一种飞机飞行控制系统的加速度计故障监测方法

1.本发明属于加速度计故障监测领域，尤其是一种飞机飞行控制系统的加速度计故障监测方法。


背景技术：

2.目前无人机越来越接近人们的生活，这就对其安全性和可靠性有较严格的要求，而由于无人机是高度集成的自动化设备，其故障发生的原因以及故障种类多种多样，其中，传感器故障是一种最常见的故障，传感器负责维持无人机的飞行平衡与导航，如果传感器发生故障，轻则无人机迫降，重则坠机，损失严重，所以对无人机传感器的故障监测十分重要。
3.加速度计在惯性导航系统应用极为广泛，如民航飞机、物流运输无人机和汽车车载导航等领域。加速度计用于惯性导航系统中测量运动体的加速度参数，其工作状态直接影响到惯性导航系统的性能。加速度计在运行过程中会存在随时间缓慢变化的误差，误差累积到一定程度，就容易发生故障，一旦发生故障，引发导航定位失误，甚至可能会导致巨大的灾难性事件。加速度计产生的误差，包含确定性误差与随机性误差，确定性误差包括：安装误差、刻度因子等，由工艺误差或者安装不平衡造成，可以通过提高工艺水平或者外部校准来解决。随机误差是在工作过程中产生，且无确切的规律，很难从外部消除。由于加速度计输出信号是无规则的非线性信号，包含着多种高低频信息，难以对其进行数学建模，加速度计输出信号的特征提取又是故障监测的关键，其特征提取是否充分关系到故障诊断结果精确度。


技术实现要素：

4.本发明的目的在于克服上述现有技术的缺点，提供一种飞机飞行控制系统的加速度计故障监测方法。
5.为达到上述目的，本发明采用以下技术方案予以实现：
6.一种基于机器学习方法的飞行器加速度计故障监测方法，包括以下步骤：
7.步骤1、建立飞行器飞行控制系统的加速计的输出模型；
8.步骤2、根据加速度计传感器恒偏差、恒增益和卡死三种故障构建故障时输出模型；
9.步骤3、采用ekf算法对加速度计输出进行估计，进而将加速度计输出值的估计与实际输出作差得到系统的残差序列；
10.步骤4、利用加速度计的正常状态和三种故障状态下系统的残差序列对svm决策树进行训练，训练后的svm决策树能够判别出系统是否故障以及故障类型；
11.步骤5、使用svm决策树对未知类别的飞行器系统残差序列进行分类，根据残差序列分类结果实现对加速度计传感器三种故障的监测。
12.进一步的，步骤1具体为：
13.建立的加速度计输出模型a为：
[0014][0015][0016]
其中，表示飞行器在导航坐标系下的加速度，g0表示惯性系下的重力加速度，是以姿态四元数q＝(q0,q1,q2,q3)
t
表示姿态转移矩阵，η表示高斯白噪声过程；
[0017]
当时，式(1)的近似表达式为：
[0018][0019]
将(3)中的a归一化得到z，同时离散化式(3)得
[0020]zk 1
＝g(q
k 1
) δz
k 1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0021][0022]
其中，z
k 1
表示归一化、离散的a；δz
k 1
表示离散化的高斯白噪声η；
[0023]
四元数微分方程为：
[0024][0025]
其中，w＝(w
x
,wy,wz)为三轴陀螺仪的输出，q＝((q0,q1,q2,q3)
t
为姿态四元数，表示四元数乘法；
[0026]
经过进一步求解并离散化得：
[0027]qk 1
＝φ
k 1/k
qk γ
k 1/k
δθkꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0028]
以式(4)为观测方程，以式(7)为状态方程组成一个观测方程非线性的姿态估计系统如式(8)：
[0029][0030]
其中，qk表示离散姿态四元数；z
k 1
为监测量，即加速度计归一化输出；φ
k 1/k
和γ
k 1/k
分别为加速度计前后两次测量的相对值；δ为θk的归一化系数。。
[0031]
进一步的，步骤2根据加速度计传感器恒偏差、恒增益和卡死三种故障构建模型具体为：
[0032]
传感器恒偏差故障表现为加速度计在一个时刻开始输出带有常数偏差，对应的故障模型为：
[0033][0034]
其中，α为常数且α≠0；
[0035]
恒增益故障表现为加速度计在一个时刻开始输出带有乘数因子，对应的故障模型为：
[0036][0037]
其中，β为恒增益比例系数且β≠1；
[0038]
卡死故障表现为加速度计在某一时刻开始输出保持常值，对应的故障模型为：
[0039][0040]
其中，γ为常数且γ≠0；
[0041]
以上各种加速度计故障形式统一表达为以下形式：
[0042][0043]
其中，β＝1，γ＝0不同时成立；
[0044]
当系统工作正常时，系统输出残差为：
[0045][0046]
对应的残差的期望为：
[0047][0048]
当系统发生故障时，系统输出残差为：
[0049][0050]
对应的残差的期望为：
[0051][0052]
其中，β＝1与γ＝0不同时成立。
[0053]
进一步的，其特征在于，
[0054]
当e(e
k 1
)＝0，加速度计无故障发生，
[0055]
当e(e
k 1
)≠0，加速度计有故障发生。
[0056]
进一步的，步骤3中通过ekf对飞行器姿态估计系统的状态进行估计，之后将状态代入观测方程得到加速度计输出值的估计，进而将加速度计输出值的估计与实际输出作差得到系统的残差序列。
[0057]
进一步的，步骤3中通过ekf对飞行器姿态估计系统的状态进行估计，具体为：
[0058]
(301)初始化
[0059]
根据实际为三轴陀螺仪噪声协方差矩阵q和三轴加速度计噪声协方差r赋值；将状态矢量和状态协方差矩阵p
0/0
赋初值为：
[0060][0061][0062]
(302)时间更新
[0063]qk 1/k
＝φ
k 1/k
qk[0064][0065][0066]
(303)观测更新
[0067][0068]qk 1/k 1
＝q
k 1/k
kk(z
k 1-g(q
k 1/k
))p
k 1/k
[0069][0070]
进一步的，步骤4对svm决策树的训练采用由下到上的方法进行。
[0071]
进一步的，训练的过程为：
[0072]
(401)、采集加速度计三种故障状态和正常状态下飞行器系统的残差序列训练样本集为{x1,x2,x3,x4}，每个训练集xi包含nj个训练样本为个训练样本为
[0073]
(402)、计算出加速度计每两个状态的类间分离度{s
12
,s
13
,s
14
,s
23
,s
24
,s
34
}，选择类间分离度s
ij
最小的两类训练集训练二分类svm；
[0074]
(403)、合并所述类间分离度s
ij
最小的两类训练集为一类；
[0075]
(404)、循环步骤(402)和步骤(403)，直至根节点处的二分类svm。
[0076]
进一步的，步骤5的分类过程为：
[0077]
使svm决策树对未知类别的飞行器系统残差序列进行分类时，使用根节点处的svm二分类器对所述飞行器系统残差序列的类别进行划分，之后依决策树的结构不断向下使用当前节点的子svm二分类器对所述飞行器系统残差序列的类别进行划分，直到被划分为一个确定的类别。
[0078]
与现有技术相比，本发明具有以下有益效果：
[0079]
本发明的一种飞机飞行控制系统的加速度计故障监测方法，通过对加速度计故障进行数学模型搭建，通过模型分析，选取残差序列作为监测信号，通过对残差序列的对比来检测故障是否发生。本发明通过支持向量机的机器学习方法，可以加速度计的三种故障进行具体监测，可以在故障信号出现的第一时间判断该故障属于恒增益，恒偏差还是卡死故障，本发明采用支持向量机对采集的训练集数据进行训练学习，提高了加速度计故障监测大量样本的处理能力，提高了加速度计故障监测精确度。
附图说明
[0080]
图1为加速度计故障总体流程框图；
[0081]
图2为svm决策树训练流程图；
[0082]
图3为svm决策树分类流程图。
具体实施方式
[0083]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0084]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0085]
下面结合附图对本发明做进一步详细描述：
[0086]
如图1所示，飞行器加速度计故障诊断方法主要分为残差序列求解、svm训练和残差序列分类三个阶段，将图中开关拨到“1”处时离线对svm进行训练，开关拨到“2”处时在线进行残差序列求解和残差序列分类，实现加速度计故障的信号处理及监测。
[0087]
残差序列求解：无人机飞行控制系统具有许多小型传感器，它们能够通过输出速度和加速度信息来实现对无人机的飞行控制，现在无人机使用的三轴加速度计通常为mems传感器，精度较差，一般通过滤波器算法融合加速度计与陀螺仪数据求解飞行器的姿态。加速度计输出模型a如下：
[0088][0089][0090]
其中，表示飞行器在导航坐标系下的加速度，g0表示惯性系下的重力加速度，是以姿态四元数q＝(q0,q1,q2,q3)
t
表示姿态转移矩阵，η表示高斯白噪声；
[0091]
当时，可得到式(1)的近似表达式
[0092][0093]
将上式中的a归一化得到z，并离散化式(3)可得
[0094]zk 1
＝g(q
k 1
) δz
k 1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0095][0096]
其中，z
k 1
表示归一化、离散的a；δz
k 1
表示离散化的高斯白噪声η。
[0097]
四元数微分方程表示为：
[0098][0099]
其中，w＝(w
x
,wy,wz)为三轴陀螺仪的输出，q＝((q0,q1,q2,q3)
t
为姿态四元数，表示四元数乘法。
[0100]
经过进一步求解并离散化可得：
[0101]qk 1
＝φ
k 1/k
qk γ
k 1/k
δθkꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0102]
以式(4)为观测方程，以式(7)为状态方程组成了一个观测方程非线性的姿态估计系统如下式：
[0103][0104]
其中，qk表示离散姿态四元数；监测量为加速度计归一化输出z
k 1
。
[0105]
根据加速度计传感器恒偏差、恒增益和卡死三种典型故障构建模型：
[0106]
恒偏差故障：表现为加速度计在某一时刻开始输出带有常数偏差，传器故障模型为：
[0107][0108]
其中，α≠0为某一常数。
[0109]
恒增益故障:表现为加速度计在某一时刻开始输出带有乘数因子，传感器故障模型为：
[0110][0111]
其中，β≠1为某一恒增益比例系数。
[0112]
卡死故障:表现为加速度计在某一时刻开始输出保持常值。传感器故障模型为：
[0113][0114]
其中，γ≠0为某一常数。
[0115]
以上各种加速度计故障形式可以统一表达为以下形式：
[0116][0117]
其中，β＝1，γ＝0不同时成立。
[0118]
残差由加速度计实际输出值与加速度估计输出值相减得到，当系统工作正常时，
得到系统输出残差如下：
[0119][0120]
则残差的期望为:
[0121][0122]
当系统发生故障时，得到输出残差如下：
[0123][0124]
则残差的期望为:
[0125][0126]
其中，β＝1与γ＝0不同时成立。
[0127]
本发明通过监测系统的残差来反映飞行器加速度计是否故障，所以用残差e
k 1
进行飞行器加速度计的故障监测：
[0128]
e(e
k 1
)＝0，加速度计无故障发生，
[0129]
e(e
k 1
)≠0，加速度计有故障发生。
[0130]
除了要检测加速度计是否故障，还需要根据残差序列辨别故障的类型。对于不同类型的故障，残差序列会出现不同的变化趋势。因此，通过分析残差序列的变化趋势就能分辨出故障的类型。
[0131]
本发明通过设计求取系统残差序列性能最佳的滤波器
‑‑
扩展卡尔曼滤波器(ekf)对飞行器姿态估计系统的状态进行估计，然后将状态代入观测方程得到加速度计输出值的估计，进而将加速度计输出值的估计与实际输出作差得到系统的残差序列。
[0132]
本发明采用ekf算法对加速度计输出进行估计。由于状态方程为线性方程，只需要对观测方程进行线性化。
[0133]
(1)初始化
[0134]
根据实际，为三轴陀螺仪噪声协方差矩阵q和三轴加速度计噪声协方差r赋值；将状态矢量和状态协方差矩阵p
0/0
赋初值为
[0135][0136][0137]
(2)时间更新
[0138]qk 1/k
＝φ
k 1/k
qk[0139][0140][0141]
(3)观测更新
[0142]
[0143]qk 1/k 1
＝q
k 1/k
kk(z
k 1-g(q
k 1/k
))p
k 1/k
[0144][0145]
本发明使用ekf本质是卡尔曼滤波器在非线性系统中的推广，忽略了泰勒二阶及以上展开式的影响，达到了对非线性系统一阶估计精度，由此得到加速计的残差序列数据。
[0146]
本发明引入支持向量机(svm)对系统残差进行分类，通过对系统残差序列分类进行加速度计的故障诊断。基于机器学习的故障诊断方法需要用加速度计1种正常状态和3种故障状态下系统的残差序列对其进行训练，使其可以分辨出系统是否故障以及故障的类型，训练后的机器学习算法便可以应用于故障监测。
[0147]
svm训练：svm决策树训练采用由下到上的方法。svm决策树对加速度计正常状态、恒偏差故障、恒增益故障和卡死故障4种状态进行分类。采集加速度计4种状态下飞行器系统的残差序列训练样本集为{x1,x2,x3,x4}，每个训练集xi包含nj个训练样本为计算出加速度计每两个状态的类间分离度{s
12
,s
13
,s
14
,s
23
,s
24
,s
34
}，从类间分离度s
ij
最差的两个类别xi和xj开始，训练二分类svm对xi和xj进行分类；然后将xi和xj组成一类x
ij
，再取出包括x
ij
的4-1即3个类别中类间分离度最差的两个类别，训练二分类svm对其进行分类。依次类推，直到根节点处的二分类svm，svm决策树将训练集分为4类，训练过程表示为流程图如图2。这种训练方式有效减小了累计误差的影响。
[0148]
残差序列分类：svm决策树的分类过程和训练过程正好相反。使svm决策树对未知类别的飞行器系统残差序列进行分类时，首先使用根节点处的svm二分类器对其类别进行划分，然后依决策树的结构不断向下使用当前节点的子svm二分类器对其类别进行划分，直到该样本被划分为一个确定的类别，分类过程表示为流程图为3。
[0149]
本发明通过对飞行器加速度计传感器故障分析，搭建合适的监测模型，选择监测信号，并采用支持向量机的机器学习方法对加速度计故障进行分类，从而可以对加速度计故障进行有效的监测，可以在故障发生时能够及时迅速的判断出故障的类型，从而可以迅速采取补救措施减少飞行器发生安全事故的概率，从而提高飞行器的安全性和可靠性。
[0150]
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。