CN114625103A - 容错控制能力评估方法及系统 - Google Patents
容错控制能力评估方法及系统 Download PDFInfo
- Publication number
- CN114625103A CN114625103A CN202210163478.0A CN202210163478A CN114625103A CN 114625103 A CN114625103 A CN 114625103A CN 202210163478 A CN202210163478 A CN 202210163478A CN 114625103 A CN114625103 A CN 114625103A
- Authority
- CN
- China
- Prior art keywords
- fault
- tolerant control
- evaluation
- output
- under
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 125
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 63
- 238000002347 injection Methods 0.000 claims abstract description 50
- 239000007924 injection Substances 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 230000035945 sensitivity Effects 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 16
- 230000015556 catabolic process Effects 0.000 claims description 15
- 238000006731 degradation reaction Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 10
- 238000011084 recovery Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 230000001052 transient effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013097 stability assessment Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012795 verification 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种容错控制能力评估方法及系统，该方法包括：获取预存样本，所述预存样本包括四组时间序列数据，分别为无故障情况下的理想参考轨迹及其参考输出、有故障情况下的理想降级参考轨迹及其参考输出，其中，无故障情况下的参考输出为参考输出，有故障情况下的参考输出为对比输出；基于故障注入技术获取任意待评估故障容错控制算法下的评估样本，所述评估样本包括实际参考轨迹及实际参考轨迹下的实际输出；基于所述预存样本以及评估样本计算评估指标；基于所述评估指标对待评估故障容错控制算法进行评估。本发明方案具有良好的通用性和兼容性可以适用于不同故障容错控制策略。
Description
技术领域
本发明属于飞行器容错控制技术领域，涉及一种容错控制能力评估方法及系统。
背景技术
容错控制能够有效地增强设备的可靠性，能在设备发生故障的情况下仍然继续正常运行或完成其基本功能。为了保证故障容错控制算法具有优良的性能，还需要对其进行评估。容错性能评估是指通过挖掘原始信息中敏感表征系统容错性能的评价指标，从而获取系统故障容错性的能力。与纯粹意义上的容错控制相比，系统的容错性能评估更侧重于定量表征对于故障的容忍程度以及系统在故障下性能的改变或保持度。
现有容错控制能力评估算法一方面仅从故障发生后引入容错控制器后闭环系统的控制性能进行分析，缺乏无故障情况和故障发生后的性能对比；另一方面，仅针对同一类故障容错控制算法进行评估，缺乏普遍适用于各类故障容错控制算法的评估手段。
此外，现有的评估方法集中于故障注入后的实际输出的稳态和暂态特性，多集中于系统的稳定性，对响应的快速性、灵敏性分析不足，缺乏对比分析和降级轨迹下的评估。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。
为此，本发明提供了一种容错控制能力评估方法及系统。
本发明的技术解决方案如下：
根据一方面，提供一种容错控制能力评估方法，该方法包括：
获取预存样本，所述预存样本包括四组时间序列数据，分别为无故障情况下的理想参考轨迹及其参考输出、有故障情况下的理想降级参考轨迹及其降级参考输出，其中，无故障情况下的参考输出为参考输出，有故障情况下的降级参考输出为对比输出；
基于故障注入技术获取任意待评估故障容错控制算法下的评估样本，所述评估样本包括实际参考轨迹及实际参考轨迹下的实际输出；
基于所述预存样本以及评估样本计算评估指标；
基于所述评估指标对待评估故障容错控制算法进行评估。
进一步地，通过下述方式获取预存样本：
依据被控对象模型或实际被控对象进行仿真试验，以在无故障的理想情况下，获得理想参考轨迹及对应的参考输出；以及在有故障情况下，获得理想降级参考轨迹及对应的对比输出。
进一步地，所述基于故障注入技术获取任意待评估故障容错控制算法下的评估样本，包括：
构建故障注入模型库，所述故障注入模型库中的每一个故障注入模型包括故障种类、故障注入时间和故障程度；
对于任意待评估故障容错控制算法，从所述故障注入模型库中随机选取故障注入模型并基于该故障注入模型对所述待评估故障容错控制算法进行测试，得到被控对象的输出结果，所述输出结果为所述评估样本。
进一步地，所述评估指标包括基于飞行阶段的评价指标、稳定性指标、面向任务的评价指标、时间延迟的评价指标、灵敏性评价指标、恢复行为时间及风险关键系数。
进一步地，通过下式计算飞行阶段的评价指标：
其中，Xs是实际输出，Xr是参考输出，τeff为有效时间延迟，reff为故障响应灵敏度，Qi,i＝1,2,3为各个分项的权重，为非负数，该权重随飞行阶段的不同而变化，如果期望灵敏度越高越好，则f＝-1；如果期望灵敏度越低越好，则f＝1，J飞行为飞行阶段的评价指标，该项指标越小，表征故障容错控制算法的性能越好。
进一步地，所述稳定性指标包括静稳定性指标和动稳定性指标，通过下式分别获取静稳定性指标和动稳定性指标：
其中，Xs是实际输出，Q4是对应的权值，为非负数，t是实际输出对应的时间，Δt是系统即被控对象的采样时间，同时，
其中，t0和tN分别为故障发生的时间和容错控制系统稳定后的时间，Xs是实际输出，Xr是参考输出，Qi,i＝5,6,7为各个分项的权重，为非负数，J动稳定性为动稳定性指标，该项指标越小，表征故障容错控制算法的性能越好。
进一步地，通过下式获取面向任务的评价指标：
其中，t0和tN分别为故障发生的时间和容错控制系统稳定后的时间，Rs是实际参考轨迹，Rr是理想/降级参考轨迹，其中，当Rr是理想参考轨迹时，对应完全容错任务下的性能指标，当Rr是降级参考轨迹时，对应性能降级任务下的性能指标，Xs是实际输出，Xr是理想/降级参考输出，其中，当Xr是理想参考输出时，对应完全容错任务下的性能指标，当Xr是降级参考输出时，对应性能降级任务下的性能指标，Qi,i＝8,9,...,13为各个分项的权重，为非负数，J面向任务为面向任务的评价指标，该项指标越小，表征故障容错控制算法性能越好。
进一步地，基于所述评估指标对待评估故障容错控制算法进行评估，包括：
基于模糊综合方法将任意待评估故障容错控制算法对应的多种评估指标进行综合分析，输出故障容错控制性能分析结果；
根据故障容错控制性能分析结果对待评估故障容错控制算法进行评估。
根据另一方面，提供一种容错控制能力评估系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
上述技术方案通过获取预存样本(无故障情况下的理想参考轨迹及其参考输出、有故障情况下的理想降级参考轨迹及其参考输出)和基于故障注入技术获取评估样本(包括实际参考轨迹及实际参考轨迹下的实际输出)，并结合上述样本数据计算评估指标，由此能够定量的分析不同的容错控制算法对于故障的容忍程度，该方法依据不同情况下的参考轨迹、系统输出等时间序列数据进行分析，不局限于某一类故障容错控制策略，而且从多个角度和层面给了评估方法，不仅适用于稳定性和故障保护层面，具有良好的通用性和兼容性可以适用于不同故障容错控制策略。
附图说明
所包括的附图用来提供对本发明实施例的进一步的理解，其构成了说明书的一部分，用于例示本发明的实施例，并与文字描述一起来阐释本发明的原理。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为本发明时间延迟的评价指标和灵敏性评价指标获取方式示意图；
图2为本发明方法中预存样本和评估样本生成示意图；
图3为本发明方法的流程示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
在本申请的描述中，需要理解的是，术语“水平”、“垂直”、“上”、“下”、“正面”、“背面”、“X轴”、“Y轴”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”等仅用于描述目的，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。在本发明的描述中，“多个”的含义是两个以上，除非另有明确具体的限定；
在本申请中，除非另有明确的规定和限定，术语“相连”、“连接”、“直插”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
如图2-3所示所示，在本发明的一个实施例中，提供一种容错控制能力评估方法，该方法包括：
S10、获取预存样本，所述预存样本包括四组时间序列数据，分别为无故障情况下的理想参考轨迹及其参考输出、有故障情况下的理想降级参考轨迹及其降级参考输出，其中，无故障情况下的参考输出为参考输出，有故障情况下的降级参考输出为对比输出；
S20、基于故障注入技术获取任意待评估故障容错控制算法下的评估样本，所述评估样本包括实际参考轨迹即实际参考轨迹下的实际输出；
S30、基于所述预存样本以及评估样本计算评估指标；
S40、基于所述评估指标对待评估故障容错控制算法进行评估。
也即，本发明方法包括两组输入数据(即预存样本和评估样本)的生成以及一套性能分析算法，其中，预存样本包含四组时间序列数据，分别为无故障情况下的理想参考轨迹及其参考输出(又称参考输出)、有故障情况下的理想降级参考轨迹及其参考输出(又称对比输出)。评估样本是通过故障注入环节，在待评估的故障容错控制器(控制算法)下生成的数据(又称实际输出)。这些数据将作为获取评估指标的输入数据，对S20故障注入后，采用的容错控制器的作用进行定量评估。
本发明实施例中，较佳地，为了增加评估的真实性，人为引入外界扰动和参数不确定性，以作为获取评估指标的输入，在随机外界扰动和参数不确定性下，进行多次蒙特卡洛仿真试验，对多次仿真试验数据进行统计学分析评估，得到更加贴近实际的结果。
可见，上述技术方案通过获取预存样本(无故障情况下的理想参考轨迹及其参考输出、有故障情况下的理想降级参考轨迹及其参考输出)和基于故障注入技术获取评估样本(包括实际参考轨迹及实际参考轨迹下的实际输出)，并创新性地结合上述样本数据计算评估指标，由此能够定量的分析不同的容错控制算法对于故障的容忍程度，该方法依据不同情况下的参考轨迹、系统输出等时间序列数据进行分析，不局限于某一类故障容错控制策略，而且从多个角度和层面给了评估方法，不仅适用于稳定性和故障保护层面，具有良好的通用性和兼容性可以适用于不同故障容错控制策略。
在上述实施例中，可通过下述方式获取预存样本：
依据被控对象模型或实际被控对象进行仿真试验，以在无故障的理想情况下，获得理想参考轨迹及对应的参考输出；以及在有故障情况下，获得理想降级参考轨迹及对应的对比输出。
也即，如图2所示，可依据被控对象模型或实际被控对象(系统)进行仿真试验以获取所需要的预存样本，具体的获取手段为本领域常规技术，在此不再详细赘述。
在上述实施例中，所述基于故障注入技术获取任意待评估故障容错控制算法下的评估样本，包括：
构建故障注入模型库，所述故障注入模型库中的每一个故障注入模型包括故障种类、故障注入时间和故障程度；
对于任意待评估故障容错控制算法(FDC算法)，从所述故障注入模型库中随机选取故障注入模型并基于该故障注入模型对所述待评估故障容错控制算法进行测试，得到被控对象的输出结果，所述输出结果为所述评估样本。
也即，如图2所示，本发明实施例采用故障注入技术获取任意待评估故障容错控制算法下的评估样本，如图2所示，故障注入后，不同的故障容错控制器(对应于某个故障容错控制算法)会计算出不同的控制输入，使得系统的实际输出因此不同，两者之间具有因果关系，通过分析实际输出可以评估故障容错控制算法的性能。
此外，本领域技术人员应当理解，故障注入技术为本领域公知技术，也即，本发明实施例获取评估样本的具体手段可为本领域公知技术，举例来说，故障注入技术为满足不损坏目标系统硬件环境，方便地跟踪目标程序执行，无需专用设备，方便、灵活。本发明实施例考虑研究对象的成本以及故障模型的复杂性，采用软件故障注入方式对容错控制算法进行评估。故障注入同时考虑故障种类、故障注入时间、故障程度三个因素。对于执行器故障，沿着信号流方向，在执行器前加入故障注入环节，即故障模型，按照故障模型软性修改执行器输入信号，人为模拟故障情况下的执行器动态。对于传感器故障，沿着信号流方向，在传感器后加入故障注入环节，即故障模型，按照故障模型软性修改传感器的输出信号，人为模拟故障情况下的传感器特性。其中，故障模型由故障种类(如卡死、部分失效、饱和等)和故障程度(如部分失效的程度等，是模型中的相关参数)决定，故障注入时间决定了何时人为引入故障。
在上述实施例中，为了更好地保证本发明评估方法的通用性和兼容性，所述评估指标设计包括基于飞行阶段的评价指标、稳定性指标、面向任务的评价指标、时间延迟的评价指标、灵敏性评价指标、恢复行为时间及风险关键系数。
本发明实施例中，预存样本和评估样本作为输入数据以获取评估指标，也即评估指标的的输入变量可以是实际输出计算获得、由实际输出与参考输出、对比输出的差值计算获得，这也是本发明实施例关键之处，评估指标的权值根据专家先验知识获得。评估指标的输出作为评价指标综合分析的输入，通过多个指标的综合，获得最终的容错控制算法性能分析结果。下面依次给出各评价指标的定义及计算方法。
1)基于飞行阶段的评价指标
本发明实施例针对不同的飞行阶段所对应的不同飞行要求，将飞行阶段分为非场域和场域两种，具体参见表1。
表1
如表1所示，不同的飞行阶段对飞行器机动性、精确性、飞行轨迹的要求不尽相同。体现在评价指标上，则是影响了对应的稳定性、时间延迟等分项在评价指标中的权重。因此，基于飞行阶段的评价指标是一类多项组合指标，该指标根据不同飞机阶段的要求，给出稳定性、时间延迟等分项的一种组合方式
其中，通过下式计算飞行阶段的评价指标：
其中，Xs是实际输出，Xr是参考输出，τeff为有效时间延迟，reff为故障响应灵敏度，Qi,i＝1,2,3为各个分项的权重，为非负数，该权重随飞行阶段的不同而变化，由专家先验知识给定，如果期望灵敏度越高越好，则f＝-1；如果期望灵敏度越低越好，则f＝1，J飞行为飞行阶段的评价指标，该项指标越小，表征故障容错控制算法的性能越好。
2)稳定性指标
本发明实施例基于故障发生后系统状态的变化趋势分析飞行器容错控制的静稳定性，所述稳定性指标包括静稳定性指标和动稳定性指标，具体获取方式如下：
其中，Xs是实际输出，Q4是对应的权值，为非负数，由专家经验给定，t是实际输出对应的时间，Δt是系统即被控对象的采样时间，同时，
其中，t0和tN分别为故障发生的时间和容错控制系统稳定后的时间，Xs是实际输出，Xr是参考输出，Qi,i＝5,6,7为各个分项的权重，为非负数，由专家经验给定，J动稳定性为动稳定性指标，该项指标越小，表征故障容错控制算法的性能越好。
3)面向任务的评价指标
依据任务的完成级别，分为：
(1)完全容错，即系统在故障存在的情况下继续运行，且能保证在一段有限时间内没有功能或性能上的重大损失。
(2)性能降级，即系统在故障存在的情况下继续运行，在恢复或修补期间接受功能或性能上的部分降级。
(3)故障保护，即系统在故障存在的情况下继续运行，但不能继续执行功能或维持性能，仅能保证系统的安全性。
本发明实施例分别利用无/有故障情况下的理想/降级参考轨迹、参考/对比输出和有故障情况下的实际参考轨迹、实际输出之间的误差两个角度建立面向完全容错和性能降级任务的评价指标。
系统任务级别为性能降级时，参考轨迹会进行降级处理，因此理想参考轨迹和降级参考轨迹不同。
部分故障容错控制算法会对根据系统状态在线调整参考轨迹，因此实际参考轨迹和理想/降级参考轨迹不同。
通过将理想/降级参考轨迹与实际参考轨迹进行对比，分析任务的级别，通过分析实际输出与实际参考轨迹之间的误差的大小分析任务的完成情况。具体的，通过下式获取面向任务的评价指标：
其中，t0和tN分别为故障发生的时间和容错控制系统稳定后的时间，Rs是实际参考轨迹，Rr是理想/降级参考轨迹，其中，当Rr是理想参考轨迹时，对应完全容错任务下的性能指标，当Rr是降级参考轨迹时，对应性能降级任务下的性能指标，Xs是实际输出，Xr是理想/降级参考输出，其中，当Xr是理想参考输出时，对应完全容错任务下的性能指标，当Xr是降级参考输出时，对应性能降级任务下的性能指标，Qi,i＝8,9,...,13为各个分项的权重，为非负数，J面向任务为面向任务的评价指标，该项指标越小，表征故障容错控制算法性能越好。
此外，可通过多次蒙特卡洛试验，统计不同的任务等级完成情况，可以获得容错覆盖率和失效发生率。
容错覆盖率是指在故障发生情况下，容错控制算法成功实现其故障情况下的预设目标或原预期目标的概率。
失效发生率是指在故障发生情况下，容错控制算法不能实现其故障情况下的预设目标或原预期目标的概率，是容错覆盖率的补。
容错覆盖率越高越好，失效发生率越小越好。
4)时间延迟的评价指标
以评估样本作为输入获取，本发明实施例采用时域方法估计“有效”时间延迟。它通过故障注入的开始时间与响应的最大斜率曲线与时间轴交点之间的时间差τeff来测试，如图1所示。如果τeff＜0，则取τeff＝0。一般情况下，τeff越小越好，但不作为关键指标，也不单独使用。
5)灵敏性评价指标
以评估样本作为输入获取，在给定的时间延迟的情况下，影响容错控制算法的性能的重要因素是跟随其后的动态响应的灵敏度reff。
本发明实施例采用时域方法估计容错控制算法的灵敏性。它通过故障注入的开始时间之后，系统响应的最大斜率曲线来测试，如图1所示。
如果
其中，t大于故障注入时间。
此外，本领域技术人员应当理解，灵敏度的高低是依据系统任务的要求决定的，不能简单通过判断灵敏度的高低决定性能好坏，例如对机动性要求高的系统，灵敏度高对容错控制系统的性能有好处，但是对于准确性要求高的系统，灵敏度高不一定容错控制算法好。
6)恢复行为时间
系统发生故障之后，经过“有效”延迟时间，容错控制算法生效，经过一段时间系统趋于稳定，这段时间用恢复行为时间描述，具体的，从故障注入的开始时间到系统状态和参考轨迹之间的误差恢复到故障注入之前的误差大小之间的时间，记为恢复行为时间。恢复行为时间越小越好，但是恢复行为时间可能与稳定性评估指标之间存在不一致性。因此，需要根据任务和控制要求，具体问题具体分析。
7)风险关键指数RPN(Risk Priority Number)
本发明实施例基于风险关键指数RPN对容错控制系统的容错控制性能进行分析。
RPN＝S×O×D
其中，S：Seriousness，为失效严重度，由面向任务的评价指标中完全容错任务对应的指标值表征；O：Occurrence，为失效发生率，定义参见3)面向任务的评价指标一节；D：Detect，为侦测度，由有效时间延迟τeff和/或故障响应灵敏度reff表征，计算方法为：τeff或1/reff或τeff/reff。RPN的取值范围为1-1000，1为绝对最好，1000为绝对最差，每一项的取值为1-10。上述三个指标的最小阈值为0，对应分值为1；最大阈值为Smax、Omax、Dmax，对应分值为10。如果S、O、D的值大于最大阈值，则对应分值为10，否则采用(10S)/Smax、(10O)/Omax、(10D)/Dmax进行处理。RPN是基于风险关键指数理论进行的一种综合性容错控制性能指标。作为一类评价指标，为后续的综合性能分析提供依据。
在上述实施例中，基于所述评估指标对待评估故障容错控制算法进行评估，包括：
基于模糊综合方法将任意待评估故障容错控制算法对应的多种评估指标进行综合分析，输出故障容错控制性能分析结果；
根据故障容错控制性能分析结果对待评估故障容错控制算法进行评估。
也即，由于影响飞行器容错控制算法品质的因素很多，加之每种评估指标均有一定的局限性，因此，需要一种方法综合多种评价准则。所述容错控制算法评估结果分析采用模糊综合评价方法，对多种性能评估指标进行综合分析，给出量化评价。评价指标综合分析过程综合了上述全部或部分指标。
根据另一实施例，还提供一种容错控制能力评估系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
综上，本发明实施例方法首先基于系统模型或实际系统生成预测样本，并考虑故障种类、故障注入时间、故障程度三个因素，采用软件故障注入的方式生成评估样本。进一步的从飞行器飞行品质、飞行任务等多个角度建立了相关的评价指标体系，主要包括基于飞行阶段的评价指标、面向任务的评价指标、稳定性评价指标、时间延迟评价指标、灵敏性评价、恢复行为时间和风险关键指数。最后采用模糊综合评价方法，对上述多种性能评价指标进行综合分析，给出量化的总体评价。本发明方法通过对比无故障情况和故障发生后系统的性能，从无故障理想轨迹和有故障理想降级轨迹两个层次，结合系统实际行为，定量的分析不同的容错控制算法对于故障的容忍程度，给出了一种普遍适用于多类容错控制算法的评估手段。本发明方法具有良好的通用性和兼容性，采用模糊综合评价方法，对多种性能评估指标进行综合分析，给出量化评价，对不同飞行器的容错控制算法给出了一个合理完整统一的容错控制能力评估算法，并通过了相关仿真验证。
如上针对一种实施例描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施例中使用，和/或与其它实施例中的特征相结合或替代其它实施例中的特征使用。
应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤、组件或其组合的存在或附加。
本发明以上的方法可以由硬件实现，也可以由硬件结合软件实现。本发明涉及这样的计算机可读程序，当该程序被逻辑部件所执行时，能够使该逻辑部件实现上文所述的装置或构成部件，或使该逻辑部件实现上文所述的各种方法或步骤。本发明还涉及用于存储以上程序的存储介质，如硬盘、磁盘、光盘、DVD、flash存储器等。
这些实施例的许多特征和优点根据该详细描述是清楚的，因此所附权利要求旨在覆盖这些实施例的落入其真实精神和范围内的所有这些特征和优点。此外，由于本领域的技术人员容易想到很多修改和改变，因此不是要将本发明的实施例限于所例示和描述的精确结构和操作，而是可以涵盖落入其范围内的所有合适修改和等同物。
本发明未详细说明部分为本领域技术人员公知技术。
Claims (9)
1.一种容错控制能力评估方法，其特征在于，所述方法包括：
获取预存样本，所述预存样本包括四组时间序列数据，分别为无故障情况下的理想参考轨迹及其参考输出、有故障情况下的理想降级参考轨迹及其降级参考输出，其中，无故障情况下的参考输出为参考输出，有故障情况下的降级参考输出为对比输出；
基于故障注入技术获取任意待评估故障容错控制算法下的评估样本，所述评估样本包括实际参考轨迹及实际参考轨迹下的实际输出；
基于所述预存样本以及评估样本计算评估指标；
基于所述评估指标对待评估故障容错控制算法进行评估。
2.根据权利要求1所述的一种容错控制能力评估方法，其特征在于，通过下述方式获取预存样本：
依据被控对象模型或实际被控对象进行仿真试验，以在无故障的理想情况下，获得理想参考轨迹及对应的参考输出；以及在有故障情况下，获得理想降级参考轨迹及对应的对比输出。
3.根据权利要求1所述的一种容错控制能力评估方法，其特征在于，所述基于故障注入技术获取任意待评估故障容错控制算法下的评估样本，包括：
构建故障注入模型库，所述故障注入模型库中的每一个故障注入模型包括故障种类、故障注入时间和故障程度；
对于任意待评估故障容错控制算法，从所述故障注入模型库中随机选取故障注入模型并基于该故障注入模型对所述待评估故障容错控制算法进行测试，得到被控对象的输出结果，所述输出结果为所述评估样本。
4.根据权利要求1-3任一项所述的一种容错控制能力评估方法，其特征在于，所述评估指标包括基于飞行阶段的评价指标、稳定性指标、面向任务的评价指标、时间延迟的评价指标、灵敏性评价指标、恢复行为时间及风险关键系数。
5.根据权利要求4所述的一种容错控制能力评估方法，其特征在于，通过下式计算飞行阶段的评价指标：
其中，Xs是实际输出，Xr是参考输出，τeff为有效时间延迟，reff为故障响应灵敏度，Qi,i＝1,2,3为各个分项的权重，为非负数，该权重随飞行阶段的不同而变化，如果期望灵敏度越高越好，则f＝-1；如果期望灵敏度越低越好，则f＝1，J飞行为飞行阶段的评价指标，该项指标越小，表征故障容错控制算法的性能越好。
6.根据权利要求5所述的一种容错控制能力评估方法，其特征在于，所述稳定性指标包括静稳定性指标和动稳定性指标，通过下式分别获取静稳定性指标和动稳定性指标：
其中，Xs是实际输出，Q4是对应的权值，为非负数，t是实际输出对应的时间，Δt是系统即被控对象的采样时间，同时，
的符号决定了容错控制系统是否是静稳定性的，符号为-，则为静稳定的；符号为+，则为静不稳定的，静稳定性表示故障发生后的瞬间，系统的性能，如果对系统瞬态性能有特殊要求，该项作为一项指标，进行性能综合分析；
其中，t0和tN分别为故障发生的时间和容错控制系统稳定后的时间，Xs是实际输出，Xr是参考输出，Qi,i＝5,6,7为各个分项的权重，为非负数，J动稳定性为动稳定性指标，该项指标越小，表征故障容错控制算法的性能越好。
7.根据权利要求6所述的一种容错控制能力评估方法，其特征在于，通过下式获取面向任务的评价指标：
其中，t0和tN分别为故障发生的时间和容错控制系统稳定后的时间，Rs是实际参考轨迹，Rr是理想/降级参考轨迹，其中，当Rr是理想参考轨迹时，对应完全容错任务下的性能指标，当Rr是降级参考轨迹时，对应性能降级任务下的性能指标，Xs是实际输出，Xr是理想/降级参考输出，其中，当Xr是理想参考输出时，对应完全容错任务下的性能指标，当Xr是降级参考输出时，对应性能降级任务下的性能指标，Qi,i＝8,9,...,13为各个分项的权重，为非负数，J面向任务为面向任务的评价指标，该项指标越小，表征故障容错控制算法性能越好。
8.根据权利要求1-7任一项所述的一种容错控制能力评估方法，其特征在于，基于所述评估指标对待评估故障容错控制算法进行评估，包括：
基于模糊综合方法将任意待评估故障容错控制算法对应的多种评估指标进行综合分析，输出故障容错控制性能分析结果；
根据故障容错控制性能分析结果对待评估故障容错控制算法进行评估。
9.一种容错控制能力评估系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-8任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210163478.0A CN114625103B (zh) | 2022-02-22 | 2022-02-22 | 容错控制能力评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210163478.0A CN114625103B (zh) | 2022-02-22 | 2022-02-22 | 容错控制能力评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114625103A true CN114625103A (zh) | 2022-06-14 |
| CN114625103B CN114625103B (zh) | 2024-01-05 |
Family
ID=81900731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210163478.0A Active CN114625103B (zh) | 2022-02-22 | 2022-02-22 | 容错控制能力评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114625103B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110239048A1 (en) * | 2010-03-29 | 2011-09-29 | International Business Machines Corporation | Partial fault tolerant stream processing applications |
| CN107121977A (zh) * | 2017-06-02 | 2017-09-01 | 南京邮电大学 | 基于双层结构的机械臂执行器故障容错控制系统及其方法 |
| CN109459629A (zh) * | 2018-10-10 | 2019-03-12 | 北京航空航天大学 | 一种基于恢复率的恢复能力评估方法 |
| CN109799804A (zh) * | 2018-12-29 | 2019-05-24 | 中南大学 | 一种基于随机故障注入的诊断算法评估方法及系统 |
| CN110170992A (zh) * | 2019-04-02 | 2019-08-27 | 长春工业大学 | 一种基于动态规划的模块化机械臂多故障容错控制方法 |
| CN112883500A (zh) * | 2021-03-26 | 2021-06-01 | 吉林大学 | 一种基于故障注入的智能车辆系统早期功能安全评估方法 |
| CN113031564A (zh) * | 2021-03-05 | 2021-06-25 | 西安交通大学 | 一种航空发动机控制器在回路容错验证方法 |
-
2022
- 2022-02-22 CN CN202210163478.0A patent/CN114625103B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110239048A1 (en) * | 2010-03-29 | 2011-09-29 | International Business Machines Corporation | Partial fault tolerant stream processing applications |
| CN107121977A (zh) * | 2017-06-02 | 2017-09-01 | 南京邮电大学 | 基于双层结构的机械臂执行器故障容错控制系统及其方法 |
| CN109459629A (zh) * | 2018-10-10 | 2019-03-12 | 北京航空航天大学 | 一种基于恢复率的恢复能力评估方法 |
| CN109799804A (zh) * | 2018-12-29 | 2019-05-24 | 中南大学 | 一种基于随机故障注入的诊断算法评估方法及系统 |
| CN110170992A (zh) * | 2019-04-02 | 2019-08-27 | 长春工业大学 | 一种基于动态规划的模块化机械臂多故障容错控制方法 |
| CN113031564A (zh) * | 2021-03-05 | 2021-06-25 | 西安交通大学 | 一种航空发动机控制器在回路容错验证方法 |
| CN112883500A (zh) * | 2021-03-26 | 2021-06-01 | 吉林大学 | 一种基于故障注入的智能车辆系统早期功能安全评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114625103B (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Volponi et al. | The use of Kalman filter and neural network methodologies in gas turbine performance diagnostics: a comparative study | |
| US20190257716A1 (en) | Detecting apparatus, detection method, and program | |
| US7415328B2 (en) | Hybrid model based fault detection and isolation system | |
| Kobayashi et al. | Evaluation of an enhanced bank of Kalman filters for in-flight aircraft engine sensor fault diagnostics | |
| US9535419B2 (en) | Device and method for the residual analysis of a residuum to detect system errors in the system behaviour of a system of an aircraft | |
| US9760073B2 (en) | Technique and tool for efficient testing of controllers in development | |
| US20040176879A1 (en) | Transient fault detection system and method using Hidden Markov Models | |
| Park et al. | An embedded software reliability model with consideration of hardware related software failures | |
| KR20190025474A (ko) | 플랜트 데이터 예측 장치 및 방법 | |
| Patan et al. | Optimal training strategies for locally recurrent neural networks | |
| Diao et al. | Fault diagnosis for a turbine engine | |
| CN115962797B (zh) | 一种基于温度应力下的传感器可靠性测试方法及系统 | |
| CN108717496B (zh) | 雷达天线阵面故障检测方法及系统 | |
| US20160292307A1 (en) | Temporal logic robustness guided testing for cyber-physical systems | |
| US11009431B2 (en) | Failure mode specifying system, failure mode specifying method, and program | |
| Hallouzi et al. | Fault detection and identification of actuator faults using linear parameter varying models | |
| CN114625103B (zh) | 容错控制能力评估方法及系统 | |
| Sheppard et al. | Applying testability analysis for integrated diagnostics | |
| JP2011516022A (ja) | 電力システムの安定平衡点算出装置 | |
| CN115270902A (zh) | 用于测试产品的方法 | |
| Rosa et al. | Fault detection for LTI systems using data-driven dissipativity analysis | |
| Azevedo et al. | Online simulation of methods to predict the remaining useful lifetime of aircraft components | |
| Horak et al. | Failure detection and isolation methodology | |
| Cukic et al. | Automated generation of test trajectories for embedded flight control systems | |
| Cimpoesu et al. | Fault detection and identification using parameter estimation techniques |
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 |