CN117272638B - 一种基于分层有向图的飞行器故障实时定位方法 - Google Patents
一种基于分层有向图的飞行器故障实时定位方法 Download PDFInfo
- Publication number
- CN117272638B CN117272638B CN202311221570.9A CN202311221570A CN117272638B CN 117272638 B CN117272638 B CN 117272638B CN 202311221570 A CN202311221570 A CN 202311221570A CN 117272638 B CN117272638 B CN 117272638B
- Authority
- CN
- China
- Prior art keywords
- node
- fault
- nodes
- logic
- aircraft
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000011159 matrix material Substances 0.000 claims description 44
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 230000036541 health Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
- B64D2045/0085—Devices for aircraft health monitoring, e.g. monitoring flutter or vibration
-
- 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
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种基于分层有向图的实时故障定位方法,涉及飞行器故障分析技术领域,该方法根据飞行器部件之间的拓扑结构建立符号有向图,并转换得到分层符号有向图用于描述不同节点之间的故障传播机理,在飞行器飞行过程中,通过对实时运行参数进行自适应阈值检测判断各个节点的故障状态,基于相容通路原理判断故障传播有效性并推理定位故障源节点。该方法通过结合数据信息与有向图模型,建立一套合理的逻辑推理算法将复杂系统的故障定位问题简化,无需过分依赖故障源信息与先验知识,并具有优秀的实时性,为飞行器故障的在线故障源定位研究提供一种新方法,有利于在飞行器部件出现故障时及时采取有效措施,为飞行器健康管理提供充分支持。
Description
技术领域
本申请涉及飞行器故障分析技术领域,尤其是一种基于分层有向图的飞行器故障实时定位方法。
背景技术
目前现代飞行器自身结构日趋复杂且作战任务难度不断提高,在此主流趋势下,飞行器在执行任务时发生故障的可能性也在直线上升,在高强度的飞行作业中,由于外界环境与自身结构缺陷等因素,飞行器的部分部件如执行器但等具有一定概率会发生故障,若发生故障时不采取有效的容错措施,飞行器难以完成既定任务,会造成不必要的财产与人员损失。因此,若能及时找到故障源,定位故障发生部件,容错系统就能及时采取针对性措施。但是飞行器所包含的部件数量繁杂,部件间耦合参数关联关系复杂,且传感器可获取飞行器监控数据有限,一旦飞行器发生故障,往往难以通过可测数据进行故障溯源。因此对飞行器故障进行实时溯源与定位分析是确保飞行器正常运行的一大保障,也是进一步采取有效容错措施的前置基础,但同样也是现阶段难以克服的一个难题。
针对飞行器的故障定位问题,目前主流的方法包括基于数据的分析方式和基于模型的分析方式:(1)基于数据的分析方式主流思想是借助机器学习,对飞行器数据进行分析学习,建立神经网络模型,根据网络模型判断当前飞行器状态和与之对应的故障源。该种方式较为容易实现,但对于先验训练数据集合与数据格式要求较高,前期需要耗费大量人力时间进行数据收集与处理。(2)基于模型的分析方式主流思想是基于飞行器本身拓扑模型,借助各类型模型进行建模,在模型基础上进而分析查找故障源。该种方式准确性较高,但由于飞行器复杂的机理特性,对于飞行器模型的描述往往较为困难,导致难以实现。
发明内容
本申请针对上述问题及技术需求,提出了一种基于分层有向图的飞行器故障实时定位方法,本申请的技术方案如下:
一种基于分层有向图的飞行器故障实时定位方法,该飞行器故障实时定位方法包括:
将飞行器中的飞行器部件抽象为节点,将不同飞行器部件之间的参数关联关系抽象为节点之间的有向边,建立得到飞行器的符号有向图,飞行器部件包括飞行器内的可测传感器与执行器;
确定符号有向图中各个节点所属的逻辑分层,转换得到分层符号有向图,分层符号有向图中共包括K个逻辑分层,每个逻辑分层包括一个或多个节点,分层符号有向图的拓扑结构与符号有向图的拓扑结构相同,从第一个逻辑分层至第K个逻辑分层包含的节点向其他节点的传播逻辑依次减弱,整数参数K≥2;
在飞行器飞行过程中,对第二个逻辑分层至第K个逻辑分层包含的所有节点对应的实时运行参数进行自适应故障检测并得到对应的故障状态,当第二个逻辑分层至第K个逻辑分层中任意一个节点的实时运行参数大于对应的自适应阈值范围的最大值时得到对应的故障状态为1,当节点的实时运行参数小于对应的自适应阈值范围的最小值时得到对应的故障状态为-1;
根据分层符号有向图,基于相容通路原理结合第二个逻辑分层至第K个逻辑分层包含的所有节点的故障状态,确定第一个逻辑分层中满足相容通路故障传播逻辑的节点得到故障源节点,并确定故障源节点对应的飞行器部件存在故障。
其进一步的技术方案为,确定第一个逻辑分层中满足相容通路故障传播逻辑的节点,包括:
当根据第二个逻辑分层至第K个逻辑分层包含的所有节点的故障状态确定满足故障传播有效条件时,遍历第一个逻辑分层中的各个节点,对于第一个逻辑分层中的任意节点,当在取节点/>的故障状态/>或/>的条件下,能够使得节点/>及其任意子节点/>均满足/>时,确定节点/>满足相容通路故障传播逻辑;
其中,节点的子节点/>位于第二个逻辑分层,当子节点/>的实时运行参数大于对应的自适应阈值范围的最大值时确定子节点/>的故障状态/>,当子节点/>的实时运行参数小于对应的自适应阈值范围的最小值时确定子节点/>的故障状态/>;分层符号有向图中包括节点/>指向子节点/>的有向边/>且有向边/>的连接线状态为/>,当节点/>的运行参数增大且子节点/>的运行参数也增大时,有向边/>的连接线状态/>;当节点的运行参数增大且子节点/>的运行参数减小时,有向边/>的连接线状态/>。
其进一步的技术方案为,得到故障源节点包括:
当第一个逻辑分层中仅有一个节点满足相容通路故障传播逻辑时,将满足相容通路故障传播逻辑的该节点直接作为故障源节点;
当第一个逻辑分层中有两个节点满足相容通路故障传播逻辑时,确定其中一个节点对应于飞行器中的执行器为舵面,根据舵面的实时偏转方向从两个满足相容通路故障传播逻辑的节点中确定出唯一的一个节点作为故障源节点。
其进一步的技术方案为,根据舵面的实时偏转方向从两个满足相容通路故障传播逻辑的节点中确定出唯一的一个节点作为故障源节点包括:
当舵面的实时偏转方向为正偏转时,取舵面对应的节点的故障状态为1,当舵面的实时偏转方向为负偏转时,取舵面对应的节点的故障状态为-1,当舵面对应的节点在此基础上满足相容通路故障传播逻辑时,直接确定舵面对应的节点为故障源节点;否则确定两个满足相容通路故障传播逻辑的节点中,除舵面对应的节点之外的另一个节点为故障源节点。
其进一步的技术方案为,飞行器故障实时定位方法还包括:
对于第三个逻辑分层至第K个逻辑分层中的任意节点s,当节点s及其父节点t满足时,确定节点s存在有效传播父节点;其中,/>是节点s的故障状态,/>是节点s的父节点t的故障状态,节点s的父节点t位于节点s的更靠近第一个逻辑分层的上一个逻辑分层;节点/>指向子节点/>的有向边/>且有向边/>的连接线状态为/>,当父节点t的运行参数增大且节点s的运行参数也增大时,父节点t指向节点s的有向边的连接线状态/>;当父节点t的运行参数增大且节点s的运行参数减小时,父节点t指向节点s的有向边的连接线状态/>;
当确定第二个逻辑分层中的所有节点都出现故障,且第三个逻辑分层至第K个逻辑分层中所有出现故障的节点都存在有效传播父节点时,确定满足故障传播有效条件,否则确定不满足故障传播有效条件并结束飞行器故障实时定位方法。
其进一步的技术方案为,对第二个逻辑分层至第K个逻辑分层包含的所有节点对应的实时运行参数进行自适应故障检测并得到对应的故障状态,包括:
采用双边极值理论的自适应阈值法,基于飞行器在正常飞行状态下的飞行先验数据结合风险系数确定各个节点对应的自适应阈值范围;
在预定长度的时间窗口内,检测第二个逻辑分层中的各个节点的实时运行参数是否超出对应的自适应阈值范围,时间窗口内的数据以堆栈形式进行更新移动;
当检测到第二个逻辑分层中存在节点的实时运行参数第一次超出对应的自适应阈值范围时,确定节点出现故障,并确定节点的故障状态以及第一次出现故障的故障特征时刻;
继续更新时间窗口并检测第二个逻辑分层中的其他各个节点的实时运行参数是否超出对应的自适应阈值范围,直至时间窗口的更新时刻与故障特征时刻之间的时差达到时差阈值时,得到第二个逻辑分层中所有节点的故障状态,并在最新的时间窗口内,检测第三个逻辑分层至第K个逻辑分层中的各个节点的实时运行参数是否超出对应的自适应阈值范围。
其进一步的技术方案为,确定符号有向图中各个节点所属的逻辑分层,包括:
构建符号有向图的邻接矩阵,当符号有向图中存在节点m指向节点n的有向边时,邻接矩阵中的第m行第n列的元素为1,否则邻接矩阵中的第m行第n列的元素为0;
采用Warshall算法根据邻接矩阵计算符号有向图的第一迭代可达矩阵,当符号有向图中存在由第m个节点到达第n个节点的路径时,第一迭代可达矩阵中任意第m行第n列的元素为1,否则第一迭代可达矩阵中第m行第n列的元素为0,一条路径包括一条或多条有向边;整数参数1≤m≤N,整数参数1≤n≤N,N是符号有向图中包含的节点的总数量;
确定第k迭代可达矩阵中任意节点h的可达集和先行集,节点h的可达集包括第k迭代可达矩阵的第h行中取值为1的元素对应的节点,节点h的先行集包括第k迭代可达矩阵的第h列中取值为1的元素对应的节点;整数参数k的起始值为1;
当节点h的可达集和先行集的交集为先行集时,确定节点h属于第k个逻辑分层;
当遍历完第k迭代可达矩阵中的所有节点后,将所有属于第k个逻辑分层的节点从第k迭代可达矩阵中的移除,更新得到第k+1迭代可达矩阵,令k=k+1并再次执行确定第k迭代可达矩阵中任意节点h的可达集和先行集的步骤,直至确定得到符号有向图中所有节点所属的逻辑分层。
本申请的有益技术效果是:
本申请公开了一种基于分层有向图的实时故障定位方法,该方法基于飞行器部件之间的拓扑结构建立符号有向图,并根据不同飞行器部件之间的传播逻辑依次转换得到分层符号有向图用于描述不同节点之间的故障传播机理,通过自适应阈值检测判断各个节点的故障状态,基于相容通路原理判断故障传播有效性并推理定位故障源节点。该方法通过结合数据信息与有向图模型,建立一套合理的逻辑推理算法将复杂系统的故障定位问题简化,无需过分依赖故障源信息与先验知识,并具有优秀的实时性,为飞行器故障的在线故障源定位研究提供一种新方法,有利于在飞行器部件出现故障时及时采取有效措施,为飞行器健康管理提供充分支持。
附图说明
图1是本申请一个实施例的实时故障定位方法的方法流程图。
图2是一个实例中建立得到的飞行器的符号有向图的示意图。
图3是图2实例中对符号有向图转换得到的分层符号有向图的示意图。
图4是一个节点的飞行先验数据、确定的自适应阈值的范围以及采集到的该节点的实时运行参数的曲线示意图。
图5是本申请一个实施例中在飞行器飞行过程中确定故障源节点的方法流程图。
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分层有向图的实时故障定位方法,请参考图1所示的流程图,该飞行器故障实时定位方法包括如下步骤:
步骤1,将飞行器中的飞行器部件抽象为节点,将不同飞行器部件之间的参数关联关系抽象为节点之间的有向边,建立得到飞行器的符号有向图。
其中,飞行器部件包括飞行器内的可测传感器与执行器,飞行器内的可测传感器至少包括三轴陀螺仪、三轴加速度计、空速计和高度计,飞行器内的执行器至少包括各个舵面、各个升力面和引擎。
当节点m对应的飞行器部件的运行参数的变化对节点n对应的飞行器部件的运行参数有影响时,确定节点m与节点n存在参数关联关系,且抽象得到节点m指向节点n的有向边。
且两个节点之间的有向边有两种类型:当节点m的运行参数的增大且节点n的运行参数也增大时,节点m指向节点n的有向边的类型为增作用有向边。当节点m的运行参数的增大且节点n的运行参数减小时,节点m指向节点n的有向边的类型为减作用有向边。
飞行器部件之间的参数关联关系通过大量的统计实验得到,比如在一个实例中,建立得到飞行器的符号有向图如图2所示,符号有向图中的节点包括对飞行器内的四个舵面分别抽象得到的节点D1、节点D2、节点D3和节点D4,对飞行器的左升力面抽象得到的节点SL,对飞行器的右升力面抽象得到的节点SR,对飞行器内的引擎抽象得到的节点T,对三轴加速度计抽象得到节点Ax、节点Ay和节点Az,对空速计抽象得到的节点V,对高度计抽象得到的节点H,对三轴陀螺仪抽象得到的节点Theta、节点Phi、节点Psi、节点A、节点B。两个节点之间的有向边的指向如箭头方向,两个节点之间的增作用有向边以实线表示,两个节点之间的减作用有向边以虚线表示。
步骤2,确定符号有向图中各个节点所属的逻辑分层,转换得到分层符号有向图。
得到的分层符号有向图中共包括K个逻辑分层,整数参数K≥2。每个逻辑分层包括一个或多个节点,分层符号有向图的拓扑结构与符号有向图的拓扑结构相同,从第一个逻辑分层至第K个逻辑分层包含的节点向其他节点的传播逻辑依次减弱。
在一个实施例中,以符号有向图中包含的节点的总数量为N为例,转换得到分层符号有向图包括:
(1)构建符号有向图的邻接矩阵。邻接矩阵包括N行N列共N*N个元素。当符号有向图中存在节点m指向节点n的有向边时,邻接矩阵中的第m行第n列的元素为1,否则邻接矩阵中的第m行第n列的元素为0。
(2)采用Warshall算法根据邻接矩阵计算符号有向图的第一迭代可达矩阵,第一迭代可达矩阵包括N行N列共N*N个元素。当符号有向图中存在由第m个节点到达第n个节点的路径时,第一迭代可达矩阵中任意第m行第n列的元素为1,否则第一迭代可达矩阵中第m行第n列的元素为0,一条路径包括一条或多条有向边;整数参数1≤m≤N,整数参数1≤n≤N。
(3)确定第k迭代可达矩阵中任意节点h的可达集和先行集,节点h的可达集包括第k迭代可达矩阵的第h行中取值为1的元素对应的节点,节点h的先行集包括第k迭代可达矩阵的第h列中取值为1的元素对应的节点。整数参数k的起始值为1。
(4)当节点h的可达集和先行集的交集为先行集时,确定节点h属于第k个逻辑分层,否则暂时不将节点h归属到任一逻辑分层。
(5)当遍历完第k迭代可达矩阵中的所有节点后,将所有属于第k个逻辑分层的节点从第k迭代可达矩阵中的移除,更新得到第k+1迭代可达矩阵,令k=k+1并再次执行确定第k迭代可达矩阵中任意节点h的可达集和先行集的步骤,直至确定得到符号有向图中所有节点所属的逻辑分层。
基于该方法可以确定图2的符号有向图中各个节点所属的逻辑分层,从而将图2的符号有向图转换为图3的分层符号有向图,在图3的实例中,分层符号有向图共包含K=6个逻辑分层。
步骤3,在飞行器飞行过程中,采集各个节点的实时运行参数,对第二个逻辑分层至第K个逻辑分层包含的所有节点对应的实时运行参数进行自适应故障检测并得到对应的故障状态。
对于第二个逻辑分层至第K个逻辑分层中任意一个节点,当该节点对应的实时运行参数超出该节点对应的自适应阈值范围时,确定该节点存在故障,否则确定该节点不存在故障。当该节点存在故障时进一步确定该节点的故障状态,包括当该节点的实时运行参数大于对应的自适应阈值范围的最大值时得到对应的故障状态为1,当该节点的实时运行参数小于对应的自适应阈值范围的最小值时得到对应的故障状态为-1。
在一个实施例中,采用双边极值理论的自适应阈值法bidSPOT,基于飞行器在正常飞行状态下的飞行先验数据结合风险系数确定各个节点对应的自适应阈值范围,风险系数根据节点的飞行先验数据的自身特性、幅值大小与波动幅度来预先设定,风险系数越高则自适应阈值范围越贴近飞行先验数据的曲线。比如在一个实例中,一个节点的飞行先验数据的曲线如图4中的曲线1所示,结合设定的风险系数,得到了该节点的自适应阈值的最小值曲线如图4中的曲线2所示,该节点的自适应阈值的最大值曲线如图4中的曲线3所示。且在飞行器的飞行过程中,还会采集到该节点的实时运行参数如图4中的曲线4所示,从图4可以直观看出,正常情况下,节点的实时运行参数一般都是在该节点的自适应阈值的范围内,但在异常情况下,节点的实时运行参数也会超出节点的自适应阈值的范围,可能是大于最大值,也可能是小于最小值,如图4以节点的实时运行参数在190个采样点处小于最小值为例。
基于各个节点的自适应阈值,根据在飞行器飞行过程中采集到的各个节点的实时运行参数,在飞行器飞行过程中确定各个节点的故障状态的方法包括如下步骤,请参考图5所示的流程图:
在预定长度的时间窗口内,检测第二个逻辑分层中的各个节点的实时运行参数是否超出对应的自适应阈值范围。其中时间窗口的预定长度不小于预定阈值,比如一般设定时间窗口的预定长度为2s,时间窗口内的数据以堆栈形式进行更新移动,即将新数据点写入时间窗口的各列末尾,并移除时间窗口的各列首项的数据。
当检测到第二个逻辑分层中存在节点的实时运行参数第一次超出对应的自适应阈值范围时,确定该超出对应的自适应阈值范围的节点出现故障,并确定节点的故障状态为1或-1,还记录第一次出现故障的故障特征时刻。
继续更新时间窗口并检测第二个逻辑分层中的其他各个节点的实时运行参数是否超出对应的自适应阈值范围,直至时间窗口的更新时刻与故障特征时刻之间的时差达到时差阈值时,得到第二个逻辑分层中所有节点的故障状态,并在最新的时间窗口内,检测第三个逻辑分层至第K个逻辑分层中的各个节点的实时运行参数是否超出对应的自适应阈值范围。
从而可以得到第二个逻辑分层至第K个逻辑分层中各个节点的故障状态。实际情况下,当节点出现故障时,该节点的故障状态按上述定义取为1或-1,当节点未出现故障时,可以取节点的故障状态为0。则在一个实例中,基于图3的分层符号有向图,在飞行器飞行过程中确定的第二个逻辑分层至第K个逻辑分层中各个节点的故障状态如下表所示:
步骤4,根据分层符号有向图,基于相容通路原理结合第二个逻辑分层至第K个逻辑分层包含的所有节点的故障状态,确定第一个逻辑分层中满足相容通路故障传播逻辑的节点得到故障源节点,并确定故障源节点对应的飞行器部件存在故障。请参考图5的流程图:
(1)根据第二个逻辑分层至第K个逻辑分层包含的所有节点的故障状态检测是否满足故障传播有效条件。包括:
对于第三个逻辑分层至第K个逻辑分层中的任意节点s,当节点s及其父节点t满足时,确定节点s存在有效传播父节点。
其中,是确定得到的节点s的故障状态。/>是确定得到的节点s的父节点t的故障状态。节点s的父节点t位于节点s的更靠近第一个逻辑分层的上一个逻辑分层。节点t指向子节点s的有向边/>且有向边/>的连接线状态为/>,当父节点t的运行参数增大且节点s的运行参数也增大时,也即父节点t指向节点s的有向边的类型为增作用有向边时,父节点t指向节点s的有向边的连接线状态/>。当父节点t的运行参数增大且节点s的运行参数减小时,也即父节点t指向节点s的有向边的类型为减作用有向边时,父节点t指向节点s的有向边的连接线状态/>。
比如基于图3的实例,节点Psi的故障状态为-1,节点Psi的父节点r的故障状态为-1,父节点r指向节点Psi的有向边的类型为增作用有向边(如图中为实线),因此父节点r指向节点Psi的有向边的连接线状态为1,则节点Psi及其父节点r满足,确定节点Psi存在有效传播父节点。对于第三个逻辑分层至第K个逻辑分层中的其他节点同样同理判断。
当确定第二个逻辑分层中的所有节点都出现故障,且第三个逻辑分层至第K个逻辑分层中所有出现故障的节点都存在有效传播父节点时,确定满足故障传播有效条件,否则确定不满足故障传播有效条件,并继续监测各个节点的实时运行参数。考虑不同飞行器部件的耦合关联关系,经过大量的仿真模拟试验验证,当第二个逻辑分层中存在一个节点出现故障时,第二个逻辑分层中所有节点一般都会出现故障,基本不会出现第二个逻辑分层中仅有部分节点出现故障的情况,因此该步骤除了判断各个节点是否存在有效传播父节点之外,还判断第二个逻辑分层中是否所有节点都出现故障,以确定是否满足故障传播有效条件。
(2)当根据第二个逻辑分层至第K个逻辑分层包含的所有节点的故障状态确定满足故障传播有效条件时,遍历第一个逻辑分层中的各个节点,对于第一个逻辑分层中的任意节点,当在取节点/>的故障状态/>或/>的条件下,能够使得节点/>及其任意子节点/>均满足/>时,确定该节点/>满足相容通路故障传播逻辑。
与上述检测第三个逻辑分层至第K个逻辑分层中的任意节点s是否存在有效传播父节点的方法类似。其中,节点的子节点/>位于第二个逻辑分层,根据子节点/>的实时运行参数超出自适应阈值范围的情况不同,子节点/>的故障状态/>或/>,由上述步骤3确定。分层符号有向图中包括节点/>指向子节点/>的有向边/>且有向边/>的连接线状态为/>,当节点/>的运行参数增大且子节点/>的运行参数也增大时,有向边/>的连接线状态/>。当节点/>的运行参数增大且子节点/>的运行参数减小时,有向边/>的连接线状态/>。
比如在图3的实例中,当确定满足故障传播有效条件时,在节点p、节点q和节点r的故障状态均为-1的情况下,且基于图3所示的分层符号有向图中第一个逻辑分层中各个节点分别指向节点p、节点q和节点r的有向边的连接线状态的情况下。可以确定当节点D1的故障状态取-1时,可以使得节点D1与节点p满足,且节点D1与节点q满足,且节点D1与节点r满足/>,则确定节点D1满足相容通路故障传播逻辑。
在一种情况中,当第一个逻辑分层中仅有一个节点满足相容通路故障传播逻辑时,将满足相容通路故障传播逻辑的该节点直接作为故障源节点。比如在图3的实例中,第一个逻辑分层中,除了节点D1之外,其他各个节点不管是取故障状态为1还是-1,都不能满足判定条件,所以确定其各个节点都不满足相容通路故障传播逻辑,第一个逻辑分层中只有节点D1能够满足相容通路故障传播逻辑,由此直接确定节点D1为故障源节点,节点D1对应的飞行器部件存在故障。
在另一种情况中,第一个逻辑分层中可能有不止一个节点满足相容通路故障传播逻辑,经过大量的仿真验证,在这种情况中,第一个逻辑分层中有且仅会有两个节点满足相容通路故障传播逻辑,而且由于舵面的重要性,这两个满足相容通路故障传播逻辑的节点中,一定有一个节点对应于飞行器的舵面。而考虑到在飞行器实际飞行过程中,经过大量的仿真验证,基本只会出现一个飞行器部件存在故障,也即只有一个故障源节点,因此在这种情况中,还需要根据舵面的实时偏转方向来辅助筛选,从而从两个满足相容通路故障传播逻辑的节点中确定出唯一的一个节点作为故障源节点。
根据舵面的实时偏转方向来辅助筛选的方法包括:
当舵面的实时偏转方向为正偏转时,取舵面对应的节点的故障状态为1,当舵面的实时偏转方向为负偏转时,取舵面对应的节点的故障状态为-1,当舵面对应的节点在此基础上仍然满足相容通路故障传播逻辑时,直接确定舵面对应的节点为故障源节点。否则确定两个满足相容通路故障传播逻辑的节点中,除舵面对应的节点之外的另一个节点为故障源节点。
比如在一个实例中,假设基于图3的分层符号有向图确定节点D3和节点SL都满足相容通路故障传播逻辑,则进一步确定节点D3对应的三号舵面的实时偏转方向,假设实时偏转方向为负偏转,则在取节点D3的故障状态为-1的情况下再次检测节点D3是否满足相容通路故障传播逻辑。若节点D3在取故障状态为-1的情况下满足相容通路故障传播逻辑,则直接确定节点D3作为故障源节点,确定飞行器的三号舵面故障。若节点D3在取故障状态为-1的情况下不满足相容通路故障传播逻辑,则确定节点SL为故障源节点,确定飞行器的左升力面故障。
在一个仿真实验中,基于半物理仿真机平台,基于python软件编写数据接收程序与实时故障定位方法。在基于matlab的仿真模型中,设置飞行器初始速度为240m/s,初始姿态角置为0,起飞高度500m,设置飞行状态为直线平飞。在t=50s时对飞行器的一号舵面注入松浮故障,最终经过定位算法的判定得到的各个节点的故障状态如上表所示,故障传播至第四个逻辑分层,故障定位的耗时为0.515s,利用本申请的方法可以快速准确定位到故障源节点。
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 (4)
1.一种基于分层有向图的飞行器故障实时定位方法,其特征在于,所述飞行器故障实时定位方法包括:
将飞行器中的飞行器部件抽象为节点,将不同飞行器部件之间的参数关联关系抽象为节点之间的有向边,建立得到飞行器的符号有向图,飞行器部件包括所述飞行器内的可测传感器与执行器;
确定所述符号有向图中各个节点所属的逻辑分层,转换得到分层符号有向图,所述分层符号有向图中共包括K个逻辑分层,每个逻辑分层包括一个或多个节点,所述分层符号有向图的拓扑结构与所述符号有向图的拓扑结构相同,从第一个逻辑分层至第K个逻辑分层包含的节点向其他节点的传播逻辑依次减弱,整数参数K≥2;
在飞行器飞行过程中,对第二个逻辑分层至第K个逻辑分层包含的所有节点对应的实时运行参数进行自适应故障检测并得到对应的故障状态,当第二个逻辑分层至第K个逻辑分层中任意一个节点的实时运行参数大于对应的自适应阈值范围的最大值时得到对应的故障状态为1,当节点的实时运行参数小于对应的自适应阈值范围的最小值时得到对应的故障状态为-1;
根据所述分层符号有向图,基于相容通路原理结合第二个逻辑分层至第K个逻辑分层包含的所有节点的故障状态,确定第一个逻辑分层中满足相容通路故障传播逻辑的节点得到故障源节点,并确定故障源节点对应的飞行器部件存在故障;
所述确定第一个逻辑分层中满足相容通路故障传播逻辑的节点,包括:当根据第二个逻辑分层至第K个逻辑分层包含的所有节点的故障状态确定满足故障传播有效条件时,遍历第一个逻辑分层中的各个节点,对于第一个逻辑分层中的任意节点,当在取节点/>的故障状态/>或/>的条件下,能够使得节点/>及其任意子节点/>均满足时,确定节点/>满足相容通路故障传播逻辑;其中,节点/>的子节点/>位于第二个逻辑分层,当子节点/>的实时运行参数大于对应的自适应阈值范围的最大值时确定子节点/>的故障状态/>,当子节点/>的实时运行参数小于对应的自适应阈值范围的最小值时确定子节点/>的故障状态/>;所述分层符号有向图中包括节点/>指向子节点/>的有向边/>且有向边/>的连接线状态为/>,当节点/>的运行参数增大且子节点/>的运行参数也增大时,有向边/>的连接线状态/>;当节点/>的运行参数增大且子节点/>的运行参数减小时,有向边/>的连接线状态/>;
所述飞行器故障实时定位方法还包括:对于第三个逻辑分层至第K个逻辑分层中的任意节点s,当节点s及其父节点t满足时,确定节点s存在有效传播父节点;其中,是节点s的故障状态,/>是节点s的父节点t的故障状态,节点s的父节点t位于节点s的更靠近第一个逻辑分层的上一个逻辑分层;节点t指向子节点s的有向边/>且有向边/>的连接线状态为/>,当父节点t的运行参数增大且节点s的运行参数也增大时,父节点t指向节点s的有向边的连接线状态/>;当父节点t的运行参数增大且节点s的运行参数减小时,父节点t指向节点s的有向边的连接线状态/>;当确定第二个逻辑分层中的所有节点都出现故障,且第三个逻辑分层至第K个逻辑分层中所有出现故障的节点都存在有效传播父节点时,确定满足故障传播有效条件,否则确定不满足故障传播有效条件并结束所述飞行器故障实时定位方法;
所述对第二个逻辑分层至第K个逻辑分层包含的所有节点对应的实时运行参数进行自适应故障检测并得到对应的故障状态,包括:采用双边极值理论的自适应阈值法,基于飞行器在正常飞行状态下的飞行先验数据结合风险系数确定各个节点对应的自适应阈值范围;在预定长度的时间窗口内,检测第二个逻辑分层中的各个节点的实时运行参数是否超出对应的自适应阈值范围,时间窗口内的数据以堆栈形式进行更新移动;当检测到第二个逻辑分层中存在节点的实时运行参数第一次超出对应的自适应阈值范围时,确定所述节点出现故障,并确定所述节点的故障状态以及第一次出现故障的故障特征时刻;继续更新时间窗口并检测第二个逻辑分层中的其他各个节点的实时运行参数是否超出对应的自适应阈值范围,直至时间窗口的更新时刻与故障特征时刻之间的时差达到时差阈值时,得到第二个逻辑分层中所有节点的故障状态,并在最新的时间窗口内,检测第三个逻辑分层至第K个逻辑分层中的各个节点的实时运行参数是否超出对应的自适应阈值范围。
2.根据权利要求1所述的飞行器故障实时定位方法,其特征在于,所述得到故障源节点包括:
当第一个逻辑分层中仅有一个节点满足相容通路故障传播逻辑时,将满足相容通路故障传播逻辑的该节点直接作为故障源节点;
当第一个逻辑分层中有两个节点满足相容通路故障传播逻辑时,确定其中一个节点对应于飞行器中的执行器为舵面,根据舵面的实时偏转方向从两个满足相容通路故障传播逻辑的节点中确定出唯一的一个节点作为故障源节点。
3.根据权利要求2所述的飞行器故障实时定位方法,其特征在于,所述根据舵面的实时偏转方向从两个满足相容通路故障传播逻辑的节点中确定出唯一的一个节点作为故障源节点包括:
当舵面的实时偏转方向为正偏转时,取舵面对应的节点的故障状态为1,当舵面的实时偏转方向为负偏转时,取舵面对应的节点的故障状态为-1,当舵面对应的节点在此基础上满足相容通路故障传播逻辑时,直接确定舵面对应的节点为故障源节点;否则确定两个满足相容通路故障传播逻辑的节点中,除舵面对应的节点之外的另一个节点为故障源节点。
4.根据权利要求1所述的飞行器故障实时定位方法,其特征在于,所述确定所述符号有向图中各个节点所属的逻辑分层,包括:
构建所述符号有向图的邻接矩阵,当所述符号有向图中存在节点m指向节点n的有向边时,所述邻接矩阵中的第m行第n列的元素为1,否则所述邻接矩阵中的第m行第n列的元素为0;
采用Warshall算法根据所述邻接矩阵计算所述符号有向图的第一迭代可达矩阵,当所述符号有向图中存在由第m个节点到达第n个节点的路径时,所述第一迭代可达矩阵中任意第m行第n列的元素为1,否则所述第一迭代可达矩阵中第m行第n列的元素为0,一条路径包括一条或多条有向边;整数参数1≤m≤N,整数参数1≤n≤N,N是所述符号有向图中包含的节点的总数量;
确定第k迭代可达矩阵中任意节点h的可达集和先行集,节点h的可达集包括所述第k迭代可达矩阵的第h行中取值为1的元素对应的节点,节点h的先行集包括所述第k迭代可达矩阵的第h列中取值为1的元素对应的节点;整数参数k的起始值为1;
当节点h的可达集和先行集的交集为先行集时,确定节点h属于第k个逻辑分层;
当遍历完第k迭代可达矩阵中的所有节点后,将所有属于第k个逻辑分层的节点从第k迭代可达矩阵中的移除,更新得到第k+1迭代可达矩阵,令k=k+1并再次执行所述确定第k迭代可达矩阵中任意节点h的可达集和先行集的步骤,直至确定得到所述符号有向图中所有节点所属的逻辑分层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311221570.9A CN117272638B (zh) | 2023-09-20 | 2023-09-20 | 一种基于分层有向图的飞行器故障实时定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311221570.9A CN117272638B (zh) | 2023-09-20 | 2023-09-20 | 一种基于分层有向图的飞行器故障实时定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117272638A CN117272638A (zh) | 2023-12-22 |
CN117272638B true CN117272638B (zh) | 2024-04-02 |
Family
ID=89200247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311221570.9A Active CN117272638B (zh) | 2023-09-20 | 2023-09-20 | 一种基于分层有向图的飞行器故障实时定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117272638B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945311A (zh) * | 2012-10-08 | 2013-02-27 | 南京航空航天大学 | 一种功能故障有向图进行故障诊断的方法 |
CN109815507A (zh) * | 2017-11-21 | 2019-05-28 | 中国商用飞机有限责任公司 | 基于符号有向图的飞控系统的故障样本选取方法 |
CN112437502A (zh) * | 2020-11-11 | 2021-03-02 | 北京航空航天大学 | 基于多任务无人机集群信息交互的分层分簇网络拓扑结构生成方法 |
CN115081120A (zh) * | 2022-07-22 | 2022-09-20 | 中国民航大学 | 一种基于fppn的飞行控制系统故障传播路径分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10878681B2 (en) * | 2018-09-22 | 2020-12-29 | Fedex Corporate Services, Inc. | Systems, apparatus, and methods for detecting an environmental anomaly and initiating an enhanced automatic response using elements of a wireless node network including a command node environmental sensor |
-
2023
- 2023-09-20 CN CN202311221570.9A patent/CN117272638B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945311A (zh) * | 2012-10-08 | 2013-02-27 | 南京航空航天大学 | 一种功能故障有向图进行故障诊断的方法 |
CN109815507A (zh) * | 2017-11-21 | 2019-05-28 | 中国商用飞机有限责任公司 | 基于符号有向图的飞控系统的故障样本选取方法 |
CN112437502A (zh) * | 2020-11-11 | 2021-03-02 | 北京航空航天大学 | 基于多任务无人机集群信息交互的分层分簇网络拓扑结构生成方法 |
CN115081120A (zh) * | 2022-07-22 | 2022-09-20 | 中国民航大学 | 一种基于fppn的飞行控制系统故障传播路径分析方法 |
Non-Patent Citations (2)
Title |
---|
基于分层有向图的航天器故障诊断;宋其江;徐敏强;王日新;;航空学报;20090625(第06期);全文 * |
基于滑模观测器的无人机编队故障诊断;施俊鹏;刘剑慰;杨蒲;姜斌;;物联网学报;20170930(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117272638A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108594788B (zh) | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 | |
CN102722722B (zh) | 基于逻辑推理和故障辨识的混合故障检测诊断方法 | |
EP3413272A1 (en) | Platform health monitoring apparatus and method | |
CN106649727A (zh) | 一种用于无人机飞行控制系统故障检测的数据库构建方法 | |
CN114564000B (zh) | 基于智能飞行器执行器故障诊断的主动容错方法及系统 | |
Zhang et al. | Aircraft damage identification and classification for database-driven online flight-envelope prediction | |
US20100256962A1 (en) | Aerodynamic model identification process for aircraft simulation process | |
CN108427400A (zh) | 一种基于神经网络解析冗余的飞机空速管故障诊断方法 | |
CN111353256A (zh) | 航空电子设备中的机器学习 | |
CN112800682A (zh) | 一种反馈寻优的风机叶片故障监测方法 | |
CN107730014A (zh) | 一种基于cbm的机队维修决策方法 | |
CN109815507B (zh) | 基于符号有向图的飞控系统的故障样本选取方法 | |
CN112947385A (zh) | 一种基于改进Transformer模型的飞行器故障诊断方法和系统 | |
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 | |
CN115576184A (zh) | 一种水下机器人推进器故障在线诊断与容错控制方法 | |
CN117272638B (zh) | 一种基于分层有向图的飞行器故障实时定位方法 | |
Gao et al. | UAV sensor fault diagnosis technology: A survey | |
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 | |
CN112329337A (zh) | 基于深度强化学习的航空发动机剩余使用寿命估计方法 | |
Pan et al. | A model of fuel consumption estimation and abnormality detection based on airplane flight data analysis | |
Verstraete et al. | A deep adversarial approach based on multi-sensor fusion for remaining useful life prognostics | |
CN113283516B (zh) | 一种基于强化学习和d-s证据理论的多传感器数据融合方法 | |
CN112733880B (zh) | 一种航空发动机故障诊断方法、系统及电子设备 | |
CN112182743B (zh) | 一种基于故障传递特征匹配的飞机系统故障诊断方法 | |
CN110348005B (zh) | 配网设备状态数据处理方法、装置、计算机设备及介质 |
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 |