CN115630531A - 无人机控制系统自动化安全评估方法 - Google Patents

无人机控制系统自动化安全评估方法 Download PDF

Info

Publication number
CN115630531A
CN115630531A CN202211629060.0A CN202211629060A CN115630531A CN 115630531 A CN115630531 A CN 115630531A CN 202211629060 A CN202211629060 A CN 202211629060A CN 115630531 A CN115630531 A CN 115630531A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
risk
fault
evaluation index
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
CN202211629060.0A
Other languages
English (en)
Other versions
CN115630531B (zh
Inventor
戴训华
涂锦虎
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN202211629060.0A priority Critical patent/CN115630531B/zh
Publication of CN115630531A publication Critical patent/CN115630531A/zh
Application granted granted Critical
Publication of CN115630531B publication Critical patent/CN115630531B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation

Abstract

本发明公开了一种无人机控制系统自动化安全评估方法，基于无人机自动化测试闭环仿真平台实现，步骤包括：对无人机故障子系统的风险等级进行划分；选取表征风险等级的评价指标；构建飞行风险论域，并建立将评价指标映射到飞行风险论域的风险等级区间上的风险度量函数；生成不同的故障测试用例，依次将不同的故障测试用例输入无人机自动化测试闭环仿真平台进行仿真以及安全评估。可以编写大量故障测试用例并进行安全评估，以建立大量的故障数据集，解决了缺乏故障数据集的问题。利用故障测试用例进行仿真的方式对无人机控制系统进行安全评估，能够实现自动化，效率高，成本低。

Description

无人机控制系统自动化安全评估方法
技术领域
本发明涉及无人机飞行安全领域，尤其涉及一种无人机控制系统自动化安全评估方法。
背景技术
目前无人机在安全上的问题层出不穷，针对于无人机控制系统的安全评估，目前基于真机实验的方法进行安全评估是低效、高成本的，且难以自动化的实现；另外，也缺乏针对无人机控制系统的故障数据集，对无人机安全建模造成很大的阻碍。故在具备一个可用于无人机自动化测试的闭环仿真前提下，通过加入无人机控制系统安全评估方法，将整个无人机控制系统安全评估流程自动化具有十分重大的意义。
发明内容
针对现有技术中的不足之处，本发明的目的在于提供一种无人机控制系统自动化安全评估方法，通过注入针对无人机控制系统的特定类型的故障并利用闭环仿真进行自动化测试，根据故障数据来划分飞行风险等级。此方法解决了缺乏故障数据集对无人机控制系统进行安全分析的问题，同时能够划分故障子系统的风险等级，对指导无人机子控制系统的安全建模方面具有重要意义。
为了实现上述目的，本发明采用如下技术方案。
本发明提供了一种无人机控制系统自动化安全评估方法，基于无人机自动化测试闭环仿真平台实现，步骤包括：
对无人机故障子系统的风险等级进行划分；
选取表征风险等级的评价指标；
构建飞行风险论域，并建立将评价指标映射到飞行风险论域的风险等级区间上的风险度量函数；
生成不同的故障测试用例，依次将不同的故障测试用例输入无人机自动化测试闭环仿真平台进行仿真以及安全评估；
其中，安全评估过程包括：
若无人机坠机，则确定无人机为最高风险等级；
若无人机未坠机，则：
获取无人机在当前仿真测试用例下的故障关联特征数据时间序列；
根据故障关联特征数据时间序列提取表征风险等级的评价指标时间序列；
利用风险度量函数将评价指标时间序列映射为无人机的整体风险值，根据整体风险值所在风险等级区间确定无人机的风险等级。
进一步地，所述对无人机故障子系统的风险等级进行划分，包括：
将无人机故障子系统的风险等级划分为正常、轻微、严重、危险、灾难五个等级，且 确定每个风险等级对应的整体风险值范围，故风险等级
Figure 991734DEST_PATH_IMAGE001
定义如下：
Figure 469114DEST_PATH_IMAGE002
其中，R表示无人机的整体风险值，A1、A2、A3、A4为预设值，且0<A1<A2<A3<A4<1。
进一步地，所述评价指标包括加速度变差量、角速度变差量、与期望位置的偏差、与期望速度的偏差。
进一步地，飞行风险论域U为
Figure 164538DEST_PATH_IMAGE003
时间上的风险空间，即
Figure 609426DEST_PATH_IMAGE004
，
Figure 743604DEST_PATH_IMAGE005
为
Figure 590337DEST_PATH_IMAGE006
时段上的
Figure 518979DEST_PATH_IMAGE007
风险空间；
将
Figure 716742DEST_PATH_IMAGE008
划分为N个风险子空间，则
Figure 389032DEST_PATH_IMAGE008
表示如下：
Figure 152588DEST_PATH_IMAGE009
其中，N为评价指标类别数；
Figure 127498DEST_PATH_IMAGE010
为模糊空间下的评价指标；
Figure 438655DEST_PATH_IMAGE011
为评价指标
Figure 117898DEST_PATH_IMAGE010
的 隶属度函数，其结果为[0,1]的风险值；
Figure 204803DEST_PATH_IMAGE012
为评价指标
Figure 209668DEST_PATH_IMAGE010
对应的风险等级权重。
风险度量函数表示如下：
Figure 533421DEST_PATH_IMAGE013
其中，R为无人机的整体风险值；
Figure 219618DEST_PATH_IMAGE014
为
Figure 161029DEST_PATH_IMAGE006
时段无人机的风险值，且
Figure 602374DEST_PATH_IMAGE015
；
Figure 589922DEST_PATH_IMAGE016
为
Figure 876547DEST_PATH_IMAGE006
时段对应的权重系数，且满足
Figure 501826DEST_PATH_IMAGE017
。
进一步地，评价指标
Figure 520597DEST_PATH_IMAGE010
的隶属度函数
Figure 729862DEST_PATH_IMAGE011
通过如下方法得到：
通过向无人机自动化测试闭环仿真平台循环注入不同的故障测试用例进行仿真， 根据仿真结果实现对风险等级与各评价指标取值范围关系的标定；对于评价指标
Figure 85757DEST_PATH_IMAGE010
，求解 将其不同等级的取值范围映射到对应的风险等级对应的风险值区间的函数，即得到评价指 标
Figure 736181DEST_PATH_IMAGE010
的隶属度函数
Figure 784908DEST_PATH_IMAGE011
。
进一步地，安全评估过程中，若无人机坠机，则通过如下坠机评估函数确定无人机的整体风险值：
Figure 950310DEST_PATH_IMAGE018
其中，
Figure 814623DEST_PATH_IMAGE019
表示无人机坠机时整体风险值，
Figure 178609DEST_PATH_IMAGE020
表示等效安全水平；K为调整系 数；
Figure 132658DEST_PATH_IMAGE021
是坠地严重程度，
Figure 614717DEST_PATH_IMAGE022
为遮挡系数，
Figure 187781DEST_PATH_IMAGE023
为坠机动能，
Figure 937431DEST_PATH_IMAGE024
和
Figure 203328DEST_PATH_IMAGE025
为两个固定的参数。
进一步地，所述故障关联特征数据为无人机的飞行姿态数据。
进一步地，所述故障关联特征数据包括位置、速度、角速度、加速度。
进一步地，所述根据故障关联特征数据时间序列提取表征风险等级的评价指标时间序列，包括：
故障关联特征数据时间序列长度为N，将每类故障关联特征数据时间序列按不同的飞行任务划分为M+1组序列；每类故障关联特征数据时间序列划分后表示如下：
Figure 77743DEST_PATH_IMAGE026
其中，
Figure 844710DEST_PATH_IMAGE027
，
Figure 324233DEST_PATH_IMAGE028
表示第p组序列
Figure 885665DEST_PATH_IMAGE029
中第q个数 据，
Figure 450638DEST_PATH_IMAGE030
表示
Figure 9181DEST_PATH_IMAGE029
中的数据个数；
根据划分后的故障关联特征数据时间序列计算各自对应的评价指标时间序列；
对于角速度和加速度这两类故障关联特征数据，通过如下公式计算角速度变差量时间序列和加速度变差量时间序列：
Figure 608790DEST_PATH_IMAGE031
其中，
Figure 341123DEST_PATH_IMAGE032
对于位置这类故障关联特征数据，通过如下公式计算与期望位置的偏差时间序 列：
Figure 393392DEST_PATH_IMAGE031
其中，
Figure 439846DEST_PATH_IMAGE032
对于位置这类故障关联特征数据，通过如下公式计算与期望位置的偏差时间序列：
Figure 18594DEST_PATH_IMAGE031
其中，
Figure 797195DEST_PATH_IMAGE033
表示当前时刻的期望位 置；
对于速度这类故障关联特征数据，通过如下公式计算与期望速度的偏差时间序列：
Figure 962859DEST_PATH_IMAGE031
其中，
Figure 281845DEST_PATH_IMAGE034
表示当前时刻的期望速 度。
有益效果
本发明提出了一种无人机控制系统自动化安全评估方法，通过仿真的方式，可以编写大量针对无人机控制系统的各个子系统的故障测试用例并进行安全评估，能够划分故障子系统的安全等级，以建立大量的故障数据集，解决了缺乏故障数据集对无人机控制系统进行安全分析的问题，对指导无人机子控制系统的安全建模方面具有重要意义。利用编写的故障测试用例进行仿真的方式对无人机控制系统进行安全评估，能够实现自动化，效率高，成本低。
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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的无人机控制系统自动化安全评估方法流程图；
图2是本发明实施例提供的风险等级划分图；
图3是本发明实施例提供的飞行风险论域的风险空间示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
无人机控制系统的安全指从无人机控制系统自身出发，各个子系统正常工作，在规定的时间内以一定的标准完成指定的任务，系统的性能处于正常的状态。相反，造成无人机控制系统不安全的原因可能是无人机动力系统、指挥控制系统等子系统出现故障，没有完成规划的任务，造成了一定的安全影响。针对于无人机控制系统的安全评估，目前基于真机实验的方法进行安全评估是低效、高成本的，且难以自动化的实现；另外，也缺乏针对无人机控制系统的故障数据集，对无人机安全建模造成很大的阻碍。故本发明中，在具备一个可用于无人机自动化测试的闭环仿真前提下，通过加入无人机控制系统安全评估方法，将整个无人机控制系统安全评估流程自动化。下面结合具体实施例对本发明的技术方案作进一步说明。
如图1所示，本发明实施例提供了提供了一种无人机控制系统自动化安全评估方法，基于无人机自动化测试闭环仿真平台实现，需要说明的是，本发明并不对无人机自动化测试闭环仿真平台进行限定，现有的可用于无人机自动化测试闭环仿真平台均适用于本发明。基于此，安全评估方法步骤包括：
S1：对无人机故障子系统的风险等级进行划分。
具体地，无人机故障子系统的风险等级定性划分如图2所示，故障的最终表现形式为：平稳、轻微晃动、剧烈晃动、缓慢坠机、快速坠机。结合故障表现形式，对故障子系统的定性划分如下：
1级故障（平稳）：故障——子系统功能正常——无人机正常；
2级故障（轻微晃动）：故障——子系统部分功能降级——无人机影响不大，正常执行原来任务，但可靠性下降；
3级故障（剧烈晃动）：故障——子系统部分功能降级，但是未完全失去工作——飞机未坠毁，但原有功能降级；
4级故障（缓慢坠机）：故障——子系统完全丧失（无硬件备份），飞机完全丧失预定功能，但是其他系统能够弥补（触发失效保护），飞机可以平安悬停或迫降，不会对地面产生伤害；
5级故障（快速坠机）：故障——子系统预定功能完全丧失——飞机坠机。
将上述五个级别的故障等级对应为无人机故障子系统的风险等级，分别对应为正常、轻微、严重、危险、灾难五个等级，并确定每个风险等级对应的整体风险值范围，故风险等级定义如下：
Figure 590466DEST_PATH_IMAGE035
（1）
其中，R表示无人机的整体风险值，A1、A2、A3、A4为预设值，且0<A1<A2<A3<A4<1。
其中整体风险值为根据无人机的飞行姿态特征数据转化而来，A1、A2、A3、A4取值 根据实际情况会有所不同，本实施例中，以A1、A2、A3、A4分别取值0.1、0.4、0.7、0.9为例，则 风险等级
Figure 664602DEST_PATH_IMAGE001
改写为：
Figure 160305DEST_PATH_IMAGE036
（2）
根据最终整体风险值R的取值所属范围确定无人机故障子系统的风险等级。
S2：选取表征风险等级的评价指标。
具体地，无人机的故障类型可分为模型组件故障（电池、动力单元、负载、传感器）、 通信故障以及组件的消耗与老化。由于无人机故障类型不同，每种故障所对应的与之关联 度大的故障关联特征数据也随之不同。由于无论发生什么故障，最终都会通过飞行姿态数 据表现出来，故选取飞行姿态数据：加速度、角速度、位置、速度数据作为故障关联特征数 据，依此为基准，将其转化为无人机不同时间尺度上的加速度变差量、角速度变差量、与期 望位置的偏差、与期望速度的偏差作为统一的评价指标。因此，定义评价指标
Figure 610878DEST_PATH_IMAGE037
集合如下：
Figure 367481DEST_PATH_IMAGE038
（3）
其中，
Figure 487884DEST_PATH_IMAGE039
分别表示加速度变差量、角速度 变差量、与期望位置的偏差、与期望速度的偏差。
S3：构建飞行风险论域，并建立将评价指标映射到飞行风险论域的风险等级区间上的风险度量函数。
如图3所示，首先定义飞行风险论域U为
Figure 96982DEST_PATH_IMAGE003
时间上的风险空间，即
Figure 85667DEST_PATH_IMAGE004
，
Figure 103301DEST_PATH_IMAGE005
为
Figure 784819DEST_PATH_IMAGE006
时段上的
Figure 520693DEST_PATH_IMAGE007
风险空间；将
Figure 313069DEST_PATH_IMAGE005
划分为N个风险子空间，则
Figure 748992DEST_PATH_IMAGE005
表示如下：
Figure 866989DEST_PATH_IMAGE040
（4）
其中，
Figure 621319DEST_PATH_IMAGE041
为模糊空间下的评价指标，并将
Figure 889489DEST_PATH_IMAGE041
作为整个模糊空间下的过程变量；
Figure 209612DEST_PATH_IMAGE042
为评价指标在
Figure 462958DEST_PATH_IMAGE006
时段上的离散健康状态；
Figure 439004DEST_PATH_IMAGE043
为
Figure 42024DEST_PATH_IMAGE042
对应的风险等级；
Figure 482232DEST_PATH_IMAGE011
为隶属度函 数，
Figure 145295DEST_PATH_IMAGE044
为
Figure 906840DEST_PATH_IMAGE041
对应的风险等级权重。
本实施例中，评价指标的包括四类，即N取4，
Figure 844709DEST_PATH_IMAGE010
表示第j类评价指标，故式（4）变 为：
Figure 811528DEST_PATH_IMAGE045
（5）
其中，
Figure 911071DEST_PATH_IMAGE011
为评价指标
Figure 596130DEST_PATH_IMAGE010
的隶属度函数，其结果为[0,1]的风险值；
Figure 72111DEST_PATH_IMAGE012
为评价 指标
Figure 690174DEST_PATH_IMAGE010
对应的风险等级权重。
将评价指标映射到飞行风险论域的风险等级区间上的风险度量函数通过如下方法建立：
首先进行评价指标范围标定，在确定评价指标后，能够对故障特征进行定量的分 析，通过向无人机自动化测试闭环仿真平台循环注入不同的故障测试用例，并观察对应的 无人机飞行姿态，可以将故障等级
Figure 835984DEST_PATH_IMAGE001
进一步量化为
Figure 572121DEST_PATH_IMAGE043
：
Figure 179689DEST_PATH_IMAGE046
（6）
其中，
Figure 668570DEST_PATH_IMAGE047
为不同等级不同指标的期望阈值，可以通过测试平台 仿真得出，将每次测试的评价指标序列均值波动来标定不同风险等级范围的期望阈值上下 限。当评价指标值处于上述某个期望阈值范围之内，可以认为当前处于与此期望阈值对应 的风险等级。
进一步，为了量化
Figure 871101DEST_PATH_IMAGE043
的不同等级，采用了隶属度函数将不同风险等级的范围值映 射到对应的风险等级对应的风险值区间上，即是求解
Figure 593069DEST_PATH_IMAGE011
的过程；对于权重值
Figure 286219DEST_PATH_IMAGE048
的选取，可以根据具体的飞行任务，根据专家经验，评判出不同评价指标 对飞行结果的影响大小来确定具体的占比。由于对于安全状态来说，其呈现的是一种衰减 的关系，故采用一种非线性衰减模型作为具体的映射，具体表示如下：
Figure 472349DEST_PATH_IMAGE050
（7）
其中，
Figure 819017DEST_PATH_IMAGE051
和
Figure 264167DEST_PATH_IMAGE052
为五个风险等级对应的模型参数，其值可以根据式（6）中的期望阈 值边界确定，
Figure 26587DEST_PATH_IMAGE011
为对应的映射结果。
因此，对于
Figure 801645DEST_PATH_IMAGE006
时段无人机的风险值表示为：
Figure 725738DEST_PATH_IMAGE053
（8）
其中，
Figure 219037DEST_PATH_IMAGE014
为
Figure 253989DEST_PATH_IMAGE006
时段无人机的风险值。
在实际情况中，当无人机发生故障或其他不安全事件时，其故障过程的表现通常 呈现多变性，如图3所示的箭头所示。通过汇总飞行过程中的飞行姿态变化，对飞行结果进 行分析。在
Figure 883553DEST_PATH_IMAGE003
内，将无人机控制系统的整体风险值定义如下：
Figure 978548DEST_PATH_IMAGE013
（9）
其中，
Figure 195028DEST_PATH_IMAGE016
为
Figure 33671DEST_PATH_IMAGE006
时段对应的权重系数，且满足
Figure 783321DEST_PATH_IMAGE017
；式（9）即为所建立的 风险度量函数。
S4：编写生成不同的故障测试用例，依次将不同的故障测试用例输入无人机自动化测试闭环仿真平台进行仿真以及安全评估。
当无人机出现故障或异常时，最终会表现出三种可能的状态：坠地、未坠地但未按期望状态飞行、未坠地且按期望状态飞行，故将飞行结果分为未坠机和坠机两种情况。
对于坠机情况，对于坠机状态，更加关注对人员伤亡情况，同时考虑到等效安全水 平
Figure 49218DEST_PATH_IMAGE020
（
Figure 251529DEST_PATH_IMAGE054
）以及无人机坠机带来的后果严重程度，将坠地速度、坠地动能以 及坠地后果严重度作为坠机评估指标。其中坠地速度可以根据无人机自动化测试闭环仿真 平台得出。
为了将坠机和未坠机情况作为统一的风险值划分范围，本实施例中，定义坠机评估函数如下：
Figure 956180DEST_PATH_IMAGE018
（10）
其中，
Figure 435703DEST_PATH_IMAGE019
表示无人机坠机时整体风险值，
Figure 498599DEST_PATH_IMAGE020
（
Figure 860310DEST_PATH_IMAGE055
）表示等效安全 水平；
Figure 40756DEST_PATH_IMAGE056
为调整系数；
Figure 764998DEST_PATH_IMAGE021
是坠地严重程度，
Figure 107118DEST_PATH_IMAGE022
为遮挡系 数，
Figure 18442DEST_PATH_IMAGE023
为坠机动能，基于无人机的坠地速度及质量计算得到；
Figure 2578DEST_PATH_IMAGE024
和
Figure 253431DEST_PATH_IMAGE025
为两个固定的参数， 本实施例中，选取
Figure 156665DEST_PATH_IMAGE057
和
Figure 430651DEST_PATH_IMAGE058
作为建议的值。通过式（10）可以看出，
Figure 776401DEST_PATH_IMAGE059
，
Figure 881761DEST_PATH_IMAGE060
表示坠机，为灾难等级。
对于未坠机情况，将飞行风险论域的风险值输出R作为未坠机安全等级结果。具体计算过程包括：
（1）获取无人机在当前仿真测试用例下的故障关联特征数据时间序列，即获取无人机的位置、速度、角速度、加速度的时间序列。
（2）根据故障关联特征数据时间序列提取表征风险等级的评价指标时间序列。
具体地，故障关联特征数据时间序列长度为Q，将每类故障关联特征数据时间序列按不同的飞行任务划分为M+1组序列；每类故障关联特征数据时间序列划分后表示如下：
Figure 955896DEST_PATH_IMAGE026
（11）
其中，
Figure 982758DEST_PATH_IMAGE027
，
Figure 167751DEST_PATH_IMAGE028
表示第p组序列
Figure 924355DEST_PATH_IMAGE029
中第q个数 据，
Figure 44757DEST_PATH_IMAGE030
表示
Figure 919435DEST_PATH_IMAGE029
中的数据个数。
根据划分后的故障关联特征数据时间序列计算各自对应的评价指标时间序列，并表示如下：
Figure 783486DEST_PATH_IMAGE031
（12）
对于角速度
Figure 191333DEST_PATH_IMAGE061
，其中，
Figure 482637DEST_PATH_IMAGE062
分别表示俯仰、滚转、 偏航的角速度，此时式（12）中D（m）通过下式计算：
Figure 343146DEST_PATH_IMAGE032
（13）
将角速度时间序列经过式（11）-（13）的计算，可以得到最终的角速度变差量时间 序列，其描述的是俯仰、滚转、偏航的角速度变化量的总和，角速度变差量时间序列
Figure 10888DEST_PATH_IMAGE063
中每 个元素为对应时段的角速度变差量
Figure 273242DEST_PATH_IMAGE064
。
同理，对于加速度
Figure 735447DEST_PATH_IMAGE065
，其中，
Figure 584717DEST_PATH_IMAGE066
分别表示机体坐标 轴上的三轴方向上的加速度分量；此时式（12）中D（m）的计算方法与式（13）相同。将加速度 时间序列经过式（11）-（13）的计算，可以得到最终的加速度变差量时间序列
Figure 852887DEST_PATH_IMAGE067
，其描述的 是机体坐标轴上的三轴加速度的变化量的总和，加速度变差量时间序列
Figure 845114DEST_PATH_IMAGE067
中每个元素为 对应时段的加速度变差量
Figure 602854DEST_PATH_IMAGE064
。
对于速度
Figure 47742DEST_PATH_IMAGE068
，其中，
Figure 181920DEST_PATH_IMAGE069
表示机体坐标轴上的三轴方 向上的速度分量；此时，式（12）中D（m）通过下式计算：
Figure 28653DEST_PATH_IMAGE070
（14）
其中，
Figure 222874DEST_PATH_IMAGE071
表示当前时刻的期望速度。将速度时间序列经过式（11）、（12）、 （14）的计算，可以得到最终的与期望速度的偏差时间序列
Figure 951796DEST_PATH_IMAGE072
，其描述的是机体坐标轴上 的三轴与期望速度的偏差的总和，与期望速度的偏差时间序列
Figure 594392DEST_PATH_IMAGE072
中每个元素为对应时段 的与期望速度的偏差
Figure 92369DEST_PATH_IMAGE073
。
对于位置
Figure 332858DEST_PATH_IMAGE074
，其中，
Figure 876972DEST_PATH_IMAGE075
表示机体坐标轴上的三 轴方向上的位置分量；此时，式（12）中D（m）通过下式计算：
Figure 228319DEST_PATH_IMAGE076
（15）
其中，
Figure 174278DEST_PATH_IMAGE077
表示当前时刻的期望位置。将位置时间序列经过式（11）、（12）、 （15）的计算，可以得到最终的与期望位置的偏差时间序列
Figure 585668DEST_PATH_IMAGE078
，其描述的是机体坐标轴上 的三轴与期望位置的偏差的总和，与期望位置的偏差时间序列
Figure 617078DEST_PATH_IMAGE078
中每个元素为对应时 段的与期望速度的偏差
Figure 506536DEST_PATH_IMAGE079
。
综上，评价指令时间序列的集合可表示为
Figure 826045DEST_PATH_IMAGE080
。
（3）利用风险度量函数将评价指标时间序列映射为无人机的整体风险值，根据整体风险值所在风险等级区间确定无人机的风险等级。
为了进一步理解本发明的技术方案，下面结合具体仿真实验作进一步说明。
仿真过程是在主频2.9Ghz，内存16G的计算机上，Win10操作系统下进行的；采用的是X型四旋翼，其包含四个电机；机体重量为1.515kg、机体半径为0.225m。
以下实验是在无人机飞至30米的高度进行的故障仿真测试，其飞行任务为悬停任务。选取加速度计和电机作为故障测试对象。
对于加速度计故障，通过增大加速度计噪声来模拟加速度计故障,本实验通过增加均匀分布的随机数来模拟加速度计噪声，加速度计噪声均值为12；对于电机故障，令其中一个电机输出为0来模拟电机故障。将加速度计故障和电机故障编写成测试用例循环注入到自动测试平台进行自动测试和评估。
风险等级划分为正常、轻微、严重、危险、灾难等级,并依次将上述正常、轻微、严 重、危险、灾难等级划分为
Figure 673915DEST_PATH_IMAGE081
的风险值范 围。
评价指标时间序列提取过程中，对于角速度
Figure 786097DEST_PATH_IMAGE082
时间序列，经过计算得到角速度变 差量时间序列
Figure 105345DEST_PATH_IMAGE063
如下：
Figure 901262DEST_PATH_IMAGE083
（16）
对于加速度
Figure 513509DEST_PATH_IMAGE024
时间序列，经过计算得到加速度变差量时间序列
Figure 394878DEST_PATH_IMAGE067
如下：
Figure 16352DEST_PATH_IMAGE084
（17）
对于速度v时间序列，经过计算得到与期望速度的偏差时间序列
Figure 666776DEST_PATH_IMAGE072
如下：
Figure 715504DEST_PATH_IMAGE085
（18）
对于位置p时间序列，经过计算得到与期望位置的偏差时间序列
Figure 818589DEST_PATH_IMAGE078
如下：
Figure 479640DEST_PATH_IMAGE086
（19）
通过测试不同情况的故障飞行，观察无人机在故障情况下的飞行姿态变化，将风险等级量化如下：
Figure 984570DEST_PATH_IMAGE088
（20）
无人机控制系统的整体风险值如下：
Figure 204199DEST_PATH_IMAGE089
（21）
对于悬停任务，更加关注其位置和速度的变化，加速度和角速度变差量相对位置 和速度的变化更少，故将与期望位置的偏差、与期望速度的偏差、角速度变差量、加速度变 差量对应的风险等级权重分别设置为0.3、0.3、0.2、0.2。
Figure 794580DEST_PATH_IMAGE016
为
Figure 757857DEST_PATH_IMAGE006
时段对应的权重系数，且 满足
Figure 179611DEST_PATH_IMAGE017
，本实验中令
Figure 445507DEST_PATH_IMAGE090
。
对仿真实验风险等级结果进行分析时，对于未坠机情况，采取式（16）~（21）计算结果并输出；对于坠机情况，采取式（10）计算并输出。
对于测试用例1：加速度计故障，通过无人机自动化测试闭环仿真平台，采取了加 速度计噪声均值为12的故障飞行时间段的飞行数据，故障测试时间为10s。其中采样周期为
Figure 647819DEST_PATH_IMAGE091
，连续采1288个数值点，分成644组，每组采样2个。飞行结果为未坠机，将采样结 果进行式的计算，并将计算结果对照式（20）的标定好的故障等级阈值上下限，根据式（21）， 最终输出结果如表1所示：
Figure 24573DEST_PATH_IMAGE092
对于测试用例2：电机故障，飞行结果为坠机，通过测试平台收集到无人机的坠机速度，根据式（10），最终输出结果如表2所示：
Figure 130195DEST_PATH_IMAGE093
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)

1.一种无人机控制系统自动化安全评估方法，其特征在于，基于无人机自动化测试闭环仿真平台实现，步骤包括：
对无人机故障子系统的风险等级进行划分；
选取表征风险等级的评价指标；
构建飞行风险论域，并建立将评价指标映射到飞行风险论域的风险等级区间上的风险度量函数；
生成不同的故障测试用例，依次将不同的故障测试用例输入无人机自动化测试闭环仿真平台进行仿真以及安全评估；
其中，安全评估过程包括：
若无人机坠机，则确定无人机为最高风险等级；
若无人机未坠机，则：
获取无人机在当前故障测试用例下的故障关联特征数据时间序列；
根据故障关联特征数据时间序列提取表征风险等级的评价指标时间序列；
利用风险度量函数将评价指标时间序列映射为无人机的整体风险值，根据整体风险值所在风险等级区间确定无人机的风险等级。
2.根据权利要求1所述的无人机控制系统自动化安全评估方法，其特征在于，所述对无人机故障子系统的风险等级进行划分，包括：
将无人机故障子系统的风险等级划分为正常、轻微、严重、危险、灾难五个等级，且确定每个风险等级对应的整体风险值范围，故风险等级定义如下：
Figure DEST_PATH_IMAGE001
其中，R表示无人机的整体风险值，A1、A2、A3、A4为预设值，且0<A1<A2<A3<A4<1。
3.根据权利要求1所述的无人机控制系统自动化安全评估方法，其特征在于，所述评价指标包括加速度变差量、角速度变差量、与期望位置的偏差、与期望速度的偏差。
4.根据权利要求1所述的无人机控制系统自动化安全评估方法，其特征在于，飞行风险论域U为
Figure DEST_PATH_IMAGE002
时间上的风险空间，即
Figure DEST_PATH_IMAGE003
，
Figure DEST_PATH_IMAGE004
为
Figure DEST_PATH_IMAGE005
时段上的
Figure DEST_PATH_IMAGE006
风险空间；
将
Figure DEST_PATH_IMAGE007
划分为N个风险子空间，则
Figure 727551DEST_PATH_IMAGE007
表示如下：
Figure DEST_PATH_IMAGE008
其中，N为评价指标类别数；
Figure DEST_PATH_IMAGE009
为模糊空间下的评价指标；
Figure DEST_PATH_IMAGE010
为评价指标
Figure 441429DEST_PATH_IMAGE009
的隶属度函数，其结果为[0,1]的风险值；
Figure DEST_PATH_IMAGE011
为评价指标
Figure 782018DEST_PATH_IMAGE009
对应的风险等级权重。
5.根据权利要求4所述的无人机控制系统自动化安全评估方法，其特征在于，风险度量函数表示如下：
Figure DEST_PATH_IMAGE012
其中，R为无人机的整体风险值；
Figure DEST_PATH_IMAGE013
为
Figure 505123DEST_PATH_IMAGE005
时段无人机的风险值，且
Figure DEST_PATH_IMAGE014
；
Figure DEST_PATH_IMAGE015
为
Figure 381813DEST_PATH_IMAGE005
时段对应的权重系数，且满足
Figure DEST_PATH_IMAGE016
。
6.根据权利要求5所述的无人机控制系统自动化安全评估方法，其特征在于，评价指标
Figure 266592DEST_PATH_IMAGE009
的隶属度函数
Figure 268046DEST_PATH_IMAGE010
通过如下方法得到：
通过向无人机自动化测试闭环仿真平台循环注入不同的故障测试用例进行仿真，根据仿真结果实现对风险等级与各评价指标取值范围关系的标定；
对于评价指标
Figure 201367DEST_PATH_IMAGE009
，求解将其不同等级的取值范围映射到对应的风险等级对应的风险值区间的函数，即得到评价指标
Figure 965186DEST_PATH_IMAGE009
的隶属度函数
Figure 692970DEST_PATH_IMAGE010
。
7.根据权利要求1所述的无人机控制系统自动化安全评估方法，其特征在于，安全评估过程中，若无人机坠机，则通过如下坠机评估函数确定无人机的整体风险值：
Figure DEST_PATH_IMAGE017
其中，
Figure DEST_PATH_IMAGE018
表示无人机坠机时整体风险值，
Figure DEST_PATH_IMAGE019
表示等效安全水平；K为调整系数；
Figure DEST_PATH_IMAGE020
是坠地严重程度，
Figure DEST_PATH_IMAGE021
为遮挡系数，
Figure DEST_PATH_IMAGE022
为坠机动能，
Figure DEST_PATH_IMAGE023
和
Figure DEST_PATH_IMAGE024
为两个固定的参数。
8.根据权利要求1所述的无人机控制系统自动化安全评估方法，其特征在于，所述故障关联特征数据为无人机的飞行姿态数据。
9.根据权利要求1所述的无人机控制系统自动化安全评估方法，其特征在于，所述故障关联特征数据包括位置、速度、角速度、加速度。
10.根据权利要求9所述的无人机控制系统自动化安全评估方法，其特征在于，所述根据故障关联特征数据时间序列提取表征风险等级的评价指标时间序列，包括：
将每类故障关联特征数据时间序列按不同的飞行任务划分为M+1组序列；每类故障关联特征数据时间序列划分后表示如下：
Figure DEST_PATH_IMAGE025
其中，
Figure DEST_PATH_IMAGE026
，
Figure DEST_PATH_IMAGE027
表示第p组序列
Figure DEST_PATH_IMAGE028
中第q个数据，
Figure DEST_PATH_IMAGE029
表示
Figure 794437DEST_PATH_IMAGE028
中的数据个数；
根据划分后的故障关联特征数据时间序列计算各自对应的评价指标时间序列；
对于角速度和加速度这两类故障关联特征数据，通过如下公式计算角速度变差量时间序列和加速度变差量时间序列：
Figure DEST_PATH_IMAGE030
其中，
Figure DEST_PATH_IMAGE032
对于位置这类故障关联特征数据，通过如下公式计算与期望位置的偏差时间序列：
Figure 593766DEST_PATH_IMAGE030
其中，
Figure DEST_PATH_IMAGE034
表示当前时刻的期望位置；
对于速度这类故障关联特征数据，通过如下公式计算与期望速度的偏差时间序列：
Figure 585993DEST_PATH_IMAGE030
其中，
Figure DEST_PATH_IMAGE036
表示当前时刻的期望速度。
CN202211629060.0A 2022-12-19 2022-12-19 无人机控制系统自动化安全评估方法 Active CN115630531B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211629060.0A CN115630531B (zh) 2022-12-19 2022-12-19 无人机控制系统自动化安全评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211629060.0A CN115630531B (zh) 2022-12-19 2022-12-19 无人机控制系统自动化安全评估方法

Publications (2)

Publication Number Publication Date
CN115630531A true CN115630531A (zh) 2023-01-20
CN115630531B CN115630531B (zh) 2023-03-14

Family

ID=84909824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211629060.0A Active CN115630531B (zh) 2022-12-19 2022-12-19 无人机控制系统自动化安全评估方法

Country Status (1)

Country Link
CN (1) CN115630531B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116861270A (zh) * 2023-09-04 2023-10-10 中南大学 无人机系统级健康评估方法和系统
CN116880213A (zh) * 2023-08-16 2023-10-13 北京航空航天大学 无人机抗干扰安全控制方法及相关产品
CN116882751A (zh) * 2023-07-19 2023-10-13 江苏锐天智能科技股份有限公司 基于多源异构数据融合的设备分析系统及方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090177605A1 (en) * 2008-01-09 2009-07-09 Robert Lee Angell Risk assessment within an aircraft
CN104239605A (zh) * 2014-07-25 2014-12-24 北京航空航天大学 一种飞行器装配过程风险评估的方法
CN105956790A (zh) * 2016-05-24 2016-09-21 南京航空航天大学 低空飞行态势安全性评估指标及其评估方法
CN107590878A (zh) * 2017-09-13 2018-01-16 中国人民解放军火箭军工程大学 一种无人机飞行安全预测评估装置及方法
CN109460063A (zh) * 2018-12-25 2019-03-12 中南大学 一种无人机搜救系统及其方法
KR101972957B1 (ko) * 2018-11-21 2019-08-28 한방유비스 주식회사 무인 비행체를 이용한 기존 건축물 소방시설의 화재위험도평가 및 점검 시스템
CN110223539A (zh) * 2019-07-09 2019-09-10 飞牛智能科技（南京）有限公司 适于低空无人机的预警范围实时获取方法
CN111142555A (zh) * 2019-12-17 2020-05-12 中国民用航空总局第二研究所 一种基于碰撞风险的机场无人机管控区域划设方法
CN111177851A (zh) * 2019-12-27 2020-05-19 北航（四川）西部国际创新港科技有限公司 一种无人机运行安全风险评估中对地风险的评估方法
CN111582740A (zh) * 2020-05-13 2020-08-25 电子科技大学 一种多旋翼无人机风险评估系统
CN111680875A (zh) * 2020-05-06 2020-09-18 北京航空航天大学 基于概率基线模型的无人机状态风险模糊综合评价方法
CN112132144A (zh) * 2020-07-31 2020-12-25 北京航空航天大学 一种基于遥感图像的无人机航线撞地风险评估方法
EP3812987A1 (en) * 2019-10-22 2021-04-28 Eurousc Italia società a responsabilità limitata Method to assess operative risk and feasibility of a predetermined flight mission of a drone
KR20210114647A (ko) * 2020-03-11 2021-09-24 엘지전자 주식회사 무인비행체를 제어하기 위한 장치, 시스템 및 방법
US20210309359A1 (en) * 2020-04-06 2021-10-07 Workhorse Group Inc. Flying vehicle systems and methods
US20210358310A1 (en) * 2019-05-24 2021-11-18 A^3 By Airbus Llc Risk assessment for unmanned aerial vehicles

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090177605A1 (en) * 2008-01-09 2009-07-09 Robert Lee Angell Risk assessment within an aircraft
CN104239605A (zh) * 2014-07-25 2014-12-24 北京航空航天大学 一种飞行器装配过程风险评估的方法
CN105956790A (zh) * 2016-05-24 2016-09-21 南京航空航天大学 低空飞行态势安全性评估指标及其评估方法
CN107590878A (zh) * 2017-09-13 2018-01-16 中国人民解放军火箭军工程大学 一种无人机飞行安全预测评估装置及方法
KR101972957B1 (ko) * 2018-11-21 2019-08-28 한방유비스 주식회사 무인 비행체를 이용한 기존 건축물 소방시설의 화재위험도평가 및 점검 시스템
CN109460063A (zh) * 2018-12-25 2019-03-12 中南大学 一种无人机搜救系统及其方法
US20210358310A1 (en) * 2019-05-24 2021-11-18 A^3 By Airbus Llc Risk assessment for unmanned aerial vehicles
CN110223539A (zh) * 2019-07-09 2019-09-10 飞牛智能科技（南京）有限公司 适于低空无人机的预警范围实时获取方法
EP3812987A1 (en) * 2019-10-22 2021-04-28 Eurousc Italia società a responsabilità limitata Method to assess operative risk and feasibility of a predetermined flight mission of a drone
CN111142555A (zh) * 2019-12-17 2020-05-12 中国民用航空总局第二研究所 一种基于碰撞风险的机场无人机管控区域划设方法
CN111177851A (zh) * 2019-12-27 2020-05-19 北航（四川）西部国际创新港科技有限公司 一种无人机运行安全风险评估中对地风险的评估方法
KR20210114647A (ko) * 2020-03-11 2021-09-24 엘지전자 주식회사 무인비행체를 제어하기 위한 장치, 시스템 및 방법
US20210309359A1 (en) * 2020-04-06 2021-10-07 Workhorse Group Inc. Flying vehicle systems and methods
CN111680875A (zh) * 2020-05-06 2020-09-18 北京航空航天大学 基于概率基线模型的无人机状态风险模糊综合评价方法
CN111582740A (zh) * 2020-05-13 2020-08-25 电子科技大学 一种多旋翼无人机风险评估系统
CN112132144A (zh) * 2020-07-31 2020-12-25 北京航空航天大学 一种基于遥感图像的无人机航线撞地风险评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KONSTANTINOS DALAMAGKIDIS ET AL.: "Evaluating the risk of unmanned aircraft ground impacts" *
张泽京 等: "无人机系统安全目标水平预估方法" *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116882751A (zh) * 2023-07-19 2023-10-13 江苏锐天智能科技股份有限公司 基于多源异构数据融合的设备分析系统及方法
CN116882751B (zh) * 2023-07-19 2024-02-06 江苏锐天智能科技股份有限公司 基于多源异构数据融合的设备分析系统及方法
CN116880213A (zh) * 2023-08-16 2023-10-13 北京航空航天大学 无人机抗干扰安全控制方法及相关产品
CN116880213B (zh) * 2023-08-16 2024-02-13 北京航空航天大学 无人机抗干扰安全控制方法及相关产品
CN116861270A (zh) * 2023-09-04 2023-10-10 中南大学 无人机系统级健康评估方法和系统
CN116861270B (zh) * 2023-09-04 2023-11-28 中南大学 无人机系统级健康评估方法和系统

Also Published As

Publication number Publication date
CN115630531B (zh) 2023-03-14

Similar Documents

Publication Publication Date Title
CN115630531B (zh) 无人机控制系统自动化安全评估方法
CN106599580B (zh) 基于可重构度的卫星在轨健康状态评估方法及评估系统
CN108199795B (zh) 一种设备状态的监测方法和装置
AU2005274745B2 (en) Impact assessment system and method for determining emergent criticality
CN110348752B (zh) 一种考虑环境干扰的大型工业系统结构安全性评估方法
CN110780677A (zh) 用于监测无人驾驶飞行器的状态的系统和方法
Campa et al. Neural networks-based sensor validation for the flight control system of a B777 research model
CN103324155A (zh) 系统监控
RU2128854C1 (ru) Система поддержки экипажа в опасных ситуациях
EP4036018A1 (en) Method of testing a system model
CN107577238A (zh) 基于ukf的无人机气压计异常数据处理的高度控制方法
Hogge et al. Verification of prognostic algorithms to predict remaining flying time for electric unmanned vehicles
CN111062092B (zh) 一种直升机飞行谱编制方法和装置
CN106168760B (zh) 基于凸多面体故障模型的不确定时滞系统稳定性判定方法
CN115903760A (zh) 一种无人机系统的故障诊断和性能评定的方法
Cortellessa et al. Certifying adaptive flight control software
Camachol Inducing models of human control skills
Cacciabue et al. Analysis and modelling of pilot airplane interaction by an integrated simulation approach
Robles et al. Flight control laws carefree handling clearance of a highly manoeuvrable aircraft using multi-strategy adaptive global optimization
CN113836805B (zh) 一种列车表面压力预测方法、装置、电子设备及存储介质
EP4109354A1 (en) A system and method for physical model based machine learning
Dutta et al. Unified Statistical Framework for Rotor Fault Diagnosis on a Hexacopter via Functionally Pooled Stochastic Models
Cochran Artificial intelligence techniques applied to vehicle management system diagnostics
Zanella et al. A framework to enhance the mitigation of loss of tail rotor effectiveness
Del Cerro et al. Modeling and identification of a small unmanned helicopter

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