[发明专利]一种用于无人机飞控系统故障检测的数据聚类降维方法

说明书

本发明公开了一种用于无人机飞控系统故障检测的数据聚类降维方法，属于无人机故障检测的技术领域，通过挖掘不同飞行动态特征下不同飞控数据的相关性建立飞控数据与飞行动态特征的相关性模型，由相关性模型检验各类飞控数据在不同飞行动态特征下的实时动态相关性，在满足飞控系统故障检测动态性和实时性要求的前提下实现了飞控数据的聚类降维处理，具有速度快、计算量小、实用性强的特点。

技术领域

本发明公开了一种用于无人机飞控系统故障检测的数据聚类降维方法，属于无人机故障检测的技术领域。

背景技术

近年，无人机综合管理系统中纳入了“故障预测与健康管理技术（PHM）”的概念，因此急需提高无人机安全管理的信息化水平及智能化水平。无人机安全管理的核心部分——安全监控和异常预警，能够对无人机的健康状态进行全面监控，对提高无人机安全性能、保障维修效率、降低寿命周期具有重要意义。无人机的飞行控制系统作为无人机的核心部件，由多种传感器、网络链路、执行装置等子系统组成。飞控传感器测量飞机的实时飞行状态参数并把数据反馈至飞行控制计算机，飞行控制计算机解算飞行控制律从而完成无人机自动驾驶的飞行任务，但是飞控系统因其工作环境较为复杂极易发生故障。

目前国内外有关高校及科研院所的研究人员对无人机飞控系统传感器输出数据状态异常、硬件故障检测做了广泛的研究。西北工业大学的刘慧霞团队针对飞行控制系统(FCS)的精确数学模型获取困难的问题提出了UAV-PCA算法，该算法将基于特征方向的故障诊断法和方差敏感自适应阈值的故障检测法与传统的主元分析法（PCA）相结合，提高了传感器故障检测的速度和准确性并且降低了暂态过程的虚警率；南京航空航天大学高云红教授团队针对小型无人机机动性较强、故障较多且不易实时检测等特点，将最小二乘支持向量机（LS_SVM）与主元分析法（PCA）相结合以实现故障的检测与隔离；北京航空航天大学钟麦英教授团队提出了一种基于小波变换与等价空间相结合的无人机作动器故障诊断方法；此外，国防科学技术大学等科研单位也对无人机故障检测等多个方面进行了研究。这一系列的研究为无人机飞控系统的故障检测奠定了理论基础与技术基础。

国外对无人机飞控系统故障检测的研究主要有：Abbaspour等提出了一种新的在线检测策略来检测无人机系统中传感器和执行器的故障；Freddi等建立了一种直升机的缩小模型，然后线性化该模型以设计未知输入观测器，由未知输入观测器诊断故障，基于该模型的无人驾驶飞行器故障诊断系统为无人机故障诊断提供了有效解决方案；Hansen等基于单一且简单的飞机空气动力学模型提出了一种主动检测和隔离故障的系统（SMAC-FDI），该系统能够有效地检测和隔离诸如小型（无人机）飞行器飞控系统中的故障；GuillermoHeredia等提出了一种提高无人机（UAV）传感器故障检测与识别（FDI）可靠性的方法；之后Guillermo Heredia又和Horst Ecker等提出了一种基于冗余分析的小型自主直升机传感器的故障检测和诊断系统。

根据目前的研究内容及其理论方法，我们可以得出故障检测的核心算法主要包括模型法(model based)、知识经验法（knowledge based）和数据驱动法(data driven)这三大类。相比于模型法和知识经验法，数据驱动的故障诊断法以其快速灵活的特性在无人机故障检测中更具应用潜力。然而，针对无人机飞控系统传感器众多、数据维度较高、在实际处理过程中比较复杂的特点，数据驱动的故障诊断法存在局限性，因此，设法降低大规模数据的维度并且使得这些数据反映出一定的规律性或特殊的分类性同时不会丢失有用信息是数据驱动的故障诊断法需要解决的难题。