[发明专利]数据驱动的轻量级无人机多部件在线复杂故障诊断方法

说明书

本发明公开了一种数据驱动的轻量级无人机多部件在线复杂故障诊断方法，包括：根据目标参数获取待监测多部件的相关飞行参数，利用飞行参数重要性模糊评价融合策略处理该参数得到关重飞行参数；基于回归方法对训练集中的关重飞行参数进行预测性多模型训练，得到多部件回归模型；将测试集的关重飞行参数输入至多部件回归模型中，以计算估计值，并计算估计值与实际值的残差；判断残差是否小于统计阈值，若大于，则定位故障部件并发出故障警告；计算故障部件的滑窗均值表征差分值，以识别故障模式，并计算故障部件的故障隔离率进行故障隔离。该方法实现了无人机多个子系统的同时在线故障诊断，还兼具高计算性能、低模型计算复杂度和高故障诊断精度。

技术领域

本发明涉及无人机智能故障诊断技术领域，特别涉及一种数据驱动的轻量级无人机多部件在线复杂故障诊断方法，应用于无人机关键部件在线复杂故障检测、估计与隔离。

背景技术

无人机(Unmanned Aerial Vehicle,UAV)由复杂的机械与电子系统构成，是一种由飞行器控制(飞控)系统和地面控制系统综合控制运行的复杂系统。其中飞控为无人机的主要系统，其包含执行机构、传感系统以及飞控计算机等，主要用来控制无人机的飞行姿态。近10年来，无人机部署和应用的规模日益扩大，尤其是执行情报、监控、侦察、定点打击、以及各类枯燥、肮脏或者危险任务。相比有人机，无人机的可靠性和安全性存在较大差距。作为复杂系统任务执行可靠性保证、后勤保障、维护和自主健康管理的重要支撑技术和基础，故障预测和健康管理(prognostics and health management，PHM)技术已经在无人机领域获得关注。PHM强调通过对象系统的状态监测，从历史数据中认识或学习对象系统的健康/非健康行为，通过建立数据模型，或利用已知的系统物理模型，对未来对象系统行为进行预测。其中，对无人机飞控系统进行高效、实时地在线故障诊断，以达到故障检测、估计与隔离的功能，对无人机的飞行安全，以及无人机维修的决策都有重要意义。近年来，故障诊断主要采用基于模型或数据驱动的方法，基于模型的方法构建精确的无人机系统的物理模型并结合滤波器进行故障诊断，但无人机的系统复杂，构建模型较困难且成本高，而数据驱动的方法主要通过历史的飞行数据来判断现在的状态是否为故障，解决了基于模型方法中的在无人机系统中成本高且模型复杂的问题，并且不需要构建精确的物理模型，应用前景更为广泛。无人机系统的复杂性、非线性以及高实时性要求，使得同时对系统的关键部件，如各个舵面、姿态传感器等，进行准确的故障诊断面临很大挑战，提升故障诊断模型的精度往往会导致模型复杂度较高而影响实时性性能，当前并未有成熟的解决方案能够良好地兼顾上述指标。因此，亟待需要研究一种兼具高计算性能和多部件故障诊断精度的复杂故障诊断方法。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的目的在于提出一种数据驱动的轻量级无人机多部件在线复杂故障诊断方法，该方法能够同时具备高故障定位准确率、低模型在线运行复杂度和高模型精度。

为达到上述目的，本发明实施例提出了数据驱动的轻量级无人机多部件在线复杂故障诊断方法，包括以下步骤：步骤S1，根据预设目标参数获取待监测多部件的相关飞行参数，利用飞行参数重要性模糊评价融合策略处理所述相关飞行参数，得到关重飞行参数，将所述预设目标参数和所述关重飞行参数构建成数据集，并将所述数据集分成训练集和测试集；步骤S2，基于数据驱动回归方法对所述训练集中的关重飞行参数进行预测性多模型训练，得到多部件回归模型，并利用所述训练集的估计值与所述训练集中的预设目标参数得到各部件故障检测的统计阈值；步骤S3，将所述测试集中第t时刻的关重飞行参数输入至所述多部件回归模型中，得到所述测试集的估计值，计算所述测试集的估计值与所述测试集的预设目标参数的残差；步骤S4，判断所述残差是否小于所述统计阈值，若小于，则无故障，反之，则定位故障部件并发出故障警告；步骤S5，计算所述故障部件的滑窗均值表征差分值，根据所述滑窗均值表征差分值判断故障模式，其中，所述故障模式包括卡死故障、恒偏差故障和漂移故障。