[发明专利]多旋翼飞行器在大气紊流扰动下的健康性能评估方法

说明书

本发明公开了一种多旋翼飞行器在大气紊流扰动下的健康性能评估方法，属于无人飞行器飞行可靠性和安全性分析技术领域。本发明首先建立大气紊流扰动下多旋翼飞行器随机混杂系统模型。该模型包含多旋翼飞行器的飞行运动学和动力学特性、风扰动模型、大气紊流风场模拟模型；设置不同模态表征不同类型传感器异常行为，利用模态跳转建模飞行器健康性能变化。然后，利用交互多模型‑粒子滤波算法估计多旋翼飞行器混杂状态的概率密度函数。最后，提出模糊健康度作为健康指标对多旋翼飞行器的健康性能进行定量评估。本发明可解决多旋翼飞行器在飞行过程中飞行健康性能难以定量评价的问题，是保障多旋翼飞行器飞行可靠性和安全性的有效解决方案。

技术领域

本发明属于无人飞行器飞行可靠性和安全性分析领域，具体是一种多旋翼飞行器在大气紊流扰动下的健康性能评估方法。

背景技术

多旋翼飞行器(以下简称多旋翼)作为一种可以垂直起降的无人飞行器，已在航空工程领域获得了极大的关注，广泛应用于多种军民用场景。从飞行可靠性和安全性角度分析，多旋翼自身的任何异常和故障都会导致巨大的灾难。

目前，通过故障预测和健康管理的技术框架，利用健康评估分析多旋翼的观测数据，并结合模型评估多旋翼当前工作状态和整体性能是否正常，为保障多旋翼的可靠和安全飞行提供了一个有效思路。

已有的健康评估研究主要分为两类：基于模型(物理失效模型、动态数学模型)的方法和数据驱动的方法。基于物理失效模型的健康评估方法是利用元件或产品的物理失效模型、故障机理知识来描述其退化并实现健康评估；基于数学模型的健康评估方法根据系统已有的数学模型或者利用系统辨识方法获取系统模型，进一步采用滤波器或观测器等工具估计系统状态或生成残差，并基于此判定系统健康水平。数据驱动的健康评估方法通过对历史数据进行建模和分析，提取正常工作状态和异常工作状态下的系统表现模式，并与当前时刻的系统观测数据进行比对，实现健康评估。

常见的数据驱动模型包括人工神经网络(含深度神经网络)、支持向量机、隐马尔科夫模型和贝叶斯网络等。考虑到基于模型的方法和数据驱动的方法均具有各自的优势和不足，许多研究也尝试将两种方法融合起来，既利用已知系统机理，也充分挖掘观测数据信息，提高健康评估精度。

针对多旋翼飞行可靠性和安全性问题研究，已有文献大多基于模型、数据驱动或知识推理实现多旋翼机载部件的故障诊断，而利用“健康”来定量度量多旋翼飞行过程整体健康性能表现的研究相对较少。

发明内容

本发明为了弥补现有的多旋翼飞行可靠性问题中存在的不足，以“健康”为导向，提出一种多旋翼飞行器在大气紊流扰动下的健康性能评估方法，为解决多旋翼飞行可靠性问题提供一种新思路和有效解决方案。

所述的健康性能评估方法，具体步骤如下：

步骤一：针对某多旋翼飞行器，建立大气紊流扰动下的多旋翼飞行器的随机混杂系统模型；

具体过程为：

首先，定义为多旋翼飞行器状态变量，将大气紊流作为多旋翼飞行器受到的外部风力^bf_w，并利用Dryden大气紊流模型模拟风场，建立多旋翼飞行器的动态模型方程；

动态模型方程如下：

式中，表示多旋翼飞行器在地面坐标系下的三维位置；表示多旋翼飞行器的速度在地面坐标系下的投影；表示多旋翼飞行器的姿态角，φ对应滚转角，θ对应俯仰角和对应偏航角；表示多旋翼飞行器绕机体轴的旋转角速率；F(·)表示多旋翼飞行器的飞行过程方程；k为采样时刻；为多旋翼飞行器受到的外部风力在机体坐标系下的投影；y表示多旋翼飞行器的观测量；C表示观测矩阵；w表示多旋翼飞行器的过程噪声，v表示多旋翼飞行器的观测噪声；Γ_w表示过程噪声的驱动阵，Γ_v表示观测噪声的驱动阵。