CN111783927B - 一种混沌蝙蝠算法uav网络控制系统及故障诊断方法 - Google Patents

Abstract

本发明涉及一种混沌蝙蝠算法UAV网络控制系统及故障诊断方法，包括如下步骤：一:改进BA的参数初始化；二:以改进BA进行优化，每次寻找得到的最优位置均带入线性矩阵不等式，若存在可行解，则继续优化，否则重新进行位置寻找；三：判断是否达到最大迭代次数Iterate_times，若满足，则停止算法并输出适应度函数的极值以及对应的最优位置，即可得到最优的故障观测器增益矩阵L_l；否则返回步骤三，再进行下一次迭代寻优。本发明在考虑如何提高检测系统对噪声干扰信号的鲁棒性同时，如何同时消除对故障信号的影响。

Description

一种混沌蝙蝠算法UAV网络控制系统及故障诊断方法

技术领域

本发明涉及一种混沌蝙蝠算法UAV网络控制系统及故障诊断方法。

背景技术

目前，由于网络技术的快速发展，网络控制系统在大型无人机发动机控制系统上的应用上也越来越受人关注。网络控制系统与传统的点对点控制系统相比最大的不同在于其相关数据是通过总线进行传输，但是也正是由于总线的存在导致其诱导时延以及数据丢包等问题，使得在进行故障诊断时必须将总线带来的不利因素考虑进去。王越男设计了一种针对离散时滞系统的鲁棒故障检测观测器，使得检测残差能够对噪声信号具有较好的鲁棒性能。

针对不确定系统，时延网络控制系统以及非线性系统进行鲁棒故障检测，使得系统在强噪声条件下依旧能够保证良好的故障检测性能。但是只考虑如何提高检测系统对噪声干扰信号的鲁棒性，未考虑对故障信号的影响。

为同时提升检测系统对噪声信号的鲁棒性以及故障信号的敏感性，本文针对双通道多包传输的短时变时延无人机发动机网络控制系统，提出一种混沌蝙蝠算法UAV网络控制系统及故障诊断方法，本案由此产生。

发明内容

本发明的目的在于提供一种混沌蝙蝠算法UAV网络控制系统及故障诊断方法，考虑如何提高检测系统对噪声干扰信号的鲁棒性同时，如何同时消除对故障信号的影响。

为实现上述目的，本发明具体提供的技术方案为：

一种混沌蝙蝠算法的故障诊断方法，包括如下步骤：

一:改进BA的参数初始化；

二:以改进BA进行优化，每次寻找得到的最优位置均带入线性矩阵不等式，若存在可行解，则继续优化，否则重新进行位置寻找；

三：判断是否达到最大迭代次数Iterate_times，若满足，则停止算法并输出适应度函数的极值以及对应的最优位置，即可得到最优的故障观测器增益矩阵L_l；否则返回步骤三，再进行下一次迭代寻优。

步骤二中的线性矩阵不等式为：

所述步骤一：设置种群规模和最大迭代次数，并随机初始化种群的参数：初始位置最大值Pop_Max、最小值Pop_Min并由此生成相应的种群位置X_i和速度V_i、初始脉冲发射率初始声波响度/>设置初始脉冲发射率参数τ＝2.3、初始化种群频率的最大值、最小值，生成个体的频率值，按照上述初始化参数计算适应度函数的函数值，保留最优值个体。

排名对种群进行交叉运算，并确定个体是否触发变异操作，若Activate(k)＜1，进行均匀变换或高斯变换。

对种群的每个个体生成一个随机数rand和ω，若即对当前的种群位置进行更新，更新后的种群以ω的微扰动量在当前最优解附近重新。

计算种群新位置的适应度函数值，对种群的每个个体生成均匀分布的随机数randi，若随机数且f(X_i)＜f(X_best)，则接受微扰动后产生的全局最优解，并分别对声波响度、混沌脉冲发射率进行更新。

找出当前种群内所有蝙蝠个体目标函数的最优值，并记录最优值的位置；直至满足设定的最优解条件或算法达到最大迭代次数，并输出全局最优值。

一种混沌蝙蝠算法UAV网络控制系统，改系统由发动机模拟计算机、控制计算机、智能执行机构、智能传感器五部分组成，其中发动机模拟计算机运行发动机数学模型，智能传感器通过接收模型计算机中解算出的各个传感器模拟量，进行数据转换，并通过串口上传至CAN总线，与发动机控制计算机进行实时通讯；控制计算机中接收CAN总线上的数字量，运行控制算法，输出控制信号至CAN总线，控制面板中实时显示发动机运行数据和曲线；所述智能执行机构从CAN总线中接收控制信号，以模拟量信号输出至发动机模拟计算机中进行发动机转速控制。

本发明相对于现有技术的有益效果：更加贴近实际的UAV网络控制系统，考虑了双通道多包传输的短时变时延UAV发动机网络控制系统，利用改进BA对同时兼具故障敏感性与噪声鲁棒性的适应度函数进行优化从而得到最优观测器增益矩阵。

改进BA在保证一定收敛速度的条件下，相对于基本BA来说具有更好的收敛精度。

提出的传感器故障检测优化方法不仅能够抑制噪声信号对残差幅值的影响，还能够有效提升故障状态与正常状态的区分度，进一步扩大阈值的选择范围，能够有效的提升了传感器各类故障的检测率，减少了误报率，并且能够增大人工设定阈值的容错率，进一步说明该方法的有效性。

该方法在本文中仅限于UAV发动机稳态时的故障检测，对于全包线非线性模型的故障检测还需要经一步研究。

附图说明

图1为本发明混沌BA与基本BA脉冲发射率；图2为本发明观测器结构；图3为本发明系统半物理平台结构。

具体实施方式

一、系统建模

首先建立短时变时延无人机发动机网络控制系统，进行如下合理假设：

1)传感器节点为时间驱动，而控制器与执行机构节点均为事件驱动，采样周期为常数T。2)传感器到控制器与控制器到执行机构之间均存在网络诱导时延，分别为τ_sc和τ_ca，且满足τ_sc+τ_ca≤T，由于计算时延很小，故忽略不计。3)传感器到控制器与控制器到执行机构之间均为多包传输，且采用静态调度的方式。4)存在未知扰动，但不考虑数据丢包以及数据包时序错乱。

考虑到UAV发动机在实际运行过程中可能会存在外界扰动或者模型建立的误差，已知该发动机某一稳态点的不确定离散时间模型为：

其中，B₁，Β₂，E，H₁，H₂均为常数矩阵，F(τ_k)为与τ_k有关的时变矩阵，且满足F(τ_k)^TF(τ_k)≤I，求取方法参考文献[7]。令ΔB₁＝EF(τ_k)H₁，ΔB₂＝EF(τ_k)H₂。

进一步建立观测器误差模型。考虑系统的双通道多包传输，假设从传感器传输到控制器的状态量x(k)被封装在m个数据包中，从控制器传输到执行机构的控制量u′(k)被封装在n个数据包中，令控制器与执行机构收到的状态量与控制量分别为x′(k)与u(k)。

系统用静态传输方式传输状态量以及控制量的数据包，可以将多包传输转化为一个具有两个开关的切换系统。假设在第k时刻，开关K₁与S_i(i＝1,2,…,m)相连，开关K₂与S′_j(j＝1,2,…,n)相连，表示在第k时刻，传输状态量的x_i(k)与控制量的u_j(k)，此时，未传输的数据包被视为丢包，取k-1时刻的数据作为第k时刻的状态。故状态变量各个数据包之间有如下关系：

故

其中，φ_i＝diag(0,…,0,α_ii,0,…,0)，α_ii＝1，

同理，控制量的各个数据包之间有如下关系：

即

其中，

状态反馈控制器为：

其中，K为状态反馈控制器增益矩阵。将状态反馈控制律(6)与式(5)和(1)联立然后定义增广向量z(k)＝[x^T(k) x′^T(k-1) u^T(k-1)]^T，可以得到等价模型：

其中：

二、改进BA算法

蝙蝠优化算法的原理为：在飞行过程中，蝙蝠不断发射并接受频率变化的声波脉冲，并且根据从周围反射回来的声波确定猎物位置并躲避障碍物。蝙蝠种群发出的超声波由谐波类宽频带的调频信号组成，频率范围：25～100KHZ，假设空气的速度为340m/s，波长λ与频率f的关系为：

λ＝v/f (8)

BA在通过模拟蝙蝠群体利用超声波遍历空间、探测目标、捕获目标、避免障碍物的生物学过程，多次迭代更新蝙蝠种群的速度、位置、最佳适应度函数值，最终得到寻优问题的全局最优解或近似全局最优解。

每一只蝙蝠在搜索空间的位置对应解空间的一个解，具有相应的速度和适应度函数值，蝙蝠种群通过更新发出频率、脉冲发射速率和声波响度产生新的解集，并逐渐进化到包含全局最优解或近似全局最优解的状态。迭代过程的数学表达式如下：

F_i＝F_min+(F_max-F_min)×RN,RN∈[0,1] (9)

式(9)至(11)中：F_i为第i只蝙蝠的频率；F_min与F_max分别表示蝙蝠种群发出频率的最小值与最大值；RN为在[0,1]区间均匀分布的随机变量；F_i∈[F_min,F_max]；V_i ^l与分别表示在第l次迭代中，第i只蝙蝠在搜索空间的运动速度与位置，i＝1,2,...,N；X_best为当前全局位置的最优解。

在算法收敛至最优解区域时，对种群的位置进行微扰动，从而达到局部搜索的目的，确保最优解的遍历性，更新公式如下：

X_new＝X_best+α×A^l (12)

式中：α为在[-1,1]区间的随机数；A^l为第l代蝙蝠种群的声波响度平均值。

在式(12)的基础上，蝙蝠种群个体的脉冲发射率R_i与脉冲声波响度A_i随着迭代的进行而更新，更新公式如下：

式中：β，ω为常数，β＞0，0＜ω＜1。

BA在寻优过程中具有良好的收敛性和较大的搜索范围，但其位置的更新仅依赖蝙蝠种群的速度参数，且缺乏一定的多样性，导致算法后期种群聚集的现象较为严重。为弥补这一缺点，本文对基本BA进行变异操作，具体步骤如下：

Step1：设置蝙蝠种群的交叉比例和交叉方法，例如选取适应度值排名前50％的个体进行两两配对，对该50％的个体组成的种群分别进行两次交叉运算，将产生的数量相同的个体并替换为下一代的后50％个体，位置的交叉公式如(15)所示：

Step2：引入变异激活函数，对更新后的x_i(t+1)进行变异操作，变异激活函数是蝙蝠个体是否进行变异操作关键，变异激活函数为：

式中，α∈[0.5,0.6]，β∈[0.1,0.3]，k为种群内第k个蝙蝠个体，n为问题的维度，N为种群数目，rand为[0,1]之间的随机数，当Activate(k)＜1时，即对当前的蝙蝠个体进行变异操作；Step3：对满足Step2中激活函数条件的蝙蝠个体进行变异操作—均匀变换或高斯变换，均匀变换通过对位置的更新将使得部分个体表现为以更快的速度向最优解区域进行收敛，高斯变换则主要解决算法在迭代后期易陷入局部极值的情况，由于蝙蝠种群在迭代后期将在最优解区域附近以微扰动的方式重新生成，此时的搜索已无法扩展至更大的范围，而高斯变换将在条件满足的情况下，将变异个体脱离最优解的限制，均匀变换与高斯变换的实现方法如下：

式中，σ为高斯分布的标准差，由式(15)与(16)可看出，变异操作的引入使得BA种群内部的生物多样性得到了提高，加快了全局搜索速度，同时，在局部寻优过程中，能够避免最优解位置对种群整体的影响，避免陷入局部极值点。

在BA中，脉冲发射率的更新迭代如式(13)(14)所示，即 算法局部搜索的遍历性与/>和/>的初值选取直接相关，初值选取具有一定的随机性和不确定性，不利于算法的优化过程。为了解决该问题，对脉冲发射率进行改进:

式中：A₀，R₀为初始声波响度和脉冲响度值，为混沌脉冲发射率。

正弦反曲映射可将R_i的变化范围控制在0.5到1之间，从而具有混沌遍历性，式(18)使得脉冲发射率兼具对初始值的敏感性和混沌变化范围的确定性，避免陷入局部最优值，同时对初始值敏感性可提高算法的全局搜索能力，的变化范围如图1所示。

综上所述，改进BA的实现步骤如下：

Step1：设置种群规模和最大迭代次数，并随机初始化蝙蝠种群的参数：初始位置最大值Pop_Max、最小值Pop_Min并由此生成相应的种群位置X_i和速度V_i、初始脉冲发射率初始声波响度/>设置初始脉冲发射率参数τ＝2.3、初始化种群频率的最大值、最小值，并由式(9)生成蝙蝠个体的频率值，按照上述初始化参数计算适应度函数的函数值，保留最优值个体；

Step2：根据式(15)及适应度值排名对蝙蝠种群进行交叉运算，并根据式(16)确定蝙蝠个体是否触发变异操作，若Activate(k)＜1，则按照式(17)进行均匀变换或高斯变换；

Step3：对蝙蝠种群的每个个体生成一个随机数rand和ω，若即按照式(12)对当前的种群位置进行更新，更新后的种群以ω的微扰动量在当前最优解附近重新；

Step4：计算蝙蝠种群新位置的适应度函数值，对蝙蝠种群的每个个体生成均匀分布的随机数randi，若随机数且f(X_i)＜f(X_best)，则接受微扰动后产生的全局最优解，并按照式(13)(18)分别对声波响度、混沌脉冲发射率进行更新；

Step5：找出当前种群内所有蝙蝠个体目标函数的最优值，并记录最优值的位置；

Step6：重复Step2～Step5直至满足设定的最优解条件或算法达到最大迭代次数，并输出全局最优值；

三、改进BA的故障检测观测器设计

设闭环观测器为：

其中L_l(l＝1,2,…,m×n)是需要求的观测器增益矩阵，观测器结构图如图2所示：令观测器误差为：ε(k)为观测器输出，那么观测器误差的状态方程与输出方程为：

如式(20)所示为观测器误差的状态方程与输出方程，对式(20)进行Z变换，则可残差信号ε分别到扰动信号ω和故障信号f的传递函数矩阵：

式中，G_f为残差信号ε到故障信号f的传递函数矩阵，G_ω为残差信号ε到扰动信号ω的传递函数矩阵。

本节利用改进BA对故障检测观测器的增益矩阵L_l进行优化必须遵循下列几点要求：

(1)稳定性。即在系统扰动为0时，残差信号能够收敛。

(2)灵敏性。残差信号对故障信号要相当敏感，即残差对故障的增益要大。

(3)鲁棒性。指残差信号对扰动信号的鲁棒性要强。即残差对扰动的增益小。

首先必须要满足稳定性要求，这是实现故障检测的基础。由文献[3]可得要到稳定性的条件为：

由于Ω_ij中含有不确定矩阵F(τ_k)，所以进行如下变换：

将式(23)代入式(22)中，根据[6]可知该式等价于：存在η_l＞0(l＝1,2,…,m×n)，使得

由Schur补定理令则上式等价于：

保证稳定性的条件：所取的故障观测器增益矩阵L_l必须满足存在对称正定矩阵P以及η_l＞0(l＝1,2,…,m×n)，使得式(25)成立。

为了增强误差观测器的鲁棒性与灵敏性，设适应度函数为

其中J₁为误差系统对噪声在整个噪声频率中的传递函数增益，ω_r为噪声信号的频率点，

为了减小噪声对系统的影响，J₁要尽量的小。J₂为误差系统对故障在整个故障信号频率中的传递函数增益，由于传感器或者执行机构故障信号大多集中在低频段^[15],故令z＝1。为了增大系统对故障信号的敏感性，故必须使得J₂尽可能大，所以优化的目标为求取适应度函数fitness的最小值。

综上所述，基于改进BA算法的故障检测可以总结为以下优化问题：

具体的优化步骤为：Step1:改进BA的参数初始化。

Step2:以改进BA进行优化，每次寻找得到的最优位置均带入式(27)中的线性矩阵不等式，若存在可行解，则继续优化，否则重新进行位置寻找。

Step3：判断是否达到最大迭代次数Iterate_times，若满足，则停止算法并输出适应度函数的极值以及对应的最优位置，即可得到最优的故障观测器增益矩阵L_l；否则返回Step3，再进行下一次迭代寻优。四、仿真算例及结果分析

控制系统半物理仿真平台

本文的仿真验证借助航空发动机分布式控制系统半物理仿真平台来进行，该系统结构图如图3所示，由发动机模拟计算机、控制计算机、智能执行机构、智能传感器五部分组成，其中发动机模拟计算机运行发动机数学模型，智能传感器通过接收模型计算机中解算出的各个传感器模拟量，进行数据转换，并通过串口上传至CAN总线，与发动机控制计算机进行实时通讯。控制计算机中接收CAN总线上的数字量，运行控制算法，输出控制信号至CAN总线，控制面板中实时显示发动机运行数据和曲线，并能够在控制面板中进行控制器参数调整、故障模拟、通讯检测等操作。智能执行机构从CAN总线中接收控制信号，以模拟量信号输出至发动机模拟计算机中进行发动机转速控制。

Claims (1)

1.一种混沌蝙蝠算法的故障检测观测器设计方法，其特征在于，包括如下步骤：

Step1：改进BA的参数初始化，设置种群规模和最大迭代次数，并随机初始化种群的参数：初始位置最大值Pop_Max、最小值Pop_Min并由此生成相应的种群位置X_i和速度V_i、初始脉冲发射率初始声波响度/>设置初始脉冲发射率参数τ＝2.3、初始化种群频率的最大值、最小值，并由式(9)生成蝙蝠个体的频率值，按照上述初始化参数计算适应度函数的函数值，保留最优值个体；

式中，J₁为误差系统对噪声在整个噪声频率中的传递函数增益，J₂为误差系统对故障在整个故障信号频率中的传递函数增益，ω_r为噪声信号的频率点，fitness为适应度函数，G_f为残差信号ε到故障信号f的传递函数矩阵，G_ω为残差信号ε到扰动信号ω的传递函数矩阵；

F_i＝F_min+(F_max-F_min)×RN,RN∈[0,1] (9)

式中，F_i为第i只蝙蝠的频率，F_min与F_max分别表示蝙蝠种群发出频率的最小值与最大值，RN为在[0,1]区间均匀分布的随机变量，F_i∈[F_min,F_max]；

Step2：根据式(15)及适应度值排名对蝙蝠种群进行交叉运算，并根据式(16)确定蝙蝠个体是否触发变异操作，若Activate(k)<1，则按照式(17)进行均匀变换或高斯变换；

式中，x_i(l)、x_j(l)为将变异个体脱离最优解的限制，均匀变换与高斯变换的实现方法(式17)，i＝1,2,…,m，j＝1,2,…,n，m,n为样本数目；rand为选取蝙蝠种群排名值前50％的个体；x_i(l+1)、x_j(l+1)为对50％的个体组成的种群分别进行两次交叉运算后，替换为下一代的后50％个体的交叉方法；

式中，α∈[0.5,0.6]，β∈[0.1,0.3]，k为种群内第k个蝙蝠个体，n为问题的维度，N为种群数目，rand为[0,1]之间的随机数；

式中，σ为高斯分布的标准差，μ为平均值；L_max为观测器增益矩阵的最大值；

Step3：对蝙蝠种群的每个个体生成一个随机数rand和ω，若即按照式(12)对当前的种群位置进行更新，更新后的种群以ω的微扰动量在当前最优解附近重新生成；

X_new＝X_best+α×A^l (12)

式中：α为在[-1,1]区间的随机数；A^l为第l代蝙蝠种群的声波响度平均值，X_best是当前搜索空间中全局速度和位置的最佳解决方案；

Step4：计算蝙蝠种群新位置的适应度函数值，对蝙蝠种群的每个个体生成均匀分布的随机数randi，若随机数且f(X_i)<f(X_best)，则接受微扰动后产生的全局最优解，并按照式(13)(18)分别对声波响度、混沌脉冲发射率进行更新；

式中，β，ω为常数，0<ω<1；

式中，A₀，R₀为初始声波响度和脉冲响度值，r_i为初始脉冲发射率，为混沌脉冲发射率；

Step5：找出当前种群内所有蝙蝠个体目标函数的最优值，并记录最优值的位置，每次寻找得到的最优位置均带入式(27)中的线性矩阵不等式，若存在可行解，则继续优化，否则重新进行位置寻找，判断是否达到最大迭代次数Iterate_times，若满足，则停止算法并输出适应度函数的极值以及对应的最优位置，即可得到最优的故障观测器增益矩阵L_l；否则返回Step2，再进行下一次迭代寻优；

min fitness；

设闭环观测器为：

式中，L_l(l＝1,2,L,m×n)是需要求的观测器增益矩阵，式中z(k)、z(k+1)和y(k)表示每个控制器和系统通过执行指令的机制接收传感器执行指令的状态量，k是状态反馈控制器的增益矩阵；

其中，P对称正定矩阵，η_l>0(l＝1,2,L,m×n)；

H₁，H₂均为常数矩阵，φ_i＝diag(0,…,0,α_ii,0,…,0)，α_ii＝1， β_j＝1，/>K为状态反馈控制器增益矩阵， 式中B₁，Β₂，E为常数矩阵，/>C为惩罚因子，F(τ_k)为与τ_k有关的时变矩阵，且满足F(τ_k)^TF(τ_k)≤I。