CN111680356B - 基于双级观测器的无人机作动器实时安全性能评估方法 - Google Patents
基于双级观测器的无人机作动器实时安全性能评估方法 Download PDFInfo
- Publication number
- CN111680356B CN111680356B CN202010374215.5A CN202010374215A CN111680356B CN 111680356 B CN111680356 B CN 111680356B CN 202010374215 A CN202010374215 A CN 202010374215A CN 111680356 B CN111680356 B CN 111680356B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- current moment
- observer
- adaptive threshold
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
- B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
- B64F5/60—Testing or inspecting aircraft components or systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种基于双级观测器的无人机作动器实时安全性能评估方法,涉及无人机领域,所述方法包括:获取无人机作动器的测试控制指令、前一时刻和当前时刻的测试位置数据;已训练的故障检测观测器根据所述测试控制指令与前一时刻的测试位置数据,得到当前时刻的预估测试位置数据;根据所述当前时刻的预估测试位置数据和当前时刻的测试位置数据,得到当前时刻的测试残差;已训练的自适应阈值观测器根据所述测试控制指令与所述当前时刻的测试残差,得到当前时刻的自适应阈值;根据所述当前时刻的测试残差和所述当前时刻的自适应阈值,确定所述无人机制动器在当前时刻的安全性能指标。
Description
技术领域
本发明涉及无人机领域,特别涉及一种基于双级观测器的无人机作动器实时安全性能评估方法。
背景技术
无人机以其特有的优点广泛应用于军事和民用测绘、防灾等领域。因无人机功能的日益丰富,无人机的系统复杂度随之提升。安全评估成为了无人机适航认证过程中的一个基本要素,分析结果决定固有的安全水平。无人机安全评估基于一套安全规定和一个系统模型,包括飞机的名义行为和故障模式行为。无人机各个系统中的设备作为安全评估系统模型的底层对象共同支撑无人机整机的安全评估。不同设备根据其对飞行安全的影响在安全评估过程中具有不同的重要性。作动器作为无人机飞控系统中的重要部分,在飞行过程中控制无人机方向与姿态,其作动性能直接影响无人机避障能力,因此在安全评估中具有很高权重。
近年来,很多无人机作动器诊断评估方法致力于判断作动器是否处于故障状态。可是目前针对作动器的传统诊断评估多为瞬时结果状态,不具有对风险的持续观测和预警控制能力。而且,目前的评估技术大多是事后评估、定时评估、定性评估、或基于失效概率的评估,缺乏实时无人机作动器安全评估相关技术。这些定性表达的结果很难转化为对飞行安全的影响。
发明内容
本发明实施例提供的一种基于双级观测器的无人机作动器实时安全性能评估方法,解决了传统的作动器诊断评估多为瞬时结果状态,不具有对风险的持续观测和预警控制能力的问题,同时解决了目前已有的事后评估、定时评估、定性评估、或基于失效概率评估等无人机评估技术缺乏实时性的问题,填补了无人机作动器实时安全评估相关技术的空白。
本发明实施例提供的基于双级观测器的无人机作动器实时安全性能评估方法包括:
获取无人机作动器的测试控制指令、前一时刻和当前时刻的测试位置数据;
已训练的故障检测观测器根据所述测试控制指令与前一时刻的测试位置数据,得到当前时刻的预估测试位置数据;
根据所述当前时刻的预估测试位置数据和当前时刻的测试位置数据,得到当前时刻的测试残差;
已训练的自适应阈值观测器根据所述测试控制指令与所述当前时刻的测试残差,得到当前时刻的自适应阈值;
根据所述当前时刻的测试残差和所述当前时刻的自适应阈值,确定所述无人机制动器在当前时刻的安全性能指标。
优选地,通过以下步骤得到已训练的故障检测观测器:
获取正常运行状态下的作动器的训练控制指令和训练位置数据;
根据所述训练控制指令、前一时刻和当前时刻的训练位置数据,对故障检测观测器进行训练,得到已训练的故障检测观测器。
优选地,所述方法还包括:
所述方法还包括:
从已训练的故障检测观测器中得到正常运行状态下的所述作动器的预估训练位置数据;
根据所述预估训练位置数据和所述训练位置数据,得到标准残差。
优选地,通过以下步骤得到已训练的自适应阈值观测器:
根据所述标准残差,确定标准自适应阈值;
根据所述训练控制指令、所述预估训练位置数据和所述标准自适应阈值,对自适应阈值观测器进行训练,得到已训练的自适应阈值观测器。
优选地,所述根据所述标准残差,确定标准自适应阈值包括:
将所述标准残差与预设的修正系数相加,得到标准自适应阈值。
优选地,所述根据所述当前时刻的测试残差和所述当前时刻的自适应阈值,确定所述无人机制动器在当前时刻的安全性能指标包括:
比较所述当前时刻的测试残差和所述当前时刻的自适应阈值;
若所述当前时刻的测试残差小于或等于所述当前时刻的自适应阈值,则确定所述无人机制动器在当前时刻的安全性能指标为1;
若所述当前时刻的测试残差大于所述当前时刻的自适应阈值,则根据所述当前时刻的测试残差和所述当前时刻的自适应阈值的差值,确定所述无人机制动器在当前时刻的安全性能指标。
优选地,所述根据所述当前时刻的测试残差和所述当前时刻的自适应阈值的差值,确定所述无人机制动器在当前时刻的安全性能指标通过以下公式实现:
SPn=1-acrtan[k(εn-thn)2π]
其中,SPn为当前时刻n的安全性能指标;εn为当前时刻n的测试残差;thn为当前时刻n的自适应阈值,k为归一化系数。
优选地,所述方法还包括:
对于所述无人机的任意一次飞行,获取所述制动器在该次飞行期间各个时刻的安全性能指标;
确定所述制动器在各个时刻的安全性能指标的均值,并将所述均值作为该次飞行中所述制动器的安全性能指标。
本发明实施例提供的技术方案具有如下有益效果:
本发明实施例能够快速、实时地确定飞行中无人机作动器安全性,评估结果能够支撑无人机整机飞行安全评估,具有对风险的持续观测和预警控制能力,便于对飞行指挥做出合理指导,适用于无人机安全性能评估中针对作动器类设备的评估或无人机避障性能评估。
附图说明
图1是本发明实施例提供的基于双级观测器的无人机作动器实时安全性能评估方法的流程示意图;
图2是本发明实施例提供的基于双级观测器的无人机作动器实时安全性能评估方法的具体流程图;
图3是本发明实施例提供的基于双级观测器的无人机作动器实时安全性能评估系统的结构示意图;
图4是本发明实施例提供的正常左和右方向舵机(作动器)性能评估结果示意图;
图5是本发明实施例提供的正常左和右方向舵机(作动器)安全性能指标示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,应当理解,以下所说明的实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例以作动器为对象,针对无人机飞行过程中姿态变化频繁、工况复杂等特点,通过实时、定量评价其作动性能实现无人机作动器安全评估。
图1是本发明实施例提供的基于双级观测器的无人机作动器实时安全性能评估方法的流程示意图,如图1所示,所述方法可以包括:
步骤S101:获取无人机作动器的测试控制指令、前一时刻和当前时刻的测试位置数据;
所述测试控制指令可以为位移指令,以方向作动器为例,测试控制指令可以是左方向舵位移XX单位、右方向舵位移XX单位,因此,一般在步骤S101后,不仅要对已获取的测试位置数据进行归一化处理,也要对已获取的测试控制指令给出的控制数据进行归一化处理,以便基于归一化处理后的数据执行后续步骤S102至步骤S105。
步骤S102:已训练的故障检测观测器根据所述测试控制指令与前一时刻的测试位置数据,得到当前时刻的预估测试位置数据;
具体地说,已训练的故障检测观测器在所述测试控制指令的控制下,对前一时刻的测试位置数据进行处理,得到当前时刻的预估测试位置数据。
步骤S103:根据所述当前时刻的预估测试位置数据和当前时刻的测试位置数据,得到当前时刻的测试残差;
步骤S104:已训练的自适应阈值观测器根据所述测试控制指令与所述当前时刻的测试残差,得到当前时刻的自适应阈值;
具体地说,已训练的自适应阈值观测器在所述测试控制指令的控制下,对所述当前时刻的测试残差进行处理,得到当前时刻的自适应阈值。
步骤S105:根据所述当前时刻的测试残差和所述当前时刻的自适应阈值,确定所述无人机制动器在当前时刻的安全性能指标。
在所述步骤S101之后,所述方法可以包括:对所述测试位置数据进行归一化处理,得到归一化后的测试位置数据,作为已训练的故障检测观测器和已训练的自适应阈值观测器的输入。
所述步骤S105可以包括:比较所述当前时刻的测试残差和所述当前时刻的自适应阈值;若所述当前时刻的测试残差小于或等于所述当前时刻的自适应阈值,则确定所述无人机制动器在当前时刻的安全性能指标为1;若所述当前时刻的测试残差大于所述当前时刻的自适应阈值,则根据所述当前时刻的测试残差和所述当前时刻的自适应阈值的差值,确定所述无人机制动器在当前时刻的安全性能指标。
所述根据所述当前时刻的测试残差和所述当前时刻的自适应阈值的差值,确定所述无人机制动器在当前时刻的安全性能指标通过以下公式实现:
SPn=1-acrtan[k(εn-thn)2π]
其中,SPn为当前时刻n的安全性能指标;εn为当前时刻n的测试残差;thn为当前时刻n的自适应阈值,k为归一化系数。
在上述实施例的基础上,所述方法还可以包括:对于所述无人机的任意一次飞行,获取所述制动器在该次飞行期间实时确定的各个时刻的安全性能指标,然后确定所述制动器在各个时刻的安全性能指标的均值,并将所述均值作为该次飞行中所述制动器的安全性能指标。
其中,上述故障检测观测器和自适应阈值观测器可以采用径向基函数(RadialBasis Function,RBF)神经网络。
所述已训练的故障检测观测器可以通过以下步骤得到:获取正常运行状态下的作动器的训练控制指令和训练位置数据,根据所述训练控制指令、前一时刻和当前时刻的训练位置数据,对故障检测观测器进行训练,得到已训练的故障检测观测器。所述训练控制指令可以为位移指令,以方向作动器为例,测试控制指令可以是左方向舵位移XX单位、右方向舵位移XX单位,因此,一般在获取训练控制指令和训练位置数据后,不仅要对已获取的训练位置数据进行归一化处理,也要对已获取的训练控制指令给出的控制数据进行归一化处理,以便基于归一化处理后的数据训练观测器。在具体实施时,在获取正常运行状态下的作动器的训练控制指令和训练位置数据之后,归一化处理所述训练控制指令给出的控制数据和训练位置数据;根据归一化处理后的数据,对故障检测观测器进行训练,得到已训练的故障检测观测器。也就是说,将前一时刻的训练位置数据输入故障检测观测器,并在训练控制指令(归一化后的训练控制指令)的控制下,通过不断迭代故障检测观测器的相关参数值,使故障检测观测器输出的当前时刻的预估训练数据不断趋近于当前时刻的训练位置数据。其中,上述训练位置数据是作动器在正常飞行状态下的历史监测数据。
在得到已训练的故障检测观测器之后,可以从已训练的故障检测观测器中得到正常运行状态下的所述作动器的预估训练位置数据,进而根据所述预估训练位置数据和所述训练位置数据,得到标准残差。
所述已训练的自适应阈值观测器可以通过以下步骤得到:根据所述训练残差,确定标准自适应阈值,例如将所述训练残差与预设的修正系数相加,得到标准自适应阈值,然后根据所述训练控制指令(归一化后的训练控制指令)、所述预估训练位置数据和所述标准自适应阈值,对自适应阈值观测器进行训练,得到已训练的自适应阈值观测器。也就是说,将所述作动器正常工作时的预估训练数据输入自适应阈值观测器,并在训练控制指令(归一化后的训练控制指令)的控制下,通过不断迭代自适应阈值观测器的相关参数值,使自适应阈值观测器输出的训练阈值不断趋近于所述标准自适应阈值。
目前的公开研究中主要针对无人机作动器诊断评估,致力于判断作动器是否处于故障状态。其中部分方法使用了观测器方法作为核心技术。例如文献“Robust leakagedetection for electro hydraulic actuators using an adaptive nonlinearobserver”设计了一种对模型不确定性和外部干扰具有鲁棒性的非线性观测器,应用于未知摩擦力液压执行机构的故障检测。该方法基于模型方法构建了检测观测器,由于作动器内部结构与使用环境复杂、运行工况多变,构建模型观测器会耗大量的时间精力用于建立数学模型。神经网络提供了一种通用模式用于描述和识别任意非线性系统,而且神经网络没有对应的算法公式,可以减少构建复杂模型带来的问题。RBF神经网络的拟合能力强,具有高效的学习能力,能够快速并精准地根据非线性对象的变化对其进行描述,因此本发明采用RBF神经网络构建去人机作动器的故障观测器。同时,考虑到无人机飞行过程中飞行工况变化复杂,不同飞行工况作动器作动频率与幅值差异很大,为避免控制指令信号变化频率、幅度等因素对观测器残差的影响,本发明构建双级观测器实现阈值自适应,解决了固定阈值对工况的适应能力低、虚警率高等问题,以提高评估准确度,最后通过反正切归一化将观测器残差与自适应阈值的差值归一化到0-1之间,作为作动器飞行安全性能指标。也就是说,本发明应用RBF神经网络构建无人机作动器双级观测器(或评估观测器),计算作动器输出残差与自适应阈值,并将超阈值程度归一化表征作动器安全性能,以便于对飞行指挥做出合理指导。
下面结合图2至图3,对实施过程进行详细说明。
本发明设计了通过构建观测器的方法根据控制指令信号估计系统输出,将估计输出值与实际输出值比较产生残差,对残差进行定量分析实现作动器评估。具体地说,通过第一级观测器获得作动系统残差,第二级观测器确定自适应阈值,引入双级观测器方法通过第二级观测器输出自适应阈值来降低虚警率。双级观测器输出结果共同支撑作动器性能评估。
图2是本发明实施例提供的基于双级观测器的无人机作动器实时安全性能评估方法的具体流程图,图3是本发明实施例提供的基于双级观测器的无人机作动器实时安全性能评估系统的结构示意图,如图2和图3所示,所述方法可以包括:
步骤一:构建RBF一级观测器(即故障检测观测器)。
步骤1.1:应用作动器的原始输入信号(即为无人机作动器控制指令信号)r(t)和实时输出信号yr(t)训练故障观测器网络。
训练数据为原始输入信号r(t)和上一时刻输出信号yr(t-1),将训练数据归一化,得到归一化的训练数据,用于获得网络中的相关参数值,相应的输出为预估输出信号
步骤1.2:将作动器的真实输出值与网络预估输出值两者的差值定义为残差,即残差ε(t)定义为:
步骤二:构建二级观测器(即自适应阈值观测器)
步骤2.1:按照步骤一所述方法,利用正常无故障作动器运行过程数据计算残差,将系统正常时的残差设为εn,该残差为基准残差或标准残差,设修正系数为β,计算标准自适应阈值为thn=εn+β。
步骤2.2:训练观测器。训练的输入样本为训练输出样本为Yn=[thn]。
步骤2.3:通过度量残差超过自适应阈值的程度度量评估作动器性能。如以下公式所示,利用反正切函数将残差与自适应阈值的差值归一化到0到1之间,即得到作动器安全性能指标SP。公式中,k为归一化系数,随不同无人机类型及作动器种类而设定。
步骤三:评估无人机作动器安全性能。
步骤3.1:将待测试无人机作动器控制指令信号与位置信号按训练归一化标准归一化到[-1,1]之间。
步骤3.2:将控制指令与前一时刻位置信号作为一级观测器输入,记录输出。并计算观测器输出与作动器位置信号差值,即为残差。
步骤3.3:将控制指令与一级观测器输出作为二级观测器输入,记录输出为自适应阈值。
步骤3.4:利用反正切函数将残差与自适应阈值的差值归一化到0到1之间,即得到作动器安全性能指标SP。
应用案例
在飞行过程中,无人机作动器主要功能为根据指令控制无人机的方向、俯仰与姿态。无人机典型作动器有左副翼作动器、右副翼作动器、方向舵与升降舵等。本案例以方向舵为对象,通过某型无人机飞行过程监测数据对该型号无人机方向舵机(作动器)进行飞行安全性能评估,如表1所示。
表1.无人机方向作动器监测参数
基于RBF网络分别构建故障检测观测器与自适应阈值观测器,观测器网络参数如表2所示。在作动器性能评估过程中,一级观测器的训练输入为控制指令信号与上一时刻作动器位置信号,训练输出为该时刻位置信号。二级观测器的训练输入为控制指令信号与一级观测器输出位置信号,训练输出为标准自适应阈值。
表2.观测器参数
故障检测观测器 | ||
输入维度 | 隐藏层维度 | 权重函数 |
1 | 4 | linear regression |
自适应阈值观测器 | ||
输入维度 | 隐藏层维度 | 权重函数 |
1 | 4 | linear regression |
利用正常飞行状态下的作动器监测数据完成两个观测器的训练。通过被训练过的观测器对不同状态的作动器进行安全性能评估。以某一组固定高度飞行工况数据为例,评估结果如图4所示。
结果显示,作动器残差仅在某些动作程度较大时超过阈值,且超出程度较小,表征作动器飞行性能良好。为直观定量化表达评估结果,将残差与自适应阈值的差值用反正切归一化为0-1之间的数值,结果如图5所示。计算结果均值即为本次飞行无人机方向作动器安全评价指标SP,左方向作动器SP=0.9980,右方向作动器SP=0.9982。
本发明实施例基于RBF网络提出一种双级观测器的方法,对作动器安全性能展开评估,具体地说,根据作动器控制指令与位置信号间的关系构建一级观测器;通过二级观测器构建标准残差与输入输出指令间的关系,获得自适应阈值观测器;通过双级观测器输出的结果差值定量化作动器性能,以此指标实时表征无人机飞行过程中各个飞行工况下作动器的避障能力,快速准确的反馈无人机作动器当前安全状态,实现无人机作动器安全性能量化评估。
尽管上文对本发明进行了详细说明,但是本发明不限于此,本技术领域技术人员可以根据本发明的原理进行各种修改。因此,凡按照本发明原理所作的修改,都应当理解为落入本发明的保护范围。
Claims (8)
1.一种基于双级观测器的无人机作动器实时安全性能评估方法,其特征在于,所述方法包括:
构建用于评估无人机作动器安全性能的双极观测器,其中所述双极观测器包括作为一级观测器的故障检测观测器和作为二级观测器的自适应阈值观测器;
在获取所述无人机作动器的测试控制指令、前一时刻和当前时刻的测试位置数据后,所述故障检测观测器根据所述测试控制指令与前一时刻的测试位置数据,得到所述无人机作动器在当前时刻的预估测试位置数据,并根据所述无人机作动器在当前时刻的预估测试位置数据和当前时刻的测试位置数据,得到所述无人机作动器在当前时刻的测试残差;
所述自适应阈值观测器根据所述测试控制指令与所述当前时刻的测试残差,得到所述无人机作动器在当前时刻的自适应阈值;
通过度量所述无人机作动器在当前时刻的测试残差超过所述无人机作动器在当前时刻的自适应阈值的程度,得到所述无人机制动器在当前时刻的安全性能指标,其中,所述安全性能指标表征无人机飞行过程中各个飞行工况下作动器的避障能力。
2.根据权利要求1所述的方法,其特征在于,通过以下步骤得到所述故障检测观测器:
获取正常运行状态下的作动器的训练控制指令和训练位置数据;
根据所述训练控制指令、前一时刻和当前时刻的训练位置数据,对径向基函数RBF神经网络进行训练,得到所述故障检测观测器。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
从所述故障检测观测器中得到正常运行状态下的所述作动器的预估训练位置数据;
根据所述预估训练位置数据和所述训练位置数据,得到标准残差。
4.根据权利要求3所述的方法,其特征在于,通过以下步骤得到所述自适应阈值观测器:
根据所述标准残差,确定标准自适应阈值;
根据所述训练控制指令、所述预估训练位置数据和所述标准自适应阈值,对RBF神经网络进行训练,得到所述自适应阈值观测器。
5.根据权利要求4所述的方法,其特征在于,所述根据所述标准残差,确定标准自适应阈值包括:
将所述标准残差与预设的修正系数相加,得到标准自适应阈值。
6.根据权利要求1所述的方法,其特征在于,所述通过度量所述无人机作动器在当前时刻的测试残差超过所述无人机作动器在当前时刻的自适应阈值的程度,得到所述无人机制动器在当前时刻的安全性能指标包括:
比较所述当前时刻的测试残差和所述当前时刻的自适应阈值;
若所述当前时刻的测试残差小于或等于所述当前时刻的自适应阈值,则确定所述无人机制动器在当前时刻的安全性能指标为1;
若所述当前时刻的测试残差大于所述当前时刻的自适应阈值,则根据所述当前时刻的测试残差和所述当前时刻的自适应阈值的差值,确定所述无人机制动器在当前时刻的安全性能指标。
7.根据权利要求6所述的方法,其特征在于,所述根据所述当前时刻的测试残差和所述当前时刻的自适应阈值的差值,得到所述无人机制动器在当前时刻的安全性能指标通过以下公式实现:
SPn=1-acrtan[k(εn-thn)2π]
其中,SPn为当前时刻n的安全性能指标;εn为当前时刻n的测试残差;thn为当前时刻n的自适应阈值,k为归一化系数。
8.根据权利要求1-7任意一项所述的方法,其特征在于,所述方法还包括:
对于所述无人机的任意一次飞行,获取所述制动器在该次飞行期间各个时刻的安全性能指标;
确定所述制动器在各个时刻的安全性能指标的均值,并将所述均值作为该次飞行中所述制动器的安全性能指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010374215.5A CN111680356B (zh) | 2020-05-06 | 2020-05-06 | 基于双级观测器的无人机作动器实时安全性能评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010374215.5A CN111680356B (zh) | 2020-05-06 | 2020-05-06 | 基于双级观测器的无人机作动器实时安全性能评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111680356A CN111680356A (zh) | 2020-09-18 |
CN111680356B true CN111680356B (zh) | 2023-10-10 |
Family
ID=72434101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010374215.5A Active CN111680356B (zh) | 2020-05-06 | 2020-05-06 | 基于双级观测器的无人机作动器实时安全性能评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680356B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6892163B1 (en) * | 2002-03-08 | 2005-05-10 | Intellectual Assets Llc | Surveillance system and method having an adaptive sequential probability fault detection test |
CN104850889A (zh) * | 2014-11-19 | 2015-08-19 | 北京航空航天大学 | 一种飞机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法 |
CN106301610A (zh) * | 2016-08-29 | 2017-01-04 | 北京航空航天大学 | 一种超外差接收机的自适应故障检测和诊断方法及装置 |
CN108170127A (zh) * | 2017-12-28 | 2018-06-15 | 山东科技大学 | 一种无人机飞行控制系统的故障检测方法 |
-
2020
- 2020-05-06 CN CN202010374215.5A patent/CN111680356B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6892163B1 (en) * | 2002-03-08 | 2005-05-10 | Intellectual Assets Llc | Surveillance system and method having an adaptive sequential probability fault detection test |
CN104850889A (zh) * | 2014-11-19 | 2015-08-19 | 北京航空航天大学 | 一种飞机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法 |
CN106301610A (zh) * | 2016-08-29 | 2017-01-04 | 北京航空航天大学 | 一种超外差接收机的自适应故障检测和诊断方法及装置 |
CN108170127A (zh) * | 2017-12-28 | 2018-06-15 | 山东科技大学 | 一种无人机飞行控制系统的故障检测方法 |
Non-Patent Citations (1)
Title |
---|
基于GRNN观测器的液压作动器系统自适应故障检测;周博;吕琛;王轩;田野;秦维力;;南京理工大学学报(02);149-155 * |
Also Published As
Publication number | Publication date |
---|---|
CN111680356A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108594788B (zh) | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 | |
CN108052770B (zh) | 一种考虑时变效应的大跨桥梁主梁性能预警方法 | |
CN108960303B (zh) | 一种基于lstm的无人机飞行数据异常检测方法 | |
CN104502758B (zh) | 航空静止变流器故障诊断方法 | |
CN108801387B (zh) | 一种基于学习模型的飞机油箱剩余油量测量系统和方法 | |
CN104390776A (zh) | 一种多余度副翼作动器故障检测、诊断与性能评估方法 | |
CN104035431B (zh) | 用于非线性过程监控的核函数参数的获取方法和系统 | |
CN111639678B (zh) | 一种基于集成神经网络的ins/gps组合导航故障检测与诊断方法 | |
CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN102705303A (zh) | 一种基于残差与双级Elman神经网络的液压伺服系统故障定位方法 | |
CN112966871B (zh) | 基于卷积长短期记忆神经网络的交通拥堵预测方法及系统 | |
US20200410297A1 (en) | Method for determining a confidence value of a detected object | |
WO2021114320A1 (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN114564000A (zh) | 基于智能飞行器执行器故障诊断的主动容错方法及系统 | |
Li et al. | Signal frequency domain analysis and sensor fault diagnosis based on artificial intelligence | |
CN110032799A (zh) | 一种微生物制药过程的角相似度阶段划分及监测方法 | |
Entezami et al. | Condition assessment of civil structures for structural health monitoring using supervised learning classification methods | |
Dutta et al. | Statistical residual-based time series methods for multicopter fault detection and identification | |
CN111680356B (zh) | 基于双级观测器的无人机作动器实时安全性能评估方法 | |
CN108596364B (zh) | 一种化工园区重大危险源动态预警方法 | |
CN112052551B (zh) | 一种风机喘振运行故障识别方法及系统 | |
CN108845546A (zh) | 一种基于bp神经网络自回归模型的动态过程监测方法 | |
Kim et al. | Automated damping identification of long-span bridge using long-term wireless monitoring data with multiple sensor faults | |
CN110145695B (zh) | 一种基于深度置信网络信息融合的供暖管道泄漏检测方法 | |
Liu et al. | Traffic status evaluation based on fuzzy clustering and RBF neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |