行状态间的变化率比对轴的变化率高15%,则表明该轴存在旋翼损伤故障、旋翼轴向安装误差故障。
进一步的是,所述模糊分类方法的具体步骤如下所述:首先,对单路遥控信号参数进行辨识,其具体辨别规则如下:根据遥控信号参数φi判断当前飞行模式为信号过低、低档、恒档、高档、信号过高,然后根据遥控信号参数φi的一阶差分信号参数Δφi判断旋翼飞行器属于同向加速、同向减速或同向恒力运动,实现单路遥控信号参数的辨识,接着综合考虑各路遥控信号参数间的共同作用,将各路遥控信息标示在飞行数据库相应位置。
进一步的是,所述ERP周期性检验方法的具体步骤如下所述:
B1、将各伺服信号参数中可能存在的周期性变化因素看作一种余弦波信号,使用浅周期模型描述电机伺服信号参数为k∈R+,其中,0<ω1<ω2<…<ωk≤π,正数Ai是对应于第i个角频率ωi的振幅,{ξk}表征一个均值为0的有色噪声序列,作为与第k个序列的周期项对应的随机扰动;
B2、针对各路伺服信号参数分别设置滑动窗口为n的序列S={s1 … sn},将序列根据平均值及方差正态化,以保证时间序列S内ERP距离的幅值及变化趋势是不变的;
B3、分别针对各路伺服信号参数建立ERP矩阵D,设置当前序列的滑动窗口为n,周期值为
ERP矩阵的子项表述为
其中,g为常数,
ERP矩阵表述为
B4、自ERP矩阵的次对角线开始搜索满足周期阈值的周期模式,针对时间序列S的ERP矩阵D,第1条次对角线即disterp(s1,s2)至disterp(sn-2,sn-1),依次类推,第i条次对角线是从disterp(s1,si)至disterp(sn-i-1,sn-1)对应S与Si的距离,计算自disterp(s1,sp)开始的最小弯曲路径Mp,对应弯曲路径Mp的路径累加值为序列S与Sp的ERP距离,通过动态规划方法计算累积距离ERP(S,S(p)),其中ERP(S,S(p))=g(n-p-1,n-1),当ERP(S,S(p))最小时,认为当前p值是该序列的最优候选周期值;
B5、分别针对各路伺服信号参数分析ERP周期,若各路伺服信号参数最终获得相近的ERP最优候选周期值,则认为当前飞行器存在周期性序列值。
进一步的是,所述队列竞争算法的具体步骤如下所述:
C01、根据步骤A辨识得到的旋翼飞行器的飞行状态以及步骤B得到正常飞行过程中机械误差因素影响,滤除当前电机伺服信号参数中的常量偏置及周期性偏置;
C02、去除电机伺服信号参数中存在时间最久的一组数据,并重新标准化余下各数据的适应度;
C03、判断当前电机伺服信号参数是否与链表中旧参数相同或匹配度极高,若是,则归类为同一家族,最终得到当前飞行状态下m个家族数据x[i][j],其中,i=1,2,…,m,j=1,2,3,4,依次表示各个电机伺服信号参数数据;
C04、计算当前电机伺服信号参数数据出现的概率,以及所属分段出现的概率;
C05、综合考虑步骤C04各排序参数,并针对当前m个家族依靠出现概率进行排序;
C06、根据当前排序序列,使用白噪声或高斯噪声加入噪点分别对m个家族进行变异,然后进行队列竞争计算,得到当前队列最优值。
本发明的有益效果在于:本发明所述的旋翼飞行器机械安装故障在线诊断方法是通过监视、记录、分析旋翼飞行器实际飞行过程中的遥控及伺服信号参数,通过数据分析方法检验是否存在机械安装误差,并将可改进信息提供给操控者,鉴于旋翼飞行器飞行环境的复杂性,首先对遥控信号数据进行模糊分类,获得当前飞行器飞行状态;之后通过ERP周期性检测以及队列竞争算法,判断旋翼飞行器当前飞行参数是否符合机身原有的动力学结构设计参数,获得相应的故障诊断,为旋翼飞行器操作人员提供机身调整建议,辅助操控者最终实现精准的飞行控制,可以大大提高飞行控制精度。
具体实施方式
现有旋翼飞行器的机械安装故障校准均采用离线的机械调试方式进行,通过测量轴距等机械方法检验旋翼飞行器安装误差并矫正,此类机械安装误差诊断方法精度较低,与此同时,由于旋翼飞行器在飞行过程中自身抖动以及周围环境变化,容易引起旋翼飞行器的机械结构改变,直接影响旋翼飞行器飞行控制精度,甚至引起坠机故障。为了解决上述问题,本发明采用一种机械安装故障在线诊断方法,具体实现的方法如下所述:当旋翼飞行器起飞后的时间超过1分钟并完成悬停、俯仰、横滚、升降动作后,根据下述分析步骤对飞行记录数据库飞行参数进行飞行状态分析,包括以下步骤:
A、通过模糊分类方法,对遥控器各路信号参数进行分类以获得当前飞行状态信息;
B、根据ERP周期性检验方法检验同一飞行状态下的伺服信号参数变化,若遥控信号恒定时检测到各路伺服信号的时间序列中均存在周期性信号,则表明传感器平稳姿态与旋翼飞行器机架的平稳结构间存在差异,旋翼飞行器某轴或多轴存在电机轴向安装误差;
C、对于飞行状态相同且油门信号恒定时的伺服信号参数,通过队列竞争算法排序相同伺服信号参数出现的概率,获取当前状态下出现频率最高的伺服信号参数作为当前飞行状态下的特征伺服信号参数;
C1:将悬停状态下的特征伺服信号参数与标准伺服信号参数进行对比,若两者信号间的差异大于标准伺服信号参数的5%,则表明旋翼飞行器存在轴距安装误差或负重不平衡;
C2:当油门通道的一阶差分信号保持在同向恒力状态,旋翼飞行器分别由两次不同的单向飞行状态切换至悬停状态,获取这两次单向飞行状态以及悬停飞行状态的特征伺服信号参数,比较飞行状态切换前后的特征伺服信号参数变化率,若某轴特征伺服信号参数在两飞行状态间的变化率比对轴的变化率高15%,则表明该轴存在旋翼损伤故障、旋翼轴向安装误差故障,所述单向飞行状态是指在俯仰、横滚、偏航通道中,其中一者通道保持为低档恒力或高档恒力状态,其余两者保持为恒档且同向恒力状态,所述悬停状态是指俯仰、横滚、偏航通道均保持恒档且同向恒力状态。譬如,俯仰轴单向运动时的特征参数为1300,1500,1700,1500,悬停时为1500,1500,1500,1500,变化率为-200,0,200,0;横滚轴单向运动时的特征参数为1500,1400,1500,1800,悬停时为1500,1500,1500,1500,变化率为0,-100,0,300,其中第一个数据对应的轴与第三个数据对应的轴为对轴,第二个数据对应的轴与第四个数据对应的轴为对轴,横滚轴的参数变化表明第四个数据对应的旋翼可能存在故障,应输出故障信息。
本发明所述的旋翼飞行器机械安装故障在线诊断方法是通过监视、记录、分析旋翼飞行器实际飞行过程中的遥控及伺服信号参数,通过数据分析方法检验是否存在机械安装误差,并将可改进信息提供给操控者,鉴于旋翼飞行器飞行环境的复杂性,首先对遥控信号数据进行模糊分类,获得当前飞行器飞行状态;之后通过ERP周期性检测以及队列竞争算法,判断旋翼飞行器当前飞行参数是否符合机身原有的动力学结构设计参数,获得相应的故障诊断,为旋翼飞行器操作人员提供机身调整建议,辅助操控者最终实现精准的飞行控制,可以大大提高飞行控制精度。
在上述实施方式中,所述模糊分类方法的具体步骤如下所述:首先,对单路遥控信号参数进行辨识,其具体辨别规则如下:根据遥控信号参数φi判断当前飞行模式为信号过低、低档、恒档、高档、信号过高,然后根据遥控信号参数φi的一阶差分信号参数Δφi判断旋翼飞行器属于同向加速、同向减速或同向恒力运动,实现单路遥控信号参数的辨识,接着综合考虑各路遥控信号参数间的共同作用,将各路遥控信息标示在飞行数据库相应位置。
所述ERP周期性检验方法的具体步骤如下所述:
B1、将各伺服信号参数中可能存在的周期性变化因素看作一种余弦波信号,使用浅周期模型描述电机伺服信号参数为k∈R+,其中,0<ω1<ω2<…<ωk≤π,正数Ai是对应于第i个角频率ωi的振幅,{ξk}表征一个均值为0的有色噪声序列,作为与第k个序列的周期项对应的随机扰动;
B2、针对各路伺服信号参数分别设置滑动窗口为n的序列S={s1 … sn},将序列根据平均值及方差正态化,以保证时间序列S内ERP距离的幅值及变化趋势是不变的;
B3、分别针对各路伺服信号参数建立ERP矩阵D,设置当前序列的滑动窗口为n,周期值为
ERP矩阵的子项表述为
其中,g为常数,
ERP矩阵表述为
B4、自ERP矩阵的次对角线开始搜索满足周期阈值的周期模式,针对时间序列S的ERP矩阵D,第1条次对角线即disterp(s1,s2)至disterp(sn-2,sn-1),依次类推,第i条次对角线是从disterp(s1,si)至disterp(sn-i-1,sn-1)对应S与Si的距离,计算自disterp(s1,sp)开始的最小弯曲路径Mp,对应弯曲路径Mp的路径累加值为序列S与Sp的ERP距离,通过动态规划方法计算累积距离ERP(S,S(p)),其中ERP(S,S(p))=g(n-p-1,n-1),当ERP(S,S(p))最小时,认为当前p值是该序列的最优候选周期值;
B5、分别针对各路伺服信号参数分析ERP周期,若各路伺服信号参数最终获得相近的ERP最优候选周期值,则认为当前飞行器存在周期性序列值。
进一步的是,所述队列竞争算法的具体步骤如下所述:
C01、根据步骤A辨识得到的旋翼飞行器的飞行状态以及步骤B得到正常飞行过程中机械误差因素影响,滤除当前电机伺服信号参数中的常量偏置及周期性偏置;
C02、去除电机伺服信号参数中存在时间最久的一组数据,并重新标准化余下各数据的适应度;
C03、判断当前电机伺服信号参数是否与链表中旧参数相同或匹配度极高,若是,则归类为同一家族,最终得到当前飞行状态下m个家族数据x[i][j],其中,i=1,2,…,m,j=1,2,3,4,依次表示各个电机伺服信号参数数据;
C04、计算当前电机伺服信号参数数据出现的概率,以及所属分段出现的概率;
C05、综合考虑步骤C04各排序参数,并针对当前m个家族依靠出现概率进行排序;
C06、根据当前排序序列,使用白噪声或高斯噪声加入噪点分别对m个家族进行变异,然后进行队列竞争计算,得到当前队列最优值。
具体的队列竞争算法可参考孔令启,岳金彩,李玉刚等人发表的列队竞争算法求解多产品间歇生产过程排序问题[J].计算机与应用化学,2007,24(7):915-918。
Claims (4)
1.一种旋翼飞行器机械安装故障在线诊断方法,当旋翼飞行器起飞后的时间超过1分钟并完成悬停、俯仰、横滚、升降动作后,根据下述分析步骤对飞行记录数据库飞行参数进行飞行状态分析,其特征在于包括以下步骤:
A、通过模糊分类方法,对遥控器各路信号参数进行分类以获得当前飞行状态信息;
B、根据ERP周期性检验方法检验同一飞行状态下的伺服信号参数变化,若遥控信号恒定时检测到各路伺服信号的时间序列中均存在周期性信号,则表明传感器平稳姿态与旋翼飞行器机架的平稳结构间存在差异,旋翼飞行器某轴或多轴存在电机轴向安装误差;
C、对于飞行状态相同且油门信号恒定时的伺服信号参数,通过队列竞争算法排序相同伺服信号参数出现的概率,获取当前状态下出现频率最高的伺服信号参数作为当前飞行状态下的特征伺服信号参数;
C1:将悬停状态下的特征伺服信号参数与标准伺服信号参数进行对比,若两者信号间的差异大于标准伺服信号参数的5%,则表明旋翼飞行器存在轴距安装误差或负重不平衡;
C2:当油门通道的一阶差分信号保持在同向恒力状态,旋翼飞行器分别由两次不同的单向飞行状态切换至悬停状态,获取这两次单向飞行状态以及悬停飞行状态的特征伺服信号参数,比较飞行状态切换前后的特征伺服信号参数变化率,若某轴特征伺服信号参数在两飞行状态间的变化率比对轴的变化率高15%,则表明该轴存在旋翼损伤故障、旋翼轴向安装误差故障。
2.如权利要求1所述的旋翼飞行器机械安装故障在线诊断方法,其特征在于:所述模糊分类方法的具体步骤如下所述:首先,对单路遥控信号参数进行辨识,其具体辨别规则如下:根据遥控信号参数φi判断当前飞行模式为信号过低、低档、恒档、高档、信号过高,然后根据遥控信号参数φi的一阶差分信号参数Δφi判断旋翼飞行器属于同向加速、同向减速或同向恒力运动,实现单路遥控信号参数的辨识,接着综合考虑各路遥控信号参数间的共同作用,将各路遥控信息标示在飞行数据库相应位置。
3.如权利要求2所述的旋翼飞行器机械安装故障在线诊断方法,其特征在于:所述ERP周期性检验方法的具体步骤如下所述:
B1、将各伺服信号参数中可能存在的周期性变化因素看作一种余弦波信号,使用浅周期模型描述电机伺服信号参数为k∈R+,其中,0<ω1<ω2<…<ωk≤π,正数Ai是对应于第i个角频率ωi的振幅,{ξk}表征一个均值为0的有色噪声序列,作为与第k个序列的周期项对应的随机扰动;
B2、针对各路伺服信号参数分别设置滑动窗口为n的序列S={s1 … sn},将序列根据平均值及方差正态化,以保证时间序列S内ERP距离的幅值及变化趋势是不变的;
B3、分别针对各路伺服信号参数建立ERP矩阵D,设置当前序列的滑动窗口为n,周期值为
ERP矩阵的子项表述为
其中,g为常数,
ERP矩阵表述为
B4、自ERP矩阵的次对角线开始搜索满足周期阈值的周期模式,针对时间序列S的ERP矩阵D,第1条次对角线即disterp(s1,s2)至disterp(sn-2,sn-1),依次类推,第i条次对角线是从disterp(s1,si)至disterp(sn-i-1,sn-1)对应S与Si的距离,计算自disterp(s1,sp)开始的最小弯曲路径Mp,对应弯曲路径Mp的路径累加值为序列S与Sp的ERP距离,通过动态规划方法计算累积距离ERP(S,S(p)),其中ERP(S,S(p))=g(n-p-1,n-1),当ERP(S,S(p))最小时,认为当前p值是该序列的最优候选周期值;
B5、分别针对各路伺服信号参数分析ERP周期,若各路伺服信号参数最终获得相近的ERP最优候选周期值,则认为当前飞行器存在周期性序列值。
4.如权利要求3所述的旋翼飞行器机械安装故障在线诊断方法,其特征在于:所述队列竞争算法的具体步骤如下所述:
C01、根据步骤A辨识得到的旋翼飞行器的飞行状态以及步骤B得到正常飞行过程中机械误差因素影响,滤除当前电机伺服信号参数中的常量偏置及周期性偏置;
C02、去除电机伺服信号参数中存在时间最久的一组数据,并重新标准化余下各数据的适应度;
C03、判断当前电机伺服信号参数是否与链表中旧参数相同或匹配度极高,若是,则归类为同一家族,最终得到当前飞行状态下m个家族数据x[i][j],其中,i=1,2,…,m,j=1,2,3,4,依次表示各个电机伺服信号参数数据;
C04、计算当前电机伺服信号参数数据出现的概率,以及所属分段出现的概率;
C05、综合考虑步骤C04各排序参数,并针对当前m个家族依靠出现概率进行排序;
C06、根据当前排序序列,使用白噪声或高斯噪声加入噪点分别对m个家族进行变异,然后进行队列竞争计算,得到当前队列最优值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410213248.6A CN103995529B (zh) | 2014-05-20 | 2014-05-20 | 一种旋翼飞行器机械安装故障在线诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410213248.6A CN103995529B (zh) | 2014-05-20 | 2014-05-20 | 一种旋翼飞行器机械安装故障在线诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103995529A true CN103995529A (zh) | 2014-08-20 |
CN103995529B CN103995529B (zh) | 2016-08-17 |
Family
ID=51309721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410213248.6A Expired - Fee Related CN103995529B (zh) | 2014-05-20 | 2014-05-20 | 一种旋翼飞行器机械安装故障在线诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103995529B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105511484A (zh) * | 2015-11-27 | 2016-04-20 | 深圳一电航空技术有限公司 | 控制无人机稳定飞行的方法及装置 |
CN108052787A (zh) * | 2018-02-01 | 2018-05-18 | 南京航空航天大学 | 基于飞行动态的高超声速飞行器机翼颤振损伤估计方法 |
CN111176263A (zh) * | 2020-01-23 | 2020-05-19 | 北京航天自动控制研究所 | 一种基于bp神经网络的飞行器推力故障在线辨识方法 |
CN111684705A (zh) * | 2017-12-20 | 2020-09-18 | Wing航空有限责任公司 | 无人机的多旋翼音调噪声控制 |
CN112925341A (zh) * | 2021-01-19 | 2021-06-08 | 北京京东乾石科技有限公司 | 一种飞行器的飞行控制方法、相关飞行器及飞行器系统 |
WO2021217362A1 (zh) * | 2020-04-27 | 2021-11-04 | 深圳市大疆创新科技有限公司 | 一种无人飞行器桨叶安装检测方法及装置 |
CN114355850A (zh) * | 2021-12-28 | 2022-04-15 | 汉谷云智(武汉)科技有限公司 | 一种基于列队竞争算法的常减压装置故障诊断方法 |
CN117572779A (zh) * | 2024-01-15 | 2024-02-20 | 北京航空航天大学杭州创新研究院 | 一种桨叶损伤下的电动航空发动机控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS61156408A (ja) * | 1984-12-28 | 1986-07-16 | Yamatake Honeywell Co Ltd | 運転状況監視方法 |
JPS61217837A (ja) * | 1985-03-22 | 1986-09-27 | Mitsubishi Electric Corp | 異常診断装置 |
US20020184178A1 (en) * | 2001-06-04 | 2002-12-05 | Honeywell International, Inc. | Adaptive knowledge management system for vehicle trend monitoring, health management and preventive maintenance |
CN101183437A (zh) * | 2006-11-15 | 2008-05-21 | 尤洛考普特公司 | 检测和定位飞行器旋翼的调整误差或缺陷的方法和系统 |
CN101339434A (zh) * | 2008-08-22 | 2009-01-07 | 唐山学院 | 机械设备故障在线诊断装置及方法 |
CN102915032A (zh) * | 2012-11-08 | 2013-02-06 | 昆山北极光电子科技有限公司 | 一种电控系统的状态检测和故障诊断方法 |
CN103625650A (zh) * | 2012-08-21 | 2014-03-12 | 贝尔直升机德事隆公司 | 飞行器环境传感器和系统 |
-
2014
- 2014-05-20 CN CN201410213248.6A patent/CN103995529B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS61156408A (ja) * | 1984-12-28 | 1986-07-16 | Yamatake Honeywell Co Ltd | 運転状況監視方法 |
JPS61217837A (ja) * | 1985-03-22 | 1986-09-27 | Mitsubishi Electric Corp | 異常診断装置 |
US20020184178A1 (en) * | 2001-06-04 | 2002-12-05 | Honeywell International, Inc. | Adaptive knowledge management system for vehicle trend monitoring, health management and preventive maintenance |
CN101183437A (zh) * | 2006-11-15 | 2008-05-21 | 尤洛考普特公司 | 检测和定位飞行器旋翼的调整误差或缺陷的方法和系统 |
CN101339434A (zh) * | 2008-08-22 | 2009-01-07 | 唐山学院 | 机械设备故障在线诊断装置及方法 |
CN103625650A (zh) * | 2012-08-21 | 2014-03-12 | 贝尔直升机德事隆公司 | 飞行器环境传感器和系统 |
CN102915032A (zh) * | 2012-11-08 | 2013-02-06 | 昆山北极光电子科技有限公司 | 一种电控系统的状态检测和故障诊断方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105511484A (zh) * | 2015-11-27 | 2016-04-20 | 深圳一电航空技术有限公司 | 控制无人机稳定飞行的方法及装置 |
CN111684705A (zh) * | 2017-12-20 | 2020-09-18 | Wing航空有限责任公司 | 无人机的多旋翼音调噪声控制 |
CN108052787A (zh) * | 2018-02-01 | 2018-05-18 | 南京航空航天大学 | 基于飞行动态的高超声速飞行器机翼颤振损伤估计方法 |
CN111176263A (zh) * | 2020-01-23 | 2020-05-19 | 北京航天自动控制研究所 | 一种基于bp神经网络的飞行器推力故障在线辨识方法 |
CN111176263B (zh) * | 2020-01-23 | 2023-04-14 | 北京航天自动控制研究所 | 一种基于bp神经网络的飞行器推力故障在线辨识方法 |
WO2021217362A1 (zh) * | 2020-04-27 | 2021-11-04 | 深圳市大疆创新科技有限公司 | 一种无人飞行器桨叶安装检测方法及装置 |
CN113853556A (zh) * | 2020-04-27 | 2021-12-28 | 深圳市大疆创新科技有限公司 | 一种无人飞行器桨叶安装检测方法及装置 |
CN112925341A (zh) * | 2021-01-19 | 2021-06-08 | 北京京东乾石科技有限公司 | 一种飞行器的飞行控制方法、相关飞行器及飞行器系统 |
CN114355850A (zh) * | 2021-12-28 | 2022-04-15 | 汉谷云智(武汉)科技有限公司 | 一种基于列队竞争算法的常减压装置故障诊断方法 |
CN114355850B (zh) * | 2021-12-28 | 2023-06-20 | 汉谷云智(武汉)科技有限公司 | 一种基于列队竞争算法的常减压装置故障诊断方法 |
CN117572779A (zh) * | 2024-01-15 | 2024-02-20 | 北京航空航天大学杭州创新研究院 | 一种桨叶损伤下的电动航空发动机控制方法 |
CN117572779B (zh) * | 2024-01-15 | 2024-03-26 | 北京航空航天大学杭州创新研究院 | 一种桨叶损伤下的电动航空发动机控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103995529B (zh) | 2016-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103995529A (zh) | 一种旋翼飞行器机械安装故障在线诊断方法 | |
CN108196532B (zh) | 一种基于非线性自适应观测器的无人机纵向飞行控制系统故障检测与分离方法 | |
CN104773304B (zh) | 空气动力学结构的负荷估计系统 | |
US9650152B2 (en) | Flight envelope protection system for unmanned aerial vehicles | |
CN106200629B (zh) | 一种无人机飞行控制系统的故障可检测度分析方法 | |
US11823562B2 (en) | Unsupervised anomaly detection for autonomous vehicles | |
CN103365296A (zh) | 一种四旋翼无人飞行器非线性输出反馈飞行控制方法 | |
CN102037421A (zh) | 航空器的结构元件承受的负荷判据的测算以及使用这种判据检测所谓“硬”着陆的辅助系统 | |
CN110036298A (zh) | 借助多旋翼飞行器的风测量 | |
CN104950901A (zh) | 无人直升机姿态误差有限时间收敛非线性鲁棒控制方法 | |
CN105509946A (zh) | 一种辨识飞机升降舵效率的方法 | |
CN103869811B (zh) | 一种四旋翼飞行器的遥控和伺服信号的监控方法 | |
Wang et al. | Hybrid modeling based double-granularity fault detection and diagnosis for quadrotor helicopter | |
CN110879602B (zh) | 基于深度学习的无人机控制律参数调节方法及系统 | |
Wang et al. | Data-driven anomaly detection of UAV based on multimodal regression model | |
CN115167508A (zh) | 一种多旋翼无人机传感器故障安全飞行控制系统及方法 | |
Thanaraj et al. | Actuator fault detection and isolation on multi-rotor UAV using extreme learning neuro-fuzzy systems | |
CN110414110B (zh) | 一种用于飞行失速状态下的飞机受力仿真方法 | |
Vitale et al. | An innovative angle of attack virtual sensor for physical-analytical redundant measurement system applicable to commercial aircraft | |
CN113359809B (zh) | 一种基于rbfnn辅助的桥梁检测无人机自主定位方法 | |
Tong et al. | Machine Learning for UAV Propeller Fault Detection based on a Hybrid Data Generation Model | |
Chao et al. | Flight test investigation of stall/spin detection techniques for a flying wing UAS | |
McCrink et al. | Aerodynamic Parameter Estimation for Derived Angle-of-Attack Systems | |
Choromanski et al. | Learning-based air data system for safe and efficient control of fixed-wing aerial vehicles | |
AU2021102531A4 (en) | Three-dimensional wind, airspeed calculation, and prediction method for aerial drones using deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160817 Termination date: 20190520 |
|
CF01 | Termination of patent right due to non-payment of annual fee |