CN116992338A - 基于典型变量分析的飞行器imu传感器故障检测方法和装置 - Google Patents
基于典型变量分析的飞行器imu传感器故障检测方法和装置 Download PDFInfo
- Publication number
- CN116992338A CN116992338A CN202311238688.2A CN202311238688A CN116992338A CN 116992338 A CN116992338 A CN 116992338A CN 202311238688 A CN202311238688 A CN 202311238688A CN 116992338 A CN116992338 A CN 116992338A
- Authority
- CN
- China
- Prior art keywords
- aircraft
- data
- flight data
- matrix
- fault
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005259 measurement Methods 0.000 title description 3
- 238000001514 detection method Methods 0.000 claims abstract description 119
- 239000013598 vector Substances 0.000 claims abstract description 68
- 239000011159 matrix material Substances 0.000 claims abstract description 66
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 16
- 238000013501 data transformation Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 3
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 abstract description 3
- 239000007787 solid Substances 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 10
- 238000001914 filtration Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
- G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Abstract
本发明公开了一种基于典型变量分析的飞行器IMU传感器故障检测方法和装置,该方法包括:对飞行器的正常飞行数据进行预处理,获取窗口化的飞行数据;构建汉克尔矩阵;执行汉克尔矩阵的奇异值分解;根据奇异值分解结果计算投影矩阵,以获取飞行数据变换后的状态向量;计算状态向量的检测指标和正常检测阈值;再次采集飞行数据以获取新的状态向量;根据新的状态向量和正常检测阈值进行判断,确定IMU传感器是否存在故障。本发明以飞控系统IMU传感器故障作为切入点,基于典型变量分析进行飞行器IMU传感器的故障检测,以保证飞行器传感数据的可靠性,提高传感器的故障检测率,为安全可靠的城市空中交通发展奠定坚实的理论和技术基础。
Description
技术领域
本发明涉及eVTOL飞行器安全性和可靠性技术领域,尤其涉及一种基于典型变量分析的飞行器IMU传感器故障检测方法和装置。
背景技术
近年来,航空产业和通航业逐渐成为经济增长的新引擎。为解决交通堵塞问题,急需一种新的城市交通出行方式。在通航领域中,直升机可用来进行城市空中运输,但因为其运营成本高,维护困难而无法广泛推广。电动垂直起降飞行器(electric VerticalTakeoff and Landing,eVTOL)是一种新型的城市空中交通载具,用电力驱动飞行器降低对航空燃油的消耗和碳排放的环境要求。并且相较于直升机,eVTOL飞行器噪声小,效率高,可实现了大型客机运输乘客的“最后高效一公里”。由于eVTOL飞行器运行场景的复杂性、空中运行的风险性、运营环境的不确定性,具备足够高的安全性是eVTOL飞行器运行的前提条件。其中,飞行控制系统中的IMU传感器是eVTOL飞行器的重要组成部分之一,其安全性和可靠性直接影响整机的安全运行和eVTOL飞行器的推广。为了保证IMU传感器的安全性,本发明提出一种基于典型变量分析的飞行器IMU传感器故障检测方法,目的为建设高安全和高可靠低空载人飞行器奠定坚实的理论和技术基础。
IMU(Inertial Measurement Unit,惯性测量单元)传感器包括三轴陀螺仪、加速度计和磁力计。这些传感器在飞行器导航和控制应用中起着至关重要的作用。然而,微机电系统的机械部件和电子元件通常会经历一个逐渐退化的过程(例如,微电阻的值可能会缓慢变化),IMU容易因部件损坏、振动和温度影响而发生故障。如果故障没有被及时检测到,将直接影响eVTOL飞行器整机的安全性和可靠性。因此,故障检测具有重要的研究意义和价值,并且故障检测是提高安全性和可靠性的第一道防线。传感器故障检测方法可分为两大类,基于模型的故障检测方法和无模型的故障检测方法。基于模型的故障检测方法需要精确的数学模型,为复杂系统建立精确的物理模型是很困难的。常见的基于模型的故障检测方法包括卡尔曼滤波方法等。另一方面,无模型的故障检测方法不需要物理模型,无模型的故障检测方法可以进一步分为基于知识的故障检测方法和基于数据驱动的故障检测方法。基于知识的故障检测方法需要系统的先验专家知识。而基于数据驱动的故障检测方法不需要关于系统的先验专家知识,并且通过使用历史飞行数据来检测故障。在基于数据驱动的故障检测方法中,一种基于特征模型和深度学习的无人机传感器故障诊断方法被提出。采集全球定位系统(GPS)、IMU传感器、空中数据系统(Air Data System,ADS)等不同传感器故障的残差信号,使用短时傅立叶变换(Short Time Fourier Transform, STFT)将残差信号变换为相应的时频图。然后,使用卷积神经网络(Convolutional Neural Network, CNN)提取地图的特征,并对无人机传感器进行故障诊断。最后,通过无人机的飞行实验对所提出的方法的性能进行了评估。神经网络将系统建模为一个黑匣子,可以训练黑匣子来处理非线性系统。然而,这种方法也有一些缺点,如过拟合问题。
除了基于神经网络等机器学习算法外,还可以从历史数据中提取统计特征来检测故障,这类方法属于多元统计方法。多元统计分析主要利用系统中多个变量之间的关系进行统计分析。这些方法的例子包括主成分分析(Principal Component Analysis,PCA)、偏最小二乘、典型相关分析和典型变量分析(Canonical Variate Analysis,CVA)。主成分分析可以在保持现有变异的同时降低多变量的维数。偏最小二乘法主要用于确定自变量和因变量之间的关系。当输入输出关系明确存在且输入输出数据在线可测时,典型相关分析利用输入输出数据的相关性来检测故障。典型变量分析可以找到过去和未来数据的最佳线性组合,从而使这些组合之间的相关性最大化。所谓的过去数据和未来数据也已经被采集,为了更加清楚的描述,将p窗口数据定义为与特定观察之前的p个连续时刻相对应的数据,即过去的数据。f窗口数据被定义为与特定观察之后的f个连续时刻相对应的数据,即将来的数据。与主成分分析和偏最小二乘假设待分析的数据不是自相关的相比,典型变量分析不仅考虑了变量之间的相关性,还考虑了变量本身的自相关。因此,典型变量分析可以从历史数据中获取更多的特征。与典型相关分析(同时处理输入和输出变量)相比,典型变量分析主要基于典型相关残差发生器框架开发,它处理输出数据中的过去和未来数据,并依赖于典型变量。与基于模型的卡尔曼滤波方法相比,基于典型变量分析的IMU传感器故障检测方法可以提高传感器的故障检测率。
发明内容
本发明的目的在于针对现有的飞行器故障诊断在多样化故障、强非线性系统、动态不确定性等场景下故障检测率低、容错效果差等问题,提供一种基于典型变量分析的飞行器IMU传感器故障检测方法和装置。本发明以飞控系统IMU传感器故障作为切入点,提出一种基于典型变量分析的飞行器IMU传感器故障检测方法,以保证飞行器传感数据的可靠性,提高传感器的故障检测率,解决容错控制系统故障信息不精确的问题,以此为基础,形成一套高效故障诊断框架,为构建高安全性和高可靠性的低空载人飞行器提供基础理论和技术手段。本发明的主要创新点如下:(1)针对飞行器IMU传感器的突变故障和缓变故障,提出了一种基于典型变量分析的数据驱动故障检测方法,该方法首次提出应用于飞行器传感器故障检测;(2)与基于模型的卡尔曼滤波故障检测方法相比,该方法提高了飞行器IMU传感器的故障检测率。
本发明的目的是通过以下技术方案来实现的:本发明实施例第一方面提供了一种基于典型变量分析的飞行器IMU传感器故障检测方法,包括以下步骤:
步骤一、采集飞行器处于正常飞行状态时的飞行数据,对采集到的飞行器的正常飞行数据进行预处理,以将飞行数据向量归一化为零均值和单位方差,获取窗口化的飞行数据;
步骤二、基于窗口化的飞行数据,构建汉克尔矩阵;
步骤三、通过计算汉克尔矩阵的样本协方差和互协方差矩阵,进行汉克尔矩阵的奇异值分解;
步骤四、根据步骤三得到的奇异值分解结果计算投影矩阵,窗口化的飞行数据通过投影矩阵,以获取飞行数据变换后的状态向量;
步骤五、根据步骤四获取的飞行数据变换后的状态向量计算状态向量的检测指标和正常检测阈值;
步骤六、将采集的飞行器的飞行数据重复步骤一获取窗口化的飞行数据,再使用步骤四计算得到的投影矩阵,获得飞行数据变换后的状态向量;
步骤七、在步骤六的基础上,重复步骤五重新计算状态向量的检测指标,判断重新计算出的状态向量的检测指标是否大于等于步骤五中的正常检测阈值,若重新计算出的状态向量的检测指标大于等于步骤五中的正常检测阈值,表明IMU传感器存在故障;否则,IMU传感器正常。
进一步地,所述飞行数据包括飞行器的传感器数据。
进一步地,所述步骤一中,对采集到的飞行器的正常飞行数据进行预处理,以将飞行数据向量归一化为零均值和单位方差,获取窗口化的飞行数据,具体包括:对采集到的飞行器的正常飞行数据进行预处理,针对每一类传感器数据计算其各自均值和标准差,然后每个传感器数据减去均值除以标准差得到归一化后的传感器数据,并将归一化后的传感器数据划分为窗口化的飞行数据。
进一步地,所述步骤二构建的汉克尔矩阵为:
其中,为p窗口数据的汉克尔矩阵,/>是p窗口数据向量,表示过去的飞行数据;/>为f窗口数据的汉克尔矩阵,/>是f窗口数据向量,表示未来的飞行数据;M是窗口化的飞行数据的划分窗口的个数,N是整个传感器数据的采样个数。
进一步地,所述步骤三中,进行汉克尔矩阵的奇异值分解的奇异值分解结果为:
其中,H表示汉克尔矩阵,是过去汉克尔矩阵的样本协方差的-1/2指数,是未来汉克尔矩阵的样本协方差的-1/2指数,/>是互协方差矩阵,U和V分别包含H的左右奇异列向量,/>是有序奇异值的对角矩阵。
进一步地,所述步骤四中投影矩阵的计算公式为:
其中,F为投影矩阵,由V的前r组成,I表示单位向量;
所述步骤四中飞行数据变换后的状态向量为:
其中,为飞行数据变换后的状态向量;/>是p窗口数据向量,表示过去的飞行数据;k是采样时刻。
进一步地,所述步骤五中得到的状态向量的检测指标为:
其中,为状态向量的检测指标。
进一步地,所述步骤五中获取正常检测阈值的方法具体为:通过核密度估计状态向量的检测指标获得正常检测阈值。
本发明实施例第二方面提供了一种基于典型变量分析的飞行器IMU传感器故障检测装置,包括一个或多个处理器和存储器,所述存储器与所述处理器耦接;其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现上述的基于典型变量分析的飞行器IMU传感器故障检测方法。
本发明实施例第三方面提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,用于实现上述的基于典型变量分析的飞行器IMU传感器故障检测方法。
本发明的有益效果是:本发明提出的飞行器故障检测中基于典型变量分析的IMU传感器故障检测方法,综合考虑了飞行器传感器故障幅值小、同时受噪声和反馈控制的影响难检测的特性,实际飞行器建模困难,模型存在偏差,因此,通过基于数据驱动的故障检测方式实现传感器故障发生的检测。典型变量分析,一种数据驱动的方法,进行飞行数据的状态转换,基于转换后的典型变量进行检测。该方法的优点是它还考虑了系统的动力学。本发明的方法能够提高eVTOL飞行器IMU传感器故障的检测率,这样可以及时发现传感器的故障,避免传感器故障导致的eVTOL飞行器事故和损失。
附图说明
图1是本发明的基于典型变量分析的飞行器IMU传感器故障检测原理图;
图2是本发明的基于典型变量分析的飞行器IMU传感器故障检测算法流程图;
图3是本发明的基于典型变量分析的IMU俯仰角速度突变故障检测结果图;
图4是本发明的基于典型变脸分析的IMU俯仰角速度缓变故障检测结果图;
图5是本发明的基于卡尔曼滤波的IMU俯仰角速度突变故障检测结果图;
图6是本发明的基于卡尔曼滤波的IMU俯仰角速度缓变故障检测结果图;
图7是本发明的基于典型变量分析的飞行器IMU传感器故障检测装置的一种结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。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,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
下面结合附图,对本发明进行详细说明。在不冲突的情况下,下述的实施例及实施方式中的特征可以相互组合。
本发明提出一种基于典型变量分析的飞行器IMU传感器故障检测方法。本发明以飞控系统IMU传感器故障作为切入点,通过基于数据驱动的故障检测方式实现传感器故障发生的检测。典型变量分析,一种数据驱动的方法,进行飞行数据的状态转换,基于转换后的典型变量进行检测。该方法的优点是它还考虑了系统的动力学。本发明的方法能够提高eVTOL飞行器IMU传感器故障的检测率,这样可以及时发现传感器的故障,避免传感器故障导致的eVTOL飞行器事故和损失。本发明解决了容错控制系统故障信息不精确的问题,在上述研究的基础上,形成一套高效故障诊断框架,为构建高安全性和高可靠性的低空载人飞行器提供基础理论和技术手段。
本发明中的典型变量分析是一种多元统计方法,用于确定过去数据和未来数据之间的最大相关性。为了更加清楚,将p窗口数据定义为与特定观察之前的p个连续时刻相对应的数据,即过去的数据。f窗口数据被定义为与特定观察之后的f个连续时刻相对应的数据,即未来的数据。与其他多元统计方法,典型变量分析的优点是它还考虑了系统的动力学。在仿真环节中,将IMU俯仰角速度分别注入故障(突变故障和缓变故障)。仿真结果表明,典型变量分析的故障检测率高于基于卡尔曼滤波的故障检测方法。
参见图2,本发明的基于典型变量分析的飞行器IMU传感器故障检测方法包括以下步骤:
步骤一、采集飞行器处于正常飞行状态时的飞行数据,对采集到的飞行器的正常飞行数据进行预处理,以将飞行数据向量归一化为零均值和单位方差,获取窗口化的飞行数据。
其中,飞行数据包括飞行器的传感器数据。
需要说明的是,当为m个变量收集N个时间点时,收集到的这些传感器数据包括过去时刻和将来时刻,对采集到的这些飞行数据进行预处理,可以将过去和未来的飞行数据向量归一化为零均值和单位方差。
本实施例中,对采集到的飞行器的正常飞行数据进行预处理,以将飞行数据向量归一化为零均值和单位方差,获取窗口化的飞行数据,具体包括:对采集到的飞行器的正常飞行数据进行预处理,针对每一类传感器数据计算其各自均值和标准差,然后每个传感器数据减去均值除以标准差得到归一化后的传感器数据,并将归一化后的传感器数据划分为窗口化的飞行数据。
应当理解的是,由于传感器的数据类型不完全一致,因此需要对每一类传感器数据进行归一化。
进一步地,步骤一得到的窗口化的飞行数据为:
其中,是p窗口数据向量,表示过去的飞行数据;/>是f窗口数据向量,表示未来的飞行数据;p和f是滞后数;以/>表示的飞行数据列向量的形式排列,m是飞行数据的维度,k是采样时刻,T表示矩阵的转置。
步骤二、基于窗口化的飞行数据,构建汉克尔矩阵(Hankel矩阵)。
本实施例中,构建的汉克尔矩阵为:
其中,为p窗口数据的Hankel矩阵,/>是p窗口数据向量,表示过去的飞行数据;/>为f窗口数据的Hankel矩阵,/>是f窗口数据向量,表示未来的飞行数据;M是窗口化的飞行数据的划分窗口的个数,N是整个传感器数据的采样个数。
步骤三、通过计算Hankel矩阵的样本协方差和互协方差矩阵,进行Hankel矩阵的奇异值分解。
进一步地,过去和未来Hankel矩阵的样本协方差和互协方差矩阵如下所示:
其中,为过去Hankel矩阵的样本协方差,/>为未来Hankel矩阵的样本协方差,/>为互协方差矩阵。
典型变量分析可以确定最大相关的和/>的线性组合,具体可以通过Hankel矩阵的奇异值分解来实现。这个问题可以等价地转化为一个数学奇异值分解问题。对Hankel矩阵进行奇异值分解得到的奇异值分解结果为:
其中,H表示Hankel矩阵,是过去Hankel矩阵的样本协方差的-1/2指数,是未来Hankel矩阵的样本协方差的-1/2指数,/>是互协方差矩阵,U和V分别包含H的左右奇异列向量,/>是有序奇异值的对角矩阵。第一个r奇异值保存在/>中。
步骤四、根据步骤三得到的奇异值分解结果计算投影矩阵,窗口化的飞行数据通过投影矩阵,以获取飞行数据变换后的状态向量。
进一步地,投影矩阵的计算公式为:
其中,F为投影矩阵,由V的前r组成,I表示单位向量。
进一步地,飞行数据变换后的状态向量为:
其中,为飞行数据变换后的状态向量。
步骤五、根据步骤四获取的飞行数据变换后的状态向量计算状态向量的检测指标和正常检测阈值。
进一步地,状态向量的检测指标为:
其中,为状态向量的检测指标,也表示平方预测误差(SPE)。
进一步地,通过核密度估计状态向量的检测指标获得正常检测阈值th。
应当理解的是,核密度估计是已有的一种方法,通过该方法可以对状态向量的检测指标进行一系列处理得到检测指标的阈值,由于在步骤五中,计算出的状态向量的检测指标是飞行器处于正常飞行状态时的状态向量的检测指标,因此通过核密度估计该状态向量的检测指标,即可获得正常检测阈值th。
步骤六、将采集的飞行器的飞行数据重复步骤一获取窗口化的飞行数据,再使用步骤四计算得到的投影矩阵,获得飞行数据变换后的状态向量。
应当理解的是,在步骤六中,采集的飞行器的飞行数据可能是正常飞行数据,也可能是故障飞行数据,经过当前步骤的处理以及后续步骤七即可判断出是正常飞行数据或故障飞行数据,即IMU传感器是处于正常工作状态还是存在故障。
步骤七、在步骤六的基础上,重复步骤五重新计算状态向量的检测指标,判断重新计算出的状态向量的检测指标是否大于等于步骤五中的正常检测阈值,若重新计算出的状态向量的检测指标大于等于步骤五中的正常检测阈值,表明IMU传感器存在故障;否则,IMU传感器正常,该IMU传感器处于正常工作的状态。检测过程如下:
评估故障检测方法效果的指标有:故障检测率(fault detection rate,FDR)和虚警率(false alarm rate,FAR)。FDR表示在检测过程中可以正确检测到的故障样本数的比率。FAR是指在正常样本中检测到异常的比率。
在以上等式中,DFN是正确检测到的故障数,TFN是故障样本的总数,DAN是在正常数据中检测到的异常数,TNN是正常样本的总数。具体算法原理图和流程图如图1和图2所示。
示例性地,无人机底层飞行闭环控制系统及故障检测方法如图1所示,其中,在工作时,导航系统输出的航点作为底层控制系统的输入给控制器,控制器输出控制信号给电机(执行器),控制无人机的姿态、飞行速度和位置等。IMU传感器测量实际飞行状态,并反馈给控制器进行状态调节。针对控制系统中采集的飞行数据(姿态信息、速度信息、位置信息),采用典型变量分析的故障检测方法判断系统中是否发生IMU传感器故障,为后续容错控制提供检测信息。
本实施例中还提供了基于典型变量分析的飞行器IMU传感器故障检测方法的实施例,其实验结果如图3-图6所示。
由图3所示,为基于典型变量分析的IMU俯仰角速度突变故障检测结果,故障在第30s的时刻注入,将IMU俯仰角速度突变故障模拟为阶跃信号,故障信号的振幅为0.175rad(10deg)。检测指标:FDR为94.70%,FAR为0.30%。图4所示为基于典型变量分析的IMU俯仰角速度缓变故障检测结果,故障在第30s的时刻注入,将IMU俯仰角速度缓变故障模拟为斜坡信号,故障变化率为0.0058rad/s(0.3325deg/s),故障信号的最大振幅为0.175rad(10deg)。检测指标:FDR为38.60%,FAR为1.00%。图5为基于卡尔曼滤波的IMU俯仰角速度突变故障检测结果,故障在第30s的时刻注入,将IMU俯仰角速度突变故障模拟为阶跃信号,故障信号的振幅为0.175rad(10deg)。检测指标:FDR为3.93%,FAR为0.00%。图6所示为基于卡尔曼滤波的IMU俯仰角速度缓变故障检测结果,故障在第30s的时刻注入,将IMU俯仰角速度缓变故障模拟为斜坡信号,故障变化率为0.0058rad/s(0.3325deg/s),故障信号的最大振幅为0.175rad(10deg)。检测指标:FDR为1.13%,FAR为0.00%。通过实验结果对比,证明典型变量分析方法有较好的检测性能。
与前述基于典型变量分析的飞行器IMU传感器故障检测方法的实施例相对应,本发明还提供了基于典型变量分析的飞行器IMU传感器故障检测装置的实施例。
参见图7,本发明实施例提供的一种基于典型变量分析的飞行器IMU传感器故障检测装置,包括一个或多个处理器和存储器,存储器与处理器耦接;其中,存储器用于存储程序数据,处理器用于执行程序数据以实现上述实施例中的基于典型变量分析的飞行器IMU传感器故障检测方法。
本发明基于典型变量分析的飞行器IMU传感器故障检测装置的实施例可以应用在任意具备数据处理能力的设备上,该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图7所示,为本发明基于典型变量分析的飞行器IMU传感器故障检测装置所在任意具备数据处理能力的设备的一种硬件结构图,除了图7所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能,还可以包括其他硬件,对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现上述实施例中的基于典型变量分析的飞行器IMU传感器故障检测方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元,例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备,例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。进一步的,所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据,还可以用于暂时地存储已经输出或者将要输出的数据。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (10)
1.一种基于典型变量分析的飞行器IMU传感器故障检测方法,其特征在于,包括以下步骤:
步骤一、采集飞行器处于正常飞行状态时的飞行数据,对采集到的飞行器的正常飞行数据进行预处理,以将飞行数据向量归一化为零均值和单位方差,获取窗口化的飞行数据;
步骤二、基于窗口化的飞行数据,构建汉克尔矩阵;
步骤三、通过计算汉克尔矩阵的样本协方差和互协方差矩阵,进行汉克尔矩阵的奇异值分解;
步骤四、根据步骤三得到的奇异值分解结果计算投影矩阵,窗口化的飞行数据通过投影矩阵,以获取飞行数据变换后的状态向量;
步骤五、根据步骤四获取的飞行数据变换后的状态向量计算状态向量的检测指标和正常检测阈值;
步骤六、将采集的飞行器的飞行数据重复步骤一获取窗口化的飞行数据,再使用步骤四计算得到的投影矩阵,获得飞行数据变换后的状态向量;
步骤七、在步骤六的基础上,重复步骤五重新计算状态向量的检测指标,判断重新计算出的状态向量的检测指标是否大于等于步骤五中的正常检测阈值,若重新计算出的状态向量的检测指标大于等于步骤五中的正常检测阈值,表明IMU传感器存在故障;否则,IMU传感器正常。
2.根据权利要求1所述的基于典型变量分析的飞行器IMU传感器故障检测方法,其特征在于,所述飞行数据包括飞行器的传感器数据。
3.根据权利要求1所述的基于典型变量分析的飞行器IMU传感器故障检测方法,其特征在于,所述步骤一中,对采集到的飞行器的正常飞行数据进行预处理,以将飞行数据向量归一化为零均值和单位方差,获取窗口化的飞行数据,具体包括:对采集到的飞行器的正常飞行数据进行预处理,针对每一类传感器数据计算其各自均值和标准差,然后每个传感器数据减去均值除以标准差得到归一化后的传感器数据,并将归一化后的传感器数据划分为窗口化的飞行数据。
4.根据权利要求1所述的基于典型变量分析的飞行器IMU传感器故障检测方法,其特征在于,所述步骤二构建的汉克尔矩阵为:
;
;
;
其中,为p窗口数据的汉克尔矩阵,/>是p窗口数据向量,表示过去的飞行数据;/>为f窗口数据的汉克尔矩阵,/>是f窗口数据向量,表示未来的飞行数据;M是窗口化的飞行数据的划分窗口的个数,N是整个传感器数据的采样个数。
5.根据权利要求1所述的基于典型变量分析的飞行器IMU传感器故障检测方法,其特征在于,所述步骤三中,进行汉克尔矩阵的奇异值分解的奇异值分解结果为:
;
其中,H表示汉克尔矩阵,是过去汉克尔矩阵的样本协方差的-1/2指数,/>是未来汉克尔矩阵的样本协方差的-1/2指数,/>是互协方差矩阵,U和V分别包含H的左右奇异列向量,/>是有序奇异值的对角矩阵。
6.根据权利要求1所述的基于典型变量分析的飞行器IMU传感器故障检测方法,其特征在于,所述步骤四中投影矩阵的计算公式为:
;
其中,F为投影矩阵,由V的前r组成,I表示单位向量;
所述步骤四中飞行数据变换后的状态向量为:
;
其中,为飞行数据变换后的状态向量;/>是p窗口数据向量,表示过去的飞行数据;k是采样时刻。
7.根据权利要求1所述的基于典型变量分析的飞行器IMU传感器故障检测方法,其特征在于,所述步骤五中得到的状态向量的检测指标为:
;
其中,为状态向量的检测指标。
8.根据权利要求1所述的基于典型变量分析的飞行器IMU传感器故障检测方法,其特征在于,所述步骤五中获取正常检测阈值的方法具体为:通过核密度估计状态向量的检测指标获得正常检测阈值。
9.一种基于典型变量分析的飞行器IMU传感器故障检测装置,包括一个或多个处理器和存储器,其特征在于,所述存储器与所述处理器耦接;其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现权利要求1-8中任一项所述的基于典型变量分析的飞行器IMU传感器故障检测方法。
10.一种计算机可读存储介质,其特征在于,其上存储有程序,该程序被处理器执行时,用于实现权利要求1-8中任一项所述的基于典型变量分析的飞行器IMU传感器故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311238688.2A CN116992338B (zh) | 2023-09-25 | 2023-09-25 | 基于典型变量分析的飞行器imu传感器故障检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311238688.2A CN116992338B (zh) | 2023-09-25 | 2023-09-25 | 基于典型变量分析的飞行器imu传感器故障检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116992338A true CN116992338A (zh) | 2023-11-03 |
CN116992338B CN116992338B (zh) | 2023-12-19 |
Family
ID=88523462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311238688.2A Active CN116992338B (zh) | 2023-09-25 | 2023-09-25 | 基于典型变量分析的飞行器imu传感器故障检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116992338B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001048571A1 (en) * | 1999-12-29 | 2001-07-05 | Aspen Technology, Inc. | Sensor validation method and apparatus |
EP2098881A2 (en) * | 2008-03-04 | 2009-09-09 | Fujitsu Ltd. | Detection and ranging device and detection and ranging method |
WO2014093670A1 (en) * | 2012-12-12 | 2014-06-19 | University Of North Dakota | Analyzing flight data using predictive models |
CN106413530A (zh) * | 2014-05-28 | 2017-02-15 | 皇家飞利浦有限公司 | 使用多通道ppg信号的运动伪影降低 |
CN107608335A (zh) * | 2017-09-14 | 2018-01-19 | 山东科技大学 | 一种无人机飞行控制系统故障检测与故障分离的数据驱动方法 |
US20180087954A1 (en) * | 2016-09-27 | 2018-03-29 | General Electric Company | Method for detection and isolation of faulty sensors |
US20200067969A1 (en) * | 2018-08-22 | 2020-02-27 | General Electric Company | Situation awareness and dynamic ensemble forecasting of abnormal behavior in cyber-physical system |
US20210215789A1 (en) * | 2015-07-17 | 2021-07-15 | Yuqian HU | Method, apparatus, and system for wireless proximity sensing |
US20210278476A1 (en) * | 2020-03-09 | 2021-09-09 | Mitsubishi Electric Research Laboratories, Inc. | System and Method of Fault Detection Based on Robust Damped Signal Demixing |
WO2022133118A1 (en) * | 2020-12-18 | 2022-06-23 | Qualcomm Incorporated | Vector field interpolation of multiple distributed streams for six degree of freedom applications |
CN116641941A (zh) * | 2023-06-28 | 2023-08-25 | 中国矿业大学 | 一种基于典型变量分析的液压系统早期故障动态检测方法 |
-
2023
- 2023-09-25 CN CN202311238688.2A patent/CN116992338B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001048571A1 (en) * | 1999-12-29 | 2001-07-05 | Aspen Technology, Inc. | Sensor validation method and apparatus |
EP2098881A2 (en) * | 2008-03-04 | 2009-09-09 | Fujitsu Ltd. | Detection and ranging device and detection and ranging method |
WO2014093670A1 (en) * | 2012-12-12 | 2014-06-19 | University Of North Dakota | Analyzing flight data using predictive models |
CA2892538A1 (en) * | 2012-12-12 | 2014-06-19 | University Of North Dakota | Analyzing flight data using predictive models |
CN106413530A (zh) * | 2014-05-28 | 2017-02-15 | 皇家飞利浦有限公司 | 使用多通道ppg信号的运动伪影降低 |
US20210215789A1 (en) * | 2015-07-17 | 2021-07-15 | Yuqian HU | Method, apparatus, and system for wireless proximity sensing |
US20180087954A1 (en) * | 2016-09-27 | 2018-03-29 | General Electric Company | Method for detection and isolation of faulty sensors |
CN107608335A (zh) * | 2017-09-14 | 2018-01-19 | 山东科技大学 | 一种无人机飞行控制系统故障检测与故障分离的数据驱动方法 |
US20200067969A1 (en) * | 2018-08-22 | 2020-02-27 | General Electric Company | Situation awareness and dynamic ensemble forecasting of abnormal behavior in cyber-physical system |
US20210278476A1 (en) * | 2020-03-09 | 2021-09-09 | Mitsubishi Electric Research Laboratories, Inc. | System and Method of Fault Detection Based on Robust Damped Signal Demixing |
WO2022133118A1 (en) * | 2020-12-18 | 2022-06-23 | Qualcomm Incorporated | Vector field interpolation of multiple distributed streams for six degree of freedom applications |
CN116641941A (zh) * | 2023-06-28 | 2023-08-25 | 中国矿业大学 | 一种基于典型变量分析的液压系统早期故障动态检测方法 |
Non-Patent Citations (1)
Title |
---|
何启志;章卫国;刘小雄;李伟楠;: "基于ATSUKF的飞行器惯性测量单元的故障诊断", 西北工业大学学报, no. 04 * |
Also Published As
Publication number | Publication date |
---|---|
CN116992338B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Freeman et al. | Model-based and data-driven fault detection performance for a small UAV | |
CN107608335B (zh) | 无人机飞行控制系统故障检测与故障分离的数据驱动方法 | |
Lu et al. | Adaptive three-step Kalman filter for air data sensor fault detection and diagnosis | |
US9650152B2 (en) | Flight envelope protection system for unmanned aerial vehicles | |
CN103884359B (zh) | 一种基于主元分析算法的卫星陀螺部件故障诊断方法 | |
CN112348124A (zh) | 一种基于数据驱动的微小故障诊断方法及装置 | |
Lee et al. | Data-driven system health monitoring technique using autoencoder for the safety management of commercial aircraft | |
Li et al. | A Siamese hybrid neural network framework for few-shot fault diagnosis of fixed-wing unmanned aerial vehicles | |
Sevil et al. | Fault diagnosis in air data sensors for receiver aircraft in aerial refueling | |
Wang et al. | Data-driven anomaly detection of UAV based on multimodal regression model | |
Cartocci et al. | Aircraft robust data-driven multiple sensor fault diagnosis based on optimality criteria | |
Li et al. | A data driven fault detection and isolation scheme for UAV flight control system | |
CN111930094A (zh) | 一种基于扩展卡尔曼滤波的无人机执行机构故障诊断方法 | |
CN114997296A (zh) | 一种基于gru-vae模型的无监督航迹异常检测方法及系统 | |
Han et al. | Quadratic-Kalman-filter-based sensor fault detection approach for unmanned aerial vehicles | |
Park et al. | Model-free unsupervised anomaly detection of a general robotic system using a stacked LSTM and its application to a fixed-wing unmanned aerial vehicle | |
CN116992338B (zh) | 基于典型变量分析的飞行器imu传感器故障检测方法和装置 | |
Shaqura et al. | A hybrid system approach to airspeed, angle of attack and sideslip estimation in unmanned aerial vehicles | |
CN115218927B (zh) | 基于二次卡尔曼滤波的无人机imu传感器故障检测方法 | |
Zhang et al. | A deep neural network-based fault detection scheme for aircraft IMU sensors | |
Long et al. | A data fusion fault diagnosis method based on LSTM and DWT for satellite reaction flywheel | |
CN113850138B (zh) | 一种基于数据驱动的无人飞行器传感器故障检测方法、系统及装置 | |
CN115857529A (zh) | 航天器姿态控制系统的执行器故障重构方法 | |
Dutta et al. | Rotor Fault Detection and Identification on a Hexacopter under Varying Flight States Based on Global Stochastic Models | |
CN108801322A (zh) | 用于无人机飞行控制系统微机电系统传感器的可靠性评估方法 |
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 |