CN105373112A - 一种基于多模型参数估计的舵机故障检测与诊断方法 - Google Patents

Abstract

本发明公开了一种基于多模型参数估计的舵机故障检测与诊断方法，本方法针对四种典型舵机故障类型，建立相应的单参数故障模型，并将自适应与观测器结合建立参数估计器，通过多模型切换机制给出最准确的故障信息。本发明可以实现对无人机舵机工作状态的在线检测，提供准确及时的故障类型、故障程度等信息，其准确性、实时性、可靠性均满足多操纵面无人机对舵机故障检测与诊断的设计要求，并已经在多操纵面无人机中得到应用及验证。

Description

一种基于多模型参数估计的舵机故障检测与诊断方法

技术领域

本发明涉及无人机舵机在线检测技术领域，具体涉及一种基于多模型参数估计的舵机故障检测与诊断方法。

背景技术

最早期的故障检测与诊断技术主要是由具备专业知识的维护人员凭借对系统的直观感受结合自身的经验进行人工诊断，这种方法诊断迅速方便，但是对于复杂系统无法适用，很容易产生误诊；随着传感器技术、信号处理技术的发展，逐渐形成了以系统故障信号特征为依据的检测与诊断方法，这类方法实现了系统运行状态的在线实时监测；随着人工智能等技术的发展，故障诊断进入了智能算法阶段，用计算机模拟专家诊断思维，实现了诊断技术的迅猛飞跃。

故障检测与诊断方法发展至今，一般被分为三类，即基于解析模型的方法、基于知识的方法和基于信号处理的方法。基于解析模型的故障诊断方法是目前发展最完备的一种方法，这种方法的基本思路是利用对研究对象数学特性的透彻分析建立其对应的数学解析模型，以被诊断系统相同的输入信号作为激励，利用实际系统和解析模型的状态按照一定准则建立残差，最后利用该残差根据一定的准则判断故障类型、故障程度等信息。

目前应用较广的基于解析模型的方法主要包括特征参数估计方法、相关状态估计方法、等价空间法等。这类方法的优点在于从被诊断对象的系统特征出发，在建模准确的基础上最能够体现对象的运行状态，物理意义明确。但是缺点在于一般很难建立精确的系统解析模型，建模误差、系统噪声等外界干扰对诊断方法的鲁棒性提出了很高的要求。

基于知识的故障诊断方法不需要进行对象建模，而是利用诊断对象的可测信息，引入了相关领域专家的经验进行故障的判断，从而避免了对象建模不确定性的影响，具有相当可观的应用前景。但是目前这类方法的研究仍处于起步阶段，在达到工程应用程度之前仍需要继续投入大量的科研力量。目前研究较深入的该类方法有基于专家系统的方法、基于模糊推理的方法、基于模式识别的方法和基于神经网络的方法等。基于信号处理的诊断方法直接利用故障后对象的工作状态信息，通过对故障机理的透彻分析，选择最能反映故障特征的可测量信号作为故障诊断的依据，利用一定的信号处理手段，实现对象的故障诊断，避免了系统建模带来的鲁棒性问题。这类方法的缺点在于需要对象的状态发生较大变化时才能生效，而此时对象系统可能已经接近崩溃。

发明内容

为解决上述现有技术中的不足，本发明提供了一种基于多模型参数估计的舵机故障检测与诊断方法，本发明的目的是提供一种易于工程实现的故障检测与诊断方法，实现对无人机舵机工作状态的在线监测，提供准确及时的故障类型、故障程度等信息。

为解决上述现有技术中的不足，本发明是通过下述技术方案实现的：

一种基于多模型参数估计的舵机故障检测与诊断算法，

A、分析舵机的四种典型故障：卡死、漂浮、饱和和效率下降的动态特性，建立单参数故障模型；

B、针对建立的故障模型，将自适应与观测器结合建立参数估计器，对舵机故障模型的特征参数进行在线估计，实施检测舵机运行状态，根据特征参数的变化情况，判断是否发生故障以及故障的类型程度信息；

C、设置多模型切换机制，根据当前状态选取最接近真实情况的参数估计值，给出最准确的故障信息。

所述建立故障模型具体是指：

在典型舵机二阶环节基础上减少故障相关参数数量，建立单参数模型：

(1)式

其中，u₁为舵机输出，u_c为舵机输入，u₂为舵机转速，0＜δ＜＜1，对于实际舵机，转动速率及偏转角度都有一定的限制，即有u_1min≤u₁≤u_1max，u_2min≤u₂≤u_2max；其中u_1min,u_1max为舵机偏转角度的最小及最大限制，u_2min,u_2max为舵机偏转速率的最小及最大限制；结合当前可测得的舵机输出，可以判断当前舵机的工作状态及故障类型，即：

(2)式

其中，t_F为发生故障的时间，为效率下降时的效率值。

所述建立观测器具体是指：

(3)式

其中是故障类型判断参数θ的估计值，设计投射自适应律估算由(2)式中的判断规则即可判定故障类型。

设置切换机制选择当前最接近实际操纵面动态的观测器，以获取最准确的故障信息；切换函数形式为：

(4)式

其中，为当前的状态误差，c₁＞0，c₂＞0；对每一个观测器同时计算上述指标，取最小值对应的观测器为最接近实际模型的观测器。

与现有技术相比，本发明多带来的有益的技术效果表现在：

1、与常用的基于解析模型、基于知识和基于信号处理的舵机故障检测与诊断算法相比，本发明避免了建模不确定性的影响和大变化状态的激发问题，同时减少了故障相关参数数量，降低了调参难度，从而解决了故障检测和诊断算法的工程实现问题。

2、解决了故障信息及时性问题，针对典型故障建立相应的故障模型，并将自适应与观测器结合建立特征参数估计计算法，通过在线估计实时监测舵机运行状态。

3、解决了故障信息准确性问题，通过对不同故障类型的特征分析，设计多模型切换机制，根据当前状态选取最接近真实情况的参数估计值。

附图说明

图1是基于参数估计的舵机故障检测与诊断结构示意图；

图2是多模型算法的结构示意图；

图3是实施例1完全失效舵机输出参数示意图；

图4是实施例1完全失效故障类型示意图；

图5是实施例1完全失效舵机输出残差参数示意图；

图6是实施例1完全失效θ参数示意图；

图7是实施例1部分失效舵机输出参数示意图；

图8是实施例1部分失效故障类型示意图；

图9是实施例1部分失效舵机输出残差参数示意图；

图10是实施例1部分失效θ参数示意图；

图11是实施例2完全失效舵机输出参数示意图；

图12是实施例2完全失效故障类型示意图；

图13是实施例2完全失效舵机输出残差参数示意图；

图14是实施例2完全失效θ参数示意图；

图15是实施例1部分失效舵机输出参数示意图；

图16是实施例1部分失效故障类型示意图；

图17是实施例1部分失效舵机输出残差参数示意图；

图18是实施例1部分失效θ参数示意图。

具体实施方式

以下结合附图和实例对本发明的技术内容作进一步描述：

本发明针对不同故障类型单参数模型建立了对应的状态观测器，设计参数估计策略实现故障的检测与诊断，即根据实际舵机对象和各状态观测器的输入输出，利用自适应律进行参数估计，通过多模型切换机制选择当前最接近实际舵机动态的观测器，以获取最准确地故障信息。其具体实施步骤如下：

(1)故障建模

典型二阶舵机模型的输入输出传递函数可表示为式(5)：

(5)式

其中U₁为舵机输出，U_C为舵机输入，λ₁、λ₂为相关参数。此时式(6)的时域表达式可写为：

(6)式

其中，u₁为舵机输出，u_c为舵机输入，u₂为舵机转速，λ₁＞＞1，λ₂＞＞1，λ₁＞＞λ₂。

舵机四种典型故障可重新划分为两类，即完全失效故障和部分失效故障。完全失效故障包括卡死、饱和及漂浮故障；部分失效故障包括效率下降故障。故障建模就是在分析这两类故障特点的基础上，对其输入输出特性进行数学描述。

发生完全失效故障时，舵机输出保持某一定值不变，即转速u₂为0，则其动态特性可表示为：

(7)式

时域表达式可写为：

(8)式

当舵机正常工作时σ＝1，当发生完全失效故障时，σ＝0。

发生部分失效故障时，输出值与理想输出值成比例关系，其动态特性可表示为：

(9)式

时域表达式可写为：

(10)式

其中，k为当前效率值，且k∈(0,1]。

综上所述，可以将完全失效和部分失效故障模型综合为一个新的模型，即：

(11)式

其中，u_1min≤u₁≤u_1max，u_2min≤u₂≤u_2max。根据参数σ和k，并结合当前可测得的舵机输出，可以判断当前舵机的工作状态及故障类型，即：

(12)式

上述故障模型用两个参数来体现故障特征，在设计过程中对多参数的调节，很难找到一个综合点使得各典型故障都可以很准确地表示出来，因此在上述原理的基础上对故障模型进行了改进，减少了故障相关参数数量，降低了调参难度，令σk＝θ，则式(9)可改写为：

(13)式

新模型能满足：θ＝0时，式(13)等效于式(8)；θ＝k时，式(13)等效于式(11)。因此，将式(13)改写为如下形式：

即：

(14)式

其中，u_1min≤u₁≤u_1max，u_2min≤u₂≤u_2max，0＜δ＜＜1。其故障形式为：

(15)式

其中，t_F为发生故障的时间，为效率下降时的效率值。

(2)参数估计器

完全失效故障及部分失效故障在动态特性上存在较大差异，因此单个确定的状态观测器很难对所有类型的故障进行诊断。为了解决这一问题，引入多模型思路，针对不同故障类型建立了对应的状态观测器：

表1不同故障类型对应的观测器

令采用如下自适应律估算参数θ：

(16)式

其中θ_min＝0，θ_max＝1,上述投影算法描述如下：

(17)式

其中是故障类型判断参数θ的估计值，设计投射自适应律估算由(17)式中的判断规则即可判定故障类型。

(3)多模型算法

为了获取最准确的故障信息，本发明设计了一个切换机制选择当前最接近实际操纵面动态的观测器，其原理图如图2所示，根据切换机制，从观测器1、观测器2到观测器n中确定观测器编号，即故障类型。

为了寻找最接近实际操纵面动态的观测器，取其状态偏差为变量来确定切换函数，即切换函数形式为：

(18)式

为了迅速地对模型进行切换，可令

(19)式

此类型的切换函数能够很快地“感受”到状态的变化，保证了观测器切换的迅速性。但是其只关注当前状态，忽略了状态的历史信息，使得切换过于频繁。为此，在上式的基础上对切换函数进行变化，加入状态偏差的历史信息，得到新的切换函数如下：

(20)式

其中，为当前的状态误差，c₁＞0，c₂＞0。c₁,c₂的选取关系到切换函数的有效性，若c₂/c₁过大，湮没瞬态信息，可能会导致切换过于迟钝，无法“感受”到状态误差的变化；若c₂/c₁过小，湮没历史信息，可能会导致切换过于频繁，对于初始估计误差不确定等问题容易造成误诊断问题。

对每一个观测器同时计算上述指标，取最小值对应的观测器为最接近实际模型的观测器。由于参数估计初期会有一定的不确定性，其状态偏差波动较大，因此当切换函数检测到状态变化时，取一段时间之后的稳定值作为最终结果。

实施例1

舵机模型动态特性描述如下：

(21)式

首先通过给定高频输入信号来验证当操纵面输入变化剧烈时诊断与检测算法的有效性和正确性。给定幅值为10，频率为5Hz的正弦输入信号。

(1)10秒之前为正常无故障状态，10秒时注入完全失效故障。

由图可知，10秒时操纵面发生完全失效故障。由图4可知故障算法对操纵面工作状态进行监测，耗时0.1秒，给出故障类型为完全失效，并给出参数估计值为0，结果准确，诊断迅速。

(2)10秒之前为正常无故障状态，10秒时注入部分失效故障，效率下降为k＝0.5。

由图5、6可知，10秒时操纵面发生部分失效故障。由图6可知故障算法对操纵面工作状态进行监测，耗时0.12秒，给出故障类型为部分失效，并给出参数估计值为0.5，结果准确，诊断迅速。

实施例2

仿真算例2通过给定低频输入信号验证当操纵面输入变化缓慢时诊断与检测算法的有效性和正确性。给定幅值为5，频率为0.1Hz的正弦输入信号。

(1)10秒之前为正常无故障状态，10秒时注入完全失效故障。

由图6可知，10秒时操纵面发生完全失效故障，操纵面实际输出值偏离解析输出值。由图6可知在发生故障后，耗时0.11秒，故障算法给出故障类型为完全失效，并给出参数估计值为0，结果准确，诊断迅速。

(2)10秒之前为正常无故障状态，10秒时注入部分失效故障，效率下降为k＝0.5。

由图7可知，操纵面10秒时发生部分失效故障，实际输出偏离解析输出，产生残差。由图7可知在发生故障后0.13秒后，故障算法给出故障类型为部分失效，并给出参数估计值为0.5，结果准确，诊断迅速。

由上述各仿真算例可知，本文设计的故障检测与诊断算法能够在操纵面发生故障时及时检测到异变，参数估计算法能够在很短的时间内收敛到真实值，给出最准确的故障信息。

由上述仿真可看出，故障诊断算法对部分失效故障的诊断结果准确，且无误诊断现象；而对于完全失效故障，当舵机激励信号频率较高时，其诊断结果也很理想，但是对于低频激励，会在诊断初期产生误诊断现象，经过短暂的误诊断之后才能收敛到准确值，这是由于所设计的自适应律需要充分激励才能够给出正确的估计值，且对于低频信号，由于噪声干扰的存在，使得其发生完全失效故障时舵机输出值仍然变化，且量级不可忽略，此时需要一段时间的调整才能使估计值收敛到真实值。

Claims (4)

1.一种基于多模型参数估计的舵机故障检测与诊断算法，其特征在于：其步骤如下：

A、分析舵机的四种典型故障：卡死、漂浮、饱和和效率下降的动态特性，建立单参数故障模型，从而降低了调参难度；

B、针对建立的故障模型，将自适应与观测器结合建立参数估计器，对舵机故障模型的特征参数进行在线估计，实施检测舵机运行状态，根据特征参数的变化情况，判断是否发生故障以及故障的类型程度信息；

C、设置多模型切换机制，根据当前状态选取最接近真实情况的参数估计值，给出最准确的故障信息。

2.如权利要求1所述的一种基于多模型参数估计的舵机故障检测与诊断算法，其特征在于：所述建立单参数故障模型具体是指：

在典型舵机二阶环节基础上减少故障相关参数数量，建立单参数模型：

(1)式

其中，u₁为舵机输出，u_c为舵机输入，u₂为舵机转速，0＜δ＜＜1，对于实际舵机，转动速率及偏转角度都有一定的限制，即有u_1min≤u₁≤u_1max，u_2min≤u₂≤u_2max；其中u_1min,u_1max为舵机偏转角度的最小及最大限制，u_2min,u_2max为舵机偏转速率的最小及最大限制；结合当前可测得的舵机输出，可以判断当前舵机的工作状态及故障类型，即：

(2)式

其中，t_F为发生故障的时间，为效率下降时的效率值。

3.如权利要求1所述的一种基于多模型参数估计的舵机故障检测与诊断算法，其特征在于：所述建立参数估计器具体是指：

(3)式

其中是故障类型判断参数θ的估计值，设计投射自适应律估算由(2)式中的判断规则即可判定故障类型。

4.如权利要求1、2或3所述的一种基于多模型参数估计的舵机故障检测与诊断算法，其特征在于：设置切换机制选择当前最接近实际操纵面动态的观测器，以获取最准确的故障信息；切换函数形式为：

(4)式

其中，为当前的状态误差，c₁＞0，c₂＞0；对每一个观测器同时计算上述指标，取最小值对应的观测器为最接近实际模型的观测器。