CN116224807A - 一种基于分布式观测器的无人机编队故障检测方法 - Google Patents

一种基于分布式观测器的无人机编队故障检测方法 Download PDF

Info

Publication number
CN116224807A
CN116224807A CN202310509922.4A CN202310509922A CN116224807A CN 116224807 A CN116224807 A CN 116224807A CN 202310509922 A CN202310509922 A CN 202310509922A CN 116224807 A CN116224807 A CN 116224807A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
matrix
formation
representing
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
CN202310509922.4A
Other languages
English (en)
Other versions
CN116224807B (zh
Inventor
杨若涵
苏晓婉
李枭扬
周德云
冯志超
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical 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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202310509922.4A priority Critical patent/CN116224807B/zh
Publication of CN116224807A publication Critical patent/CN116224807A/zh
Application granted granted Critical
Publication of CN116224807B publication Critical patent/CN116224807B/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

本发明公开了一种基于分布式观测器的无人机编队故障检测方法，包括：获取无人机编队的无向通信连接拓扑并计算拉普拉斯矩阵；将拉普拉斯矩阵的非零最小特征值代入线性矩阵不等式，基于求解结果计算观测器增益矩阵，根据拉普拉斯矩阵设计编队控制器的控制器增益矩阵；利用控制器增益矩阵设计编队控制器；在编队控制器的控制下：根据无人机编队系统模型得到各无人机的输出信息，并利用观测器增益矩阵设计分布式观测器，得到其输出信息；根据各无人机以及各分布式观测器的输出信息计算各无人机的残差信号；根据残差信号进行无人机编队故障检测。本发明可以对执行任务过程中的无人机系统进行故障检测。

Description

一种基于分布式观测器的无人机编队故障检测方法
技术领域
本发明属于无人机编队技术领域，具体涉及一种基于分布式观测器的无人机编队故障检测方法。
背景技术
近几十年来，无人机编队因其在地震救援和空中监视等众多领域的广泛应用，引起了国内外越来越多的研究人员的兴趣。无人机编队是基于信息交互作用和编队控制策略，以确保单个无人机在编队中的相对位置保持不变。
在实际的任务(如协同侦察或定位)执行过程中，由于无人机普遍体型较小或外部执行环境恶劣，不可避免地受到来自外界的干扰，或者因为外界干扰造成无人机系统内部产生故障，因此有必要对执行任务过程中的无人机系统进行故障检测。
发明内容
为了解决现有技术中所存在的上述问题，本发明提供了一种基于分布式观测器的无人机编队故障检测方法。
本发明要解决的技术问题通过以下技术方案实现：
一种基于分布式观测器的无人机编队故障检测方法，预先进行模型构建，以基于模型构建结果实现所述无人机编队故障检测方法；所述模型构建，包括：
构建无人机编队系统模型、编队控制器和分布式观测器；
基于相邻无人机的分布式观测器的输出信息间的差异以及相邻无人机的输出信息间的差异，构建单无人机残差信号表达式；其中，所述分布式观测器中定义了分布式观测器的状态信息和输出信息，所述无人机编队系统模型中定义了无人机的状态信息和输出信息；
将多无人机的编队控制问题转化为单无人机估计误差方程的渐近稳定性问题，以通过对单无人机估计误差方程进行稳定性验证得到相关的线性矩阵不等式；其中，单无人机估计误差方程用于表征单无人机的状态信息与其分布式观测器的状态信息之间的差异；所述线性矩阵不等式用于设计未知矩阵以使所述单无人机误差方程稳定；所述未知矩阵用于计算观测器增益矩阵；所述观测器增益矩阵用于设计分布式观测器；
所述无人机编队故障检测方法，包括：
A、获取无人机编队的无向通信连接拓扑，并计算该无向通信连接拓扑的拉普拉斯矩阵；所述拉普拉斯矩阵满足
Figure SMS_1
；其中，/>
Figure SMS_2
为所述拉普拉斯矩阵，/>
Figure SMS_3
是长度为N的全1向量，/>
Figure SMS_4
为无人机架数；
B、将所述拉普拉斯矩阵的非零最小特征值代入所述线性矩阵不等式进行求解，并基于求解结果计算观测器增益矩阵，同时根据所述拉普拉斯矩阵设计编队控制器的控制器增益矩阵；
C、利用步骤B中得到的控制器增益矩阵设计编队控制器；
D、在步骤C中设计的编队控制器的控制下：根据所述无人机编队系统模型得到各无人机的输出信息，并利用步骤B中得到的观测器增益矩阵设计分布式观测器，得到各分布式观测器的输出信息；
E、根据步骤D中得到的各无人机的输出信息以及各分布式观测器的输出信息，利用所述单无人机残差信号表达式计算各无人机的残差信号；
F、根据所计算的残差信号进行无人机编队故障检测。
可选地，所述将多无人机的编队控制问题转化为单无人机估计误差方程的渐近稳定性问题，以通过对单无人机估计误差方程进行稳定性验证得到相关的线性矩阵不等式，包括：
构建无人机编队的全局估计误差方程；
将所述全局估计误差方程转化为与拉普拉斯特征值有关的单无人机估计误差方程；其中，所述拉普拉斯特征值为无人机编队的无向通信连接拓扑的拉普拉斯矩阵的非零特征值；
构建与所述单无人机误差方程相关的李雅普诺夫函数，并对所述李雅普诺夫函数求导，得到满足所述单无人机估计误差方程对故障的鲁棒性的第一线性矩阵不等式以及满足单无人机残差方程对故障的敏感性的第二线性矩阵不等式；其中，所述单无人机残差方程与所述拉普拉斯特征值有关。
可选地，所述无人机编队系统模型中，单无人机被建模为如下的线性化状态模型：
Figure SMS_5
；
其中，
Figure SMS_6
，/>
Figure SMS_12
，/>
Figure SMS_13
、/>
Figure SMS_8
和/>
Figure SMS_10
均为系统矩阵，/>
Figure SMS_11
表示无人机/>
Figure SMS_14
的状态信息，/>
Figure SMS_7
，/>
Figure SMS_9
表示时间；
Figure SMS_16
是/>
Figure SMS_19
的一阶导数，/>
Figure SMS_21
表示无人机/>
Figure SMS_15
的输出信息，/>
Figure SMS_18
表示编队控制器对无人机/>
Figure SMS_20
的控制输入，/>
Figure SMS_22
表示无人机/>
Figure SMS_17
的故障信息。
可选地，单无人机的分布式观测器表示为：
Figure SMS_23
；
其中，
Figure SMS_25
，/>
Figure SMS_27
，/>
Figure SMS_29
为系统矩阵，/>
Figure SMS_26
为观测器增益矩阵，/>
Figure SMS_28
表示无人机/>
Figure SMS_30
的分布式观测器的状态信息，/>
Figure SMS_31
，/>
Figure SMS_24
表示时间；
Figure SMS_34
为/>
Figure SMS_37
的一阶导数，/>
Figure SMS_39
表示编队控制器对无人机/>
Figure SMS_33
的控制输入，/>
Figure SMS_35
表示无人机/>
Figure SMS_36
的残差信号，/>
Figure SMS_38
表示无人机/>
Figure SMS_32
的分布式观测器的输出信息。
可选地，编队控制器对单无人机的控制输入表示为：
Figure SMS_40
；
其中，
Figure SMS_41
表示编队控制器对无人机/>
Figure SMS_42
的控制输入，/>
Figure SMS_43
，/>
Figure SMS_44
表示时间；
Figure SMS_47
表示无人机/>
Figure SMS_49
的分布式观测器的状态信息，/>
Figure SMS_52
表示无人机/>
Figure SMS_48
的邻居无人机/>
Figure SMS_51
的分布式观测器的状态信息，/>
Figure SMS_55
表示无人机/>
Figure SMS_57
的期望固定编队信息，/>
Figure SMS_45
表示邻居无人机/>
Figure SMS_50
的期望固定编队信息，/>
Figure SMS_53
表示无人机编队的无向通信连接拓扑的邻接矩阵中对应无人机/>
Figure SMS_59
和无人机/>
Figure SMS_46
的元素，/>
Figure SMS_54
表示控制器增益矩阵，/>
Figure SMS_56
表示无人机/>
Figure SMS_58
的邻居无人机的集合。
可选地，所述单无人机残差信号表达式为：
Figure SMS_60
；
其中，
Figure SMS_61
表示无人机/>
Figure SMS_62
的残差信号，/>
Figure SMS_63
，/>
Figure SMS_64
表示时间；
Figure SMS_68
表示无人机/>
Figure SMS_69
的输出信息，/>
Figure SMS_72
表示无人机/>
Figure SMS_67
的邻居无人机/>
Figure SMS_71
的输出信息，/>
Figure SMS_77
表示无人机/>
Figure SMS_78
的分布式观测器的输出信息，/>
Figure SMS_66
表示邻居无人机/>
Figure SMS_70
的分布式观测器的输出信息，/>
Figure SMS_74
表示无人机编队的无向通信连接拓扑的邻接矩阵中对应无人机/>
Figure SMS_75
和无人机/>
Figure SMS_65
的元素，/>
Figure SMS_73
表示无人机/>
Figure SMS_76
的邻居无人机的集合。
可选地，所述单无人机估计误差方程为：
Figure SMS_79
；
其中，
Figure SMS_81
，/>
Figure SMS_85
为观测器增益矩阵，/>
Figure SMS_88
、/>
Figure SMS_80
和/>
Figure SMS_83
均为系统矩阵；/>
Figure SMS_84
为所述拉普拉斯特征值中与无人机/>
Figure SMS_87
相关的非零特征值，/>
Figure SMS_82
，/>
Figure SMS_86
表示时间；
Figure SMS_90
为全局故障转化向量/>
Figure SMS_93
中的第/>
Figure SMS_97
个元素；
Figure SMS_89
；/>
Figure SMS_94
表示1维单位矩阵，/>
Figure SMS_95
为克罗内克积，上标T表示矩阵转置；/>
Figure SMS_96
是所有无人机的故障信息组合成的全局故障向量，其中无人机/>
Figure SMS_91
的故障信息表示为/>
Figure SMS_92
；
Figure SMS_106
是/>
Figure SMS_100
的一阶导数，/>
Figure SMS_104
为全局估计误差转化向量/>
Figure SMS_109
中的第/>
Figure SMS_112
个元素，/>
Figure SMS_114
，/>
Figure SMS_115
为全局估计误差向量，/>
Figure SMS_108
，
Figure SMS_110
为估计误差组合向量，/>
Figure SMS_98
，其中/>
Figure SMS_103
为无人机/>
Figure SMS_107
的估计误差向量，/>
Figure SMS_116
为n维单位矩阵，n为表示无人机的状态信息的向量长度；
Figure SMS_111
，/>
Figure SMS_113
为/>
Figure SMS_99
维单位矩阵；/>
Figure SMS_102
，/>
Figure SMS_101
表示矩阵，
Figure SMS_105
；
对于
Figure SMS_129
和/>
Figure SMS_120
，存在矩阵/>
Figure SMS_124
、/>
Figure SMS_126
和/>
Figure SMS_128
，使得
Figure SMS_131
、/>
Figure SMS_133
、/>
Figure SMS_127
以及/>
Figure SMS_130
四个表达式成立；其中，/>
Figure SMS_118
、/>
Figure SMS_125
和/>
Figure SMS_119
均为辅助变量，/>
Figure SMS_121
为/>
Figure SMS_123
维单位矩阵；/>
Figure SMS_132
是由/>
Figure SMS_117
的非零特征值组成的对角矩阵；/>
Figure SMS_122
为零矩阵；
所述单无人机残差方程为：
Figure SMS_134
；
其中，
Figure SMS_136
为全局残差转化向量/>
Figure SMS_139
中的第/>
Figure SMS_140
个元素，
Figure SMS_137
；/>
Figure SMS_141
为/>
Figure SMS_143
维单位矩阵，/>
Figure SMS_144
为单无人机的残差信号的状态维数，/>
Figure SMS_135
是所有无人机的残差信号组合成的向量，其中无人机/>
Figure SMS_138
的残差信号表示为/>
Figure SMS_142
。
可选地，所述第一线性矩阵不等式为：
Figure SMS_145
；
所述第二线性矩阵不等式为：
Figure SMS_146
；
其中，
Figure SMS_149
，/>
Figure SMS_151
，/>
Figure SMS_152
，/>
Figure SMS_148
，/>
Figure SMS_153
为故障鲁棒性抑制因子，/>
Figure SMS_154
为故障敏感性抑制因子，/>
Figure SMS_155
表示单位矩阵；
Figure SMS_147
，/>
Figure SMS_150
；
Figure SMS_156
为/>
Figure SMS_157
的非零最小特征值，/>
Figure SMS_158
、/>
Figure SMS_159
、/>
Figure SMS_160
和/>
Figure SMS_161
为所述未知矩阵；观测器增益矩阵被设计为/>
Figure SMS_162
。
可选地，步骤C中是根据下述公式确定控制器增益矩阵的：
Figure SMS_163
；
其中，
Figure SMS_164
，/>
Figure SMS_165
，/>
Figure SMS_166
为所述控制器增益矩阵；/>
Figure SMS_167
为拉普拉斯特征值中与无人机/>
Figure SMS_168
相关的非零特征值，所述拉普拉斯特征值为无人机编队的无向通信连接拓扑的拉普拉斯矩阵的非零特征值。
可选地，所述根据所计算的残差信号进行无人机编队故障检测，包括：
根据每个无人机的残差信号，设计该无人机的残差评估函数并确定该残差评估函数的阈值；
针对每个无人机，根据该无人机的残差评估函数的阈值以及该无人机的各个邻居无人机的残差评估函数的阈值，确定该无人机是否存在故障；
其中，所述残差评估函数表示为：
Figure SMS_169
；/>
Figure SMS_170
表示无人机/>
Figure SMS_171
的残差信号，/>
Figure SMS_172
，/>
Figure SMS_173
表示二范数运算，/>
Figure SMS_174
为无人机/>
Figure SMS_175
的残差评估函数。
本发明提供的基于分布式观测器的无人机编队故障检测方法中，通过为每架无人机设计一个分布式观测器，从而对无人机的状态进行观测，并通过编队控制器使无人机在飞行过程中保持预定的编队队形不变，根据残差信号进行无人机编队故障检测，从而获得故障无人机节点，实现了对执行任务过程中的无人机系统进行故障检测。并且，由于为每架无人机设计一个分布式观测器，因此本发明中单个无人机只需与其邻居无人机之间进行信息交流，不仅节约了系统宽带，且对无人机个体的计算速度以及内存都要求不高。此外，由于本发明还使用了编队控制器使无人机在飞行过程中保持预定的编队队形不变，因此当无人机编队系统中的个体出现故障时，对系统整体的影响较小。
以下将结合附图及对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种基于分布式观测器的无人机编队故障检测方法的流程图；
图2是本发明实施例在仿真时无人机编队的通信连接拓扑；
图3是本发明实施例在仿真时5架无人机编队的队形形成过程曲线图；
图4为本发明实施例在仿真时5架无人机的残差评估函数及其阈值的曲线图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
为了解决背景技术中所提出的技术问题，本发明实施例提供了一种基于分布式观测器的无人机编队故障检测方法，该方法通过预先进行模型构建，从而基于模型构建结果实现无人机编队故障检测。下面首先对模型构建的过程进行说明。
(1)构建无人机编队系统模型、编队控制器和分布式观测器；
其中，该无人机编队系统模型使用无向图来表示无人机编队的通信连接拓扑，该无向通信连接拓扑用
Figure SMS_179
表示，其中/>
Figure SMS_180
表示/>
Figure SMS_182
架无人机；
Figure SMS_178
表示无人机编队中的无向边，即由相邻无人机组合形成的边集；邻接矩阵/>
Figure SMS_184
，/>
Figure SMS_186
表示无人机编队的无向通信连接拓扑的邻接矩阵中对应无人机/>
Figure SMS_187
和无人机/>
Figure SMS_176
的元素，当无人机/>
Figure SMS_181
可以获取无人机/>
Figure SMS_183
的信息时，矩阵元素/>
Figure SMS_185
，否则为
Figure SMS_177
。
假设无人机在同一高度上飞行，在同一平面内，则第
Figure SMS_188
Figure SMS_189
架无人机可以建模为：
Figure SMS_190
；
其中，
Figure SMS_199
和/>
Figure SMS_192
分别表示在/>
Figure SMS_197
时刻无人机/>
Figure SMS_200
的质心在X方向和Y方向上的位置坐标；/>
Figure SMS_202
表示/>
Figure SMS_205
时刻无人机/>
Figure SMS_209
的线速度，/>
Figure SMS_198
表示/>
Figure SMS_203
时刻无人机/>
Figure SMS_193
的角速度，/>
Figure SMS_195
表示/>
Figure SMS_191
时刻无人机/>
Figure SMS_196
的角度。/>
Figure SMS_201
是/>
Figure SMS_206
的一阶导数、/>
Figure SMS_194
是/>
Figure SMS_204
的一阶导数、/>
Figure SMS_207
是/>
Figure SMS_208
的一阶导数。
通过对上述模型进行反馈线性化处理，可以得到单无人机的线性化状态模型。其中，单无人机在无故障时的线性化状态模型表示为：
Figure SMS_210
；/>
这里，
Figure SMS_213
，/>
Figure SMS_219
，/>
Figure SMS_221
表示编队控制器对无人机/>
Figure SMS_212
的控制输入，该/>
Figure SMS_215
在编队控制器中被定义为长度为d(d=2)的向量，即/>
Figure SMS_218
；/>
Figure SMS_223
是
Figure SMS_211
的一阶导数，/>
Figure SMS_217
表示无人机/>
Figure SMS_220
的状态信息，该/>
Figure SMS_222
在无人机编队系统模型中被定义为/>
Figure SMS_214
，其中的四个元素分别表示无人机/>
Figure SMS_216
在X方向的位置、在Y方向的位置、在X方向上的速度以及在Y方向上的速度。
单无人机在有故障时的线性化状态模型表示为：
Figure SMS_224
；
其中，
Figure SMS_227
、/>
Figure SMS_234
和/>
Figure SMS_235
均为系统矩阵，/>
Figure SMS_226
表示无人机/>
Figure SMS_229
的输出信息，该/>
Figure SMS_230
在无人机编队系统模型中被定义为长度为m的向量，即/>
Figure SMS_237
；/>
Figure SMS_225
表示无人机/>
Figure SMS_232
的故障信息，/>
Figure SMS_233
时表示无人机/>
Figure SMS_236
没有故障，/>
Figure SMS_228
时表示无人机/>
Figure SMS_231
有故障。
本发明实施例中，使用无人机在有故障时的线性化状态模型作为单无人机的线性化状态模型。
本发明实施例中，为每架无人机均设计了一个分布式观测器，从而对无人机的状态进行观测，该分布式观测器表示为：
Figure SMS_238
；
其中，
Figure SMS_239
表示无人机/>
Figure SMS_247
的分布式观测器的状态信息，该/>
Figure SMS_248
在分布式观测器中被定义为长度为n(n=4)的向量，即/>
Figure SMS_241
；/>
Figure SMS_243
为/>
Figure SMS_246
的一阶导数；/>
Figure SMS_249
表示无人机/>
Figure SMS_240
的分布式观测器的输出信息，该/>
Figure SMS_245
在分布式观测器中被定义为长度为m的向量，即/>
Figure SMS_250
；/>
Figure SMS_251
为观测器增益矩阵，用于设计分布式观测器；/>
Figure SMS_242
表示无人机/>
Figure SMS_244
的残差信号，该残差信号基于相邻无人机的分布式观测器的输出信息间的差异以及相邻无人机的输出信息间的差异来定义，单无人机残差信号表达式为：
Figure SMS_252
；
其中，
Figure SMS_253
是长度为b的向量，即/>
Figure SMS_260
；/>
Figure SMS_261
表示无人机/>
Figure SMS_254
的邻居无人机/>
Figure SMS_256
的输出信息，/>
Figure SMS_257
表示无人机/>
Figure SMS_259
的分布式观测器的输出信息，/>
Figure SMS_255
表示无人机/>
Figure SMS_258
的邻居无人机的集合。
从
Figure SMS_262
的表达式可以看到，残差信号的定义中既包含无人机/>
Figure SMS_263
与其邻居无人机/>
Figure SMS_264
的输出信息之间的差异，即/>
Figure SMS_265
，又包含了无人机/>
Figure SMS_266
与其邻居无人机/>
Figure SMS_267
的分布式观测器的输出信息之间的差异，即/>
Figure SMS_268
。
定义
Figure SMS_269
为全局期望固定编队信息，则多个无人机实现编队条件如下所示：
Figure SMS_270
；
其中，
Figure SMS_271
和/>
Figure SMS_272
分别表示无人机/>
Figure SMS_273
和邻居无人机/>
Figure SMS_274
的期望固定编队信息，/>
Figure SMS_275
表示无人机/>
Figure SMS_276
的邻居无人机/>
Figure SMS_277
的状态信息。
基于该编队条件设计编队控制器，可使无人机在飞行过程中保持预定的编队队形不变。由此，编队控制器对单无人机的控制输入表示为：
Figure SMS_278
；
其中，
Figure SMS_279
表示控制器增益矩阵，该控制器增益矩阵用于设计编队控制器。
从
Figure SMS_280
的表达式可以看到，编队控制器在控制无人机编队时，考虑了无人机/>
Figure SMS_281
与其邻居无人机/>
Figure SMS_282
的分布式观测器的状态信息之间的差异，即/>
Figure SMS_283
，还考虑了无人机/>
Figure SMS_284
与其邻居无人机/>
Figure SMS_285
的期望固定编队信息之间的差异，即/>
Figure SMS_286
。
上述控制器增益矩阵
Figure SMS_287
和观测器增益矩阵/>
Figure SMS_288
是未知量，因此需要给出设计/>
Figure SMS_289
和
Figure SMS_290
的方法。
首先对本发明实施例中设计
Figure SMS_291
的方法进行详细说明。
具体的，本发明实施例将多无人机的编队控制问题转化为单无人机估计误差方程的渐近稳定性问题，以通过对单无人机估计误差方程进行稳定性验证得到相关的线性矩阵不等式。这里，单无人机估计误差方程用于表征单无人机的状态信息与其分布式观测器的状态信息之间的差异；线性矩阵不等式用于设计未知矩阵以使单无人机误差方程稳定；该未知矩阵用于计算观测器增益矩阵
Figure SMS_292
。
具体而言，已知单无人机估计误差为单无人机的状态信息与其分布式观测器的状态信息之间的差异，因此定义无人机
Figure SMS_293
的估计误差向量为：
Figure SMS_294
；
基于此定义，构建无人机编队的全局估计误差方程为：
Figure SMS_295
；/>
其中，
Figure SMS_298
为估计误差组合向量，上标T表示矩阵转置；/>
Figure SMS_301
是/>
Figure SMS_303
的一阶导数；/>
Figure SMS_297
是所有无人机的故障信息组合成的全局故障向量，/>
Figure SMS_304
为克罗内克积，/>
Figure SMS_305
为/>
Figure SMS_306
维单位矩阵；/>
Figure SMS_296
是无人机编队的无向通信连接拓扑的拉普拉斯矩阵，该/>
Figure SMS_299
满足/>
Figure SMS_300
，/>
Figure SMS_302
是长度为N的全1向量。
针对全局估计误差方程，定义
Figure SMS_307
为全局估计误差向量，则其一阶倒数为：
Figure SMS_308
；
其中，
Figure SMS_310
；对于无向通信连接拓扑来说，/>
Figure SMS_313
，/>
Figure SMS_314
，且无向通信连接拓扑满足/>
Figure SMS_311
和/>
Figure SMS_312
，这里的/>
Figure SMS_315
表示零向量；由于/>
Figure SMS_316
性质，因此/>
Figure SMS_309
。
定义
Figure SMS_317
为全局估计误差转换向量，并定义/>
Figure SMS_318
为全局故障转化向量。这里的定义用到以下定理：
对于
Figure SMS_320
和/>
Figure SMS_322
，存在矩阵/>
Figure SMS_324
、/>
Figure SMS_321
和/>
Figure SMS_323
，使得
Figure SMS_326
、/>
Figure SMS_327
、/>
Figure SMS_319
以及/>
Figure SMS_325
四个表达式成立。
其中，
Figure SMS_329
、/>
Figure SMS_332
和/>
Figure SMS_334
均为辅助变量，/>
Figure SMS_330
为/>
Figure SMS_333
-1维单位矩阵；/>
Figure SMS_336
表示1维单位矩阵；/>
Figure SMS_337
是由/>
Figure SMS_328
的非零特征值组成的对角矩阵，/>
Figure SMS_331
此时表示零矩阵，/>
Figure SMS_335
为n维单位矩阵，n为表示无人机的状态信息的向量长度。
由此，得到与拉普拉斯矩阵
Figure SMS_338
的非零特征值有关的单无人机估计误差方程，表示如下：
Figure SMS_339
；
其中，
Figure SMS_342
，/>
Figure SMS_343
为观测器增益矩阵，/>
Figure SMS_347
、/>
Figure SMS_340
和/>
Figure SMS_345
均为系统矩阵；/>
Figure SMS_348
为
Figure SMS_349
的拉普拉斯特征值中与无人机/>
Figure SMS_341
相关的非零特征值，/>
Figure SMS_344
，/>
Figure SMS_346
表示时间；/>
Figure SMS_360
为全局故障转化向量/>
Figure SMS_362
中的第/>
Figure SMS_375
个元素；
Figure SMS_352
；/>
Figure SMS_355
表示1维单位矩阵，/>
Figure SMS_356
为克罗内克积，上标T表示矩阵转置；/>
Figure SMS_358
是所有无人机的故障信息组合成的全局故障向量，其中无人机/>
Figure SMS_374
的故障信息表示为/>
Figure SMS_382
；/>
Figure SMS_384
是/>
Figure SMS_385
的一阶导数，/>
Figure SMS_378
为全局估计误差转化向量/>
Figure SMS_379
中的第/>
Figure SMS_381
个元素，/>
Figure SMS_383
，/>
Figure SMS_372
为全局估计误差向量，/>
Figure SMS_376
，/>
Figure SMS_377
为估计误差组合向量，
Figure SMS_380
，其中/>
Figure SMS_350
为无人机/>
Figure SMS_361
的估计误差向量，/>
Figure SMS_363
为n维单位矩阵，n为表示无人机的状态信息的向量长度；/>
Figure SMS_367
，/>
Figure SMS_354
为/>
Figure SMS_357
维单位矩阵；/>
Figure SMS_369
，/>
Figure SMS_371
表示矩阵，/>
Figure SMS_366
；/>
Figure SMS_368
、/>
Figure SMS_370
和/>
Figure SMS_373
均为辅助变量，/>
Figure SMS_351
为/>
Figure SMS_359
-1维单位矩阵；/>
Figure SMS_364
是由/>
Figure SMS_365
的非零特征值组成的对角矩阵；/>
Figure SMS_353
为零矩阵。
由此，通过变量替换，将多无人机的编队控制问题转化为单无人机估计误差方程的渐近稳定性问题。
通过构建与单无人机误差方程相关的李雅普诺夫函数，并对李雅普诺夫函数求导，得到满足单无人机估计误差方程对故障的鲁棒性的第一线性矩阵不等式以及满足单无人机残差方程对故障的敏感性的第二线性矩阵不等式。
其中，单无人机残差方程与所述拉普拉斯特征值有关。具体而言，定义
Figure SMS_386
为全局残差转化向量，得到与拉普拉斯矩阵/>
Figure SMS_387
的非零特征值有关的单无人机残差方程，表示如下：
Figure SMS_388
；
其中，
Figure SMS_389
为全局残差转化向量/>
Figure SMS_394
中的第/>
Figure SMS_396
个元素，
Figure SMS_390
；/>
Figure SMS_392
为/>
Figure SMS_395
维单位矩阵，/>
Figure SMS_397
为单无人机的残差信号的状态维数，/>
Figure SMS_391
是所有无人机的残差信号组合成的向量，其中无人机/>
Figure SMS_393
的残差信号表示为/>
Figure SMS_398
。
第一线性矩阵不等式为：
Figure SMS_399
；
第二线性矩阵不等式为：
Figure SMS_400
；
其中，
Figure SMS_401
，/>
Figure SMS_411
，/>
Figure SMS_414
，
Figure SMS_403
，/>
Figure SMS_406
为故障鲁棒性抑制因子，/>
Figure SMS_407
为故障敏感性抑制因子，/>
Figure SMS_413
表示单位矩阵；
Figure SMS_402
，/>
Figure SMS_408
；/>
Figure SMS_412
为拉普拉斯矩阵/>
Figure SMS_415
的非零最小特征值，/>
Figure SMS_404
、/>
Figure SMS_405
、/>
Figure SMS_409
和/>
Figure SMS_410
为这两个线性矩阵不等式要设计的未知矩阵。
如果存在正定矩阵
Figure SMS_416
、正定矩阵/>
Figure SMS_417
以及矩阵/>
Figure SMS_418
和/>
Figure SMS_419
，满足上述两个线性矩阵不等式，并且使/>
Figure SMS_420
最小，那么单无人机估计误差方程在有故障的情况下是渐进稳定的，且单无人机估计误差方程对故障有抑制作用，以及单无人机残差方程对故障具有敏感性。
利用上述两个线性矩阵不等式计算出
Figure SMS_421
、/>
Figure SMS_422
、/>
Figure SMS_423
和/>
Figure SMS_424
之后，利用/>
Figure SMS_425
即可计算观测器增益矩阵/>
Figure SMS_426
。
然后，对本发明实施例中设计
Figure SMS_427
的方法进行详细说明。具体的，根据下述公式确定控制器增益矩阵：
Figure SMS_428
；
也就是说，控制器增益矩阵被设计为使
Figure SMS_429
成立。
其中，
Figure SMS_430
，/>
Figure SMS_431
，/>
Figure SMS_432
为控制器增益矩阵；/>
Figure SMS_433
为/>
Figure SMS_434
的拉普拉斯特征值中与无人机/>
Figure SMS_435
相关的非零特征值。
以上，是实现本发明实施例的无人机编队故障检测方法的模型构建过程。基于以上模型构建结果，如图1所示，本发明实施例提供的基于分布式观测器的无人机编队故障检测方法包括以下步骤：
A、获取无人机编队的无向通信连接拓扑，并计算该无向通信连接拓扑的拉普拉斯矩阵。
这里，拉普拉斯矩阵满足
Figure SMS_436
；其中，/>
Figure SMS_437
为拉普拉斯矩阵，/>
Figure SMS_438
是长度为N的全1向量，/>
Figure SMS_439
为无人机架数。
B、将拉普拉斯矩阵的非零最小特征值代入线性矩阵不等式进行求解，并基于求解结果计算观测器增益矩阵，同时根据拉普拉斯矩阵设计编队控制器的控制器增益矩阵。
具体的，将拉普拉斯矩阵
Figure SMS_445
的非零最小特征值/>
Figure SMS_442
代入第一线性矩阵不等式和第一线性矩阵不等式，并代入/>
Figure SMS_444
、/>
Figure SMS_447
、/>
Figure SMS_449
、/>
Figure SMS_450
、/>
Figure SMS_454
，从而求解/>
Figure SMS_455
、/>
Figure SMS_456
、/>
Figure SMS_440
和/>
Figure SMS_448
。然后，利用/>
Figure SMS_441
计算观测器增益矩阵/>
Figure SMS_446
。同时，将拉普拉斯矩阵/>
Figure SMS_451
的非零特征值/>
Figure SMS_452
代入
Figure SMS_443
，得到使该式成立时的控制器增益矩阵/>
Figure SMS_453
。
C、利用步骤B中得到的控制器增益矩阵设计编队控制器。
具体的，将控制器增益矩阵
Figure SMS_457
代回到编队控制器的模型表达式中，同时代入/>
Figure SMS_458
、
Figure SMS_459
、/>
Figure SMS_460
、/>
Figure SMS_461
以及/>
Figure SMS_462
，得到/>
Figure SMS_463
。
D、在步骤C中设计的编队控制器的控制下：根据无人机编队系统模型得到各无人机的输出信息，并利用步骤B中得到的观测器增益矩阵设计分布式观测器，得到各分布式观测器的输出信息。
具体的，根据单无人机的线性化状态模型定义可知，利用
Figure SMS_464
和/>
Figure SMS_465
可以得到
Figure SMS_466
，由此可以得到各无人机的输出信息。
根据分布式观测器的定义可知，利用
Figure SMS_467
可以得到/>
Figure SMS_468
；将/>
Figure SMS_469
以及/>
Figure SMS_470
代入单无人机残差信号表达式可以计算出/>
Figure SMS_471
。
根据分布式观测器的定义可知，
Figure SMS_474
，因此将观测器增益矩阵/>
Figure SMS_480
代回/>
Figure SMS_484
的表达式，即可利用/>
Figure SMS_475
、/>
Figure SMS_479
以及/>
Figure SMS_482
计算出/>
Figure SMS_483
；该
Figure SMS_472
表示的含义为/>
Figure SMS_477
，其中/>
Figure SMS_478
表示时刻/>
Figure SMS_481
的下一时刻，由此根据/>
Figure SMS_473
，即可得到/>
Figure SMS_476
，从而得到各分布式观测器的输出信息。
E、根据步骤D中得到的各无人机的输出信息以及各分布式观测器的输出信息，利用单无人机残差信号表达式计算各无人机的残差信号。
F、根据所计算的残差信号进行无人机编队故障检测。
具体的，根据所计算的残差信号进行无人机编队故障检测，包括：
(1)根据每个无人机的残差信号，设计该无人机的残差评估函数并确定该残差评估函数的阈值；
其中，残差评估函数表示为：
Figure SMS_485
；/>
Figure SMS_486
表示无人机/>
Figure SMS_487
的残差信号，
Figure SMS_488
，/>
Figure SMS_489
表示二范数运算，/>
Figure SMS_490
为无人机/>
Figure SMS_491
的残差评估函数。
根据无人机编队在健康情况下即无故障情况下的残差信号得到残差评估函数的阈值：
Figure SMS_492
；
其中，
Figure SMS_493
为阈值，/>
Figure SMS_494
表示无人机/>
Figure SMS_495
没有故障信息。/>
Figure SMS_496
表示上确界。
(2)针对每个无人机，根据该无人机的残差评估函数的阈值以及该无人机的各个邻居无人机的残差评估函数的阈值，确定该无人机是否存在故障。
具体的，为每个无人机设置一个故障模式集合
Figure SMS_497
，对于每个无人机/>
Figure SMS_498
而言，如果其/>
Figure SMS_499
，则/>
Figure SMS_500
，否则/>
Figure SMS_501
，当/>
Figure SMS_502
中元素全为1时，则判定无人机/>
Figure SMS_503
发生故障。
综上，本发明实施例提供的基于分布式观测器的无人机编队故障检测方法中，通过为每架无人机设计一个分布式观测器，从而对无人机的状态进行观测，并通过编队控制器使无人机在飞行过程中保持预定的编队队形不变，根据残差信号进行无人机编队故障检测，从而获得故障无人机节点，实现了对执行任务过程中的无人机系统进行故障检测。并且，由于为每架无人机设计一个分布式观测器，因此本发明实施例中单个无人机只需与其邻居无人机之间进行信息交流，不仅节约了系统宽带，且对无人机个体的计算速度以及内存都要求不高，而且同样可以完成编队任务。此外，由于本发明实施例还使用了编队控制器使无人机在飞行过程中保持预定的编队队形不变，因此当无人机编队系统中的个体出现故障时，对系统整体的影响较小。
下面用仿真实验对本发明实施例的有效性进行说明。
以固定高度飞行的无人机编队模型为实施对象，无人机编队系统由5架无人机组成，
Figure SMS_504
。
系统矩阵
Figure SMS_505
，/>
Figure SMS_506
为4阶单位矩阵。
其中各无人机初始的状态信息为：
Figure SMS_507
，/>
Figure SMS_508
；
Figure SMS_509
，/>
Figure SMS_510
；
Figure SMS_511
。
无人机的无向通信拓扑如图2所示，假设无人机之间的权值系数为1，即
Figure SMS_512
，由图论知识可得图1的拉普拉斯矩阵为：
Figure SMS_513
；
其中，拉普拉斯矩阵的最小特征值
Figure SMS_514
。
则根据
Figure SMS_515
，/>
Figure SMS_516
，选择控制器增益矩阵为：
Figure SMS_517
。
设置无人机编队的队形为：
Figure SMS_518
，/>
Figure SMS_519
；
Figure SMS_520
，/>
Figure SMS_521
；
Figure SMS_522
。
基于以上设置，通过最小化
Figure SMS_523
，利用MATLAB工具包YALMIP求解线性矩阵不等式，解得：
Figure SMS_524
；
Figure SMS_525
；
Figure SMS_526
；
Figure SMS_527
；
Figure SMS_528
。
则计算观测器增益矩阵为：
Figure SMS_529
。
假设无人机4在20s-30s之间发生时变型故障，其它4架无人机不发生故障，其中时变型故障形式如下：
Figure SMS_530
。/>
为验证本发明的故障检测效果，在Matlab软件上进行仿真实验，仿真结果如图3和图4。图3示出了无人机编队的队形的形成过程。图4示出了5架无人机的残差评估函数
Figure SMS_531
及其阈值/>
Figure SMS_532
。
从仿真结果图4可以看出，当
Figure SMS_534
时，无人机编队系统发生了故障，
Figure SMS_539
，/>
Figure SMS_540
，/>
Figure SMS_533
，/>
Figure SMS_536
，/>
Figure SMS_538
，/>
Figure SMS_541
，/>
Figure SMS_535
，/>
Figure SMS_537
，
Figure SMS_542
，/>
Figure SMS_543
，由此可以具体判断故障发生在无人机4上。
本发明还提供了一种计算机可读存储介质。在该计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时，实现上述任一种基于分布式观测器的无人机编队故障检测方法所述的方法步骤。
可选地，该计算机可读存储介质可以为非易失性存储器(Non-Volatile Memory，NVM)，例如为至少一个磁盘存储器。
可选的，所述计算机可读存储介质还可以是至少一个位于远离前述处理器的存储装置。
在本发明的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一种基于分布式观测器的无人机编队故障检测方法所述的方法步骤。
需要说明的是，对于存储介质/计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
需要说明的是，术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与本发明的一些方面相一致的装置和方法的例子。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
尽管在此结合各实施例对本发明进行了描述，然而，在实施所要求保护的本发明过程中，本领域技术人员通过查看所述附图以及公开内容，可理解并实现所述公开实施例的其他变化。在本发明的描述中，“包括”一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况，“多个”的含义是两个或两个以上，除非另有明确具体的限定。此外,相互不同的实施例中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
本领域技术人员应明白，本发明的实施例可提供为方法、装置(设备)、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式，这里将它们都统称为“模块”或“系统”。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机程序存储/分布在合适的介质中，与其它硬件一起提供或作为硬件的一部分，也可以采用其他分布形式，如通过Internet或其它有线或无线电信系统。
本发明是参照本发明实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于分布式观测器的无人机编队故障检测方法，其特征在于，预先进行模型构建，以基于模型构建结果实现所述无人机编队故障检测方法；所述模型构建，包括：
构建无人机编队系统模型、编队控制器和分布式观测器；
基于相邻无人机的分布式观测器的输出信息间的差异以及相邻无人机的输出信息间的差异，构建单无人机残差信号表达式；其中，所述分布式观测器中定义了分布式观测器的状态信息和输出信息，所述无人机编队系统模型中定义了无人机的状态信息和输出信息；
将多无人机的编队控制问题转化为单无人机估计误差方程的渐近稳定性问题，以通过对单无人机估计误差方程进行稳定性验证得到相关的线性矩阵不等式；其中，单无人机估计误差方程用于表征单无人机的状态信息与其分布式观测器的状态信息之间的差异；所述线性矩阵不等式用于设计未知矩阵以使所述单无人机误差方程稳定；所述未知矩阵用于计算观测器增益矩阵；所述观测器增益矩阵用于设计分布式观测器；
所述无人机编队故障检测方法，包括：
A、获取无人机编队的无向通信连接拓扑，并计算该无向通信连接拓扑的拉普拉斯矩阵；所述拉普拉斯矩阵满足
Figure QLYQS_1
；其中，/>
Figure QLYQS_2
为所述拉普拉斯矩阵，/>
Figure QLYQS_3
是长度为/>
Figure QLYQS_4
的全1向量，/>
Figure QLYQS_5
为无人机架数；
B、将所述拉普拉斯矩阵的非零最小特征值代入所述线性矩阵不等式进行求解，并基于求解结果计算观测器增益矩阵，同时根据所述拉普拉斯矩阵设计编队控制器的控制器增益矩阵；
C、利用步骤B中得到的控制器增益矩阵设计编队控制器；
D、在步骤C中设计的编队控制器的控制下：根据所述无人机编队系统模型得到各无人机的输出信息，并利用步骤B中得到的观测器增益矩阵设计分布式观测器，得到各分布式观测器的输出信息；
E、根据步骤D中得到的各无人机的输出信息以及各分布式观测器的输出信息，利用所述单无人机残差信号表达式计算各无人机的残差信号；
F、根据所计算的残差信号进行无人机编队故障检测。
2.根据权利要求1所述的基于分布式观测器的无人机编队故障检测方法，其特征在于，所述将多无人机的编队控制问题转化为单无人机估计误差方程的渐近稳定性问题，以通过对单无人机估计误差方程进行稳定性验证得到相关的线性矩阵不等式，包括：
构建无人机编队的全局估计误差方程；
将所述全局估计误差方程转化为与拉普拉斯特征值有关的单无人机估计误差方程；其中，所述拉普拉斯特征值为无人机编队的无向通信连接拓扑的拉普拉斯矩阵的非零特征值；
构建与所述单无人机误差方程相关的李雅普诺夫函数，并对所述李雅普诺夫函数求导，得到满足所述单无人机估计误差方程对故障的鲁棒性的第一线性矩阵不等式以及满足单无人机残差方程对故障的敏感性的第二线性矩阵不等式；其中，所述单无人机残差方程与所述拉普拉斯特征值有关。
3.根据权利要求1所述的基于分布式观测器的无人机编队故障检测方法，其特征在于，所述无人机编队系统模型中，单无人机被建模为如下的线性化状态模型：
Figure QLYQS_6
；
其中，
Figure QLYQS_8
，/>
Figure QLYQS_11
，/>
Figure QLYQS_14
、/>
Figure QLYQS_9
和/>
Figure QLYQS_10
均为系统矩阵，/>
Figure QLYQS_13
表示无人机/>
Figure QLYQS_15
的状态信息，/>
Figure QLYQS_7
，/>
Figure QLYQS_12
表示时间；
Figure QLYQS_18
是/>
Figure QLYQS_20
的一阶导数，/>
Figure QLYQS_21
表示无人机/>
Figure QLYQS_17
的输出信息，/>
Figure QLYQS_19
表示编队控制器对无人机/>
Figure QLYQS_22
的控制输入，/>
Figure QLYQS_23
表示无人机/>
Figure QLYQS_16
的故障信息。
4.根据权利要求1所述的基于分布式观测器的无人机编队故障检测方法，其特征在于，单无人机的分布式观测器表示为：
Figure QLYQS_24
；
其中，
Figure QLYQS_26
，/>
Figure QLYQS_29
，/>
Figure QLYQS_30
为系统矩阵，/>
Figure QLYQS_25
为观测器增益矩阵，/>
Figure QLYQS_28
表示无人机/>
Figure QLYQS_31
的分布式观测器的状态信息，/>
Figure QLYQS_32
，/>
Figure QLYQS_27
表示时间；
Figure QLYQS_33
为/>
Figure QLYQS_37
的一阶导数，/>
Figure QLYQS_38
表示编队控制器对无人机/>
Figure QLYQS_34
的控制输入，/>
Figure QLYQS_36
表示无人机/>
Figure QLYQS_39
的残差信号，/>
Figure QLYQS_40
表示无人机/>
Figure QLYQS_35
的分布式观测器的输出信息。
5.根据权利要求1所述的基于分布式观测器的无人机编队故障检测方法，其特征在于，编队控制器对单无人机的控制输入表示为：
Figure QLYQS_41
；
其中，
Figure QLYQS_42
表示编队控制器对无人机/>
Figure QLYQS_43
的控制输入，/>
Figure QLYQS_44
，/>
Figure QLYQS_45
表示时间；
Figure QLYQS_46
表示无人机/>
Figure QLYQS_52
的分布式观测器的状态信息，/>
Figure QLYQS_55
表示无人机/>
Figure QLYQS_48
的邻居无人机/>
Figure QLYQS_53
的分布式观测器的状态信息，/>
Figure QLYQS_54
表示无人机/>
Figure QLYQS_59
的期望固定编队信息，/>
Figure QLYQS_47
表示邻居无人机/>
Figure QLYQS_51
的期望固定编队信息，/>
Figure QLYQS_57
表示无人机编队的无向通信连接拓扑的邻接矩阵中对应无人机/>
Figure QLYQS_58
和无人机/>
Figure QLYQS_49
的元素，/>
Figure QLYQS_50
表示控制器增益矩阵，/>
Figure QLYQS_56
表示无人机/>
Figure QLYQS_60
的邻居无人机的集合。/>
6.根据权利要求1所述的基于分布式观测器的无人机编队故障检测方法，其特征在于，所述单无人机残差信号表达式为：
Figure QLYQS_61
；
其中，
Figure QLYQS_62
表示无人机/>
Figure QLYQS_63
的残差信号，/>
Figure QLYQS_64
，/>
Figure QLYQS_65
表示时间；
Figure QLYQS_69
表示无人机/>
Figure QLYQS_71
的输出信息，/>
Figure QLYQS_75
表示无人机/>
Figure QLYQS_66
的邻居无人机/>
Figure QLYQS_70
的输出信息，
Figure QLYQS_74
表示无人机/>
Figure QLYQS_79
的分布式观测器的输出信息，/>
Figure QLYQS_68
表示邻居无人机/>
Figure QLYQS_72
的分布式观测器的输出信息，/>
Figure QLYQS_76
表示无人机编队的无向通信连接拓扑的邻接矩阵中对应无人机/>
Figure QLYQS_78
和无人机/>
Figure QLYQS_67
的元素，/>
Figure QLYQS_73
表示无人机/>
Figure QLYQS_77
的邻居无人机的集合。
7.根据权利要求2所述的基于分布式观测器的无人机编队故障检测方法，其特征在于，
所述单无人机估计误差方程为：
Figure QLYQS_80
；
其中，
Figure QLYQS_83
，/>
Figure QLYQS_84
为观测器增益矩阵，/>
Figure QLYQS_88
、/>
Figure QLYQS_82
和/>
Figure QLYQS_85
均为系统矩阵；/>
Figure QLYQS_87
为所述拉普拉斯特征值中与无人机/>
Figure QLYQS_89
相关的非零特征值，/>
Figure QLYQS_81
，/>
Figure QLYQS_86
表示时间；
Figure QLYQS_91
为全局故障转化向量/>
Figure QLYQS_94
中的第/>
Figure QLYQS_97
个元素；
Figure QLYQS_92
；/>
Figure QLYQS_93
表示1维单位矩阵，/>
Figure QLYQS_96
为克罗内克积，上标T表示矩阵转置；/>
Figure QLYQS_98
是所有无人机的故障信息组合成的全局故障向量，其中无人机/>
Figure QLYQS_90
的故障信息表示为/>
Figure QLYQS_95
；
Figure QLYQS_110
是/>
Figure QLYQS_101
的一阶导数，/>
Figure QLYQS_104
为全局估计误差转化向量/>
Figure QLYQS_102
中的第/>
Figure QLYQS_105
个元素，/>
Figure QLYQS_107
，/>
Figure QLYQS_112
为全局估计误差向量，
Figure QLYQS_109
，/>
Figure QLYQS_113
为估计误差组合向量，
Figure QLYQS_99
，其中/>
Figure QLYQS_103
为无人机/>
Figure QLYQS_114
的估计误差向量，/>
Figure QLYQS_117
为n维单位矩阵，/>
Figure QLYQS_116
为表示无人机的状态信息的向量长度；/>
Figure QLYQS_118
，/>
Figure QLYQS_106
为/>
Figure QLYQS_108
维单位矩阵；/>
Figure QLYQS_111
，/>
Figure QLYQS_115
表示矩阵，/>
Figure QLYQS_100
；/>
对于
Figure QLYQS_130
和/>
Figure QLYQS_121
，存在矩阵/>
Figure QLYQS_125
、/>
Figure QLYQS_128
和/>
Figure QLYQS_133
，使得/>
Figure QLYQS_132
、/>
Figure QLYQS_135
、/>
Figure QLYQS_127
以及/>
Figure QLYQS_134
四个表达式成立；其中，
Figure QLYQS_120
、/>
Figure QLYQS_126
和/>
Figure QLYQS_122
均为辅助变量，/>
Figure QLYQS_124
为/>
Figure QLYQS_129
维单位矩阵；/>
Figure QLYQS_131
是由/>
Figure QLYQS_119
的非零特征值组成的对角矩阵；/>
Figure QLYQS_123
为零矩阵；
所述单无人机残差方程为：
Figure QLYQS_136
；
其中，
Figure QLYQS_137
为全局残差转化向量/>
Figure QLYQS_140
中的第/>
Figure QLYQS_144
个元素，
Figure QLYQS_139
；/>
Figure QLYQS_141
为/>
Figure QLYQS_145
维单位矩阵，/>
Figure QLYQS_146
为单无人机的残差信号的状态维数，/>
Figure QLYQS_138
是所有无人机的残差信号组合成的向量，其中无人机/>
Figure QLYQS_142
的残差信号表示为/>
Figure QLYQS_143
。
8.根据权利要求7所述的基于分布式观测器的无人机编队故障检测方法，其特征在于，
所述第一线性矩阵不等式为：
Figure QLYQS_147
；
所述第二线性矩阵不等式为：
Figure QLYQS_148
；
其中，
Figure QLYQS_150
，/>
Figure QLYQS_153
，/>
Figure QLYQS_155
，
Figure QLYQS_151
，/>
Figure QLYQS_154
为故障鲁棒性抑制因子，/>
Figure QLYQS_156
为故障敏感性抑制因子，/>
Figure QLYQS_157
表示单位矩阵；
Figure QLYQS_149
，/>
Figure QLYQS_152
；
Figure QLYQS_158
为/>
Figure QLYQS_159
的非零最小特征值，/>
Figure QLYQS_160
、/>
Figure QLYQS_161
、/>
Figure QLYQS_162
和/>
Figure QLYQS_163
为所述未知矩阵；观测器增益矩阵被设计为/>
Figure QLYQS_164
。
9.根据权利要求1所述的基于分布式观测器的无人机编队故障检测方法，其特征在于，步骤C中是根据下述公式确定控制器增益矩阵的：
Figure QLYQS_165
；/>
其中，
Figure QLYQS_166
，/>
Figure QLYQS_167
，/>
Figure QLYQS_168
为所述控制器增益矩阵；/>
Figure QLYQS_169
为拉普拉斯特征值中与无人机/>
Figure QLYQS_170
相关的非零特征值，所述拉普拉斯特征值为无人机编队的无向通信连接拓扑的拉普拉斯矩阵的非零特征值。
10.根据权利要求1所述的基于分布式观测器的无人机编队故障检测方法，其特征在于，所述根据所计算的残差信号进行无人机编队故障检测，包括：
根据每个无人机的残差信号，设计该无人机的残差评估函数并确定该残差评估函数的阈值；
针对每个无人机，根据该无人机的残差评估函数的阈值以及该无人机的各个邻居无人机的残差评估函数的阈值，确定该无人机是否存在故障；
其中，所述残差评估函数表示为：
Figure QLYQS_171
；/>
Figure QLYQS_172
表示无人机/>
Figure QLYQS_173
的残差信号，
Figure QLYQS_174
，/>
Figure QLYQS_175
表示二范数运算，/>
Figure QLYQS_176
为无人机/>
Figure QLYQS_177
的残差评估函数。/>
CN202310509922.4A 2023-05-08 2023-05-08 一种基于分布式观测器的无人机编队故障检测方法 Active CN116224807B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310509922.4A CN116224807B (zh) 2023-05-08 2023-05-08 一种基于分布式观测器的无人机编队故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310509922.4A CN116224807B (zh) 2023-05-08 2023-05-08 一种基于分布式观测器的无人机编队故障检测方法

Publications (2)

Publication Number Publication Date
CN116224807A true CN116224807A (zh) 2023-06-06
CN116224807B CN116224807B (zh) 2023-07-21

Family

ID=86573552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310509922.4A Active CN116224807B (zh) 2023-05-08 2023-05-08 一种基于分布式观测器的无人机编队故障检测方法

Country Status (1)

Country Link
CN (1) CN116224807B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108681240A (zh) * 2018-03-09 2018-10-19 南京航空航天大学 一类基于未知输入观测器的小型无人机分布式编队的故障诊断方法
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
CN109884902A (zh) * 2019-04-04 2019-06-14 南京航空航天大学 一种基于区间观测器无人机编队系统故障检测方法
CN110161847A (zh) * 2018-09-18 2019-08-23 南京航空航天大学 一种基于分布式奇异观测器的无人机编队系统传感器故障估计方法
CN111722614A (zh) * 2020-06-15 2020-09-29 南京航空航天大学 一种基于广义观测器的四旋翼无人机故障估计方法
CN112527016A (zh) * 2020-12-02 2021-03-19 北京航空航天大学 一种智能集群一体化容错时变编队控制方法及系统
KR102315498B1 (ko) * 2021-05-21 2021-10-21 세종대학교산학협력단 다중 비행체의 편대 추종 제어 장치 및 그 방법
CN114564000A (zh) * 2022-03-01 2022-05-31 西北工业大学 基于智能飞行器执行器故障诊断的主动容错方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108681240A (zh) * 2018-03-09 2018-10-19 南京航空航天大学 一类基于未知输入观测器的小型无人机分布式编队的故障诊断方法
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
CN110161847A (zh) * 2018-09-18 2019-08-23 南京航空航天大学 一种基于分布式奇异观测器的无人机编队系统传感器故障估计方法
CN109884902A (zh) * 2019-04-04 2019-06-14 南京航空航天大学 一种基于区间观测器无人机编队系统故障检测方法
CN111722614A (zh) * 2020-06-15 2020-09-29 南京航空航天大学 一种基于广义观测器的四旋翼无人机故障估计方法
CN112527016A (zh) * 2020-12-02 2021-03-19 北京航空航天大学 一种智能集群一体化容错时变编队控制方法及系统
KR102315498B1 (ko) * 2021-05-21 2021-10-21 세종대학교산학협력단 다중 비행체의 편대 추종 제어 장치 및 그 방법
CN114564000A (zh) * 2022-03-01 2022-05-31 西北工业大学 基于智能飞行器执行器故障诊断的主动容错方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李炳乾: "无人机编队保持反步容错控制", 《兵工学报》, vol. 39, no. 11, pages 2173 - 2186 *

Also Published As

Publication number Publication date
CN116224807B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
CN110058519B (zh) 一种基于快速自适应技术的主动编队容错控制方法
CN110161847B (zh) 一种基于分布式奇异观测器的无人机编队系统传感器故障估计方法
Ma et al. On formability of linear continuous-time multi-agent systems
CN105204499B (zh) 基于未知输入观测器的直升机协同编队故障诊断方法
CN108427401B (zh) 一种具有联合连通拓扑的飞行控制系统协同故障诊断方法
Jamaludin et al. N4SID and MOESP subspace identification methods
Qin et al. Distributed sensor fault diagnosis for a formation of multi-vehicle systems
Zou et al. Distributed attitude synchronization control for a group of flexible spacecraft using only attitude measurements
Batou et al. Model identification in computational stochastic dynamics using experimental modal data
CN113051723A (zh) 一种基于时序网络的蜂群无人机故障传播分析方法
Stapel et al. Efficient methods for flight envelope estimation through reachability analysis
Ghosh et al. A new simulation metric to determine safe environments and controllers for systems with unknown dynamics
Sen et al. Distributed average tracking with incomplete measurement under a weight-unbalanced digraph
Wang et al. Adaptive fractional‐order nonsingular fast terminal sliding mode formation control of multiple quadrotor UAVs‐based distributed estimator
CN116224807B (zh) 一种基于分布式观测器的无人机编队故障检测方法
CN110222299A (zh) 针对双变量含有误差的直线拟合问题的方法和设备
Wu et al. Fixed-time flocking formation of nonlinear multi-agent system with uncertain state perturbation
Li et al. Metamorphic testing on multi-module uav systems
Yang et al. Stabilization for switched LPV systems with Markovian jump parameters and its application
Cheng et al. Event‐triggered leader‐follower tracking control for interconnected systems
Yao et al. Fault diagnosis and fault-tolerant control for non-Gaussian nonlinear stochastic systems via entropy optimisation
Kouzoupis et al. An efficient SQP algorithm for moving horizon estimation with Huber penalties and multi-rate measurements
Mourad et al. An assumed‐gradient finite element method for the level set equation
Bae et al. Leader-follower bearing-based formation system with exogenous disturbance
Antoulas et al. Model reduction of large-scale dynamical systems

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