CN111930094A - 一种基于扩展卡尔曼滤波的无人机执行机构故障诊断方法 - Google Patents
一种基于扩展卡尔曼滤波的无人机执行机构故障诊断方法 Download PDFInfo
- Publication number
- CN111930094A CN111930094A CN202010668986.5A CN202010668986A CN111930094A CN 111930094 A CN111930094 A CN 111930094A CN 202010668986 A CN202010668986 A CN 202010668986A CN 111930094 A CN111930094 A CN 111930094A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- representing
- fault
- moment
- kalman filter
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- 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
Abstract
本发明公开了一种基于扩展卡尔曼滤波的无人机执行机构故障诊断方法,采用扩展卡尔曼滤波技术将执行机构的状态引入到滤波器的状态向量中,仅用一个滤波器就可以对应一个执行机构的全部健康状态监测,具有计算量小、故障诊断速度快的优点。本发明提供的上述基于扩展卡尔曼滤波的无人机执行机构故障诊断方法,能够综合监测执行机构卡死、摆动和比例系数等三种故障类型,可适用于运算能力有限但要求快速诊断确定无人机执行机构故障类型的飞行控制系统。
Description
技术领域
本发明涉及无人机故障诊断技术领域,尤其涉及一种基于扩展卡尔曼滤波的无人机执行机构故障诊断方法。
背景技术
在飞行控制系统中,故障诊断与系统重构的主要目的是提高飞机的安全性和可靠性。对于任何故障情况,要求飞控系统具有快速准确隔离、安全稳定重构的能力。因此,对故障系统进行自适应、自组织和自决策的判断和重构是容错飞行控制系统需要解决的关键技术。
近年来,在无人机故障诊断研究领域,故障诊断方法大致可以归为以下三类:基于解析模型的方法、基于知识的方法以及基于信号处理的方法。基于知识的故障诊断方法需要模型先验知识,是将专家领域的诊断知识引入,需要大量训练数据,因此一般多用于离线系统的故障诊断中。基于信号处理的故障诊断方法对于信号多样性有很强的自适应性,通常包括信号的频谱分析、相关性分析以及基于小波变化的方法。基于解析模型的故障诊断方法普遍基于观测器和参数估计,是目前和未来故障诊断的主流方法,其充分利用现有知识建立系统的数学模型,然后将系统的输入输出一起传递给已建立的数学模型,计算系统残差,最后利用残差按照一定判定准则进行判断系统是否发生故障。
无人机控制执行机构的故障类型主要包括卡死、摆动和比例系数变化三种。传统基于解析模型的故障诊断方法是将每个控制执行机构的每种故障类型都单独考虑,其局限性在于滤波观测器的数量多,运算量大。
发明内容
有鉴于此,本发明提供了一种基于扩展卡尔曼滤波的无人机执行机构故障诊断方法,用以有效提高无人机执行机构的故障检测效率。
本发明提供的一种基于扩展卡尔曼滤波的无人机执行机构故障诊断方法,包括如下步骤:
S1:选择与无人机传感器测量最相关的状态作为故障诊断卡尔曼滤波器的状态向量,定义状态向量为x=[p,q,r]T;其中,p表示横滚角速度,q表示俯仰角速度,r表示偏航角速度;
S2:以无人机的左升降副翼和右升降副翼作为故障诊断的研究对象,定义控制向量为u=[δ1,δ2]T,计算所述故障诊断卡尔曼滤波器的离散矩阵;其中,δ1表示右升降副翼控制量,δ2表示左升降副翼控制量;
S3:将所述左升降副翼控制量与所述右升降副翼控制量分别增广在所述故障诊断卡尔曼滤波器的状态向量中,以检测左升降副翼故障与右升降副翼故障的发生,所述故障诊断卡尔曼滤波器的状态向量变为x=[p,q,r,δi]T,i=1,2;
S4:根据扩展卡尔曼滤波的线性化原理,结合计算得到的故障诊断卡尔曼滤波器的离散矩阵,计算所述故障诊断卡尔曼滤波器的线性化表示形式;
S5:利用假设检验算法设定每一个故障的条件概率,结合所述故障诊断卡尔曼滤波器的残差,将故障发生概率表示为后验条件概率;
S6:根据贝叶斯定理,将故障发生概率的表达式写成递推的形式,通过查看故障发生概率进行故障诊断。
在一种可能的实现方式中,在本发明提供的上述无人机执行机构故障诊断方法中,步骤S2中,所述故障诊断卡尔曼滤波器的离散矩阵表示为:
其中,F表示故障诊断卡尔曼滤波器的状态转移矩阵,eye(3)表示三阶单位矩阵,[Ixx,Iyy,Izz]表示无人机转动惯量,b表示翼面宽度,cA表示平均几何弦长,Q*表示线性化点处动压,ΔT表示采样时间间隔;Clp表示横滚角速度到横滚力矩的导数,Clr表示偏航角速度到横滚力矩的导数,Cmp表示横滚角速度到俯仰力矩的导数,Cmq表示俯仰角速度到俯仰力矩的导数,Cmr表示偏航角速度到俯仰力矩的导数,Cnp表示横滚角速度到偏航力矩的导数,Cnr表示偏航角速度到偏航力矩的导数;G表示故障诊断卡尔曼滤波器的控制矩阵;表示左右升降副翼控制量差动到横滚力矩的导数,表示左右升降副翼控制量平动到俯仰力矩的导数,表示左右升降副翼控制量差动到偏航力矩的导数,其中,
在一种可能的实现方式中,在本发明提供的上述无人机执行机构故障诊断方法中,步骤S4中,线性化的故障诊断卡尔曼滤波器表示为:
其中,x(k+1)表示k+1时刻的状态向量,x(k)表示k时刻的状态向量,y(k)表示k时刻无人机传感器的量测向量;
其中,i=1,2;当i=1时,δ1(k+1)表示k+1时刻的右升降副翼控制量,δ1(k)表示k时刻的右升降副翼控制量,Gδ1(k)表示k时刻故障诊断卡尔曼滤波器的驱动矩阵,Fδ1(k)表示k时刻故障诊断卡尔曼滤波器的一步转移矩阵;当i=2时,δ2(k+1)表示k+1时刻的左升降副翼控制量,δ2(k)表示k时刻的左升降副翼控制量,Gδ2(k)表示k时刻的驱动矩阵,Fδ2(k)表示k时刻故障诊断卡尔曼滤波器的一步转移矩阵。
在一种可能的实现方式中,在本发明提供的上述无人机执行机构故障诊断方法中,步骤S5中,定义一组测量向量序列Yk={yk,yk-1,yk-2,…,y0},其中,yk表示k时刻的量测向量,yk-1表示k-1时刻的量测向量,yk-2表示k-2时刻的量测向量,y0表示初始时刻的量测向量;在给定测量向量序列Yk的条件下,根据贝叶斯定理,k时刻升降副翼的故障发生概率表示为后验条件概率:
设定概率密度为钟形曲线形状的高斯函数的表达式为:
其中,rj(k)表示k时刻第j种情况对应的扩展卡尔曼滤波器的残差,f表示测量向量的维数,∑i(k)表示k时刻第j种情况对应的扩展卡尔曼滤波器残差的协方差矩阵的值,(∑j(k))-1表示对矩阵∑j(k)求逆。
本发明提供的上述基于扩展卡尔曼滤波的无人机执行机构故障诊断方法,选择与无人机传感器测量最相关的状态作为故障诊断卡尔曼滤波器的状态向量;以无人机的左右升降副翼作为故障诊断的研究对象,定义控制向量,计算故障诊断卡尔曼滤波器的离散矩阵;将左右升降副翼控制量分别增广在状态向量中,以检测左右升降副翼故障的发生;根据扩展卡尔曼滤波的线性化原理,结合计算得到的离散矩阵,计算故障诊断卡尔曼滤波器的线性化表示;利用假设检验算法设定每一个故障的条件概率,结合故障诊断卡尔曼滤波器的残差,将故障发生概率表示为后验条件概率;根据贝叶斯定理,将故障发生概率的表达式写成递推的形式,通过查看故障发生概率进行故障诊断;上述方法采用扩展卡尔曼滤波技术将执行机构的状态引入到滤波器的状态向量中,仅用一个滤波器就可以对应一个执行机构的全部健康状态监测,具有计算量小、故障诊断速度快的优点。本发明提供的上述基于扩展卡尔曼滤波的无人机执行机构故障诊断方法,能够综合监测执行机构卡死、摆动和比例系数等三种故障类型,可适用于运算能力有限但要求快速诊断确定无人机执行机构故障类型的飞行控制系统。
附图说明
图1为本发明提供的一种基于扩展卡尔曼滤波的无人机执行机构故障诊断方法的流程图;
图2a为左升降副翼故障情况曲线图;
图2b为右升降副翼故障情况曲线图;
图3a为左升降副翼故障诊断概率结果图;
图3b为右升降副翼故障诊断概率结果图;
图3c为无故障概率曲线图。
具体实施方式
下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整的描述,显然,所描述的实施方式仅仅是作为例示,并非用于限制本发明。
本发明提供的一种基于扩展卡尔曼滤波的无人机执行机构故障诊断方法,如图1所示,包括如下步骤:
S1:选择与无人机传感器测量最相关的状态作为故障诊断卡尔曼滤波器的状态向量,定义状态向量为x=[p,q,r]T;其中,p表示横滚角速度,q表示俯仰角速度,r表示偏航角速度;
S2:以无人机的左升降副翼和右升降副翼作为故障诊断的研究对象,定义控制向量为u=[δ1,δ2]T,计算故障诊断卡尔曼滤波器的离散矩阵;其中,δ1表示右升降副翼控制量,δ2表示左升降副翼控制量;
S3:将左升降副翼控制量与右升降副翼控制量分别增广在故障诊断卡尔曼滤波器的状态向量中,以检测左升降副翼故障与右升降副翼故障的发生,故障诊断卡尔曼滤波器的状态向量变为x=[p,q,r,δi]T,i=1,2;
S4:根据扩展卡尔曼滤波的线性化原理,结合计算得到的故障诊断卡尔曼滤波器的离散矩阵,计算故障诊断卡尔曼滤波器的线性化表示形式;
S5:利用假设检验算法设定每一个故障的条件概率,结合故障诊断卡尔曼滤波器的残差,将故障发生概率表示为后验条件概率;
S6:根据贝叶斯定理,将故障发生概率的表达式写成递推的形式,通过查看故障发生概率进行故障诊断。
下面通过一个具体的实施例对本发明提供的上述无人机执行机构故障诊断方法的具体实施进行详细说明。
实施例1:
第一步:选择与无人机传感器测量最相关的状态作为故障诊断卡尔曼滤波器的状态向量,定义状态向量为x=[p,q,r]T;其中,p表示横滚角速度,q表示俯仰角速度,r表示偏航角速度。
第二步:以无人机的左升降副翼和右升降副翼作为故障诊断的研究对象,定义控制向量为u=[δ1,δ2]T,其中,δ1表示右升降副翼控制量,δ2表示左升降副翼控制量,计算故障诊断卡尔曼滤波器的离散矩阵:
其中,F表示故障诊断卡尔曼滤波器的状态转移矩阵,eye(3)表示三阶单位矩阵,[Ixx,Iyy,Izz]表示无人机转动惯量,b表示翼面宽度,cA表示平均几何弦长,Q*表示线性化点处动压,ΔT表示采样时间间隔;Clp表示横滚角速度到横滚力矩的导数,Clr表示偏航角速度到横滚力矩的导数,Cmp表示横滚角速度到俯仰力矩的导数,Cmq表示俯仰角速度到俯仰力矩的导数,Cmr表示偏航角速度到俯仰力矩的导数,Cnp表示横滚角速度到偏航力矩的导数,Cnr表示偏航角速度到偏航力矩的导数;G表示故障诊断卡尔曼滤波器的控制矩阵;表示左右升降副翼控制量差动到横滚力矩的导数,表示左右升降副翼控制量平动到俯仰力矩的导数,表示左右升降副翼控制量差动到偏航力矩的导数,其中,
第三步:将左升降副翼控制量与右升降副翼控制量分别增广在故障诊断卡尔曼滤波器的状态向量中,以检测左升降副翼故障与右升降副翼故障的发生,故障诊断卡尔曼滤波器的状态向量变为x=[p,q,r,δi]T,i=1,2。
第四步:根据扩展卡尔曼滤波的线性化原理,结合计算得到的故障诊断卡尔曼滤波器的离散矩阵,计算故障诊断卡尔曼滤波器的线性化表示形式:
其中,x(k+1)表示k+1时刻的状态向量,x(k)表示k时刻的状态向量,y(k)表示k时刻无人机传感器的量测向量;
其中,i=1,2;当i=1时,δ1(k+1)表示k+1时刻的右升降副翼控制量,δ1(k)表示k时刻的右升降副翼控制量,Gδ1(k)表示k时刻故障诊断卡尔曼滤波器的驱动矩阵,Fδ1(k)表示k时刻故障诊断卡尔曼滤波器的一步转移矩阵;当i=2时,δ2(k+1)表示k+1时刻的左升降副翼控制量,δ2(k)表示k时刻的左升降副翼控制量,Gδ2(k)表示k时刻的驱动矩阵,Fδ2(k)表示k时刻故障诊断卡尔曼滤波器的一步转移矩阵。
第五步:利用假设检验算法设定每一个故障的条件概率,要确定哪个装置最有可能产生故障,就需要参考无人机传感器的测量数据,可利用的测量向量为y(k),定义一组测量向量序列Yk={yk,yk-1,yk-2,…,y0},其中,yk表示k时刻的量测向量,yk-1表示k-1时刻的量测向量,yk-2表示k-2时刻的量测向量,y0表示初始时刻的量测向量;在给定测量向量序列Yk的条件下,根据贝叶斯定理,k时刻升降副翼的故障发生概率表示为后验条件概率:
即给定测量向量序列Yk的条件下,左右升降副翼发生故障的概率;
设定概率密度为钟形曲线形状的高斯函数的表达式为:
其中,rj(k)表示k时刻第j种情况对应的扩展卡尔曼滤波器的残差,f表示测量向量的维数,∑i(k)表示k时刻第j种情况对应的扩展卡尔曼滤波器残差的协方差矩阵的值,(∑j(k))-1表示对矩阵∑j(k)求逆。通过查看故障发生概率,就可以进行故障诊断。
图2a和图2b分别给出了左升降副翼故障情况和右升降副翼故障情况,采用本发明提供的上述无人机执行机构故障诊断方法对图2a和图2b所示的故障情况进行诊断,得到如图3a和图3b所示的左升降副翼故障诊断概率结果和右升降副翼故障诊断概率结果,与如图3c所示的无故障概率相对应。本发明提供的上述无人机执行机构故障诊断方法,能够快速估计出执行机构的故障概率,并且,没有误诊断情况的出现。
本发明提供的上述无人机执行机构故障诊断方法,选择与无人机传感器测量最相关的状态作为故障诊断卡尔曼滤波器的状态向量;以无人机的左右升降副翼作为故障诊断的研究对象,定义控制向量,计算故障诊断卡尔曼滤波器的离散矩阵;将左右升降副翼控制量分别增广在状态向量中,以检测左右升降副翼故障的发生;根据扩展卡尔曼滤波的线性化原理,结合计算得到的离散矩阵,计算故障诊断卡尔曼滤波器的线性化表示;利用假设检验算法设定每一个故障的条件概率,结合故障诊断卡尔曼滤波器的残差,将故障发生概率表示为后验条件概率;根据贝叶斯定理,将故障发生概率的表达式写成递推的形式,通过查看故障发生概率进行故障诊断;上述方法采用扩展卡尔曼滤波技术将执行机构的状态引入到滤波器的状态向量中,仅用一个滤波器就可以对应一个执行机构的全部健康状态监测,具有计算量小、故障诊断速度快的优点。本发明提供的上述基于扩展卡尔曼滤波的无人机执行机构故障诊断方法,能够综合监测执行机构卡死、摆动和比例系数等三种故障类型,可适用于运算能力有限但要求快速诊断确定无人机执行机构故障类型的飞行控制系统。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种基于扩展卡尔曼滤波的无人机执行机构故障诊断方法,其特征在于,包括如下步骤:
S1:选择与无人机传感器测量最相关的状态作为故障诊断卡尔曼滤波器的状态向量,定义状态向量为x=[p,q,r]T;其中,p表示横滚角速度,q表示俯仰角速度,r表示偏航角速度;
S2:以无人机的左升降副翼和右升降副翼作为故障诊断的研究对象,定义控制向量为u=[δ1,δ2]T,计算所述故障诊断卡尔曼滤波器的离散矩阵;其中,δ1表示右升降副翼控制量,δ2表示左升降副翼控制量;
S3:将所述左升降副翼控制量与所述右升降副翼控制量分别增广在所述故障诊断卡尔曼滤波器的状态向量中,以检测左升降副翼故障与右升降副翼故障的发生,所述故障诊断卡尔曼滤波器的状态向量变为x=[p,q,r,δi]T,i=1,2;
S4:根据扩展卡尔曼滤波的线性化原理,结合计算得到的故障诊断卡尔曼滤波器的离散矩阵,计算所述故障诊断卡尔曼滤波器的线性化表示形式;
S5:利用假设检验算法设定每一个故障的条件概率,结合所述故障诊断卡尔曼滤波器的残差,将故障发生概率表示为后验条件概率;
S6:根据贝叶斯定理,将故障发生概率的表达式写成递推的形式,通过查看故障发生概率进行故障诊断。
2.如权利要求1所述的无人机执行机构故障诊断方法,其特征在于,步骤S2中,所述故障诊断卡尔曼滤波器的离散矩阵表示为:
其中,F表示故障诊断卡尔曼滤波器的状态转移矩阵,eye(3)表示三阶单位矩阵,[Ixx,Iyy,Izz]表示无人机转动惯量,b表示翼面宽度,cA表示平均几何弦长,Q*表示线性化点处动压,ΔT表示采样时间间隔;Clp表示横滚角速度到横滚力矩的导数,Clr表示偏航角速度到横滚力矩的导数,Cmp表示横滚角速度到俯仰力矩的导数,Cmq表示俯仰角速度到俯仰力矩的导数,Cmr表示偏航角速度到俯仰力矩的导数,Cnp表示横滚角速度到偏航力矩的导数,Cnr表示偏航角速度到偏航力矩的导数;G表示故障诊断卡尔曼滤波器的控制矩阵;表示左右升降副翼控制量差动到横滚力矩的导数,表示左右升降副翼控制量平动到俯仰力矩的导数,表示左右升降副翼控制量差动到偏航力矩的导数,其中,
3.如权利要求2所述的无人机执行机构故障诊断方法,其特征在于,步骤S4中,线性化的故障诊断卡尔曼滤波器表示为:
其中,x(k+1)表示k+1时刻的状态向量,x(k)表示k时刻的状态向量,y(k)表示k时刻无人机传感器的量测向量;
其中,i=1,2;当i=1时,δ1(k+1)表示k+1时刻的右升降副翼控制量,δ1(k)表示k时刻的右升降副翼控制量,Gδ1(k)表示k时刻故障诊断卡尔曼滤波器的驱动矩阵,Fδ1(k)表示k时刻故障诊断卡尔曼滤波器的一步转移矩阵;当i=2时,δ2(k+1)表示k+1时刻的左升降副翼控制量,δ2(k)表示k时刻的左升降副翼控制量,Gδ2(k)表示k时刻的驱动矩阵,Fδ2(k)表示k时刻故障诊断卡尔曼滤波器的一步转移矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010668986.5A CN111930094A (zh) | 2020-07-13 | 2020-07-13 | 一种基于扩展卡尔曼滤波的无人机执行机构故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010668986.5A CN111930094A (zh) | 2020-07-13 | 2020-07-13 | 一种基于扩展卡尔曼滤波的无人机执行机构故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111930094A true CN111930094A (zh) | 2020-11-13 |
Family
ID=73312991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010668986.5A Pending CN111930094A (zh) | 2020-07-13 | 2020-07-13 | 一种基于扩展卡尔曼滤波的无人机执行机构故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111930094A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114035543A (zh) * | 2021-11-05 | 2022-02-11 | 中国空气动力研究与发展中心空天技术研究所 | 一种飞机受损状态下的自修复控制方法 |
CN116520698A (zh) * | 2023-05-04 | 2023-08-01 | 中国人民解放军国防科技大学 | 基于扩展卡尔曼滤波器的运载火箭执行机构容错控制方法 |
CN116700203A (zh) * | 2023-05-04 | 2023-09-05 | 中国人民解放军国防科技大学 | 一种运载火箭姿态控制系统的故障检测与隔离方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010018900A1 (de) * | 2010-04-30 | 2011-11-03 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Positionsschätzer für einen GNSS Empfänger |
CN102542149A (zh) * | 2011-10-11 | 2012-07-04 | 江苏科技大学 | 基于fpga的裂变自举粒子滤波算法的硬件实现方法 |
CN105716844A (zh) * | 2016-01-30 | 2016-06-29 | 西北工业大学 | 建立机电作动器的卡尔曼滤波模型及故障诊断方法 |
CN106649727A (zh) * | 2016-12-23 | 2017-05-10 | 南京航空航天大学 | 一种用于无人机飞行控制系统故障检测的数据库构建方法 |
CN107390166A (zh) * | 2017-07-18 | 2017-11-24 | 北京航空航天大学 | 一种自适应干扰源定位飞行校验方法 |
CN110082115A (zh) * | 2019-04-23 | 2019-08-02 | 哈尔滨工业大学 | 一种针对运载火箭的在线单发推力故障诊断方法 |
-
2020
- 2020-07-13 CN CN202010668986.5A patent/CN111930094A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010018900A1 (de) * | 2010-04-30 | 2011-11-03 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Positionsschätzer für einen GNSS Empfänger |
CN102542149A (zh) * | 2011-10-11 | 2012-07-04 | 江苏科技大学 | 基于fpga的裂变自举粒子滤波算法的硬件实现方法 |
CN105716844A (zh) * | 2016-01-30 | 2016-06-29 | 西北工业大学 | 建立机电作动器的卡尔曼滤波模型及故障诊断方法 |
CN106649727A (zh) * | 2016-12-23 | 2017-05-10 | 南京航空航天大学 | 一种用于无人机飞行控制系统故障检测的数据库构建方法 |
CN107390166A (zh) * | 2017-07-18 | 2017-11-24 | 北京航空航天大学 | 一种自适应干扰源定位飞行校验方法 |
CN110082115A (zh) * | 2019-04-23 | 2019-08-02 | 哈尔滨工业大学 | 一种针对运载火箭的在线单发推力故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
齐俊桐等: "《旋翼飞行器机器人故障与容错控制技术综述》", 《智能系统学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114035543A (zh) * | 2021-11-05 | 2022-02-11 | 中国空气动力研究与发展中心空天技术研究所 | 一种飞机受损状态下的自修复控制方法 |
CN114035543B (zh) * | 2021-11-05 | 2023-12-12 | 中国空气动力研究与发展中心空天技术研究所 | 一种飞机受损状态下的自修复控制方法 |
CN116520698A (zh) * | 2023-05-04 | 2023-08-01 | 中国人民解放军国防科技大学 | 基于扩展卡尔曼滤波器的运载火箭执行机构容错控制方法 |
CN116700203A (zh) * | 2023-05-04 | 2023-09-05 | 中国人民解放军国防科技大学 | 一种运载火箭姿态控制系统的故障检测与隔离方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abbaspour et al. | Neural adaptive observer-based sensor and actuator fault detection in nonlinear systems: Application in UAV | |
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 | |
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 | |
Freeman et al. | Model-based and data-driven fault detection performance for a small UAV | |
CN111930094A (zh) | 一种基于扩展卡尔曼滤波的无人机执行机构故障诊断方法 | |
Fravolini et al. | Data-driven schemes for robust fault detection of air data system sensors | |
Lombaerts et al. | Online aerodynamic model structure selection and parameter estimation for fault tolerant control | |
Fravolini et al. | Experimental interval models for the robust fault detection of aircraft air data sensors | |
CN108170127A (zh) | 一种无人机飞行控制系统的故障检测方法 | |
CN113128035B (zh) | 民用飞机飞控传感器信号重构容错控制方法 | |
Balzano et al. | Air data sensor fault detection with an augmented floating limiter | |
Li et al. | A data driven fault detection and isolation scheme for UAV flight control system | |
RAUCH et al. | Fault detection, isolation, and reconfiguration for aircraft using neural networks | |
Park et al. | Model-free unsupervised anomaly detection of a general robotic system using a stacked LSTM and its application to a fixed-wing unmanned aerial vehicle | |
CN115218927B (zh) | 基于二次卡尔曼滤波的无人机imu传感器故障检测方法 | |
Zhang et al. | A deep neural network-based fault detection scheme for aircraft IMU sensors | |
Lerro et al. | Experimental analysis of neural approaches for synthetic angle-of-attack estimation | |
Samar et al. | Embedded estimation of fault parameters in an unmanned aerial vehicle | |
Hansen et al. | Control surface fault diagnosis with specified detection probability—Real event experiences | |
Okatan et al. | Kalman filter innovation sequence based fault detection in LEO satellite attitude determination and control system | |
Cordeiro et al. | Actuation Failure Detection in Fixed-Wing Aircraft Combining a Pair of Two-Stage Kalman Filters | |
Freeman et al. | Analytical fault detection for a small UAV | |
Wang et al. | A data driven approach for detection and isolation of anomalies in a group of UAVs | |
Ma | Development of fault detection and diagnosis techniques with applications to fixed-wing and rotary-wing UAVs | |
Dhakal et al. | UAV fault and anomaly detection using autoencoders |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20220603 |
|
AD01 | Patent right deemed abandoned |