馬 駿，倪世宏，解武杰，董文瀚

（空軍工程大學(xué)航空航天工程學(xué)院，陜西西安710038）

改進(jìn)的強(qiáng)跟蹤飛機(jī)舵面快速故障診斷方法

馬 駿，倪世宏，解武杰，董文瀚

（空軍工程大學(xué)航空航天工程學(xué)院，陜西西安710038）

針對(duì)多模型自適應(yīng)估計(jì)（multiple model adaptive estimation，MMAE）方法適應(yīng)突變故障能力差、多重漸消因子強(qiáng)跟蹤算法濾波發(fā)散、故障條件概率計(jì)算量大等問(wèn)題，提出一種改進(jìn)的多重漸消因子強(qiáng)跟蹤多模型自適應(yīng)估計(jì)（strong tracking multiple model adaptive estimation，STMMAE）快速故障診斷方法。通過(guò)多重漸消因子提高了故障突變時(shí)濾波器的跟蹤性能；通過(guò)改進(jìn)一步預(yù)測(cè)協(xié)方差陣更新方程，保證了濾波器穩(wěn)定性，提高了估計(jì)精度；采用基于歐幾里得范數(shù)的飛機(jī)舵面故障概率快速計(jì)算方法，降低了故障概率計(jì)算量。對(duì)比仿真表明，該算法跟蹤性強(qiáng)、速度快、精度高，具有較好的魯棒性和穩(wěn)定性。

飛機(jī)舵面故障；多模型自適應(yīng)估計(jì)；多重漸消因子；歐幾里得范數(shù)

0 引 言

在飛行過(guò)程中，飛機(jī)舵面難免會(huì)發(fā)生故障或遭受戰(zhàn)斗損傷，如結(jié)構(gòu)性損傷、卡死、松浮和飛車飽和等，此時(shí)如果能夠及時(shí)診斷出故障，進(jìn)行隔離并采取一定的控制策略，使飛機(jī)繼續(xù)完成任務(wù)或安全返航，可大幅提高生存性。因此，飛機(jī)舵面故障檢測(cè)與隔離（fault detection and isolation，F(xiàn)DI）方法的研究具有一定理論意義和實(shí)際價(jià)值。

在能夠獲得系統(tǒng)精確數(shù)學(xué)模型的情況下，狀態(tài)估計(jì)法是最直接有效的方法［1］。狀態(tài)估計(jì)方法通過(guò)設(shè)計(jì)檢測(cè)濾波器或觀測(cè)器，充分利用系統(tǒng)的解析模型和可測(cè)信息，對(duì)系統(tǒng)某變量進(jìn)行重建或估計(jì)，然后由濾波器或觀測(cè)器的輸出與真實(shí)系統(tǒng)的輸出差值構(gòu)造殘差，再對(duì)殘差進(jìn)行分析處理，最終實(shí)現(xiàn)系統(tǒng)的故障診斷。

狀態(tài)估計(jì)法中的多模型自適應(yīng)估計(jì)（multiple model adaptive estimation，MMAE）方法是針對(duì)飛機(jī)舵面故障的一種有效、快速的故障診斷方法［2］。它基于一組并行運(yùn)行的卡爾曼濾波器，一個(gè)濾波器對(duì)系統(tǒng)一個(gè)特定故障下的狀態(tài)進(jìn)行濾波；再利用假設(shè)驗(yàn)證算法，根據(jù)每個(gè)卡爾曼濾波器的殘差獲得每一個(gè)故障發(fā)生的條件概率。與無(wú)多模結(jié)構(gòu)方法相比，其優(yōu)點(diǎn)是對(duì)參數(shù)變化的直接響應(yīng)，能夠更快地隔離故障；局限性是受卡爾曼濾波器的數(shù)量限制，可隔離的故障是有限的。當(dāng)發(fā)生的故障與預(yù)先假設(shè)的故障相差很大時(shí)，往往得不到滿意的結(jié)果，且計(jì)算量非常大，過(guò)去很長(zhǎng)時(shí)間沒(méi)能在線使用。為了大幅度減小所需濾波器的數(shù)量，并且將其擴(kuò)展至非線性系統(tǒng)，文獻(xiàn)［3- 6］提出了擴(kuò)展多模型自適應(yīng)估計(jì)（extended multiple model adaptive estimation，EMMAE）方法，僅對(duì)每個(gè)舵面設(shè)計(jì)一個(gè)擴(kuò)展卡爾曼濾波器（extended Kalman filter，EKF）便實(shí)現(xiàn)了FDI功能。為了進(jìn)一步提高EMMAE方法適應(yīng)突變故障的能力，文獻(xiàn)［7］采用強(qiáng)跟蹤濾波器（strong tracking filter，STF）［8］改進(jìn)EKF，提出了一種基于強(qiáng)跟蹤多模型自適應(yīng)估計(jì)（strong tracking multiple model adaptive estimation，STMMAE）的故障診斷方法。然而，該方法中多重漸消因子的引入可能導(dǎo)致一步預(yù)測(cè)協(xié)方差陣的非對(duì)稱，進(jìn)而誘發(fā)濾波器發(fā)散。文獻(xiàn)［9］和文獻(xiàn)［10］分別采用Cholesky三角化分解和UD分解矩陣分解的思想改進(jìn)STF，保證了濾波器穩(wěn)定，但均增大了濾波器計(jì)算量。

另一類卡爾曼濾波強(qiáng)跟蹤改進(jìn)算法利用采樣點(diǎn)近似表述狀態(tài)的均值和協(xié)方差，避免了系統(tǒng)雅克比矩陣的計(jì)算，在估計(jì)精度上比EKF有一定提高，如無(wú)跡卡爾曼強(qiáng)跟蹤濾波［1112］和容積卡爾曼強(qiáng)跟蹤濾波［13］。但是，對(duì)比EKF、無(wú)跡卡爾曼濾波、容積卡爾曼濾波及其相應(yīng)的強(qiáng)跟蹤改進(jìn)算法的計(jì)算量［14］，發(fā)現(xiàn)EKF運(yùn)行效率最高，且強(qiáng)跟蹤方法的改進(jìn)會(huì)進(jìn)一步增大計(jì)算量，如無(wú)跡卡爾曼強(qiáng)跟蹤算法運(yùn)行時(shí)間為EKF的8倍左右。

在MMAE方法及其各種改進(jìn)方法中，故障概率的計(jì)算絕大多數(shù)采用基于高斯概率密度函數(shù)的假設(shè)檢驗(yàn)方法，當(dāng)飛機(jī)動(dòng)態(tài)特性變化較慢時(shí)，假設(shè)殘差為高斯分布是完全合理的［3］。但是，由多維高斯分布概率密度函數(shù)求解某一時(shí)刻的條件概率時(shí)，將涉及多重積分，其計(jì)算量較大，并將隨著狀態(tài)向量選取維數(shù)的增加成爆炸性增長(zhǎng)，難以滿足多操縱面飛機(jī)舵面故障診斷的實(shí)時(shí)性要求。

本文針對(duì)多操縱面飛機(jī)舵面的典型故障，提出一種改進(jìn)的多重漸消因子STMMAE快速故障診斷方法。首先，通過(guò)改進(jìn)一步預(yù)測(cè)協(xié)方差陣更新方程中多重漸消因子的引入方式，保證濾波器的穩(wěn)定性并予以理論證明。改進(jìn)的濾波器相比文獻(xiàn)［9- 10］的方法降低了計(jì)算量，提高了濾波估計(jì)精度。進(jìn)一步，本文利用歐幾里得范數(shù)將故障概率的計(jì)算由多維簡(jiǎn)化為1維，提出一種飛機(jī)舵面故障概率快速計(jì)算方法，在大幅度降低計(jì)算量的同時(shí)，能夠更精確、快速地檢測(cè)出故障。

1 飛機(jī)非線性模型及舵面故障建模

飛機(jī)的動(dòng)力學(xué)方程［3］可描述為如下非線性方程：

對(duì)于飛機(jī)舵面的典型卡死故障或者擺動(dòng)故障，可看作是期望的輸入δi（i＝a1，a2，e1，e2，r）斷開(kāi)被一個(gè)錯(cuò)誤的控制信號(hào)所代替，獲得被控對(duì)象的控制，如圖1所示。

圖1 作動(dòng)器故障建模

被控對(duì)象的真實(shí)輸入可寫成

第i個(gè)舵面故障時(shí)σi取1，其他情況σi取0。

2 改進(jìn)的多重漸消因子FDI策略

2.1 采用改進(jìn)的STMMAE方法的FDI策略

圖2為本文所提出的改進(jìn)的多重漸消因子STMMAE飛機(jī)舵面故障診斷方法結(jié)構(gòu)圖，只需要對(duì)無(wú)故障和第i個(gè)舵面的故障分別設(shè)計(jì)i＋1個(gè)濾波器即可，針對(duì)本文模型僅需設(shè)計(jì)6個(gè)濾波器（無(wú)故障和5個(gè)故障舵面）。

圖2 改進(jìn)的多重漸消因子強(qiáng)跟蹤飛機(jī)舵面故障診斷方法

2.2 改進(jìn)的多重漸消因子STF算法

利用歐拉方法離散化，得到飛機(jī)的動(dòng)力學(xué)方程線性化離散狀態(tài)空間方程［3］為

改進(jìn)的多重漸消因子濾波器計(jì)算步驟如下：

步驟1令k＝1，設(shè)置、Σ1／0、Rw和Rv初值。

步驟2計(jì)算STF增益矩陣

步驟3狀態(tài)估計(jì)量的量測(cè)更新

步驟4誤差協(xié)方差矩陣Σk／k的更新

步驟5計(jì)算

步驟6計(jì)算多重漸消因子

式中，0＜ρ≤1為遺忘因子，常取ρ＝0.95；β≥1為弱化因子，作用是避免漸消因子過(guò)度調(diào)節(jié)；aj≥1（j＝1，2，…，n）是系統(tǒng)先驗(yàn)知識(shí)確定的常數(shù)。

步驟7改進(jìn)的狀態(tài)誤差協(xié)方差矩陣前向擴(kuò)展

步驟8狀態(tài)估計(jì)的前向擴(kuò)展

2.3 STF的發(fā)散現(xiàn)象及其解決方案

強(qiáng)跟蹤算法通過(guò)引入單重次優(yōu)漸消因子λk調(diào)整EKF中的一步預(yù)測(cè)誤差協(xié)方差矩陣Σk／k，對(duì)過(guò)去數(shù)據(jù)進(jìn)行漸消，增強(qiáng)了算法跟蹤突變狀態(tài)的能力。進(jìn)一步通過(guò)引入基于先驗(yàn)知識(shí)的多重漸消因子Λk可實(shí)現(xiàn)采用不同的漸消速率對(duì)不同通道的數(shù)據(jù)進(jìn)行處理，得到跟蹤性能更加優(yōu)越的濾波器。STMMAE中多重漸消因子修正的公式為

式中，Σk／k、Rw均為對(duì)稱正定矩陣，同樣，φkΣk／kφ和GkRwG也同樣滿足正定性。然而，不同于單重次優(yōu)漸消因子λk不影響Σk／k的對(duì)稱性，多重漸消因子Λk中當(dāng)各次優(yōu)漸消因子不相等時(shí)，它為一個(gè)對(duì)角元素不相等的對(duì)角陣。由矩陣論知識(shí)可知，ΛkφkΣk／kφ可能出現(xiàn)非對(duì)稱情況，多重漸消因子的引入將導(dǎo)致一步預(yù)測(cè)協(xié)方差陣Σk＋1／k為非對(duì)稱陣，最終導(dǎo)致失去正定性，引起濾波器的發(fā)散現(xiàn)象。

本文所提出的改進(jìn)的多重漸消因子STF算法，在原算法的基礎(chǔ)上，改進(jìn)了前向擴(kuò)展方程式（18），提出了引入兩個(gè)多重漸消因子分別左乘和右乘原方程中φkΣk／kφ項(xiàng)，來(lái)滿足其對(duì)正定性的要求。該方法充分保留了STF中Σk＋1／k和Lk在更新時(shí)Λk所起的關(guān)鍵調(diào)節(jié)作用，同時(shí)通過(guò)對(duì)其作用方式的改進(jìn)，保證了每一步迭代時(shí)Σk＋1／k矩陣的對(duì)稱性，消除了濾波器發(fā)生發(fā)散現(xiàn)象的可能性，在增強(qiáng)算法穩(wěn)定性的同時(shí)，保證了強(qiáng)跟蹤的重要特性。相比文獻(xiàn)［9］和文獻(xiàn)［10］等提出的基于矩陣分解的改進(jìn)方法，本方法不涉及Λk開(kāi)方運(yùn)算，降低了算法計(jì)算量，提高了計(jì)算速度。同時(shí)，Λk＋1對(duì)Σk＋1／k矩陣的調(diào)節(jié)作用也進(jìn)一步增強(qiáng)。

需要指出，改進(jìn)算法仍然滿足STF定義需滿足的正交性原理，即

證明本文證明過(guò)程只給出與文獻(xiàn)［9］的不同之處，其余證明過(guò)程可參見(jiàn)文獻(xiàn)［9］。

根據(jù)文獻(xiàn)［9］中定理1，式（21）和式（22）成立的條件等價(jià)于選擇適當(dāng)增益矩陣Lk使式（23）成立：

帶入式（4），得

上式成立的充分條件是

帶入更新式（18），得

由tr［AB］＝tr［BA］，tr［A］＝tr［AT］，得

證畢

2.4 無(wú)故障情形的濾波器設(shè)計(jì)

針對(duì)無(wú)故障濾波器，k時(shí)刻的估計(jì)直接從非線性模型中導(dǎo)出

無(wú)故障的離散轉(zhuǎn)移矩陣為

無(wú)故障的離散控制輸入為

無(wú)故障的控制輸入矩陣為

2.5 存在故障時(shí)的濾波器設(shè)計(jì)

利用舵面故障參數(shù)增廣第i個(gè)濾波器的狀態(tài)向量，用來(lái)監(jiān)測(cè)第i個(gè)舵面故障的發(fā)生。增廣的狀態(tài)向量為

對(duì)于濾波器i，增廣狀態(tài)向量滿足

式中

線性化后得到

式中，G（i）為矩陣G的第i列。輸入矩陣為

式中，G（0，i）為G的第i列設(shè)為0。線性化為

式中

綜上，線性化的第i個(gè)舵面故障時(shí)的系統(tǒng)在采樣時(shí)刻的方程為

通過(guò)式（30）～式（35），便可以設(shè)計(jì)出針對(duì)5個(gè)舵面故障時(shí)的不同改進(jìn)的STMMAE濾波器。

2.6 歐幾里得范數(shù)簡(jiǎn)化的快速故障隔離方法

在MMAE方法及其各種改進(jìn)方法中，故障概率的計(jì)算絕大多數(shù)采用基于高斯概率密度函數(shù)的假設(shè)檢驗(yàn)方法［3］。當(dāng)飛機(jī)動(dòng)態(tài)特性變化較慢時(shí)，文獻(xiàn)［4］詳細(xì)分析了假設(shè)殘差是采用高斯概率密度計(jì)算條件概率的原因和合理性。

系統(tǒng)最終的狀態(tài)向量估計(jì)是每一個(gè)STF的加權(quán)和，權(quán)值對(duì)應(yīng)其條件故障概率

根據(jù)貝葉斯定理，有

式中，p［y＝y(tǒng)k｜（θ＝θi，Yk－1）］表示在觀測(cè)序列為Yk－1和發(fā)生故障θi時(shí)的條件概率，其服從高斯分布，條件概率密度的解析公式為

對(duì)概率密度的直觀解釋［5］：對(duì)于單輸入單輸出問(wèn)題，殘差ri越小，意味著第i個(gè)濾波器與該故障匹配越好，對(duì)應(yīng)條件概率越大。但是，由多維高斯分布概率密度函數(shù)計(jì)算某一時(shí)刻的條件概率時(shí)，將涉及多重積分，其計(jì)算量較大，難以滿足飛機(jī)舵面故障檢測(cè)實(shí)時(shí)性較高的要求。本文所研究問(wèn)題ri是5維的列向量，意味著每步計(jì)算將進(jìn)行一次5重積分，其計(jì)算量難以接受。

3 仿真結(jié)果

3.1 仿真條件

本文的仿真模型采用文獻(xiàn)［3］所給小型無(wú)人機(jī)六自由度非線性模型，氣動(dòng)參數(shù)完全相同，2個(gè)副翼和2個(gè)升降舵的運(yùn)動(dòng)相互獨(dú)立，采用PID控制的自動(dòng)駕駛儀保持飛機(jī)的速度、高度和姿態(tài)的穩(wěn)定，具體氣動(dòng)參數(shù)如表1所示。

表1 飛機(jī)模型參數(shù)

故障診斷系統(tǒng)一共由6個(gè)濾波器組成，分別對(duì)應(yīng)6種情況：無(wú)故障時(shí)的濾波器fnf、左副翼故障的濾波器fa1、右副翼故障的濾波器fa2、左升降舵故障的濾波器fe1、右升降舵故障的濾波器fe2和方向舵故障的濾波器fr。

為了得到比文獻(xiàn)［7］更真實(shí)的仿真結(jié)果，傳感器的量測(cè)數(shù)據(jù)經(jīng)過(guò)白噪聲劣化，對(duì)應(yīng)低成本傳感器典型特性，將會(huì)影響FDI的可靠性。為了與文獻(xiàn)［3］進(jìn)行對(duì)比，本文選擇的噪聲與文獻(xiàn)［3］相同：對(duì)于轉(zhuǎn)彎速率、氣流角和空速的傳感器噪聲方差分別為Σp，q，r＝0.007 6×I3rad2／s2＝0.001 2× I2rad2／s2＝1 m2／s2。

改進(jìn)的STF噪聲協(xié)方差矩陣為RW＝0.002×I5，傳感器噪聲協(xié)方差矩陣為RV＝diag［0.1×I30.02×I2］。

為了避免式（37）發(fā)生概率遞歸恒為0的情況出現(xiàn)，概率一旦為0，就將其設(shè)置為概率下限0.001。

3.2 故障情形

仿真系統(tǒng)產(chǎn)生一系列的故障如下：

t＝10～40 s，左副翼卡死在－15°的位置；

t＝70～100 s，右副翼在－15°～15°之間以方波形式波動(dòng)；

t＝130～160 s，方向舵卡死在－1°的位置；

t＝190～220 s，左升降舵卡死在10°的位置；

t＝250～280 s，右升降舵在2°～6°之間以方波形式波動(dòng)。

3.3 仿真結(jié)果分析

以下的仿真圖中，粗虛線均表示期望值（圖3中為期望的故障概率、圖4中為無(wú)噪聲的量測(cè)值、圖5中為舵面的實(shí)際偏轉(zhuǎn)值）；點(diǎn)虛線均表示采用EMMAE方法（文獻(xiàn)［3］）的仿真結(jié)果；點(diǎn)線均為STMMAE方法和基于三角分解思想改進(jìn)的STMMAE（本文將文獻(xiàn)［9］和文獻(xiàn)［10］中改進(jìn)STF方法運(yùn)用至文獻(xiàn)［7］STMMAE中，3種方法仿真結(jié)果相同）的仿真結(jié)果；粗實(shí)線均為本文提出的改進(jìn)的STMMAE方法的仿真結(jié)果。

圖3給出了針對(duì)上述一系列故障，F(xiàn)ID系統(tǒng)檢測(cè)出故障概率的仿真結(jié)果，6副圖分別代表無(wú)故障、左副翼δa1故障、右副翼δa2故障、左升降舵δe1故障、右升降舵δe2故障、方向舵δr故障六個(gè)濾波器的濾波結(jié)果。圖中左下角為155～195 s無(wú)故障濾波器故障檢測(cè)概率局部放大圖。

圖3 使用不同F(xiàn)DI方法的各濾波器的概率計(jì)算結(jié)果對(duì)比圖

在一定時(shí)間內(nèi)，如果故障概率大于90%，說(shuō)明一個(gè)作動(dòng)器有故障。在一定時(shí)間內(nèi)，如果故障概率小于5%，說(shuō)明故障已經(jīng)排除。當(dāng)左副翼δa1在10 s出現(xiàn)故障時(shí)，EMMAE方法約經(jīng)過(guò)4 s，無(wú)故障濾波器故障概率降為0，同時(shí)左副翼δa1故障概率升到1，檢測(cè)出左副翼故障，而STMMAE方法和改進(jìn)的STMMAE方法約僅僅用了0.4 s便準(zhǔn)確診斷出了該故障。在40 s時(shí)，左副翼故障排除，無(wú)故障概率約4 s恢復(fù)到1，故障排除。同理，其他4個(gè)故障通過(guò)所設(shè)計(jì)的濾波器也均被正確檢測(cè)出來(lái)。

圖4 使用不同F(xiàn)DI方法的各濾波器的系統(tǒng)狀態(tài)估計(jì)結(jié)果對(duì)比圖

表2為4種FID方法針對(duì)每一個(gè)故障的故障檢測(cè)與故障排除時(shí)間對(duì)比圖。第1行為傳統(tǒng)EMMAE的故障檢測(cè)時(shí)間，即EKF加傳統(tǒng)高斯故障概率密度故障隔離法，數(shù)據(jù)參見(jiàn)文獻(xiàn)［3］。第2行為在文獻(xiàn)［3］EKF濾波的基礎(chǔ)上，采用本文所提出的歐幾里得范數(shù)簡(jiǎn)化的快速故障隔離方法的故障檢測(cè)時(shí)間。通過(guò)前兩行仿真結(jié)果對(duì)比可以看出，快速故障隔離方法的故障診斷和故障排除時(shí)間大幅縮短。第3行為采用STMMAE和基于三角化分解思想改進(jìn)的STMMAE方法所需時(shí)間。第4行為采用本文所提方法的故障檢測(cè)時(shí)間。仿真結(jié)果表明，STMMAE比EMMAE方法提高了故障檢測(cè)速度，改進(jìn)的STMMAE方法比STMMAE故障檢測(cè)速度又有進(jìn)一步的提高。

圖4為4種FID方法的概率加權(quán)狀態(tài)估計(jì)結(jié)果比較圖，圖中的小圖為局部放大對(duì)比，細(xì)實(shí)線為噪聲測(cè)量值。

表2 使用不同F(xiàn)DI方法的故障檢測(cè)與故障排除時(shí)間對(duì)比圖 s

圖5為4種FID方法對(duì)5個(gè)飛機(jī)舵面的偏轉(zhuǎn)位置估計(jì)對(duì)比圖（只有在發(fā)生故障時(shí)，舵面的位置估計(jì)才有效），細(xì)實(shí)線為PID自動(dòng)駕駛儀計(jì)算得到的控制輸入值。

由圖4、圖5及其局部放大圖可以看出，本文提出的改進(jìn)的STMMAE方法比EMMAE方法濾波估計(jì)精度有明顯的提高，尤其是在故障突變的瞬間，充分體現(xiàn)了STF的強(qiáng)跟蹤性能。本文方法相比STMMAE和基于三角化分解思想改進(jìn)的STMMAE濾波估計(jì)精度也有進(jìn)一步的提高。

圖5 使用不同F(xiàn)DI方法的各濾波器的系統(tǒng)狀態(tài)估計(jì)結(jié)果對(duì)比圖

4 結(jié) 論

本文針對(duì)飛機(jī)舵面典型故障，改進(jìn)了STMMAE算法中的一步預(yù)測(cè)協(xié)方差矩陣的更新方程中多重漸消因子的作用方式，解決了其可能發(fā)生的濾波發(fā)散問(wèn)題，降低了計(jì)算量，提高了濾波估計(jì)精度；采用歐幾里得范數(shù)對(duì)故障概率的計(jì)算進(jìn)行了降維處理，降低了計(jì)算量，提高了故障診斷速度；通過(guò)一系列故障進(jìn)行了不同方法的對(duì)比仿真。仿真結(jié)果表明，本文提出的改進(jìn)的STMMAE方法比EMMAE方法故障診斷速度和濾波估計(jì)精度有明顯提高，尤其是在故障突變的瞬間，充分體現(xiàn)了STF的強(qiáng)跟蹤性能；改進(jìn)的STMMAE方法比STMMAE和基于三角分解思想改進(jìn)的STMMAE方法的故障診斷速度和濾波估計(jì)精度也有進(jìn)一步的提高。

［1］Eide P，Maybeck P S.An MMAE failure detection system for the F-16［J］.IEEE Trans.on Aerospace and Electronic Sys-tems，1996，32（3）：1125- 1136.

［2］Maybeck P S.Multiple model adaptive algorithms for detecting and compensating sensor and actuator／surface failures in aircraft flight control systems［J］.International Journal of Robust and Nonlinear Control，1999，9（14）：1051- 1070.

［3］Ducard G，Geering H P.Efficient nonlinear actuator fault detection and isolation system for unmanned aerial vehicles［J］.Journal of Guidance，Control and Dynamics，2008，31（1）：225- 237.

［4］Ducard G，Geering H P.A reconfigurable flight control system based on the EMMAE method［C］∥Proc.of the IEEE American Control Conference，2006：5499- 5504.

［5］Ducard G，Geering H P.Airspeed control for unmanned aerial vehicles：a nonlinear dynamic inversion approach［C］∥Proc.of the IEEE 16th Mediterranean Conference on Control and Automation，2008：676- 681.

［6］Ducard G，Geering H P.Stability analysis of a dynamic inversion based pitch rate controller for an unmanned aircraft［C］∥Proc. of the IEEE／RSJ International Conference on Intelligent Robots and Systems，2008：360- 366.

［7］Liu Z J，Li Q.Actuator fault diagnostics based on a strong-tracking multiple model estimator［J］.Journal of Tsinghua University（Scienceand Technology），2012，52（5）：642- 647.（柳志娟，李清.基于強(qiáng)跟蹤多模型估計(jì)器的作動(dòng)器故障診斷［J］.清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，52（5）：642- 647.）

［8］Zhou D H，Ye Y Z.Modern fault diagnosis and fault-tolerant control［M］.Beijing：Tsinghua University Press，2000.（周東華，葉銀忠.現(xiàn)代故障診斷與容錯(cuò)控制［M］.北京：清華大學(xué)出版社，2000.）

［9］Zhou C，Xiao J.Improved strong track filter and its application to vehicle state estimation［J］.Acta Automatica Sinica，2012，38（9）：1520- 1527.（周聰，肖建.改進(jìn)強(qiáng)跟蹤濾波算法及其在汽車狀態(tài)估計(jì)中的應(yīng)用［J］.自動(dòng)化學(xué)報(bào)，2012，38（9）：1520- 1527.）

［10］Li J W.Modified strong tracking filter based on UD decomposition［J］.Systems Engineering and Electronics，2009，31（8）：1953-1957.（李建文.基于UD分解的改進(jìn)型強(qiáng)跟蹤濾波器［J］.系統(tǒng)工程與電子技術(shù)，2009，31（8）：1953- 1957.）

［11］Pu X，Liu S，Jiang H.Adaptive gas path diagnostics using strong tracking filter［J］.Proceedings of the Institution of Mechanical Engineers，Part G：Journal of Aerospace Engineering，2014，228（4）：577- 585.

［12］Jwo D J，Yang C F，Chuang C H，et al.Performance enhancement for ultra-tight GPS／INSintegration using a fuzzy adaptive strong tracking unscented Kalman filter［J］.Nonlinear Dynamics，2013，73（1／2）：377- 395.

［13］Du Z L，Li X M.Multiple fading factors strong tracking SCKF and its application in fault parameter estimation［J］.Systems Engineering and Electronics，2014，36（4）：643- 649.（杜占龍，李小民.多重漸消因子強(qiáng)跟蹤SCKF及其在故障參數(shù)估計(jì)中的應(yīng)用［J］.系統(tǒng)工程與電子技術(shù)，2014，36（4）：643- 649.）

［14］Liu W L，Zhang Q Z.New strong tracking filter based on Cubature Kalman filter［J］.Journal of System Simulation，2014，26（5）：1102- 1107.（劉萬(wàn)利，張秋昭.基于Cubature卡爾曼濾波的強(qiáng)跟蹤濾波算法［J］.系統(tǒng)仿真學(xué)報(bào)，2014，26（5）：1102- 1107.）

馬 駿（198-7- ），男，博士研究生，主要研究方向?yàn)楣收显\斷與容錯(cuò)控制。

E-mail：majunforyou＠163.com

倪世宏（196-3- ），男，教授，博士研究生導(dǎo)師，主要研究方向?yàn)轱w行器狀態(tài)監(jiān)控與健康管理。

E-mail：470474069＠qq.com

謝武杰（196-7- ），男，副教授，主要研究方向?yàn)轱w行器狀態(tài)監(jiān)控與健康管理。

E-mail：343617602＠qq.com

董文瀚（197-9- ），男，副教授，主要研究方向?yàn)楝F(xiàn)代控制理論與應(yīng)用。

E-mail：dongwenhan＠sina.com

Fast fault diagnosis of improved strong tracking aircraft actuator

MA Jun，NI Shi-hong，XIE Wu-jie，DONG Wen-han
（Aeronautics and Astronautics Engineering Institute，Air Force Engineering University，Xi’an 710038，China）

The multiple model adaptive estimation（MMAE）method has low capability to track abrupt faults，therefore multiple fading factors may result in diverging the strong tracking filter（STF）.Moreover，the fault probability calculation is large.An improved strong tracking multiple model adaptive estimation（STMMAE）fast diagnosis algorithm is proposed.The tracking performance of the filter is improved by multiple fading factors.An improved renewal equation of the step prediction covariance matrix is proposed.The stability of the filter is guaranteed，and the estimation accuracy is improved.Based on the Euclidean norm，a fast fault isolation method which reduces the fault probability calculation is proposed.The simulation results show that the proposed algorithm is more efficient and has a better performance.

aircraft actuator failure；multiple model adaptive estimation；multiple fading factors；Euclidean norm

TP 273

A

10.3969／j.issn.1001-506X.2015.11.22

1001-506X（2015）11-2566-08

2014- 12- 10；

2015- 03- 05；網(wǎng)絡(luò)優(yōu)先出版日期：2015- 05- 13。

網(wǎng)絡(luò)優(yōu)先出版地址：http：／／www.cnki.net／kcms／detail／11.2422.TN.20150513.1115.005.html

國(guó)家自然科學(xué)基金（61273141）；中國(guó)航空科學(xué)基金（20141396012）資助課題