CN114564000A - 基于智能飞行器执行器故障诊断的主动容错方法及系统 - Google Patents
基于智能飞行器执行器故障诊断的主动容错方法及系统 Download PDFInfo
- Publication number
- CN114564000A CN114564000A CN202210193150.3A CN202210193150A CN114564000A CN 114564000 A CN114564000 A CN 114564000A CN 202210193150 A CN202210193150 A CN 202210193150A CN 114564000 A CN114564000 A CN 114564000A
- Authority
- CN
- China
- Prior art keywords
- fault
- model
- aircraft
- fault diagnosis
- actuator
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012544 monitoring process Methods 0.000 claims abstract description 53
- 230000004913 activation Effects 0.000 claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 description 26
- 230000008569 process Effects 0.000 description 21
- 230000007246 mechanism Effects 0.000 description 14
- 230000015556 catabolic process Effects 0.000 description 8
- 238000006731 degradation reaction Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000005299 abrasion Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000019771 cognition Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
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
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于智能飞行器执行器故障诊断的主动容错方法及系统。该方法包括：采用切换线性变参数控制理论对变体飞行器进行建模；基于监测指标计算规则激活权重；基于规则激活权重，采用解析证据推理算法对置信规则库中的规则进行融合，得到故障诊断模型；采用故障诊断模型对智能飞行器执行器的故障进行诊断；基于监测指标的权重和规则激活权重，采用解析证据推理算法对置信规则库中的规则进行融合，得到容错控制模型；基于监测指标和故障诊断结果，采用容错控制模型得到重构控制矩阵；通过重构控制矩阵对发生故障的执行器进行控制。本发明能够根据执行器的故障程度采取针对性的容错策略，以保证容错后的变体飞行器性能满足要求。
Description
技术领域
本发明涉及智能飞行器执行器控制技术领域，特别是涉及一种基于智能飞行器执行器故障诊断的主动容错方法及系统。
背景技术
随着人工智能技术的不断发展，智能体技术在航空航天、军事装备等领域取得了重大突破。变体飞行器作为智能飞行器的一种，其可以根据飞行阶段、目标任务等对自身结构进行针对性的变化，以提高其机动、突防等能力，具有较强的环境适应性。在变体飞行器飞行过程中，受复杂环境干扰、敌电磁干扰等因素的影响，其自身执行器等关键部件极易发生故障，进而导致变体飞行器性能下降，尤其是在变体飞行器长时间待机或高频次使用后，故障发生概率会大大提高。例如，液压执行器作为变体飞行器中落实控制指令，实现执行器姿态、位置等变化的主要部件，其在高频次使用中面临着密封圈老化、漏油等问题，在飞行过程中面临大负载、强干扰时，其对控制指令的执行度会大大降低，进而影响了飞行器的控制效果。因此，对变体飞行器执行器开展准确地故障检测、诊断与定位，并针对其发生故障的位置、程度等采取针对性的容错策略是提高其飞行可靠度的关键。目前，现有的针对变体飞行器执行器的故障诊断与主动容错方法主要针对其数学模型已知情况开展的，未考虑变体飞行器工程应用过程中所面临的故障样本缺乏、环境干扰不确定、指标相关性等难题。
发明内容
针对现有变体飞行器执行器故障诊断与容错技术的不足，本发明的目的是提供一种基于智能飞行器执行器故障诊断的主动容错方法及系统，使用变体飞行器的观测信息对其执行器故障进行检测、诊断与定位，并根据执行器的故障程度采取针对性的容错策略，以保证容错后的变体飞行器性能满足要求。
为实现上述目的，本发明提供了如下方案：
一种基于智能飞行器执行器故障诊断的主动容错方法，包括：
采用切换线性变参数控制理论对变体飞行器进行建模，得到变体飞行器离散切换LPV模型；所述变体飞行器离散切换LPV模型的输出信号为飞行器监测指标；
基于所述监测指标计算规则激活权重；
基于所述规则激活权重，采用解析证据推理算法对置信规则库中的规则进行融合，得到故障诊断模型；
采用所述故障诊断模型对智能飞行器执行器的故障进行诊断；
基于监测指标的权重和所述规则激活权重，采用解析证据推理算法对置信规则库中的规则进行融合，得到容错控制模型；
基于所述监测指标和故障诊断结果，采用容错控制模型得到重构控制矩阵；
通过重构控制矩阵对发生故障的执行器进行控制。
可选地，基于所述监测指标计算规则激活权重，具体包括：
对所述监测指标进行解耦；
基于解耦后的监测指标计算监测指标相对于置信规则库中每条规则的匹配度；
基于所述匹配度，计算每条规则的激活权重。
可选地，采用所述故障诊断模型对智能飞行器执行器的故障进行诊断，具体包括：
根据所述规则激活权重计算所述故障诊断模型的输出向量；
计算所述输出向量与标准故障向量之间的距离；
根据所述距离确定飞行器执行器所发生的故障。
可选地，还包括：根据故障诊断模型的目标函数和约束条件，采用考虑投影算子的协方差矩阵自适应优化策略对所述故障诊断模型的参数进行优化。
可选地，还包括：根据容错控制模型的目标函数和约束条件，采用考虑投影算子的协方差矩阵自适应优化策略对所述容错控制模型的参数进行优化。
本发明还提供了一种基于智能飞行器执行器故障诊断的主动容错系统，包括:
建模模块，用于采用切换线性变参数控制理论对变体飞行器进行建模，得到变体飞行器离散切换LPV模型；所述变体飞行器离散切换LPV模型的输出信号为飞行器监测指标；
规则激活权重计算模块，用于基于所述监测指标计算规则激活权重；
故障诊断模型确定模块，用于基于所述规则激活权重，采用解析证据推理算法对置信规则库中的规则进行融合，得到故障诊断模型；
故障诊断模块，用于采用所述故障诊断模型对智能飞行器执行器的故障进行诊断；
容错控制模型确定模块，用于基于监测指标的权重和所述规则激活权重，采用解析证据推理算法对置信规则库中的规则进行融合，得到容错控制模型；
重构控制矩阵确定模块，用于基于所述监测指标和故障诊断结果，采用容错控制模型得到重构控制矩阵；
控制模块，用于通过重构控制矩阵对发生故障的执行器进行控制。
可选地，所述激活权重计算模块，具体包括：
解耦单元，用于对所述监测指标进行解耦；
匹配度计算单元，用于基于解耦后的监测指标计算监测指标相对于置信规则库中每条规则的匹配度；
激活权重计算单元，用于基于所述匹配度，计算每条规则的激活权重。
可选地，所述故障诊断模块，具体包括：
输出向量计算单元，用于根据所述规则激活权重计算所述故障诊断模型的输出向量；
距离计算单元，用于计算所述输出向量与标准故障向量之间的距离；
故障确定单元，用于根据所述距离确定飞行器执行器所发生的故障。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明将变体飞行器输出结果确定为监测指标，然后基于BRB构建变体飞行器执行器故障诊断模型，其模型输入信息为变体飞行器输出，模型输出结果为故障诊断结果，即其执行器故障程度；最后，根据执行器不同的故障程度分为三类，第一类为可容忍故障，即通过LPV模型自身具备的鲁棒性处理其轻微性能退化故障，第二类为可调节故障，即可以通过重构控制指令的容错策略对执行器性能实现调整，第三类为不可调节故障，即对于所构建的变体飞行器模型控制器调节范围有限，无法处理执行器大幅度性能退化问题。本发明能够使用专家知识与测试数据，能够有效降低工程应用过程中变体飞行器所面临的实验成本高和专家认知受限问题，从而在大规模系统中推广应用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例基于智能飞行器执行器故障诊断的主动容错方法的流程图；
图2为本发明实施例基于智能飞行器执行器故障诊断的主动容错方法的原理图；
图3为变体飞行器正常状态下观测输出，(a)为正常状态下观测的攻角响应曲线；(b)为正常状态下观测的俯仰角速率响应曲线；
图4为变体飞行器执行器故障诊断输出；
图5为变体飞行器正常状态下控制效果，(a)为正常状态下攻角的控制效果，(b)为正常状态下俯仰角速率的控制效果；
图6为变体飞行器故障状态下控制效果，(a)为故障状态下攻角的控制效果；(b)为故障状态下俯仰角速率的控制效果；
图7为飞行器执行器故障10％下容错控制效果，(a)为攻角y1的容错控制效果；(b)为俯仰角速率y2的容错控制效果；
图8为飞行器执行器故障20％下容错控制效果，(a)为攻角y1的容错控制效果；(b)为俯仰角速率y2的容错控制效果；
图9为飞行器执行器故障30％下容错控制效果，(a)为攻角y1的容错控制效果；(b)为俯仰角速率y2的容错控制效果；
图10为飞行器执行器故障40％下容错控制效果，(a)为攻角y1的容错控制效果；(b)为俯仰角速率y2的容错控制效果；
图11为飞行器执行器故障50％下容错控制效果，(a)为攻角y1的容错控制效果；(b)为俯仰角速率y2的容错控制效果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于智能飞行器执行器故障诊断的主动容错方法及系统，使用变体飞行器的观测信息对其执行器故障进行检测、诊断与定位，并根据执行器的故障程度采取针对性的容错策略，以保证容错后的变体飞行器性能满足要求。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1-2所示，本发明提供的基于智能飞行器执行器故障诊断的主动容错方法，包括以下步骤：
步骤101：采用切换线性变参数控制理论对变体飞行器进行建模，得到变体飞行器离散切换LPV模型；所述变体飞行器离散切换LPV模型的输出信号为飞行器监测指标。
基于切换线性变参数(LPV)控制理论建立变体飞行器控制模型。其中结构的变化主要依靠飞行器的后掠翼角度，后掠翼角度的变化会导致机翼面积、翼展、平均气动弦长等模型参数变化，进而引起气动力和力矩、转动惯量、重心等参数变化，产生惯性力和力矩干扰，其机翼的变结构主要依靠其内部的伺服机构驱动。
变体飞行器离散切换LPV模型可以表示为
其中，x(k)＝[Δα(k)Δq(k)]T为变体飞行器状态向量，Ai(ρk)、Bi(ρk)、Ci(ρk)和Di(ρk)为已知的适维系统矩阵，ρk为时刻k的调参变量值，假设可以实时测量，u(k)＝Δδe(k)为系统输入量，d(k)∈Rpd为L2范数有界的外界环境干扰信号，y(k)∈Rpy为输出向量。u(k)＝K1,i(ρk)x(k)+K2,i(ρk)v(k)，其中，K1,i(ρk)和K2,i(ρk)为待设计的控制器参数矩阵。
步骤102：基于所述监测指标计算规则激活权重。
在飞行器的监测指标获取后，为克服环境噪声等因素对指标所造成的冗余信息，首先构建如下所示的相关性指标解耦模型：
其中，
为解耦矩阵，旨在对飞行器指标信息进行解耦，在模型优化过程中，为保证解耦前后指标物理意义不变，需要针对解耦矩阵中的参数设置约束条件。
表示解耦后的指标。
进而，将其转换成匹配度，如下式所示：
其中，
为第i个监测指标相对于第j条规则的匹配度，cik和ci(k+1)为相邻两条规则中的参考等级，
表示变体飞行器解耦后的输出信号。
然后，M个飞行器监测指标相对于第k条规则的整体匹配度可以通过下式求得：
其中，αk(t)表示输入信息相对于第k条规则的匹配度。
为监测指标的相对权重。
进而，可以求得置信规则库(Beliefrule base，BRB)中规则的匹配度：
其中，wk(t)为第k条规则的激活权重，θk(t)为规则权重，表示各个监测指标之间的相对重要性，0≤θk(t)≤1。
步骤103：基于所述规则激活权重，采用解析证据推理算法对置信规则库中的规则进行融合，得到故障诊断模型。
在获取规则激活权重后，可以将BRB模型中的规则进行融合。采用解析证据推理(Evidential Reasoning，ER)算法对规则进行融合，以保证融合过程中不确定性的合理处理。解析ER算法如下所示：
其中，βn(t)为故障诊断模型输出结果中第n个等级的置信度。
步骤104：采用所述故障诊断模型对智能飞行器执行器的故障进行诊断。
在对执行器开展故障诊断的过程中，采用基于最短距离的方法，通过设置标准故障向量，对比模型输出结果与标准故障向量之间的最短距离，确定执行器所发生的故障。
首先，标准故障向量可以表示为
然后，根据故障诊断模型的输出向量B(t)＝[β1(t) β2(t) … βN(t)]与G之间的距离确定当前时刻执行器所发生的故障，距离计算公式如下所示：
在计算得到模型输出向量与标准故障向量之间的距离，通过下式确定当前时刻执行器所发生的故障：
κ(t)＝min(Disn(t)) (11)
其中，κ(t)表示当前时刻执行器的故障状态。
步骤105：基于监测指标的权重和所述规则激活权重，采用解析证据推理算法对置信规则库中的规则进行融合，得到容错控制模型。
步骤106：基于所述监测指标和故障诊断结果，采用容错控制模型得到重构控制矩阵。
步骤107：通过重构控制矩阵对发生故障的执行器进行控制。
步骤105-107具体包括：
基于故障诊断结果，确定容错控制策略。对于伺服机构等执行器而言，其故障程度不同，所需采取的针对性措施也不同。LPV中所建立的控制器具备一定的鲁棒能力，即能够对干扰、环境噪声、轻微故障等进行处理，保证飞行器飞行的稳定性。因此，对于执行器的轻度故障，不需要采取专用的容错策略，仅需通过其自身的控制器鲁棒性进行处理即可。
对于超出控制器鲁棒能力范围的故障，需要对其采取针对性的容错控制策略。以典型油液伺服机构为例，在其使用过程中极易发生阀口磨损、滑阀卡滞、阀芯径向磨损、密封圈老化等问题，进而导致伺服机构内部伺服阀磨损、油液污染等，引起伺服机构发生性能下降、频响下降、卡死等故障。对于伺服机构的中等故障，本项目通过重构控制矩阵的方式对其进行容错，即将原有的控制矩阵Bi(t)通过基于BRB构建重构模型变成
执行器容错控制模型如下所示：
其中，
为重构后的控制矩阵，un为BRB模型输出等级所对应的效用值，βn(t)为控制律重构模型的输出置信度。
另一方面，对于执行器的严重故障，即故障程度较高时，受控制器控制能力限制，无法通过重构控制矩阵对其进行调整，需要切换备份执行器的方式来保证系统的稳定性
在构建执行器故障诊断与容错控制框架时，其中的BRB模型初始参数由专家给定。由于专家知识的不确定性，导致初始框架性能达不到最佳。因此，需要结合历史和在线获取的监测数据对模型参数进行优化。针对在容错控制框架中的故障诊断模型和控制律重构模型，优化目标分为两个：故障诊断的准确度和信息重构的精度。分别建立如下的目标函数：
其中，Ac为故障诊断的准确度，MSE为信息重构的均方差。T为数据总个数，γ为诊断准确地个数。outputestimated和outputactual分别为控制器重构模型的的估计输出和理想状态下控制器参数。
模型参数在优化的过程中需要遵循以下约束条件：
0≤θk(t)≤1,k＝1,2,...L (16)
0≤βn,k(t)≤1,n＝1,..,N,k＝1,2,...L (17)
0≤δi(t)≤1,i＝1,...,M (19)
其中，在故障诊断和容错控制模型中，BRB模型参数的约束可以不同，具体需要根据所面向的系统进行。
本发明还提供了一种基于智能飞行器执行器故障诊断的主动容错系统，包括:
建模模块，用于采用切换线性变参数控制理论对变体飞行器进行建模，得到变体飞行器离散切换LPV模型；所述变体飞行器离散切换LPV模型的输出信号为飞行器监测指标；
规则激活权重计算模块，用于基于所述监测指标计算规则激活权重；
故障诊断模型确定模块，用于基于所述规则激活权重，采用解析证据推理算法对置信规则库中的规则进行融合，得到故障诊断模型；
故障诊断模块，用于采用所述故障诊断模型对智能飞行器执行器的故障进行诊断；
容错控制模型确定模块，用于基于监测指标的权重和所述规则激活权重，采用解析证据推理算法对置信规则库中的规则进行融合，得到容错控制模型；
重构控制矩阵确定模块，用于基于所述监测指标和故障诊断结果，采用容错控制模型得到重构控制矩阵；
控制模块，用于通过重构控制矩阵对发生故障的执行器进行控制。
其中，所述激活权重计算模块，具体包括：
解耦单元，用于对所述监测指标进行解耦；
匹配度计算单元，用于基于解耦后的监测指标计算监测指标相对于置信规则库中每条规则的匹配度；
激活权重计算单元，用于基于所述匹配度，计算每条规则的激活权重。
其中，所述故障诊断模块，具体包括：
输出向量计算单元，用于根据所述规则激活权重计算所述故障诊断模型的输出向量；
距离计算单元，用于计算所述输出向量与标准故障向量之间的距离；
故障确定单元，用于根据所述距离确定飞行器执行器所发生的故障。
为了验证本发明的有效性，以变体飞行器“Firebee”在变形过程中执行器故障开展仿真验证。主要包括以下步骤：
步骤一：问题描述及监测信息的获取
变体飞行器在发射准备阶段，需要经过多次测试；另一方面，变体飞行器属于循环使用装备，需要重复多次飞行。因此，在使用过程中，随着其电液伺服机构，即执行器，动作次数增加，其内部的活塞、密封圈等关键器件发生老化，进而导致其发生油液污染、漏油等退化非致命性故障。但由于变体飞行器属于典型的高价值、高技术密集型装备，进行多次重复实验的可能性较低，进而导致获取的伺服机构故障状态下的样本较少，多数为正常状态下的测试数据。同时，由于加速退化实验受退化曲线设置等问题导致伺服机构实验室状态下的退化状态与实际使用过程中的退化状态存在区别。因此，这就导致所能够获取的伺服机构故障状态下的数据较少，即高价值样本缺乏。另一方面，由于变体飞行器飞行过程中所面临的复杂环境干扰、敌电磁干扰等具有较强的不可预测性和随机性，导致其对伺服机构工作状态的干扰具有较强性。因此，单纯依靠专家建立变体飞行器准确数学模型难度较大，且不确定性专家知识处理难度较大。鉴于此，本发明通过所构建的基于置信规则库的故障诊断与容错控制模型解决变体飞行器所面临的故障样本缺乏、专家知识不确定性等问题。
变体飞行器执行器正常状态下的输出如图3所示。可以看出，在输入信号受干扰情况下，变体飞行器的输出能够保持在稳定范围内。为了进一步验证所提在线主动容错控制方法的有效性，实验过程中对于控制矩阵分别施加一定的故障，故障程度在1到0之间变化，即从控制器工作正常到完全故障之间变化，根据容错控制输出结果判断执行器中等故障和严重的故障的分界点，即容错控制方法所能够调整的范围裕度。
步骤二：执行器故障诊断与容错的构建
在变体飞行器执行器故障在线主动容错控制框架中，主要分为两个部分：故障诊断模型和容错控制模型。故障诊断模型主要针对变体飞行器执行器所发生的阀口磨损、密封圈老化等导致的油液污染、油液泄露等故障引起的性能下降，按照故障程度将其分为系统可容忍故障(即可通过控制器鲁棒性进行处理的轻微故障，无需才需特殊的容错控制措施来处理)、中等故障(即在容错控制方法的控制裕度内的故障)和严重故障(即超出容错控制方法所能够调整的范围)三种。
在故障诊断模型中，变体飞行器输出y(t)的参考等级和参考值如表1所示，故障等级如表2所示，其中飞行器输出参考等级分为5个，故障等级分为5个。根据BRB模型中规则的构造方式，所构建的执行器故障诊断模型中共有25条规则，所构建的变体飞行器执行器输出初始故障诊断模型如表3所示。对于其指标的解耦矩阵初始值设置为
基于故障诊断模型，确定变体飞行器执行器的故障程度，对于严重故障，无法进行恢复的情况，进行备份执行器的切换；对于其他的可以恢复的故障，对其控制矩阵进行重构。由于变体飞行器执行器控制器调节范围有限，因此在超出变体飞行器执行器的最大调整范围后需要切换容错策略，以保证系统的可靠性。在容错控制模型中，变体飞行器执行器故障程度参考等级和参考值如表4所示，输出的重构电流参考值如表5所示，其中TD，LD，MD，BD和SD分别表示微笑故障、轻微故障、中等缺陷、较大缺陷、严重缺陷。控制矩阵重构模型中共有25条规则，所构建的初始控制矩阵重构模型如表6所示。
表1飞行器输出参考等级和参考值
表2执行器输出故障等级和参考值
表3初始变体飞行器执行器故障诊断模型
表4故障程度参考等级和参考值
表5重构控制矩阵参考等级和参考值
表6初始飞变体行器控制矩阵重构模型
步骤三：执行器故障诊断与容错模型的训练与测试
为了降低专家知识不确定性对初始模型效果的影响，基于历史获取的监测信息对模型开展训练。实验过程中共获取数据580组。在训练过程中，选取290组为训练数据，剩余的290组为测试数据。优化模型选取基于考虑投影算子的协方差矩阵自适应优化策略(Theprojection covariance matrix adaption evolution strategy,P-CMA-ES)对参数进行优化。在故障设置方面，对于控制矩阵Bi(ρk)分别设置了不同程度的故障，即从执行器完好状态到执行器完全故障状态，通过实验仿真确定所构建的容错控制方法对于变体飞行器执行器故障的调节裕度，即鲁棒调节、中等故障状态和验证故障状态的分界点。考虑实际飞行过程中所面临的干扰问题，在LPV控制模型运行过程中对其状态施加噪声干扰，并在不同故障程度下验证所提容错控制方法的有效性。
在故障诊断环节，在飞行器执行器分别设置0.7、0.3和0.1三种故障状态。优化后的飞行器执行器故障诊断模型如表7所示，模型输出结果的MSE为0.0385，诊断结果如图4所示。从图中可以看出，经过优化后的飞行器执行器故障诊断模型能够较为准确地对伺服机构机构进行故障诊断，能够准确地将不同阶段的飞行器执行器进行区分，为后续容错控制奠定了基础。实验重复进行50次，MSE均值为0.0619，方差为2.0467×10-4。基于故障诊断结果，对伺服机构进行容错。
表7优化后的变体飞行器故障诊断模型
实验从执行器的故障程度分别设置0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8，从第20s开始加入系统故障，每种故障程度重复实验200次，通过不同程度下的容错控制效果判断容错控制算法对执行器故障容错的控制裕度为故障0.1-0.5。优化后的控制矩阵模型如表8所示。在飞行器执行器正常状态下和故障状态下的系统状态如图5和图6所示所示。对于执行器故障程度小于0.2时可以通过LPV控制器自身的鲁棒性进行调节，不需要对其采取特殊容错措施。对于在容错控制方法控制裕度内的执行器故障，其容错控制效果如图6-10所示。对于故障程度大于0.5的情况下容错控制方法无法对其进行有效容错，飞行器状态失稳。对比实验结果图7-11可以看出，在执行器故障大于0.5时，经过容错后的飞行器状态较容错前不稳定性有所降低，但飞行器仍无法保持稳定。
表8优化后的控制矩阵重构模型
发明针对执行器存在故障的变体飞行器系统，考虑其故障诊断与容错控制过程中所面临的故障样本缺乏、专家知识不确定、指标存在相关性等问题，提出了一种基于在置信规则库(Beliefrule base，BRB)专家系统的故障诊断与容错控制方法。首先，基于切换线性变参数(LPV)控制理论构建变体飞行器控制模型；然后，基于变体飞行器输出结果确定关键指标，并由专家给定不同指标的参考等级和参考值；进而，基于BRB构建变体飞行器执行器故障诊断模型，其模型输入信息为变体飞行器输出，模型输出结果为故障诊断结果，即其执行器故障程度，并结合变体飞行器输出指标分析构建其指标解耦模型，去除指标间的冗余信息，克服指标相关性所带来的影响；最后，根据执行器不同的故障程度分为三类，第一类为可容忍故障，即通过LPV模型自身具备的鲁棒性处理其轻微性能退化故障，第二类为可调节故障，即可以通过构建控制指令的容错策略对执行器性能实现调整，第三类为不可调节故障，即对于所构建的变体飞行器模型控制器调节范围有限，无法处理执行器大幅度性能退化问题。本发明能够使用专家知识与测试数据，能够有效降低工程应用过程中变体飞行器所面临的实验成本高和专家认知受限问题，从而在大规模系统中推广应用。此外，本发明能够有效的提高工程环境下变体飞行器执行器故障的可靠度，为其改进设计提供指导依据。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于智能飞行器执行器故障诊断的主动容错方法，其特征在于，包括：
采用切换线性变参数控制理论对变体飞行器进行建模，得到变体飞行器离散切换LPV模型；所述变体飞行器离散切换LPV模型的输出信号为飞行器监测指标；
基于所述监测指标计算规则激活权重；
基于所述规则激活权重，采用解析证据推理算法对置信规则库中的规则进行融合，得到故障诊断模型；
采用所述故障诊断模型对智能飞行器执行器的故障进行诊断；
基于监测指标的权重和所述规则激活权重，采用解析证据推理算法对置信规则库中的规则进行融合，得到容错控制模型；
基于所述监测指标和故障诊断结果，采用容错控制模型得到重构控制矩阵；
通过重构控制矩阵对发生故障的执行器进行控制。
2.根据权利要求1所述的基于智能飞行器执行器故障诊断的主动容错方法，其特征在于，基于所述监测指标计算规则激活权重，具体包括：
对所述监测指标进行解耦；
基于解耦后的监测指标计算监测指标相对于置信规则库中每条规则的匹配度；
基于所述匹配度，计算每条规则的激活权重。
3.根据权利要求1所述的基于智能飞行器执行器故障诊断的主动容错方法，其特征在于，采用所述故障诊断模型对智能飞行器执行器的故障进行诊断，具体包括：
根据所述规则激活权重计算所述故障诊断模型的输出向量；
计算所述输出向量与标准故障向量之间的距离；
根据所述距离确定飞行器执行器所发生的故障。
4.根据权利要求1所述的基于智能飞行器执行器故障诊断的主动容错方法，其特征在于，还包括：
根据故障诊断模型的目标函数和约束条件，采用考虑投影算子的协方差矩阵自适应优化策略对所述故障诊断模型的参数进行优化。
5.根据权利要求1所述的基于智能飞行器执行器故障诊断的主动容错方法，其特征在于，还包括：
根据容错控制模型的目标函数和约束条件，采用考虑投影算子的协方差矩阵自适应优化策略对所述容错控制模型的参数进行优化。
6.一种基于智能飞行器执行器故障诊断的主动容错系统，其特征在于，包括:
建模模块，用于采用切换线性变参数控制理论对变体飞行器进行建模，得到变体飞行器离散切换LPV模型；所述变体飞行器离散切换LPV模型的输出信号为飞行器监测指标；
规则激活权重计算模块，用于基于所述监测指标计算规则激活权重；
故障诊断模型确定模块，用于基于所述规则激活权重，采用解析证据推理算法对置信规则库中的规则进行融合，得到故障诊断模型；
故障诊断模块，用于采用所述故障诊断模型对智能飞行器执行器的故障进行诊断；
容错控制模型确定模块，用于基于监测指标的权重和所述规则激活权重，采用解析证据推理算法对置信规则库中的规则进行融合，得到容错控制模型；
重构控制矩阵确定模块，用于基于所述监测指标和故障诊断结果，采用容错控制模型得到重构控制矩阵；
控制模块，用于通过重构控制矩阵对发生故障的执行器进行控制。
7.根据权利要求6所述的基于智能飞行器执行器故障诊断的主动容错，其特征在于，所述激活权重计算模块，具体包括：
解耦单元，用于对所述监测指标进行解耦；
匹配度计算单元，用于基于解耦后的监测指标计算监测指标相对于置信规则库中每条规则的匹配度；
激活权重计算单元，用于基于所述匹配度，计算每条规则的激活权重。
8.根据权利要求6所述的基于智能飞行器执行器故障诊断的主动容错，其特征在于，所述故障诊断模块，具体包括：
输出向量计算单元，用于根据所述规则激活权重计算所述故障诊断模型的输出向量；
距离计算单元，用于计算所述输出向量与标准故障向量之间的距离；
故障确定单元，用于根据所述距离确定飞行器执行器所发生的故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210193150.3A CN114564000B (zh) | 2022-03-01 | 2022-03-01 | 基于智能飞行器执行器故障诊断的主动容错方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210193150.3A CN114564000B (zh) | 2022-03-01 | 2022-03-01 | 基于智能飞行器执行器故障诊断的主动容错方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114564000A true CN114564000A (zh) | 2022-05-31 |
| CN114564000B CN114564000B (zh) | 2024-03-08 |
Family
ID=81716510
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210193150.3A Active CN114564000B (zh) | 2022-03-01 | 2022-03-01 | 基于智能飞行器执行器故障诊断的主动容错方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114564000B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115437359A (zh) * | 2022-11-07 | 2022-12-06 | 西北工业大学 | 一种面向传感器故障的飞机容错控制方法、系统及装置 |
| CN115993138A (zh) * | 2023-03-23 | 2023-04-21 | 中国人民解放军火箭军工程大学 | 一种多表冗余激光惯组故障诊断方法及系统 |
| CN116027719A (zh) * | 2023-02-17 | 2023-04-28 | 浙江大学 | 一种变体飞行器智能安全管理系统及方法 |
| CN116224807A (zh) * | 2023-05-08 | 2023-06-06 | 西北工业大学 | 一种基于分布式观测器的无人机编队故障检测方法 |
| CN117389155A (zh) * | 2023-12-07 | 2024-01-12 | 西北工业大学 | 一种无人机集群的自适应故障检测方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105302112A (zh) * | 2015-10-23 | 2016-02-03 | 中国电子科技集团公司第十研究所 | Icni系统智能故障诊断系统 |
| CN108427400A (zh) * | 2018-03-27 | 2018-08-21 | 西北工业大学 | 一种基于神经网络解析冗余的飞机空速管故障诊断方法 |
| US20180300191A1 (en) * | 2017-04-18 | 2018-10-18 | United Technologies Corporation | Fault-accommodating, constrained model-based control using on-board methods for detection of and adaption to actuation subsystem faults |
| CN108803316A (zh) * | 2018-03-09 | 2018-11-13 | 南京航空航天大学 | 针对多智能体系统执行器故障的主动容错控制方法 |
| CN109141847A (zh) * | 2018-07-20 | 2019-01-04 | 上海工程技术大学 | 一种基于mscnn深度学习的飞机系统故障诊断方法 |
| CN109270458A (zh) * | 2018-11-08 | 2019-01-25 | 国电联合动力技术有限公司 | 智能故障诊断方法、系统、风电机组及存储介质 |
| CN110513198A (zh) * | 2019-08-13 | 2019-11-29 | 大连理工大学 | 一种涡扇发动机控制系统主动容错控制方法 |
| CN112101431A (zh) * | 2020-08-30 | 2020-12-18 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 电子设备故障诊断系统 |
| US20210189973A1 (en) * | 2019-06-13 | 2021-06-24 | Dalian University Of Technology | Bumpless Transfer Fault Tolerant Control Method for Aero-engine under Actuator Fault |
-
2022
- 2022-03-01 CN CN202210193150.3A patent/CN114564000B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105302112A (zh) * | 2015-10-23 | 2016-02-03 | 中国电子科技集团公司第十研究所 | Icni系统智能故障诊断系统 |
| US20180300191A1 (en) * | 2017-04-18 | 2018-10-18 | United Technologies Corporation | Fault-accommodating, constrained model-based control using on-board methods for detection of and adaption to actuation subsystem faults |
| CN108803316A (zh) * | 2018-03-09 | 2018-11-13 | 南京航空航天大学 | 针对多智能体系统执行器故障的主动容错控制方法 |
| CN108427400A (zh) * | 2018-03-27 | 2018-08-21 | 西北工业大学 | 一种基于神经网络解析冗余的飞机空速管故障诊断方法 |
| CN109141847A (zh) * | 2018-07-20 | 2019-01-04 | 上海工程技术大学 | 一种基于mscnn深度学习的飞机系统故障诊断方法 |
| CN109270458A (zh) * | 2018-11-08 | 2019-01-25 | 国电联合动力技术有限公司 | 智能故障诊断方法、系统、风电机组及存储介质 |
| US20210189973A1 (en) * | 2019-06-13 | 2021-06-24 | Dalian University Of Technology | Bumpless Transfer Fault Tolerant Control Method for Aero-engine under Actuator Fault |
| CN110513198A (zh) * | 2019-08-13 | 2019-11-29 | 大连理工大学 | 一种涡扇发动机控制系统主动容错控制方法 |
| WO2021027093A1 (zh) * | 2019-08-13 | 2021-02-18 | 大连理工大学 | 一种涡扇发动机控制系统主动容错控制方法 |
| CN112101431A (zh) * | 2020-08-30 | 2020-12-18 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 电子设备故障诊断系统 |
Non-Patent Citations (3)
| Title |
|---|
| 崔乃刚;郭冬子;王瑞鸣;王铭泽;韦常柱;: "飞航导弹智能故障诊断与容错控制", 战术导弹技术, no. 04, 15 July 2020 (2020-07-15) * |
| 王旭;沈艳霞;吴定会;: "一类非线性系统的故障重构与容错控制", 测控技术, no. 10, 18 October 2018 (2018-10-18) * |
| 许域菲;姜斌;齐瑞云;高志峰;: "基于模糊T-S自适应观测器的近空间飞行器故障诊断与容错控制", 东南大学学报(自然科学版), no. 1, 20 September 2009 (2009-09-20) * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115437359A (zh) * | 2022-11-07 | 2022-12-06 | 西北工业大学 | 一种面向传感器故障的飞机容错控制方法、系统及装置 |
| CN115437359B (zh) * | 2022-11-07 | 2023-02-28 | 西北工业大学 | 一种面向传感器故障的飞机容错控制方法、系统及装置 |
| CN116027719A (zh) * | 2023-02-17 | 2023-04-28 | 浙江大学 | 一种变体飞行器智能安全管理系统及方法 |
| CN115993138A (zh) * | 2023-03-23 | 2023-04-21 | 中国人民解放军火箭军工程大学 | 一种多表冗余激光惯组故障诊断方法及系统 |
| CN116224807A (zh) * | 2023-05-08 | 2023-06-06 | 西北工业大学 | 一种基于分布式观测器的无人机编队故障检测方法 |
| CN117389155A (zh) * | 2023-12-07 | 2024-01-12 | 西北工业大学 | 一种无人机集群的自适应故障检测方法及系统 |
| CN117389155B (zh) * | 2023-12-07 | 2024-04-09 | 西北工业大学 | 一种无人机集群的自适应故障检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114564000B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114564000B (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 | |
| 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 | |
| Kordestani et al. | A new fault prognosis of MFS system using integrated extended Kalman filter and Bayesian method | |
| CN107272639B (zh) | 刚性航天器反作用飞轮故障的检测、估计及其调节方法 | |
| CN103472820A (zh) | 一种基于偏最小二乘算法的推进系统故障诊断方法 | |
| Simani et al. | Data–driven techniques for the fault diagnosis of a wind turbine benchmark | |
| CN114578792B (zh) | 一种多智能体故障诊断方法及系统 | |
| CN110361975A (zh) | 一种基于滑模技术的umv状态时滞系统的自适应容错控制方法 | |
| CN114035550B (zh) | 一种基于eso的自主式水下机器人执行机构故障诊断方法 | |
| Péni et al. | Supervisory fault tolerant control of the GTM UAV using LPV methods | |
| Han et al. | Quadratic-Kalman-filter-based sensor fault detection approach for unmanned aerial vehicles | |
| Qin et al. | Sensor fault diagnosis of autonomous underwater vehicle based on LSTM | |
| CN111381581B (zh) | 一种执行机构故障诊断与容错控制的一体化方法和系统 | |
| Fravolini et al. | Minimal resource allocating networks for aircraft SFDIA | |
| Dhakal et al. | UAV Fault and Anomaly Detection Using Autoencoders | |
| CN114924485A (zh) | 一种过驱动水下机器人动力定位自适应容错控制架构及方法 | |
| CN116736692A (zh) | 一种具有延迟状态约束的四旋翼无人机滑模容错控制方法 | |
| CN112749789A (zh) | 基于自联想型神经网络的航空发动机多重故障诊断器 | |
| Garg et al. | Model-free neural fault detection and isolation for safe control | |
| CN112801267A (zh) | 动态阈值的航空发动机多重故障诊断器 | |
| CN112631129A (zh) | 一种弹性飞机容错飞行控制方法及系统 | |
| CN113408071B (zh) | 一种风电机组塔筒姿态预测方法及系统 | |
| Song et al. | Deep learning fault diagnosis in flight control system of Carrier-Based aircraft | |
| CN117572779B (zh) | 一种桨叶损伤下的电动航空发动机控制方法 | |
| Kraemer et al. | Data-driven failure identification using a motion-based simulator |
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 |