无人机飞控系统的分离式和嵌入式故障诊断与容错研究

发布时间：2020-07-19 04:09

【摘要】：无人机是利用无线电遥感设备和自备的程序控制装置来操纵的不载人飞行器,且飞行控制系统是无人机实现自主飞行的核心。因此飞行控制系统的可靠性和稳定性尤为重要。目前仍存在诸多待解决的问题,如对海量数据的分析方法与挖掘手段较欠佳,精确的无人机容错控制模型难以建立。而分离式故障诊断算法可以离线识别故障信息,为无人机系统的维护管理提供可靠的依据;嵌入式故障诊断与容错技术可以实现在线调节,提高无人机系统的可靠性指标。因此,分离式和嵌入式故障诊断与容错技术是当今无人机技术领域的一个重要研究热点。首先,采用变分模态分解方法对信号进行分解,然后采用多尺度重构指标和连续小波变换方法获得重构信号的时域特征和时频特征。鉴于卷积神经网络(CNN)在挖掘海量数据有效信息时突出的准确性和快速性的特点,本文采用CNN算法分别对时域和时频特征进行分离式故障诊断研究。仿真结果表明,基于时域特征的CNN诊断算法消耗时间更短,而基于时频特征的CNN算法诊断精确度更高。结合两者的优势,可以搭建时间相对较短、精度更高的集成算法。第二,在单样本时域、时频特征CNN算法的基础上,为了融合多个单样本的特征,本文研究基于多样本特征的分离式故障诊断集成算法。使用自助采样法对时域、时频特征进行融合,然后将CNN算法作为基分类器,采用多数投票法对CNN算法的结果进行结合。仿真结果显示,其平均诊断精度至少可达99.89%。相比单样本特征的CNN算法,该集成算法的测试精度更高,且泛化误差更低。第三,为了简化控制器结构以及处理难以建模的故障信息,本文采用自适应终端滑模控制方法,对无人机飞控模型设计了高度和姿态容错控制器。仿真显示,位置跟踪误差范围为[-0.2,0.2]。第四,为了实现无人机系统的故障自动检测和容错功能,本文将嵌入式故障诊断方法与容错相结合。采用扩张观测器对故障进行估计,实现在线诊断和重构故障信号,然后根据故障信息重构滑模容错控制器,从而补偿故障。仿真显示,故障估计误差范围为[-0.1,0.1],位置跟踪误差范围为[0,0.04],角度跟踪误差收敛到零。最后,本文研究了有效的故障诊断算法和容错控制方法,对建立无人机故障设备的健康管理策略,以及对调整无人机系统的容错控制器提供了可靠的依据。
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：V279;V249.1
【图文】：

结构框图,故障诊断,嵌入式,飞控系统

电子科技大学硕士学位论文行控制系统中的电机设备进行故障诊断；然后，采用嵌入式故障诊断与容错方法对飞行控制系统进行故障诊断并设计滑模容错控制器，从而保证飞行控制系统的稳定性和可靠性。本文研究内容的结构框图如图（1-1）所示。针对电机的采集数据，分别采用基于单样本特征的 CNN 故障诊断算法和基于多样本特征的集成故障诊断算法，对电机信号进行故障诊断研究。在飞行控制系统的动力学模型的基础上，研究基于飞行控制系统的嵌入式故障诊断与容错控制方法，使得飞行控制系统在发生部分失效故障时，具有一定的容错能力，从而仍能保持正常的工作状态。

示意图,卷积和,维度,示意图

图 2-2 LetNe5 CNN 模型的框架图由图（2-2）可见 CNN 模型通过卷积和池化均通过共享卷积核，从而可以降输入图像的维度，也可以达到一定的旋转不变性和平移不变性，而全连接层将部特征整体化。在 LetNet5 CNN 模型的卷积层和采样层中，LetNet5 CNN 算法持每层输入数据的维度，对每层的特征图做严格卷积计算。如图（2-3a）所示，于边缘数据没有参与重复卷积，所以一个 5 维度的特征图像经过严格卷积后变为 3 维度。为了避免输入数据的维度在卷积过程中减少，本章采用填充后卷积方法，该方法的示意图如图（2-3b）所示。

框架图,框架图,维度,卷积

图 2-2 LetNe5 CNN 模型的框架图由图（2-2）可见 CNN 模型通过卷积和池化均通过共享卷积核，从而可以输入图像的维度，也可以达到一定的旋转不变性和平移不变性，而全连接层部特征整体化。在 LetNet5 CNN 模型的卷积层和采样层中，LetNet5 CNN 算持每层输入数据的维度，对每层的特征图做严格卷积计算。如图（2-3a）所示于边缘数据没有参与重复卷积，所以一个 5 维度的特征图像经过严格卷积后为 3 维度。为了避免输入数据的维度在卷积过程中减少，本章采用填充后卷方法，该方法的示意图如图（2-3b）所示。

【参考文献】