CN115167147A - 一种基于推力残差估计的蜂群无人机分布式故障诊断方法 - Google Patents

一种基于推力残差估计的蜂群无人机分布式故障诊断方法 Download PDF

Info

Publication number
CN115167147A
CN115167147A CN202210949555.5A CN202210949555A CN115167147A CN 115167147 A CN115167147 A CN 115167147A CN 202210949555 A CN202210949555 A CN 202210949555A CN 115167147 A CN115167147 A CN 115167147A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
neighbor
drone
state information
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
Application number
CN202210949555.5A
Other languages
English (en)
Other versions
CN115167147B (zh
Inventor
程月华
杨洋
姜斌
余自权
叶正宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202210949555.5A priority Critical patent/CN115167147B/zh
Publication of CN115167147A publication Critical patent/CN115167147A/zh
Application granted granted Critical
Publication of CN115167147B publication Critical patent/CN115167147B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本申请公开了一种基于推力残差估计的蜂群无人机分布式故障诊断方法，涉及无人机系统领域，该方法每个无人机接收任意一个邻居无人机发送的状态信息以及邻居状态信息集合，并据此计算得到邻居无人机的理论推力控制；无人机还通过机载传感器感应到的邻居无人机相对状态信息计算得到邻居无人机的实际推力控制，根据邻居无人机的理论推力控制和实际推力控制计算得到推力输入残差估计，即可得到对邻居无人机的故障诊断结果。该方法采用蜂群无人机系统的同构性，利用通讯信息和传感器测量信息实现无人机对其近邻无人机的诊断，解决了蜂群无人机分布式故障诊断的问题。

Description

一种基于推力残差估计的蜂群无人机分布式故障诊断方法
技术领域
本申请涉及无人机系统领域，尤其是一种基于推力残差估计的蜂群无人机分布式故障诊断方法。
背景技术
近年来，对群体智能的研究逐渐深入，无人机集群是智能无人系统的主要研究方向，而蜂群无人机以低成本、高机动性成为无人机集群的重要发展方向。
蜂群无人机系统由于分布式原因，单无人机鲁棒性差，容易发生故障，其中执行器故障为常见的无人机故障形式。由于蜂群系统的群体性，单机故障会逐渐影响到整个系统，影响自身及其邻居的飞行状态，随着故障在系统中的传播影响，最终可能会导致蜂群系统的飞行性能下降，作战任务失败，因此研究蜂群无人机的故障诊断方法，及时诊断出故障无人机，可以有效避免故障影响整个系统，减少损失。
目前，无人机单机故障诊断的研究已经很成熟，但是将单机诊断的方法直接利用在无人机集群系统中不满足蜂群无人机系统的分布式要求。
发明内容
本申请人针对上述问题及技术需求，提出了一种基于推力残差估计的蜂群无人机分布式故障诊断方法，本申请的技术方案如下：
一种基于推力残差估计的蜂群无人机分布式故障诊断方法，在蜂群无人机系统集群飞行过程中，蜂群无人机系统中的任意无人机i在任意的时间步长k内执行的方法包括：
接收任意一个邻居无人机j发送的自身的状态信息
Figure BDA0003788874310000011
以及邻居状态信息集合
Figure BDA0003788874310000012
邻居无人机j的邻居状态信息集合
Figure BDA0003788874310000013
包括邻居无人机j在时间步长k内汇总接收到的所有邻居无人机的状态信息；在蜂群无人机系统中，每个无人机的邻居无人机包括位于无人机的机载传感器的局部感应范围内且与无人机之间进行信息通讯的其他无人机；
根据邻居无人机j的状态信息
Figure BDA0003788874310000014
以及邻居状态信息集合
Figure BDA0003788874310000015
计算得到邻居无人机j的理论推力控制
Figure BDA0003788874310000016
通过机载传感器感应到的邻居无人机j的相对状态信息计算得到邻居无人机j的实际推力控制
Figure BDA0003788874310000021
根据邻居无人机j的理论推力控制
Figure BDA0003788874310000022
和实际推力控制
Figure BDA0003788874310000023
计算得到邻居无人机j的推力输入残差估计
Figure BDA0003788874310000024
并根据推力输入残差估计
Figure BDA0003788874310000025
得到对邻居无人机j的故障诊断结果。
其进一步的技术方案为，根据推力输入残差估计
Figure BDA0003788874310000026
得到对邻居无人机j的故障诊断结果，包括：
当推力输入残差估计
Figure BDA0003788874310000027
超过预设残差阈值时，确定邻居无人机j处于乘性故障状态，否则确定邻居无人机j处于正常状态。
其进一步的技术方案为，每个无人机的状态信息包括无人机的三维空间坐标、空速、爬升角和航向角；根据邻居无人机j的状态信息
Figure BDA0003788874310000028
以及邻居状态信息集合
Figure BDA0003788874310000029
计算得到邻居无人机j的理论推力控制
Figure BDA00037888743100000210
包括：
根据邻居无人机j的状态信息
Figure BDA00037888743100000211
所包含的邻居无人机j的三维空间坐标
Figure BDA00037888743100000212
和空速
Figure BDA00037888743100000213
以及邻居状态信息集合
Figure BDA00037888743100000214
所包含的邻居无人机j的各个邻居无人机的三维空间坐标和空速，基于势函数控制律计算得到邻居无人机j的虚拟控制输入
Figure BDA00037888743100000215
Figure BDA00037888743100000216
分别表示三维方向上的虚拟控制输入；
根据邻居无人机j的状态信息
Figure BDA00037888743100000217
所包含的邻居无人机j的爬升角
Figure BDA00037888743100000218
和航向角
Figure BDA00037888743100000219
结合邻居无人机j的虚拟控制输入
Figure BDA00037888743100000220
按照如下公式计算得到邻居无人机j的理论推力控制
Figure BDA00037888743100000221
Figure BDA00037888743100000222
其中，
Figure BDA00037888743100000223
是邻居无人机j在时间步长k内的空气阻力，mj是邻居无人机j的质量，g是重力加速度。
其进一步的技术方案为，基于势函数控制律计算得到邻居无人机j的虚拟控制输入，包括确定邻居无人机j的虚拟控制输入
Figure BDA00037888743100000224
为：
Figure BDA00037888743100000225
其中，
Figure BDA00037888743100000226
是邻居无人机j在时间步长k内所有邻居无人机构成的集合，邻居无人机j的邻居状态信息集合
Figure BDA00037888743100000227
包括集合
Figure BDA00037888743100000228
中各个无人机的状态信息；包含在集合
Figure BDA00037888743100000229
中的任意一个邻居无人机h在时间步长k内的三维空间坐标为
Figure BDA00037888743100000230
空速为
Figure BDA0003788874310000031
Φ()表示蜂拥控制势能函数，
Figure BDA0003788874310000032
σ为范数，
Figure BDA0003788874310000033
ε为大于0的常数；
Figure BDA0003788874310000034
是蜂群无人机系统的通讯拓扑邻接矩阵中的元素且定义为：
Figure BDA0003788874310000035
其中，rα是邻居无人机j和邻居无人机h之间的通讯距离，ρh()是0到1光滑函数，函数ρh()定义为：
Figure BDA0003788874310000036
其中，s∈(0,1)为阈值。
其进一步的技术方案为，通过机载传感器感应到的邻居无人机j的相对状态信息计算得到邻居无人机j的实际推力控制
Figure BDA0003788874310000037
包括：
根据感应到的邻居无人机j相对于无人机i的相对速度，结合无人机i的空速计算得到邻居无人机j的测量空速；
根据相邻两个时间步长内的测量空速计算得到邻居无人机j在时间步长k内的测量三维加速度
Figure BDA0003788874310000038
根据邻居无人机j的测量三维加速度
Figure BDA0003788874310000039
结合邻居无人机j发送的自身的状态信息
Figure BDA00037888743100000310
计算得到邻居无人机j的实际推力控制
Figure BDA00037888743100000311
其进一步的技术方案为，计算得到邻居无人机j的实际推力控制
Figure BDA00037888743100000312
包括按如下公式计算：
Figure BDA00037888743100000313
其中，
Figure BDA00037888743100000314
是邻居无人机j在时间步长k内的空气阻力，，mj是邻居无人机j的质量，g是重力加速度。
其进一步的技术方案为，邻居无人机j在时间步长k内的空气阻力
Figure BDA00037888743100000315
为：
Figure BDA00037888743100000316
其中，ρ为空气密度，CD0为零升阻力系数，S为机翼面积，kd为升致阻力，kn为负载系数有效性。Vwj为阵风且
Figure BDA0003788874310000041
其中，δVmj为阵风湍流且是均值为0、标准偏差为0.9Vm的高斯随机变量，
Figure BDA0003788874310000042
为正常风切变且
Figure BDA0003788874310000043
Vm是平均风速，hi表示无人机的高度。
本申请的有益技术效果是：
本申请公开了一种基于推力残差估计的蜂群无人机分布式故障诊断方法，该方法根据蜂群无人机系统结构和动力学的特点，在蜂群无人机系统中建立通讯拓扑和感知拓扑，对每架无人机提出通讯传输和状态测量功能的要求，无人机利用通讯信息计算理论推力控制，同时利用传感器测量信息得到近邻无人机三维方向加速度，解算邻居无人机的实际推力控制，利用推力输入残差估计实现无人机对邻居无人机的故障诊断，解决了蜂群无人机分布式故障诊断的问题。
另外，由于蜂群无人机同构的特性，无人机根据自身动力学参数结合通讯信息和传感器感知信息就可以估计邻居无人机的推力输入残差估计，不需要额外观测信息，无人机以自我为中心，可以有效地识别和定位出处于故障状态的邻居无人机。
该方法还可以有效弥补单机故障诊断的不足，无人机不仅对邻居无人机进行诊断，邻居无人机也会对自己进行诊断，无人机以自我为中心，得到对周围近邻的诊断结果，同时邻居无人机还也会对自身有诊断结果，避免了单机诊断的绝对性。
附图说明
图1是本申请应用的蜂群无人机系统的结构示意图。
图2是本申请一个实施例中的基于推力残差估计的蜂群无人机分布式故障诊断方法的方法流程图。
图3是一个仿真实例中初始化的蜂群无人机系统中各个无人机的三维空间坐标。
图4是图3所示仿真实例中蜂群无人机系统的空速图。
图5是图3所示仿真实例中编号为2、3、4、7、9、12、13、14的推力输入残差估值的仿真值。
具体实施方式
下面结合附图对本申请的具体实施方式做进一步说明。
本申请公开了一种基于推力残差估计的蜂群无人机分布式故障诊断方法，该方法的应用场景是蜂群无人机系统，蜂群无人机系统中包括若干个无人机，这些无人机按预设的集群结构实现集群飞行。本申请所针对的蜂群无人机系统建立有通讯拓扑和感知拓扑：
1、感知拓扑。
蜂群无人机系统中每个无人机都搭载有机载传感器，每个无人机都可以通过自己搭载的机载传感器感应与其位置近邻的其他无人机的相对状态信息，假设机载传感器的感应范围是半径为R的局部感应范围。则如图1所示，在一个实例中，蜂群无人机系统中包括20个无人机，无人机6可以通过机载传感器感应其周边虚线所示的局部感应范围内的无人机2、3、9、10的相对状态信息，而无人机19可以通过机载传感器感应其周边虚线所示的局部感应范围内的无人机13、18的相对状态信息。
蜂群无人机系统中所有无人机都通过机载传感器感应其他无人机的相对状态信息，由此整个蜂群无人机系统搭建形成有感知拓扑。在实际应用时，每个无人机的机载传感器的感应范围可以相同也可以不同，本申请以都相同为例。
2、通讯拓扑。
蜂群无人机系统中每个无人机都按照预先定义的通讯协议与位置近邻的其他无人机进行通讯，每个无人机的通讯范围可以与其机载传感器的感应范围相同或者不同，本申请以每个无人机的通讯范围也是半径为R的局部感应范围为例进行说明。则在如图1所示的实例中，无人机6还与其周边虚线所示的局部感应范围内的无人机2、3、9、10进行通讯，无人机19还与其周边虚线所示的局部感应范围内的无人机13、18进行通讯。蜂群无人机系统中所有无人机都与位置近邻的其他无人机进行通讯，由此整个蜂群无人机系统搭建形成有通讯拓扑。在实际应用时，每个无人机的通讯范围可以相同也可以不同，本申请以都相同为例。
基于蜂群无人机系统构建得到的通讯拓扑和感知拓扑，无论每个无人机的通讯范围和感应范围是否相等，对于蜂群无人机系统中的每个无人机，定义位于该无人机的机载传感器的局部感应范围内且与该无人机之间进行信息通讯的其他无人机为该无人机的邻居无人机，也即每个无人机与其每个邻居无人机之间既实现通讯、又实现相对状态信息的感应。比如在图1所示的实例中，无人机2、3、9、10均为无人机6的邻居无人机，无人机13、18均为无人机19的邻居无人机。每个无人机可以有一个或多个邻居无人机，也可以没有邻居无人机，但在蜂群无人机系统集群飞行的场景下，一般每个无人机都有至少一个邻居无人机。
在蜂群无人机系统集群飞行过程中，无人机的阵型可能发生变化，因此每个无人机的邻居无人机可以保持不变，也可以动态变化。
在蜂群无人机系统集群飞行过程中，每个无人机都会对自己的状态信息进行采样，但采样周期不会无限小，因此将采样过程离散为多个时间步长，并在各个时间步长内进行采样，且在各个时间步长内实现的过程是相同的。另外，每个无人机还会在各个时间步长内通过机载传感器感应各个邻居无人机的相对状态信息。
蜂群无人机系统中任意一个无人机在任意一个时间步长内采样的自己的状态信息包括该无人机的三维空间坐标、空速、爬升角和航向角，预先对蜂群无人机系统的飞行常见建立三维的虚拟坐标系，由此可以将任意无人机i在任意的时间步长k采样到的自己的状态信息定义为
Figure BDA0003788874310000061
其中，无人机i在时间步长k内的三维空间坐标
Figure BDA0003788874310000062
Figure BDA0003788874310000063
表示无人机i在时间步长k内的空速，
Figure BDA0003788874310000064
表示无人机i在时间步长k内的爬升角，
Figure BDA0003788874310000065
表示无人机i在时间步长k内的航向角。不同无人机在不同时间步长内的状态信息都按照上述形式定义，通过改变下标i来表示不同的无人机的状态信息，通过改变上标k来表示不同的时间步长的状态信息。
每个无人机除了会采样自己的状态信息之外，还会利用通讯拓扑将自己的状态信息发送给每个邻居无人机，相应的，也会接收到每个邻居无人机发送的状态信息。比如在图1中，无人机6会将自己的状态信息发送给无人机2、3、9、10，且相应的，无人机6也会接收到无人机2、3、9、10的状态信息。
因此每个无人机还会汇总接收到的所有邻居无人机的状态信息形成邻居状态信息集合，且将邻居状态信息集合也发送给每个邻居无人机。比如在图1中，无人机6汇总形成的邻居状态信息集合包括接收到的无人机2、3、9、10的状态信息，无人机6除了将自己的状态信息发送给无人机2、3、9、10之外，还将邻居状态信息集合也发送给无人机2、3、9、10。
基于上述介绍的蜂群无人机系统的结构，以及各个无人机基于通讯拓扑和感知拓扑实现的交互过程，蜂群无人机系统中的每个无人机都可以在蜂群无人机系统集群飞行过程中按照本申请提供的如下方法进行故障诊断以实现分布式故障诊断。
基于任意的无人机j在时间步长k内的状态信息
Figure BDA0003788874310000066
对邻居无人机j的单机动力学模型描述为：
Figure BDA0003788874310000071
其中，
Figure BDA0003788874310000072
是邻居无人机j在时间步长k内的空气阻力，mj是邻居无人机j的质量，g表示重力加速度，邻居无人机j的执行器的控制输入包括
Figure BDA0003788874310000073
其中，
Figure BDA0003788874310000074
表示邻居无人机j在时间步长k内的倾斜角，
Figure BDA0003788874310000075
表示邻居无人机j在时间步长k内的升力，
Figure BDA0003788874310000076
表示邻居无人机j在时间步长k内的推力。
邻居无人机j在时间步长k内的空气阻力
Figure BDA0003788874310000077
可以按下如下公式预估得到：
Figure BDA0003788874310000078
其中，ρ为空气密度，CD0为零升阻力系数，S为机翼面积，kd为升致阻力，kn为负载系数有效性。Vwj为阵风且
Figure BDA0003788874310000079
其中，δVmj为阵风湍流且是均值为0、标准偏差为0.9Vm的高斯随机变量，
Figure BDA00037888743100000710
为正常风切变且
Figure BDA00037888743100000711
Vm是平均风速。hi表示无人机的高度。
将邻居无人机j的单机动力学模型进行线性化，得到：
Figure BDA00037888743100000712
其中，
Figure BDA00037888743100000713
表示邻居无人机j在时间步长k内的虚拟控制输入，
Figure BDA00037888743100000714
分别表示三维方向上的虚拟控制输入。
由此可以确定，邻居无人机j的执行器的控制输入与虚拟控制输入
Figure BDA00037888743100000715
之间的关系为：
Figure BDA0003788874310000081
如上所述，在实际的蜂群无人机系统中，采样周期不会无限小，因此需要按照时间步长对单机动力学模型进行离散化处理，离散化处理后得到：
Figure BDA0003788874310000082
无人机发动机故障为常见的执行器故障，发动机故障常带来推力的损失，故障存在加性故障和乘性故障两种，具体表现形式如下：
(1)发送机推力加性故障时，Tα＝Tl+ΔT，Tl是无故障时的推力，ΔT表示未知的常值加性故障
(2)发送机推力乘性故障时，在发动机推力故障系数α作用下的推力Tα＝αTl，αmin≤α≤1，Tl是无故障时的推力。
其中，ΔT表示未知的常值加性故障，α表示发动机推力故障系数，当α<αmin时，发动机无法提供足够的动力保持无人机飞机，α＝1表示发动机正常、不存在故障。执行器故障时，常意味着无人机达不到预期的飞行状态。乘性故障为常见的发动机推力故障形式，当飞机油门杆执行到理论位置下，但发动机却无法提供足够的动力支持无人机飞行，这时需要油门冗余，才可能使无人机正常飞行。本申请所实现的故障诊断，主要针对无人机发动机乘性故障。
各个无人机在各个时间步长内执行的方法都是类似的，以任意无人机i在任意的时间步长k内执行的方法为例，方法包括如下步骤，请参考图2所示的流程图：
步骤S1，无人机i接收任意一个邻居无人机j发送的自身的状态信息
Figure BDA0003788874310000083
以及邻居状态信息集合
Figure BDA0003788874310000084
邻居无人机j的邻居状态信息集合
Figure BDA0003788874310000085
包括该邻居无人机j在时间步长k内汇总接收到的该邻居无人机j的所有邻居无人机的状态信息。假设邻居无人机j在时间步长k内的所有邻居无人机构成集合
Figure BDA0003788874310000086
集合
Figure BDA0003788874310000087
中包括n个无人机，则邻居无人机j在时间步长k内的邻居状态信息集合
Figure BDA0003788874310000091
Figure BDA0003788874310000092
依次为集合
Figure BDA0003788874310000093
中的n个无人机的状态信息。
步骤S2，根据邻居无人机j的状态信息
Figure BDA0003788874310000094
以及邻居状态信息集合
Figure BDA0003788874310000095
计算得到邻居无人机j的理论推力控制
Figure BDA0003788874310000096
无人机采用势函数控制，势函数控制律如下：
Figure BDA0003788874310000097
势函数控制律中第一项和第二项分别为邻居无人机j及其邻居无人机的三维空间坐标和空速反馈。
Figure BDA0003788874310000098
是邻居无人机j自身在时间步长k内的三维空间坐标，
Figure BDA0003788874310000099
是邻居无人机j自身在时间步长k内的空速。
Figure BDA00037888743100000910
是邻居无人机j的任意一个邻居无人机h在时间步长k内的三维空间坐标，
Figure BDA00037888743100000911
是邻居无人机j的任意一个邻居无人机h在时间步长k内的空速。
在式(4)中，
Figure BDA00037888743100000912
σ为范数，
Figure BDA00037888743100000913
ε为大于0的常数。
Figure BDA00037888743100000914
是蜂群无人机系统的通讯拓扑邻接矩阵中的元素且定义为：
Figure BDA00037888743100000915
其中，rα是邻居无人机j及其邻居无人机h之间的通讯距离，ρh()是0到1光滑函数。且函数ρh()定义为：
Figure BDA00037888743100000916
其中，s∈(0,1)为阈值。当无人机之间的距离连续变化时，蜂群无人机系统的通讯拓扑邻接矩阵中的元素
Figure BDA00037888743100000917
在[0,1]连续变化，各个无人机的邻居无人机也在动态变化。
蜂拥控制势能函数为：
Figure BDA00037888743100000918
其中，
Figure BDA0003788874310000101
Figure BDA0003788874310000102
参数0<a≤b，
Figure BDA0003788874310000103
从而满足φ(0)＝0，dα是邻居无人机j及其邻居无人机h之间的期望距离。
因此，根据邻居无人机j的状态信息
Figure BDA0003788874310000104
所包含的邻居无人机j的三维空间坐标
Figure BDA0003788874310000105
和空速
Figure BDA0003788874310000106
以及邻居状态信息集合
Figure BDA0003788874310000107
所包含的邻居无人机j的各个邻居无人机的三维空间坐标和空速，基于式(4)所描述的势函数控制律计即可算得到邻居无人机j的虚拟控制输入
Figure BDA0003788874310000108
然后根据邻居无人机j的状态信息
Figure BDA0003788874310000109
所包含的邻居无人机j的爬升角
Figure BDA00037888743100001010
和航向角
Figure BDA00037888743100001011
结合邻居无人机j的虚拟控制输入
Figure BDA00037888743100001012
即可按照公式(3)提供的邻居无人机j在时间步长k内的推力
Figure BDA00037888743100001013
与虚拟控制输入的关系计算得到邻居无人机j的理论推力控制
Figure BDA00037888743100001014
可表示为：
Figure BDA00037888743100001015
步骤S3，无人机i通过机载传感器感应到的邻居无人机j的相对状态信息计算得到邻居无人机j的实际推力控制
Figure BDA00037888743100001016
需要说明的时，该步骤与步骤S1和S2没有特定的先后顺序。该步骤包括如下步骤：
1、无人机i根据感应到的邻居无人机j相对于无人机i的相对速度，结合无人机i的空速计算得到邻居无人机j在时间步长k的测量空速
Figure BDA00037888743100001017
该步骤可以利用现有技术实现，该实施例不详细赘述。
2、无人机i根据相邻两个时间步长内的测量空速
Figure BDA00037888743100001018
计算得到邻居无人机j在时间步长k内的测量三维加速度
Figure BDA00037888743100001019
无人机i将邻居无人机j视为二阶模型，按照如下公式计算得到测量三维加速度：
Figure BDA00037888743100001020
其中，
Figure BDA00037888743100001021
是邻居无人机j在上一个时间步长，也即在时间步长k-1的测量空速，邻居无人机j在时间步长0的测量空速为0。
3、根据邻居无人机j的测量三维加速度
Figure BDA0003788874310000111
结合邻居无人机j发送的自身的状态信息
Figure BDA0003788874310000112
计算得到邻居无人机j的实际推力控制
Figure BDA0003788874310000113
根据上述式(2)表示的三位加速度与虚拟控制输入的关系，结合公式(3)提供的邻居无人机j在时间步长k内的推力
Figure BDA0003788874310000114
与虚拟控制输入的关系，即可计算得到邻居无人机j的实际推力控制
Figure BDA0003788874310000115
可表示为：
Figure BDA0003788874310000116
步骤S4，根据邻居无人机j的理论推力控制
Figure BDA0003788874310000117
和实际推力控制
Figure BDA0003788874310000118
计算得到邻居无人机j的推力输入残差估计
Figure BDA0003788874310000119
并根据推力输入残差估计
Figure BDA00037888743100001110
得到对邻居无人机j的故障诊断结果。具体的，当推力输入残差估计
Figure BDA00037888743100001111
超过预设残差阈值ζ时，确定邻居无人机j处于乘性故障状态，否则确定邻居无人机j处于正常状态。预设残差阈值预先自定义设置，可以基于
Figure BDA00037888743100001112
和扰动量δ确定。
在一个实例中，按照本申请提供的方法进行仿真，随机初始化25个无人机的三维空间坐标和空速，各个无人机的三维空间坐标的分布示意图如图3所示。在该仿真实例中，预先设定8号无人机在集群飞行过程中出现发动机乘性故障，故障开始时间为20s，故障形式为Ta＝0.8Tl，选取预设残差阈值为4N。
蜂群无人机系统中所有无人机的空速变化情况如图4所示，从图4中可以看出，在20s之前，蜂群无人机系统已经达到稳定，开始一致性飞行。但20s时由于8号无人机发生发动机乘性故障，造成速度下降，8号无人机的邻居无人机因为势函数控制项及速度反馈项的存在，也被动降速，故障逐渐影响致至整个蜂群无人机系统，导致整个蜂群无人机系统的飞行性能下降。
在该仿真场景下，不采取容错措施，无人机自飞行开始至结束，保持通讯和机载传感器感知功能。按照本申请提供的方法，每个无人机会接收到其邻居无人机发送的状态信息以及邻居状态信息集合。编号为2、3、4、7、9、12、13、14的无人机的邻居无人机都包含8号无人机，每个无人机包含的所有邻居无人机如下表所示，下表表示的意思是，2号无人机的邻居无人机包括编号1、3、6、7、8的无人机，其他以此类推。
因为无论是直接由8号无人机直接发送还是包含在其他无人机发送的邻居状态信息集合中，这几个编号的无人机都会接收到8号无人机的状态信息，根据本申请提供的方法，这几个编号的无人机都会计算得到8号无人机的推力输入残差估计如图5所示，虽然由于传感器误差、扰动等因素，邻居无人机对8号无人机的推力输入残差估计的取值不断波动，但是在正常状态下的无人机即便存在波动也不会超过预设残差阈值，而当出现乘性故障时即导致推力输入残差估计超过预设残差阈值。在该仿真实例中，编号为2、3、4、7、9、12、13、14的无人机对各自的邻居无人机按照本申请的方法得到的故障诊断结果如下表所示，下表中，对相应邻居无人机的故障诊断为0时表示对相应编号的邻居无人机诊断为正常状态，而对相应邻居无人机的故障诊断为1时表示对相应编号的邻居无人机诊断为乘性故障状态。由下表可知，在该仿真实例中，编号为2、3、4、7、9、12、13、14的无人机都准确诊断出了8号无人机处于乘性故障状态，且对于其他邻居无人机都诊断为处于正常状态，诊断的准确性较高，且故障诊断时间短，实际在20s处对8号无人机注入故障的初期就已经得到了诊断结果，诊断的及时性较好。
Figure BDA0003788874310000121
Figure BDA0003788874310000122
Figure BDA0003788874310000123
Figure BDA0003788874310000124
Figure BDA0003788874310000131
Figure BDA0003788874310000132
以上所述的仅是本申请的优选实施方式，本申请不限于以上实施例。可以理解，本领域技术人员在不脱离本申请的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本申请的保护范围之内。

Claims (7)

1.一种基于推力残差估计的蜂群无人机分布式故障诊断方法，其特征在于，在蜂群无人机系统集群飞行过程中，所述蜂群无人机系统中的任意无人机i在任意的时间步长k内执行的方法包括：
接收任意一个邻居无人机j发送的自身的状态信息
Figure FDA0003788874300000011
以及邻居状态信息集合
Figure FDA0003788874300000012
邻居无人机j的邻居状态信息集合
Figure FDA0003788874300000013
包括邻居无人机j在时间步长k内汇总接收到的所有邻居无人机的状态信息；在蜂群无人机系统中，每个无人机的邻居无人机包括位于所述无人机的机载传感器的局部感应范围内且与所述无人机之间进行信息通讯的其他无人机；
根据邻居无人机j的状态信息
Figure FDA0003788874300000014
以及邻居状态信息集合
Figure FDA0003788874300000015
计算得到邻居无人机j的理论推力控制
Figure FDA0003788874300000016
通过机载传感器感应到的邻居无人机j的相对状态信息计算得到邻居无人机j的实际推力控制
Figure FDA0003788874300000017
根据邻居无人机j的理论推力控制
Figure FDA0003788874300000018
和实际推力控制
Figure FDA0003788874300000019
计算得到邻居无人机j的推力输入残差估计
Figure FDA00037888743000000110
并根据推力输入残差估计
Figure FDA00037888743000000111
得到对邻居无人机j的故障诊断结果。
2.根据权利要求1所述的方法，其特征在于，所述根据推力输入残差估计
Figure FDA00037888743000000112
得到对邻居无人机j的故障诊断结果，包括：
当推力输入残差估计
Figure FDA00037888743000000113
超过预设残差阈值时，确定邻居无人机j处于乘性故障状态，否则确定邻居无人机j处于正常状态。
3.根据权利要求1所述的方法，其特征在于，每个无人机的状态信息包括所述无人机的三维空间坐标、空速、爬升角和航向角；所述根据邻居无人机j的状态信息
Figure FDA00037888743000000114
以及邻居状态信息集合
Figure FDA00037888743000000115
计算得到邻居无人机j的理论推力控制
Figure FDA00037888743000000116
包括：
根据邻居无人机j的状态信息
Figure FDA00037888743000000117
所包含的邻居无人机j的三维空间坐标
Figure FDA00037888743000000118
和空速
Figure FDA00037888743000000119
以及邻居状态信息集合
Figure FDA00037888743000000120
所包含的邻居无人机j的各个邻居无人机的三维空间坐标和空速，基于势函数控制律计算得到邻居无人机j的虚拟控制输入
Figure FDA00037888743000000121
Figure FDA00037888743000000122
分别表示三维方向上的虚拟控制输入；
根据邻居无人机j的状态信息
Figure FDA0003788874300000021
所包含的邻居无人机j的爬升角
Figure FDA0003788874300000022
和航向角
Figure FDA0003788874300000023
结合邻居无人机j的虚拟控制输入
Figure FDA0003788874300000024
按照如下公式计算得到邻居无人机j的理论推力控制
Figure FDA0003788874300000025
Figure FDA0003788874300000026
其中，
Figure FDA0003788874300000027
是邻居无人机j在时间步长k内的空气阻力，mj是邻居无人机j的质量，g是重力加速度。
4.根据权利要求3所述的方法，其特征在于，所述基于势函数控制律计算得到邻居无人机j的虚拟控制输入，包括确定所述邻居无人机j的虚拟控制输入
Figure FDA0003788874300000028
为：
Figure FDA0003788874300000029
其中，
Figure FDA00037888743000000210
是邻居无人机j在时间步长k内所有邻居无人机构成的集合，邻居无人机j的邻居状态信息集合
Figure FDA00037888743000000211
包括集合
Figure FDA00037888743000000212
中各个无人机的状态信息；包含在集合
Figure FDA00037888743000000213
中的任意一个邻居无人机h在时间步长k内的三维空间坐标为
Figure FDA00037888743000000214
空速为
Figure FDA00037888743000000215
Φ()表示蜂拥控制势能函数，
Figure FDA00037888743000000216
σ为范数，
Figure FDA00037888743000000217
ε为大于0的常数；
Figure FDA00037888743000000218
是所述蜂群无人机系统的通讯拓扑邻接矩阵中的元素且定义为：
Figure FDA00037888743000000219
其中，rα是邻居无人机j和邻居无人机h之间的通讯距离，ρh()是0到1光滑函数，函数ρh()定义为：
Figure FDA00037888743000000220
其中，s∈(0,1)为阈值。
5.根据权利要求1所述的方法，其特征在于，所述通过机载传感器感应到的邻居无人机j的相对状态信息计算得到邻居无人机j的实际推力控制
Figure FDA00037888743000000221
包括：
根据感应到的邻居无人机j相对于无人机i的相对速度，结合无人机i的空速计算得到邻居无人机j的测量空速；
根据相邻两个时间步长内的测量空速计算得到邻居无人机j在时间步长k内的测量三维加速度
Figure FDA0003788874300000031
根据邻居无人机j的测量三维加速度
Figure FDA0003788874300000032
结合邻居无人机j发送的自身的状态信息
Figure FDA0003788874300000033
计算得到邻居无人机j的实际推力控制
Figure FDA0003788874300000034
6.根据权利要求5所述的方法，其特征在于，所述计算得到邻居无人机j的实际推力控制
Figure FDA0003788874300000035
包括按如下公式计算：
Figure FDA0003788874300000036
其中，
Figure FDA0003788874300000037
是邻居无人机j在时间步长k内的空气阻力，，mj是邻居无人机j的质量，g是重力加速度。
7.根据权利要求3或6所述的方法，其特征在于，邻居无人机j在时间步长k内的空气阻力
Figure FDA0003788874300000038
为：
Figure FDA0003788874300000039
其中，ρ为空气密度，CD0为零升阻力系数，S为机翼面积，kd为升致阻力，kn为负载系数有效性。Vwj为阵风且
Figure FDA00037888743000000310
其中，δVmj为阵风湍流且是均值为0、标准偏差为0.9Vm的高斯随机变量，
Figure FDA00037888743000000311
为正常风切变且
Figure FDA00037888743000000312
Vm是平均风速，hi表示无人机的高度。
CN202210949555.5A 2022-08-09 2022-08-09 一种基于推力残差估计的蜂群无人机分布式故障诊断方法 Active CN115167147B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210949555.5A CN115167147B (zh) 2022-08-09 2022-08-09 一种基于推力残差估计的蜂群无人机分布式故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210949555.5A CN115167147B (zh) 2022-08-09 2022-08-09 一种基于推力残差估计的蜂群无人机分布式故障诊断方法

Publications (2)

Publication Number Publication Date
CN115167147A true CN115167147A (zh) 2022-10-11
CN115167147B CN115167147B (zh) 2023-04-18

Family

ID=83479574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210949555.5A Active CN115167147B (zh) 2022-08-09 2022-08-09 一种基于推力残差估计的蜂群无人机分布式故障诊断方法

Country Status (1)

Country Link
CN (1) CN115167147B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116107339A (zh) * 2022-12-14 2023-05-12 南京航空航天大学 一种推力损失故障下的蜂群无人机容错协同控制方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140336789A1 (en) * 2013-05-13 2014-11-13 Massachusetts Institute Of Technology Controlling dynamical systems with bounded probability of failure
CN107315421A (zh) * 2017-07-10 2017-11-03 山东科技大学 一种时延无人机编队的分布式速度传感器故障诊断方法
CN111176263A (zh) * 2020-01-23 2020-05-19 北京航天自动控制研究所 一种基于bp神经网络的飞行器推力故障在线辨识方法
CN112929205A (zh) * 2021-01-22 2021-06-08 南京航空航天大学 一种基于元胞自动机的蜂群无人机故障传播方法
CN113051723A (zh) * 2021-03-12 2021-06-29 南京航空航天大学 一种基于时序网络的蜂群无人机故障传播分析方法
CN113325708A (zh) * 2021-05-13 2021-08-31 南京航空航天大学 基于异构多智能体的多无人机系统的故障估计方法
WO2022067759A1 (zh) * 2020-09-30 2022-04-07 深圳市大疆创新科技有限公司 飞行控制方法、飞行器、控制终端及可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140336789A1 (en) * 2013-05-13 2014-11-13 Massachusetts Institute Of Technology Controlling dynamical systems with bounded probability of failure
CN107315421A (zh) * 2017-07-10 2017-11-03 山东科技大学 一种时延无人机编队的分布式速度传感器故障诊断方法
CN111176263A (zh) * 2020-01-23 2020-05-19 北京航天自动控制研究所 一种基于bp神经网络的飞行器推力故障在线辨识方法
WO2022067759A1 (zh) * 2020-09-30 2022-04-07 深圳市大疆创新科技有限公司 飞行控制方法、飞行器、控制终端及可读存储介质
CN112929205A (zh) * 2021-01-22 2021-06-08 南京航空航天大学 一种基于元胞自动机的蜂群无人机故障传播方法
CN113051723A (zh) * 2021-03-12 2021-06-29 南京航空航天大学 一种基于时序网络的蜂群无人机故障传播分析方法
CN113325708A (zh) * 2021-05-13 2021-08-31 南京航空航天大学 基于异构多智能体的多无人机系统的故障估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈严波等: "基于有向图的蜂群无人机故障影响" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116107339A (zh) * 2022-12-14 2023-05-12 南京航空航天大学 一种推力损失故障下的蜂群无人机容错协同控制方法
CN116107339B (zh) * 2022-12-14 2023-09-08 南京航空航天大学 一种推力损失故障下的蜂群无人机容错协同控制方法

Also Published As

Publication number Publication date
CN115167147B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN103116280B (zh) 一种存在变分布网络随机延迟的微小型无人飞行器纵向控制方法
CN109689499B (zh) 用于稳健干扰抑制的分布式加速度感测
KR101963754B1 (ko) 드론을 제어하기 위한 시스템 및 방법
CN108153332B (zh) 基于大包线博弈策略的轨迹模拟系统
CN108647442B (zh) 一种基于辅助输出的六旋翼无人机故障估计方法
CN111831008A (zh) 一种基于分布式架构的无人机编队协同控制系统及其方法
CN110737283B (zh) 一种面向视觉集群的编队解耦控制方法
CN115167147B (zh) 一种基于推力残差估计的蜂群无人机分布式故障诊断方法
CN113342033B (zh) 基于固定时间技术的固定翼无人机姿态同步容错控制方法
CN115657730B (zh) 一种大规模多旋翼无人机鲁棒分簇编队控制方法
CN114153228B (zh) 一种有向交互拓扑下无速度测量的四旋翼编队控制方法
Sun et al. Identification of quadrotor aerodynamic model from high speed flight data
CN113625730A (zh) 一种基于超扭滑模的四旋翼自适应容错控制方法
Hansen et al. Fault diagnosis and fault handling for autonomous aircraft
CN110162084B (zh) 基于一致性理论的飞航导弹集群系统编队控制方法
CN115077594B (zh) 基于lstm和近邻信任机制的蜂群无人机故障检测方法
Battipede et al. Neural networks for air data estimation: test of neural network simulating real flight instruments
CN111722614B (zh) 一种基于广义观测器的四旋翼无人机故障估计方法
WO2022007237A1 (zh) 多旋翼无人机及多旋翼无人机系统
CN115373275A (zh) 四旋翼无人机的指定时间预定性能容错控制方法
Hansen et al. A framework for diagnosis of critical faults in unmanned aerial vehicles
CN115205582A (zh) 一种拟图智能化航空传感器故障检测与分类方法
EP3683641A1 (en) Methods for determining usage in fly-by-wire systems
Bartholomew et al. Improving MAV control by predicting aerodynamic effects of obstacles
Silva et al. Design of controllers applied to autonomous unmanned aerial vehicles using software in the loop

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