CN112884051A - 数据驱动的轻量级无人机多部件在线复杂故障诊断方法 - Google Patents

Abstract

本发明公开了一种数据驱动的轻量级无人机多部件在线复杂故障诊断方法，包括：根据目标参数获取待监测多部件的相关飞行参数，利用飞行参数重要性模糊评价融合策略处理该参数得到关重飞行参数；基于回归方法对训练集中的关重飞行参数进行预测性多模型训练，得到多部件回归模型；将测试集的关重飞行参数输入至多部件回归模型中，以计算估计值，并计算估计值与实际值的残差；判断残差是否小于统计阈值，若大于，则定位故障部件并发出故障警告；计算故障部件的滑窗均值表征差分值，以识别故障模式，并计算故障部件的故障隔离率进行故障隔离。该方法实现了无人机多个子系统的同时在线故障诊断，还兼具高计算性能、低模型计算复杂度和高故障诊断精度。

Description

数据驱动的轻量级无人机多部件在线复杂故障诊断方法

技术领域

本发明涉及无人机智能故障诊断技术领域，特别涉及一种数据驱动的轻量级无人机多部件在线复杂故障诊断方法，应用于无人机关键部件在线复杂故障检测、估计与隔离。

背景技术

无人机(Unmanned Aerial Vehicle,UAV)由复杂的机械与电子系统构成，是一种由飞行器控制(飞控)系统和地面控制系统综合控制运行的复杂系统。其中飞控为无人机的主要系统，其包含执行机构、传感系统以及飞控计算机等，主要用来控制无人机的飞行姿态。近10年来，无人机部署和应用的规模日益扩大，尤其是执行情报、监控、侦察、定点打击、以及各类枯燥、肮脏或者危险任务。相比有人机，无人机的可靠性和安全性存在较大差距。作为复杂系统任务执行可靠性保证、后勤保障、维护和自主健康管理的重要支撑技术和基础，故障预测和健康管理(prognostics and health management，PHM)技术已经在无人机领域获得关注。PHM强调通过对象系统的状态监测，从历史数据中认识或学习对象系统的健康/非健康行为，通过建立数据模型，或利用已知的系统物理模型，对未来对象系统行为进行预测。其中，对无人机飞控系统进行高效、实时地在线故障诊断，以达到故障检测、估计与隔离的功能，对无人机的飞行安全，以及无人机维修的决策都有重要意义。近年来，故障诊断主要采用基于模型或数据驱动的方法，基于模型的方法构建精确的无人机系统的物理模型并结合滤波器进行故障诊断，但无人机的系统复杂，构建模型较困难且成本高，而数据驱动的方法主要通过历史的飞行数据来判断现在的状态是否为故障，解决了基于模型方法中的在无人机系统中成本高且模型复杂的问题，并且不需要构建精确的物理模型，应用前景更为广泛。无人机系统的复杂性、非线性以及高实时性要求，使得同时对系统的关键部件，如各个舵面、姿态传感器等，进行准确的故障诊断面临很大挑战，提升故障诊断模型的精度往往会导致模型复杂度较高而影响实时性性能，当前并未有成熟的解决方案能够良好地兼顾上述指标。因此，亟待需要研究一种兼具高计算性能和多部件故障诊断精度的复杂故障诊断方法。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的目的在于提出一种数据驱动的轻量级无人机多部件在线复杂故障诊断方法，该方法能够同时具备高故障定位准确率、低模型在线运行复杂度和高模型精度。

为达到上述目的，本发明实施例提出了数据驱动的轻量级无人机多部件在线复杂故障诊断方法，包括以下步骤：步骤S1，根据预设目标参数获取待监测多部件的相关飞行参数，利用飞行参数重要性模糊评价融合策略处理所述相关飞行参数，得到关重飞行参数，将所述预设目标参数和所述关重飞行参数构建成数据集，并将所述数据集分成训练集和测试集；步骤S2，基于数据驱动回归方法对所述训练集中的关重飞行参数进行预测性多模型训练，得到多部件回归模型，并利用所述训练集的估计值与所述训练集中的预设目标参数得到各部件故障检测的统计阈值；步骤S3，将所述测试集中第t时刻的关重飞行参数输入至所述多部件回归模型中，得到所述测试集的估计值，计算所述测试集的估计值与所述测试集的预设目标参数的残差；步骤S4，判断所述残差是否小于所述统计阈值，若小于，则无故障，反之，则定位故障部件并发出故障警告；步骤S5，计算所述故障部件的滑窗均值表征差分值，根据所述滑窗均值表征差分值判断故障模式，其中，所述故障模式包括卡死故障、恒偏差故障和漂移故障。

本发明实施例的数据驱动的轻量级无人机多部件在线复杂故障诊断方法，能够实现检测各部件发生故障的时刻、定位到发生故障的部位、以及识别故障的模式类型；多模型回归方法的设计具有低计算复杂度、高计算精度、以及低资源消耗的特点，可以同时检测多个子系统的状态，高效且有利于定位到故障的位置，同时适合在线的应用场景。此外，还实现了故障隔离，解决了由误检结果过多而造成的模型精度过高的问题。

另外，根据本发明上述实施例的数据驱动的轻量级无人机多部件在线复杂故障诊断方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述待监测多部件包括无人机的执行机构和传感系统，其中，所述执行机构包括升降舵、副翼和方向舵，所述传感系统包括俯仰角速率传感器和滚转角速率传感器。

进一步地，在本发明的一个实施例中，所述飞行参数重要性模糊评价融合策略为融合利用专家经验评分法和皮尔逊相关系数法。

进一步地，在本发明的一个实施例中，所述步骤S1具体包括：根据预设目标参数获取待监测多部件的相关飞行参数；使用所述专家经验评分法将所述相关飞行参数划分为k个等级；采用皮尔逊相关系数法计算选取参数与目标参数的相关系数；根据所述专家经验评分法设置评分标准权重占比和相关系数权重占比；根据所述评分标准权重占比和所述相关系数权重占比分别计算每个飞行参数权重，得到所述关重飞行参数；将所述预设目标参数和所述关重飞行参数构建成数据集，并将所述数据集分成训练集和测试集。

进一步地，在本发明的一个实施例中，所述步骤S2具体包括：采用z-score法对所述训练集进行归一化处理，并将归一化处理后的训练飞行参数进行三维重构，得到训练输入样本和训练输出样本；基于回归方法，对所述训练输入样本和所述训练输出样本进行非线性回归映射，得到所述回归模型。

进一步地，在本发明的一个实施例中，所述回归模型为：

其中，f(X_i)为回归模型的估计值，X为测试输入向量，X_i为第i个支持向量，N为训练输入样本的数量，K为核矩阵，b为偏差量。

进一步地，在本发明的一个实施例中，所述步骤S3具体包括：采用z-score法对所述测试集进行归一化处理，并将归一化处理后的测试飞行参数进行三维重构，得到测试输入样本和测试输出样本；将第t时刻的测试输入样本输入至所述回归模型中，得到所述测试集的估计值；根据所述测试集的估计值与所述测试输出样本计算残差。

进一步地，在本发明的一个实施例中，所述步骤S5中利用

计算待监测多部件的实际输出值y(k)，其中，

为预设期望输出值，s(k)为增益，k为当前时刻，d(k)为输出值产生的偏差，当当前时刻滑窗内实际输出样本y＝[y_k-M+1,y_k-M+2,…,y_k]的均值与滑窗内上一时刻的实际输出样本的均值恒定不变，则发生所述卡死故障，其中，M为每个样本的重构长度；当当前时刻滑窗内实际输出y＝[y_k-M+1,y_k-M+2,…,y_k]的均值与预设期望输出样本的均值

的差分值d＝[d_k-M+1,d_k-M+2,…,d_k]的均值表征值在固定区间内波动变化，则发生所述恒偏差故障；当当前时刻滑窗内实际输出y＝[y_k-M+1,y_k-M+2,…,y_k]的均值与预设期望输出样本的均值

的差分值d＝[d_k-M+1,d_k-M+2,…,d_k]的均值表征值呈线性增加，则发生所述漂移故障。

进一步地，在本发明的一个实施例中，还包括：步骤S6，基于所述步骤S5的判断结果计算所述故障部件的故障隔离率进行故障隔离。

进一步地，在本发明的一个实施例中，所述故障隔离率的计算公式为：

其中，FIR为故障隔离率，N_y1为故障部件发生故障后能够被正确检测出的采样点数，{N_y2,N_y3,…N_yn}为n-1个故障部件相同时间段内被误检的采样点数集合，N_fault为整个飞行时间段内n个部件被判定为故障的总的采样点数。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明一个实施例的数据驱动的轻量级无人机多部件在线复杂故障诊断方法的流程图；

图2是本发明一个实施例的数据驱动的轻量级无人机多部件在线复杂故障诊断方法具体执行流程图；

图3是本发明一个实施例的关重飞行参数选取流程图；

图4是本发明一个实施例的轻量级无人机多部件在线复杂故障诊断建模流程图；

图5是本发明一个实施例的故障模式识别流程图；

图6是本发明一个具体实施例的升降舵舵面偏转角的训练集(a)和测试集(b)的实际值和预测估计值对比示意图；

图7是本发明一个具体实施例的降舵舵面偏转角测试集的残差曲线图；

图8是本发明一个具体实施例的不同执行机构偏转角的残差曲线图；

图9是本发明一个具体实施例的升降舵舵面偏转角的均值随时间的变化趋势曲线图。

具体实施方式

下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参照附图描述根据本发明实施例提出的数据驱动的轻量级无人机多部件在线复杂故障诊断方法。

图1是本发明一个实施例的数据驱动的轻量级无人机多部件在线复杂故障诊断方法的流程图。

图2是本发明一个实施例的数据驱动的轻量级无人机多部件在线复杂故障诊断方法具体执行流程图。

如图1和2所示，该数据驱动的轻量级无人机多部件在线复杂故障诊断方法包括以下步骤：

在步骤S1中，根据预设目标参数获取待监测多部件的相关飞行参数，利用飞行参数重要性模糊评价融合策略处理相关飞行参数，得到关重飞行参数，将预设目标参数和关重飞行参数构建成数据集，并将数据集分成训练集和测试集。

其中，待监测多部件包括无人机的执行机构和传感系统，执行机构主要包括升降舵、副翼和方向舵，传感系统主要包括俯仰角速率传感器和滚转角速率传感器。飞行参数重要性模糊评价融合策略为融合利用专家经验评分法和皮尔逊相关系数法。

进一步地，在本发明的一个实施例中，步骤S1包括：

根据预设目标参数获取待监测多部件的相关飞行参数；

使用专家经验评分法将相关飞行参数划分为k个等级；

采用皮尔逊相关系数法计算选取参数与目标参数的相关系数；

根据专家经验评分法设置评分标准权重占比和相关系数权重占比；

根据评分标准权重占比和相关系数权重占比分别计算每个飞行参数权重，得到关重飞行参数；

将预设目标参数和关重飞行参数构建成数据集，并将数据集分成训练集和测试集，例如，选取数据集中前50％数据作为训练集，将剩余部分数据作为测试集。

具体地，如图3所示，假设待监测多部件的目标参数数据矩阵为Y＝[y₁,y₂,…,y_n],

n为要监测部件的数目。根据无人机的物理机理模型，选出与待监测各个部件相关的飞行参数，假设与部件p的相关参数的飞行数据分别为x₁,x₂,…x_q，q为相关参数的数目，根据专家经验评分法将各个参数评分量化成k个等级，可表示为s₁,s₂,…s_k。

然后，本发明实施例采用皮尔逊相关系数法计算选取参数与目标参数的相关系数，计算公式如下：

其中，E(·)为数学期望或均值，D(·)为方差，开根号为标准差，Cov(x_i,y_i)为随机变量x_i，y_i的协方差。

进一步地，融合以上两种参数的选取方法，根据专家经验评分法设置评分标准权重占比为a₁，相关系数权重占比为a₂，分别计算每个参数权重，选择满足专家设定阈值要求的特征参数，即关重飞行参数，并将关重飞行参数划分为训练集和测试集。权重计算公式为：

w_p＝a₁s_i+a₂ρ_i (2)

在步骤S2中，基于数据驱动回归方法对训练集中的关重飞行参数进行预测性多模型训练，得到多部件回归模型，并利用训练集的估计值与训练集中的预设目标参数得到各部件故障检测的统计阈值。

进一步地，在本发明的一个实施例中，步骤S2包括：

采用z-score法对训练集进行归一化处理，并将归一化处理后的训练飞行参数进行三维重构，得到训练输入样本和训练输出样本；

基于回归方法，对训练输入样本和训练输出样本进行非线性回归映射，得到回归模型。

具体地，如图4所示，假设关重飞行参数中训练集的输入数据为X＝[x₁,x₂,…,x_N],

输出数据为Y＝[y₁,y₂,…,y_N]，

其中，N为样本总长度，x_i和y_i分别为第i时刻的输入和输出数据。

采用用z-score法对训练集进行归一化处理，归一化法如下：

其中，X_zscore为归一化后的训练集，μ为训练集输入数据X的均值，σ为训练集输入数据X的标准差。

接下来，对归一化的训练集X_zscore进行三维重构，假设每一时刻重构输入样本的长度为D，则t时刻的待监测部件飞行参数输入样本如下：

X_t＝[x_t-D+1,x_t-D+2,…,x_t] (4)

则t时刻的输出样本为y_t。

进而得到重构后的训练集输入样本和训练集输出样本为：

进一步地，假设训练集为

N为训练样本的数量。某非线性映射φ(g):

将输入空间映射至高维特征空间F中，在特征空间中，设回归模型为y＝w^Tφ(X_i)+b，其中，w为回归超平面的法向量

b为偏差量。

回归问题的求解可以转化为以下带有等式约束的二次优化问题：

其中，e_i为第i个估计值与真实值之间的误差，C为正则化参数。

优化问题中损失函数采用误差平方项，使用正则化参数C调节惩罚力度。约束条件也由不等式转化为等式。

其拉格朗日函数如下：

对拉格朗日函数取极值：

整理成矩阵形式可得：

其中，

Ω_ij＝φ(X_i)'φ(X_j)＝K(X_i,X_j)，I_N为N阶单位阵。

令A＝Ω+C^-1I_N可得：

所得回归模型为：

其中，f(X_i)为回归模型的估计值，X为测试输入向量，X_i为第i个支持向量，N为训练输入样本的数量，K为核矩阵，b为偏差量。

从而完成预测性多模型训练，学会了正常状态下的执行机构和传感器的飞行状态，建立了数据驱动的轻量级在线复杂故障诊断模型(即回归模型)，实现各个部件间模型互不干扰。

在步骤S3中，将测试集中第t时刻的关重飞行参数输入至多部件回归模型中，得到测试集的估计值，计算测试集的估计值与测试集的预设目标参数的残差。

进一步地，在本发明的一个实施例中，步骤S3具体包括：

采用z-score法对测试集进行归一化处理，并将归一化处理后的测试飞行参数进行三维重构，得到测试输入样本和测试输出样本；

将第t时刻的测试输入样本输入至回归模型中，得到测试集的估计值；

根据测试集的估计值与第t时刻的测试输出样本计算残差。

具体地，如图2所示，与步骤S2的相同，先对关重飞行参数的测试集进行归一化和三维重构，得到测试输入样本和测试输出样本。然后，将第t时刻的测试输入样本输入至回归模型中，得到回归模型的估计值。将估计值与目标监测参数的实际值(第t时刻的测试输出样本)作差，得到残差作为故障检测的统计阈值，计算公式为：

其中，e_test为残差，Y_R为估计值，

为目标监测参数的实际值。

在步骤S4中，判断残差是否小于统计阈值，若小于，则无故障，反之，则定位故障部件并发出故障警告。

其中，根据训练集的残差e_train统计检测阈值，计算公式为：

Th＝μ_e+kσ_e (13)

式中，μ_e为残差统计量的平均值，σ_e为残差统计量的标准差，k为一个常量，在99％置信区间情况下的置信度。

具体地，以升降舵为例，当第t时刻的数据流(t-D+1＞0)传入回归模型时，采用公式(4)和(5)对无人机各个飞行参数X进行归一化和重构，重构后的输入输出样本为：

利用升降舵的回归模型f(·)和输入样本X_t，计算y_t的估计值

采用公式(12)计算当前时刻的残差e_t，将残差的绝对值与“模型训练”中获得的升降舵的统计检测阈值进行比较，如下：

如果F_t＝1，则可以定位到第t时刻出现故障的部位并给出故障告警。

在步骤S5中，计算故障部件的滑窗均值表征差分值，根据滑窗均值表征差分值判断故障模式，其中，故障模式包括卡死故障、恒偏差故障和漂移故障。

进一步地，在本发明的一个实施例中，步骤S5中利用

计算待监测多部件的实际输出值y(k)，其中，

为预设期望输出值，s(k)为增益，k为当前时刻，d(k)为输出值产生的偏差，

当当前时刻滑窗内实际输出样本y＝[y_k-M+1,y_k-M+2,…,y_k]的均值与滑窗内上一时刻的实际输出样本的均值恒定不变，则发生卡死故障，其中，M为每个样本的重构长度；

当当前时刻滑窗内实际输出y＝[y_k-M+1,y_k-M+2,…,y_k]的均值与预设期望输出样本的均值

的差分值d＝[d_k-M+1,d_k-M+2,…,d_k]的均值表征值在固定区间内波动变化，则发生恒偏差故障；

当当前时刻滑窗内实际输出y＝[y_k-M+1,y_k-M+2,…,y_k]的均值与预设期望输出样本的均值

的差分值d＝[d_k-M+1,d_k-M+2,…,d_k]的均值表征值呈线性增加，则发生漂移故障。

需要说明的是，卡死故障、恒偏差故障和漂移故障为执行机构和传感器的常见故障，本发明实施例中只考虑这三种故障，为了表示执行机构和传感器的输出信号在各种故障模式下的特征，利用如下的数学模型表示：

式中，

为给定的期望输出值，y(k)为舵机或传感器实际输出值，s(k)为增益，k为当前时刻，d(k)为输出值产生的偏差。下表为上述三种故障下各参数的特征。

表1三种故障下各参数特征

由表1可知，当发生卡死故障时，实际输出保持上一时刻的值不再变化；发生恒偏差故障时，实际输出与期望输出保持一恒定的差值；发生漂移故障时，实际输出与期望输出之间的差值线性增加。因此，如公式(4)的表达方式，重构每一时刻样本点的表征值，以此表征信息判断无人机所发生的故障类型，如图4所示。将三种故障的判别方法总结如下：

(1)卡死故障：假设每个样本点的重构长度为M，则得到连续故障的样本点y＝[y_k-M+1,y_k-M+2,…,y_k]，计算k时刻的平滑实际输出表征均值，即：

若该均值与上一时刻的平滑表征均值保持恒定(在极小的范围内波动)，则认为当前时刻为卡死故障。

(2)恒偏差故障：计算当前输出与正常值之间的残差，即d(k)，假设每个样本点的重构长度为M，则得到连续的故障样本点d＝[d_k-M+1,d_k-M+2,…,d_k]，计算k时刻的平滑残差表征均值，即：

若该均值明显偏离零且在一固定值范围内波动，则为恒偏差故障。其中，d(k)可取的区间范围由在发生恒偏差故障时模型历史表现的残差精度得出，假设模型历史表现的残差均值为μ_d，标准差为σ_d，则d(k)可取的区间范围为[μ_d-ασ_d,μ_d+ασ_d]，α为99％置信区间下的置信度。

(3)漂移故障：得到连续的残差故障样本点d＝[d_k-M+1,d_k-M+2,…,d_k]，对此样本进行多项式拟合得到斜率表征，若所得拟合多项式为一次函数且斜率在一固定值范围内波动，则为漂移故障。其中，斜率表征的区间范围利用如上的统计方式可得到，即通过模型历史表现的斜率精度的均值和标准差统计值计算。

需要说明的是，由上述判断故障的方法可知，仅有单一时刻的故障告警并不能判断出故障模式，因此，累积一定量的连续故障时刻的残差和飞行参数才可判断子系统的故障类型。

在步骤S6中，基于步骤S5的判断结果计算故障部件的故障隔离率进行故障隔离。

需要说明的是，故障定位的目的是便于后续的隔离和维护。故障隔离率(FIR，Fault Isolation Rate)来定量衡量多部件故障隔离效果，定义故障隔离率为在规定的时间内，用规定的方法可正确隔离到的故障数，与同一时间内可正确检测到的故障数之比。本发明实施例的多模型建模使各部件间的模型互不干扰，因此，故障隔离的作用能够避免由于模型精度所造成误检率过高的问题。

具体地，本发明实施例在判定为故障时，假设若残差曲线中有连续20个采样点被判定为故障，才认为故障发生，否则认为是由于模型精度产生的毛刺而造成的误检。假设目标参数y₁发生故障，用

为故障部件发生故障后能够被正确检测出的采样点数，

分别为n-1个部件相同时间段内被误检的采样点数集合，用N_tluaf为整个飞行时间段内这n个部件被判定为故障的总的采样点数，由此，故障隔离率FIR可由下式计算得到：

在满足故障隔离率的条件下，故障检测率也是评价故障诊断的标准，检测率TPR可由下式计算得到：

其中，TP为异常样本中被正确检测到异常的数目，FN为异常样本中没有被检测到异常的数目，则TP+FN则为异常样本的总数目。

下面通过一个具体实施例对本发明实施例提出的数据驱动的轻量级无人机多部件在线复杂故障诊断方法进一步说明。

本具体实施例中用于实验验证的数据来自实际无人机飞行数据。执行机构和传感器的检测参数分别为各个舵的舵面偏转角、俯仰角速率以及滚转角速率。以升降舵为例，根据无人机的物理机理模型，判断与升降舵相关的飞行参数有升降舵的控制指令δ_e、俯仰角α_p、高度h以及垂直速度v_d。根据专家经验，以及公式(1)和公式(2)确定用于建模的升降舵飞行参数为升降舵的控制指令。

步骤一，由飞行参数重要性模糊评价融合策略得到执行机构和传感系统的关重飞行参数，如表2所示，将各个舵机的控制指令作为被监测的输入参数，其对应的舵面偏转角作为被监测的输出参数，俯仰角速率传感器以升降舵的舵面偏转角为输入，滚转角速率传感器以副翼的舵面偏转角为输入。则样本的输入、输出分别记为X＝{δ_e,δ_a,δ_r,α_e,α_a}、Y＝{α_e,α_a,α_r,p,q}，其中，各参数样本的总长度为6270个样本点，将前3040个样本点作为训练集，后3230个样本点以数据流的形式传入作为测试集。在测试集中，从第2000点开始发生渐变漂移故障，漂移速率呈线性增加，并且舵面偏转角达到最大偏转角后不再变化。

表2无人机飞参数据列表及各参数单位

步骤二，以升降舵为例，将其训练集的输入

带入本专利中“轻量级在线复杂故障诊断模型构建”部分，通过公式(3)至(13)得到多变量回归模型

和由正常飞行数据估计残差统计得到的检测阈值

步骤三，将升降舵的测试集的输入

和输出

带入公式(15)中，获得测试集中目标参数的估计值，然后通过公式(12)计算目标参数的估计值与输出

的残差

步骤四，利用公式(16)将平滑后的每一个残差的绝对值与统计阈值

进行比较，得到故障检测的结果，当测试集所有数据流都测试完毕后，得到测试集全部的估计值

和残差值

则训练集和测试集的升降舵舵面偏转角的实际值和预测估计值如图6所示，测试集的残差曲线图如图7所示。

依照上述描述，得到所有执行机构的飞行参数阈值和残差曲线，由于执行机构和传感器是两个不同的系统，两系统需要分别判断，以执行机构为例，不同执行机构的残差曲线如图8所示，各个执行机构的残差分别与对应阈值对比，超过阈值判断为升降舵发生故障。

步骤五，将升降舵舵面偏转角的实际值和与估计值的残差代入步骤S5部分，得到重构的舵面偏转角均值随时间的变化趋势如图9所示，当重构样本点为第2000个采样点之后时，发现该斜率在0.06附近上下波动，在2670个采样点之后，舵面达到最大偏转角，因此可以认为在第2000个采样点之后到舵面达到最大偏角之前，重构样本残差的斜率为一固定值。可知，升降舵发生的故障类型为漂移故障。

步骤六，统计升降舵在整个飞行时间段内三个舵机被判定为故障的总的采样点数N_fault、发生故障后能够被正确检测出的采样点数

以及副翼和方向舵相同时间段内被误检的采样点数

和

根据公式(20)计算隔离率，若隔离率不满足现有先进故障诊断水平的标准，则调整模型或者阈值重新诊断故障，直至隔离率和检测率达到现有先进水平。

步骤七，在完成故障诊断后，得到执行机构的故障检测率为97.46％，故障隔离率为91.97％。本发明实施例对执行机构卡死故障、恒偏差故障、漂移故障，以及传感器的三种故障模式均执行了在线故障诊断，得到指标结果如表3所示，证实了本发明所提出的方法的有效性和实用性。

表3无人机执行机构和传感器在各个故障模式下的评价指标

综上，本发明实施例提出的数据驱动的轻量级无人机多部件在线复杂故障诊断方法，首先融合专家经验和数据相关性对各部件各个输入特征参数进行选取；然后通过历史飞行数据提取各个执行机构和传感器的特征信息，并分别构建各执行机构和传感器参数的最小二乘支持向量机模型，每个子系统的模型间互不干扰，且其轻量级的特性符合在线监测的场景；利用所建立模型预测各部件当前时刻的状态，若飞行的实际数据和估计数据间的残差超过设定阈值，则此部件发生故障，并予以告警指示；监测到无人机发生一段连续的告警指示后，对实时故障表征信息进行动态平滑，获得较稳定的故障表征信息，根据故障判别模式进而判断当前故障类型；最后由于多模型故障诊断间互不干扰，实现故障隔离以避免误检率过高。该方法当无人机发生故障时，准确地定位到发生故障的部位和判断故障模式对于后续排除故障有着重要的作用，能够同时具备高故障定位准确率、低模型在线运行复杂度和高模型精度。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种数据驱动的轻量级无人机多部件在线复杂故障诊断方法，其特征在于，包括以下步骤：

步骤S1，根据预设目标参数获取待监测多部件的相关飞行参数，利用飞行参数重要性模糊评价融合策略处理所述相关飞行参数，得到关重飞行参数，将所述预设目标参数和所述关重飞行参数构建成数据集，并将所述数据集分成训练集和测试集；

步骤S2，基于数据驱动回归方法对所述训练集中的关重飞行参数进行预测性多模型训练，得到多部件回归模型，并利用所述训练集的估计值与所述训练集中的预设目标参数得到各部件故障检测的统计阈值；

步骤S3，将所述测试集中第t时刻的关重飞行参数输入至所述多部件回归模型中，得到所述测试集的估计值，计算所述测试集的估计值与所述测试集的预设目标参数的残差；

步骤S4，判断所述残差是否小于所述统计阈值，若小于，则无故障，反之，则定位故障部件并发出故障警告；

步骤S5，计算所述故障部件的滑窗均值表征差分值，根据所述滑窗均值表征差分值判断故障模式，其中，所述故障模式包括卡死故障、恒偏差故障和漂移故障。

2.根据权利要求1所述的数据驱动的轻量级无人机多部件在线复杂故障诊断方法，其特征在于，所述待监测多部件包括无人机的执行机构和传感系统，其中，所述执行机构包括升降舵、副翼和方向舵，所述传感系统包括俯仰角速率传感器和滚转角速率传感器。

3.根据权利要求1所述的数据驱动的轻量级无人机多部件在线复杂故障诊断方法，其特征在于，所述飞行参数重要性模糊评价融合策略为融合利用专家经验评分法和皮尔逊相关系数法。

4.根据权利要求3所述的数据驱动的轻量级无人机多部件在线复杂故障诊断方法，其特征在于，所述步骤S1具体包括：

根据预设目标参数获取待监测多部件的相关飞行参数；

使用所述专家经验评分法将所述相关飞行参数划分为k个等级；

采用皮尔逊相关系数法计算选取参数与目标参数的相关系数；

根据所述专家经验评分法设置评分标准权重占比和相关系数权重占比；

根据所述评分标准权重占比和所述相关系数权重占比分别计算每个飞行参数权重，得到所述关重飞行参数；

将所述预设目标参数和所述关重飞行参数构建成数据集，并将所述数据集分成训练集和测试集。

5.根据权利要求1所述的数据驱动的轻量级无人机多部件在线复杂故障诊断方法，其特征在于，所述步骤S2具体包括：

采用z-score法对所述训练集进行归一化处理，并将归一化处理后的训练飞行参数进行三维重构，得到训练输入样本和训练输出样本；

基于回归方法，对所述训练输入样本和所述训练输出样本进行非线性回归映射，得到所述回归模型。

6.根据权利要求1所述的数据驱动的轻量级无人机多部件在线复杂故障诊断方法，其特征在于，所述回归模型为：

其中，f(X_i)为回归模型的估计值，X为测试输入向量，X_i为第i个支持向量，N为训练输入样本的数量，K为核矩阵，b为偏差量。

7.根据权利要求1所述的数据驱动的轻量级无人机多部件在线复杂故障诊断方法，其特征在于，所述步骤S3具体包括：

采用z-score法对所述测试集进行归一化处理，并将归一化处理后的测试飞行参数进行三维重构，得到测试输入样本和测试输出样本；

将第t时刻的测试输入样本输入至所述回归模型中，得到所述测试集的估计值；

根据所述测试集的估计值与所述测试输出样本计算残差。

8.根据权利要求1所述的数据驱动的轻量级无人机多部件在线复杂故障诊断方法，其特征在于，所述步骤S5中利用

计算待监测多部件的实际输出值y(k)，其中，

为预设期望输出值，s(k)为增益，k为当前时刻，d(k)为输出值产生的偏差，

当当前时刻滑窗内实际输出样本y＝[y_k-M+1,y_k-M+2,…,y_k]的均值与滑窗内上一时刻的实际输出样本的均值恒定不变，则发生所述卡死故障，其中，M为每个样本的重构长度；

当当前时刻滑窗内实际输出y＝[y_k-M+1,y_k-M+2,…,y_k]的均值与预设期望输出样本的均值

的差分值d＝[d_k-M+1,d_k-M+2,…,d_k]的均值表征值在固定区间内波动变化，则发生所述恒偏差故障；

当当前时刻滑窗内实际输出y＝[y_k-M+1,y_k-M+2,…,y_k]的均值与预设期望输出样本的均值

的差分值d＝[d_k-M+1,d_k-M+2,…,d_k]的均值表征值呈线性增加，则发生所述漂移故障。

9.根据权利要求1所述的数据驱动的轻量级无人机多部件在线复杂故障诊断方法，其特征在于，还包括：

步骤S6，基于所述步骤S5的判断结果计算所述故障部件的故障隔离率进行故障隔离。

10.根据权利要求9所述的数据驱动的轻量级无人机多部件在线复杂故障诊断方法，其特征在于，所述故障隔离率的计算公式为：

其中，FIR为故障隔离率，N_y1为故障部件发生故障后能够被正确检测出的采样点数，{N_y2,N_y3,…N_yn}为n-1个故障部件相同时间段内被误检的采样点数集合，N_fault为整个飞行时间段内n个部件被判定为故障的总的采样点数。

Images