CN103984233B - 一种基于混合模型的四旋翼飞行器双重粒度故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于混合模型的四旋翼飞行器双重粒度故障诊断方法，它包括分析影响四旋翼飞行的各类物理效应，以确定先验模型和非参数模型的建模范畴；针对非参数模型，度量非线性程度；根据非线性程度选择合适的参数辨识方法，建立四旋翼飞行器混合模型；根据混合模型划分过程变量的粒度级别；根据粗粒度级别判断故障发生的通道以及由细粒度级别确定故障发生的元器件，由此实现双重粒度故障诊断。本发明充分利用了混合模型的结构特点，适用于四旋翼直升机结构故障的过程检测和诊断的可行性验证。

Description

一种基于混合模型的四旋翼飞行器双重粒度故障诊断方法

技术领域

本发明涉及航空飞行器故障诊断技术领域，特别是涉及一种基于混合模型的四旋翼飞行器双重粒度故障诊断方法。

背景技术

四旋翼飞行器是一种典型的现代复杂系统，相比于固定翼飞机，它具有更复杂的气动特性和更特殊的飞行状态,需要更高精度的数学模型和更稳健的控制律来保证飞行品质和飞行安全。

四旋翼飞行器的传统建模方法大致分为机理建模和数据驱动建模。机理建模参数可解释性强，模型外延性好，但对于多变量、非线性以及强耦合等现代复杂系统，则建模难度较大；数据驱动建模不需要过程对象的先验知识，但模型精度和泛化能力高度依赖于建模数据。因此，仅仅依靠单一建模手段难以获得高质量的目标模型。

四旋翼飞行器通过四个执行器输出三个姿态角信号，属于过驱动系统，能够有效的提高结构负载能力和响应速度，它在运行过程中会不可避免的收到外界扰动或发生故障等；该故障是指驱动系统至少有一个特性或参数出现较大的偏差，超出了可接受的范围。此时系统的性能明显低于其正常水平；该故障的分类可从不同的方面进行，从故障发生的部位来看，可分为执行器故障，传感器故障和结构故障。

针对四旋翼飞行器的故障诊断方法主要存在以下问题：

(1)在诊断方法方面，主要以基于模型的故障诊断方法为主，诊断过程忽略了大量过程变量的数据特性和部分故障信息；

(2)在故障类型方面，大多数文献考虑执行器故障下四旋翼飞行器的故障诊断，少量文献考虑了传感器的故障诊断，而结构故障由于复杂的故障模型和多种多样的故障类型而极少被研究。

综上所述，如何克服现有技术的不足已成为当今航空飞行器故障诊断技术领域中亟待解决的重点难题之一。

发明内容

本发明的目的是为克服现有技术所存在的不足而提供一种基于混合模型的四旋翼飞行器双重粒度故障诊断方法，本发明对在发生结构故障时，利用基于物理效应分析和非线性度量所建立的混合模型，通过细化数据的粒度级别，可提高故障诊断的准确性，适用于四旋翼直升机结构故障的过程检测和诊断的可行性验证。

根据本发明提出的一种基于混合模型的四旋翼飞行器双重粒度故障诊断方法，其特征在于它包括如下具体步骤：

步骤A：应用各类物理效应对四旋翼飞行器的影响程度进行分析，根据影响程度将其划分为主要影响因素和次要影响因素，确定四旋翼飞行器混合模型中的先验模型和非参数模型的建模范畴，并根据主要影响因素建立先验模型；

步骤B：针对次要影响因素分析非参数模型中的各类非线性项和耦合项，度量四旋翼飞行器的非线性程度；

步骤C：根据物理效应的影响程度和各项非线性程度，运用模糊推理机选择合适的参数辨识、线性化方法，建立四旋翼飞行器的混合模型；

步骤D：根据数据的来源和自身物理意义，对四旋翼飞行器的粒度级别进行划分；

步骤E：采用基于主元分析的过程监测方法，先针对粗粒度级别的数据，确定故障发生的通道，再针对细粒度级别的数据，定位出故障发生的元部件，由此实现双重粒度故障诊断。

本发明与现有技术相比其显著优点在于：一是本发明建立的混合模型充分考虑了各类物理效应对四旋翼飞行器的影响程度，同时避免了由于非线性项和耦合项引起的模型分析、处理上的困难；二是双重粒度故障诊断方法充分利用各粒度级别的数据信息，提高了诊断的准确性和可靠性；三是利用粗粒度级别的数据，精确到通道级别的故障诊断，为不同通道容错控制律的修改提供了方便；四是利用细粒度级别的数据，精确到部件的故障诊断方法，有效地避免了传统故障诊断方法中结构故障建模复杂、存在多元难题，较好的拓展了故障诊断的范围。

附图说明

图1是本发明提出的一种基于混合模型的四旋翼飞行器双重粒度故障诊断方法的步骤方框示意图。

图2是Z＝X×Y型三维图像示意图。

图3是型三维图像示意图。

图4是混合建模的一般过程示意图。

图5是针对粗粒度级别的故障检测(姿态角)示意图。

图6是针对粗粒度级别的故障检测(气动力矩)示意图。

图7是姿态角对故障的贡献率示意图。

图8是姿态角对故障的总贡献率示意图。

图9是气动力矩对故障的贡献率示意图。

图10是气动力矩对故障的总贡献率示意图。

图11是机身陀螺力矩对故障的贡献率示意图。

图12是机身陀螺力矩对故障的总贡献率示意图。

图13是针对细粒度级别的故障检测(电压)示意图。

图14是针对细粒度级别的故障检测(旋翼陀螺力矩)示意图。

图15是旋翼陀螺力矩对故障的贡献率示意图。

图16是旋翼陀螺力矩对故障的总贡献率示意图。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步地详细说明。

结合图1，本发明提出的一种基于混合模型的四旋翼飞行器双重粒度故障诊断方法，它包括分析影响四旋翼飞行的各类物理效应，以确定先验模型和非参数模型的建模范畴；针对非参数模型，度量非线性程度；根据非线性程度选择合适的参数辨识方法，建立四旋翼飞行器混合模型；根据混合模型划分过程变量的粒度级别；根据粗粒度级别判断故障发生的通道，根据细粒度级别确定故障发生的元器件；具体实施步骤如下：

步骤A：应用各类物理效应对四旋翼飞行器的影响程度进行分析，根据影响程度将其划分为主要影响因素和次要影响因素，确定四旋翼飞行器混合模型中的先验模型和非参数模型的建模范畴，并根据主要影响因素建立先验模型；其中：所述的各类物理效应，主要表现为气动力矩的形式，该气动力矩是由四旋翼飞行器旋翼旋转产生的拉力和阻力引起的，它是飞行器承受的最主要的力矩类型，包括滚转力矩、俯仰力矩和偏航力矩，属于非参数模型的建模范畴；将所述的气动力矩为主要影响因素，可建立先验模型式如下：

上式中，φ,θ,分别表示俯仰角，滚转角和偏航角；分别为x,y,z轴上的气动力矩；l是电机中心点到坐标原点的距离；K_f、K_t,c是电机电压和转矩之间的常量系数；V₁、V₃、V₂、V₄是前、后、左、右四个电机产生的电压；分别表示滚转通道、俯仰通道、偏航通道关于x,y,z轴的转动惯量；J_xx,J_yy,J_zz分别表示滚转通道，俯仰通道，偏航通道关于x,y,z轴的转动惯量。

选取状态量为控制量u＝[V₁ V₃ V₂ V₄]^T，则以状态方程形式描述的四旋翼飞行器先验模型式为：

y＝Cx

上式中：

D＝0；

除了气动力矩这一主要影响因素外，系统所受的陀螺力矩虽然影响相对微弱却也不可忽视。它的存在决定了系统的局部逼近性能，属于次要影响因素，是非参数模型的建模范畴，主要包括机身陀螺力矩和旋翼陀螺力矩，综合上述分析，可建立四旋翼飞行器更精确的机理模型式如下：

在考虑了次要影响因素后，模型式中出现了非线性项和交叉耦合项。

步骤B：针对次要影响因素分析非参数模型中的各类非线性项和耦合项，度量四旋翼飞行器的非线性程度；其中：所述的非线性程度是指：对于输入信号一个稳定的因果系统N:U_a→Y，它的非线性程度定义为如下非负方程式：

上式中：G:U_a→Y为线性算子，范数||·||_VT定义为T为周期；inf和sup分别表示下确界和上确界；选取一系列正弦信号组成输入集合U_LB：

U_LB＝<u|u(t)＝A sin(ωt),A∈A,ω∈Ω>

A＝<A∈R⁺|A_min≤A≤A_max>

Ω＝<ω∈R⁺|ω_min≤ω≤ω_max>

则稳态输出可以表示为下式：

根据非线性程度的定义，推导出非线性程度下界的计算公式为：

在四旋翼飞行器的建模过程中，陀螺效应这一类次要影响因素属于非参数模型的建模范畴；由上述分析可知，应先对其各部分的非线性程度进行度量。

现以滚转通道为例，说明非线性程度的计算过程。对于机身陀螺效应，它的原始表达式为是两个状态量的耦合项。因此，可把这一类陀螺效应抽象为x×y型；对于旋翼陀螺力矩，它的原始表达式为Ω_i为旋翼的转速，它正比于控制量电压V_i的平方，即因此，旋翼陀螺力矩本质上是状态量和控制量的耦合项，可把这一类陀螺效应抽象为型。图2和图3描述了两类抽象模型的三维图像，可直观地反映各自的非线性程度；将x和y分别用不同幅值、相角的正弦信号Asin(αt)和Bsin(βt)表示，则x×y型进一步写作A sin(αt)×B sin(βt)型，型进一步写作为两类抽象模型选取足够多有代表性的幅值和相角，可计算出各自的非线性程度。表1给出了以滚转通道为例的机身陀螺力矩和旋翼陀螺力矩的非线性程度计算结果，其中，表1第一、第二行的计算结果分别表示将非线性项用泰勒级数展开到第i一和第二项的非线性程度。

表1 陀螺效应非线性程度计算

为了确定合适的线性化方法，在得出两类陀螺效应的非线性程度后，需要综合考虑模型准确性和算法复杂性。四类有代表性的线性化方法是：最小二乘法线性拟合(linearfit，LF)、平衡点泰勒级数展开(series expansion，SE)、T-S模糊推理模型(Takagi-sugeno，TS)以及子空间系统辨识(parameter identification，PI)。

最小二乘法线性拟合算法虽然辨识效率高，但辨识误差较大，是一种粗略的数据处理方法，适用于非线性程度较弱的情形；子空间系统辨识虽然算法准确度较高，但辨识效率低，实现过程复杂，适用于非线性程度较强的情形；根据变量各自的非线性程度以及线性化方法的适用条件，可以在非线性程度和线性化方法之间建立模糊规则，如表2所示；选取非线性程度和输出量的均方差作为输入量，恰当的线性化方法作为输出量，建立mamdani型模糊推理模型。

表2 模糊规则库

对于四旋翼飞行器各通道所受的陀螺效应，通过分析变量关系，得出两类陀螺效应对状态方程的影响区域；经过模糊推理，从模糊规则观测窗中输出各自的线性化方法如表3所示。

表3 非参数模型的最优线性化方法

根据表3，对非参数模型各部分进行线性化处理，并结合先验模型，得出混合模型的状态方程。综上所述，图4给出了混合建模的一般过程。

步骤C：根据物理效应的影响程度和各项非线性程度，运用模糊推理机选择合适的参数辨识、线性化方法，建立四旋翼飞行器的混合模型；如利用模糊推理的方法，在非线性程度和参数辨识、线性化方法之间建立映射，最终获得基于物理效应分析和非线性度量的四旋翼飞行器混合模型式如下：

上式中，f_SE<·>,f_TS<·>,f_PI<·>分别表示用SE,TS,PI三种参数辨识方法处理“<>”中的各类陀螺效应表达式，具体如表6所示。

以期望姿态角为1°，基准电压为U_bias＝2V的工况为例，混合模型的状态方程矩阵式如下：

步骤D：根据数据的来源和自身物理定义，对四旋翼飞行器的粒度级别进行划分；具体实施方式包括：

混合模型与单一模型相比，除了可以获得先验模型中的输出量、状态量等常规信息外，还可以通过参数辨识、模糊推理等智能算法从非参数模型中获得某些未知参数，结合先验模型建模过程和被控对象的机理知识可以获得这些未知参数的物理意义；仅从信息量的角度考虑，混合模型输出的数据量越多，意味着获得故障信息越全面；然而，从故障诊断角度考虑，高效的故障诊断需要对数据的粒度级别进行划分。

在混合模型中，先验模型把握系统的全局特性，对混合模型的细化程度低，从中获得粗粒度级的数据信息，如系统输出量和状态量；非参数模型具有良好的局部逼近性能，对混合模型的细化程度高，从中获得细粒度级的数据信息，如先验模型中的未知参数。对于四旋翼飞行器，可选取滚转、俯仰和偏航三个通道的姿态角和气动力矩作为粗粒度级别的数据，选取机身陀螺力矩、旋翼陀螺力矩和电机电压作为细粒度级别的数据。

步骤E：采用基于主元分析的过程监测方法，先针对粗粒度级别的数据，确定故障发生的通道，再针对细粒度级别的数据，定位出故障发生的元部件，由此实现双重粒度故障诊断；具体实施方式包括：

利用基于主元分析的过程监测方法，采用基于传统贡献图的故障诊断方法，以平方预测误差统计量(SPE)为评价指标；先利用四旋翼飞行器滚转、俯仰和偏航三个姿态角的角速度等粗粒度级别的数据确定故障发生的大致范围，即确定故障发生的通道。

在基准电压3.5V,期望姿态角均为0.3°的工况下，采集15组正常工况的数据，每组155个采样点，用来建立主元分析模型；故障工况下采集12组数据，每组155个采样点。

以一种故障类型为例，首先以粗粒度级别的数据进行故障检测；由图5和图6可知，三个姿态角和气动力矩均不同程度的超出了控制限，因此检测到故障发生；

其次，运用基于传统贡献图的故障诊断方法，针对姿态角、气动力矩以及机身陀螺力矩这三类粗粒度级别的数据，图7、图8和图9以折线图的形式给出了在不同采样点变量对故障贡献率的变化趋势；同时图10、图11和图12以柱状图的形式更直观地统计了每个变量故障的总贡献率。

综合图7至图12的诊断结果，滚转角、滚转力矩以及滚转通道机身陀螺力矩对故障的贡献率均为最大；因此，根据粗粒度级别的故障诊断结果可以推断滚转通道发生了故障。

针对滚转通道，对细粒度级别的物理量(旋翼陀螺力矩和电机电压)重复上述故障诊断步骤；由图13可知，电压未超出控制限，表明电机未发生故障。而针对旋翼陀螺力矩进行故障检测时，SPE统计量超出了控制限，如图14所示，说明故障发生的部件是旋翼。综上所述，根据图15和图16所示的贡献率分析，发生故障的部件是front和back旋翼。

在此基础上，根据机身陀螺效应等细粒度级别的数据最终确定故障发生的部件，最终实现基于混合模型的四旋翼飞行器双重粒度故障诊断方法。

本发明经反复试验验证，取得了满意的应用效果。

Claims (6)

1.一种基于混合模型的四旋翼飞行器双重粒度故障诊断方法，其特征在于该方法包括如下具体步骤：

步骤A：应用各类物理效应对四旋翼飞行器的影响程度进行分析，所述各类物理效应根据其影响程度划分为主要影响因素和次要影响因素，确定四旋翼飞行器混合模型中的先验模型和非参数模型的建模范畴，并根据主要影响因素建立先验模型；其中：所述各类物理效应是指表现为气动效应、机身陀螺效应和旋翼陀螺效应的形式；所述主要影响因素是指气动力矩，该气动力矩是由四旋翼飞行器旋翼旋转产生的拉力和阻力引起的，气动力矩是飞行器承受的最主要的力矩类型，包括滚转力矩、俯仰力矩和偏航力矩的形式，属于非参数模型的建模范畴；次要影响因素是指除气动力矩外，系统所受的陀螺力矩的影响，主要包括机身陀螺力矩和旋翼陀螺力矩，是非参数模型的建模范畴；

步骤B：针对次要影响因素分析非参数模型中的各类非线性项和耦合项，度量四旋翼飞行器的非线性程度；

步骤C：根据物理效应的影响程度和各项非线性程度，运用模糊推理机选择参数辨识、线性化方法，建立四旋翼飞行器的混合模型；

步骤D：根据数据的来源和自身物理定义，对四旋翼飞行器的粒度级别进行划分；

步骤E：采用基于主元分析的过程监测方法，先针对粗粒度级别的数据，确定故障发生的通道，再针对细粒度级别的数据，定位出故障发生的元部件，由此实现双重粒度故障诊断。

2.根据权利要求1所述的一种基于混合模型的四旋翼飞行器双重粒度故障诊断方法，其特征在于所述的气动力矩为主要影响因素，建立先验模型式如下：

上式中，φ,θ,分别表示俯仰角，滚转角和偏航角；分别为x,y,z轴上的气动力矩；l是电机中心点到坐标原点的距离；K_f是旋翼力矩常系数；K_t,c是旋翼反向旋转时推力和转矩之间的常系数；V₁、V₃、V₂、V₄是前、后、左、右四个电机产生的电压；J_xx,J_yy,J_zz分别表示滚转通道，俯仰通道，偏航通道关于x,y,z轴的转动惯量。

3.根据权利要求1所述的一种基于混合模型的四旋翼飞行器双重粒度故障诊断方法，其特征在于步骤B所述的非线性程度是指：对于输入信号一个稳定的因果系统N:U_a→Y，该因果系统的非线性程度定义为如下非负方程式：

${\mathrm{\&phi;}}_N^U=\underset{G\&Element;Y}{inf}\underset{u\&Element;U}{sup}\frac{\left|\right|G\&lsqb;u\&rsqb;-N\&lsqb;u\&rsqb;|{|}_{VT}}{\left|\right|N\&lsqb;u\&rsqb;|{|}_{VT}}$

上式中的G为因果系统N中的线性算子；G[u]表示因果系统中线性部分G关于输入信号u的函数；N[u]表示稳定的因果系统N关于输入信号u的函数；范数||·||_VT定义为T为周期；inf和sup分别表示下确界和上确界；再对非参数模型中的非线性项和耦合项的非线性程度度量后，选择线性化、参数辨识方法，对非线性项和耦合项进行线性化处理。

4.根据权利要求2所述的一种基于混合模型的四旋翼飞行器双重粒度故障诊断方法，其特征在于步骤C所述的混合模型是指：利用模糊推理的方法，在非线性程度和参数辨识、线性化方法之间建立映射，最终获得基于物理效应分析和非线性度量的四旋翼飞行器混合模型式如下：

上式中，Ω_i表示四个旋翼的转速，i＝1,2,3,4；F<g(x)>表示用对应的参数辨识或线性化的方法F处理括号“<>”中的表达式g(x)后得到的结果；F选用SE,TS,PI三种方法之一，SE,TS,PI分别表示平衡点泰勒级数展开，T-S模糊推理模型以及子空间系统辨识，g(x)为各类代表陀螺效应的表达式，J_r表示旋翼电机的转动惯量。

5.根据权利要求1所述的一种基于混合模型的四旋翼飞行器双重粒度故障诊断方法，其特征在于步骤D所述的粒度级别进行划分是指：在混合模型中，先验模型把握系统的全局特性，与非参数模型相比，先验模型对混合模型的细化程度低，从中获得包括系统输出量和状态量的粗粒度级的数据信息；非参数模型具有良好的局部逼近性能，与先验模型相比，非参数模型对混合模型的细化程度高，从中获得包括先验模型中未知参数的细粒度级的数据信息。

6.根据权利要求1所述的一种基于混合模型的四旋翼飞行器双重粒度故障诊断方法，其特征在于步骤E所述的双重粒度故障诊断是指：利用基于主元分析的过程监测方法，以平方预测误差统计量为评价指标进行故障检测，同时利用基于传统贡献图的方法进行故障诊断，以贡献率较大的变量为导致故障发生的原因变量，具体包括：

步骤E1：利用四旋翼飞行器滚转、俯仰和偏航三个姿态角的角速度的粗粒度级别的数据确定故障发生的范围，从而确定故障发生的通道；

步骤E2：在确定故障通道的基础上，根据机身陀螺效应的细粒度级别的数据最终确定故障发生的元部件。