(青海民族大學(xué) 物理與電子信息工程學(xué)院，西寧 810007)

0 引言

隨著無(wú)人機(jī)技術(shù)的發(fā)展，現(xiàn)代無(wú)人機(jī)系統(tǒng)機(jī)載設(shè)備變得越來(lái)越復(fù)雜，在保障飛行安全、降低維護(hù)成本、提高無(wú)人機(jī)可用性方面，對(duì)故障診斷和維護(hù)方法提出了新的挑戰(zhàn)。提高安全性、可靠性和效率，降低無(wú)人機(jī)的使用和維護(hù)成本，始終受到用戶的密切關(guān)注。PHM技術(shù)可以對(duì)無(wú)人機(jī)的重要部件和系統(tǒng)進(jìn)行全面的健康狀態(tài)監(jiān)測(cè)，是現(xiàn)代信息技術(shù)和人工智能技術(shù)在維護(hù)保障領(lǐng)域綜合利用的最新發(fā)展。通過(guò)為無(wú)人機(jī)系統(tǒng)提供新型健康管理解決方案，能夠預(yù)測(cè)系統(tǒng)故障概率并在下一段時(shí)間采取適當(dāng)?shù)木S護(hù)措施，包括故障檢測(cè)和隔離、故障診斷、故障預(yù)測(cè)、健康管理和組件壽命跟蹤。無(wú)人機(jī)作為一個(gè)大型延遲復(fù)雜系統(tǒng)，只能通過(guò)遙測(cè)遙控?cái)?shù)據(jù)來(lái)掌握飛機(jī)的狀態(tài)，如果不能及時(shí)預(yù)判，當(dāng)故障真的發(fā)生時(shí)，就會(huì)無(wú)能為力。遙測(cè)遙控?cái)?shù)據(jù)是掌握無(wú)人機(jī)系統(tǒng)健康狀態(tài)，預(yù)判和分析故障的重要手段，有時(shí)也是唯一的手段，更具有現(xiàn)實(shí)意義。

PHM技術(shù)是綜合測(cè)試與故障診斷等技術(shù)的新的發(fā)展。在無(wú)人機(jī)中應(yīng)用PHM技術(shù)，可以有效地實(shí)現(xiàn)對(duì)裝備關(guān)鍵部件及分系統(tǒng)的故障檢測(cè)、診斷、預(yù)測(cè)與評(píng)估，從而更有效地提無(wú)人機(jī)裝備保障水平。通過(guò)PHM技術(shù)研究，可以對(duì)無(wú)人機(jī)進(jìn)行自我修復(fù)、任務(wù)降級(jí)或提前準(zhǔn)備所需的維護(hù)資源，從而降低生命周期成本。

傳統(tǒng)的無(wú)人機(jī)等裝備維修過(guò)程采用的一般都是基于事件的維修或定期維修方式，這些維修方式顧名思義主要是根據(jù)裝備是否出現(xiàn)異?；蚬收系葐?wèn)題來(lái)進(jìn)行維修，或是根據(jù)裝備維修保障的有關(guān)規(guī)定定時(shí)維修。通常這種方式無(wú)法有效地根據(jù)裝備的實(shí)際使用運(yùn)行情況進(jìn)行有針對(duì)性的維修，造成了一定程度上的經(jīng)費(fèi)、人員和時(shí)間的浪費(fèi)，目前正逐漸被視情維修(即基于狀態(tài)的維修)方式所取代。而PHM技術(shù)作為視情維修的重要關(guān)鍵技術(shù)，通過(guò)實(shí)現(xiàn)深層次的故障診斷、預(yù)測(cè)與評(píng)估等功能，可以更高效地確保無(wú)人機(jī)裝備的安全性，并提高其經(jīng)濟(jì)性，從而引起了廣泛的關(guān)注。

無(wú)人機(jī)裝備的故障診斷技術(shù)是PHM技術(shù)的重要組成部分，目前一般包括以下幾種類型；1)基于知識(shí)的故障診斷方法。分為專家系統(tǒng)方法、模糊推理方法、故障樹(shù)方法等。該方法根據(jù)專家在長(zhǎng)期工作實(shí)踐中積累起來(lái)的大量故障診斷經(jīng)驗(yàn)和知識(shí)來(lái)反映對(duì)象運(yùn)行特性從而解決故障診斷問(wèn)題，并不依賴對(duì)象的精確數(shù)學(xué)模型[1]。但缺點(diǎn)是在一定程度的知識(shí)獲取方面面臨一些困難；2)基于模型的故障診斷方法。這種方法的特點(diǎn)主要是在裝備對(duì)象的觀察結(jié)果和信息基礎(chǔ)上，建立相應(yīng)的系統(tǒng)結(jié)構(gòu)和功能的數(shù)學(xué)模型，之后通過(guò)建立的精確數(shù)學(xué)模型來(lái)進(jìn)行故障診斷[2-3]。但由于裝備對(duì)象一般都十分復(fù)雜，因此應(yīng)用該方法建模的難度較大；3)數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法。該方法的特點(diǎn)是主要以裝備運(yùn)行過(guò)程的數(shù)據(jù)為基礎(chǔ)，通過(guò)對(duì)其進(jìn)行分析處理來(lái)完成裝備的故障診斷，既不需要了解裝備的精確數(shù)學(xué)模型，也不需要了解故障診斷的知識(shí)，一般包括信號(hào)處理方法、機(jī)器學(xué)習(xí)方法等類型[4-6]。但也存在難以解析和解釋失敗等不足。目前，無(wú)人機(jī)故障診斷的重點(diǎn)研究對(duì)象是傳感器[7-8]，但是隨著技術(shù)的發(fā)展，飛控、電源、發(fā)動(dòng)機(jī)等也得到了越來(lái)越多的重視[9-10]。

本文結(jié)合無(wú)人機(jī)工程的實(shí)際應(yīng)用要求，基于故障預(yù)測(cè)與健康管理(PHM)理論發(fā)展，在無(wú)人機(jī)裝備故障模式分析基礎(chǔ)上，研究遙測(cè)數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法，為實(shí)現(xiàn)無(wú)人機(jī)健康管理提供技術(shù)依據(jù)。

1 無(wú)人機(jī)發(fā)動(dòng)機(jī)典型故障及模式分析

無(wú)人機(jī)系統(tǒng)的組成十分復(fù)雜，但作為一個(gè)飛行器，動(dòng)力系統(tǒng)無(wú)疑是其中最重要的系統(tǒng)。發(fā)動(dòng)機(jī)作為無(wú)人機(jī)系統(tǒng)的動(dòng)力系統(tǒng)，是無(wú)人機(jī)正常飛行及工作的保證。

對(duì)某型無(wú)人機(jī)開(kāi)展了故障模式分析，共總結(jié)了5大類的11種不同故障，故障的5大類型包括：怠速不穩(wěn)定或無(wú)法調(diào)整；高速工作不穩(wěn)定、失火或間斷點(diǎn)火；發(fā)動(dòng)機(jī)過(guò)熱；震動(dòng)嚴(yán)重，工作粗暴，排氣管冒煙；怠速正常，但不能加速。分別選取自故障發(fā)生時(shí)開(kāi)始，持續(xù)一定時(shí)間內(nèi)的故障數(shù)據(jù)，參數(shù)具體包括發(fā)動(dòng)機(jī)轉(zhuǎn)速、滑油壓力、汽缸溫度等。以故障1為例，故障數(shù)據(jù)的波動(dòng)趨勢(shì)可以描述如下：滑油壓力波動(dòng)較大，之后發(fā)動(dòng)機(jī)轉(zhuǎn)速突然降低，抖動(dòng)變大。如圖1所示。

圖1 無(wú)人機(jī)發(fā)動(dòng)機(jī)故障案例

然后，對(duì)11種故障數(shù)據(jù)進(jìn)行趨勢(shì)描述，別進(jìn)行分類，如表1所示。

表1 發(fā)動(dòng)機(jī)系統(tǒng)主要故障記錄表

2 基于遙測(cè)數(shù)據(jù)的無(wú)人機(jī)發(fā)動(dòng)機(jī)故障診斷方法

本文主要研究粒子濾波、K-means聚類和MLP等3種基于數(shù)據(jù)的無(wú)人機(jī)發(fā)動(dòng)機(jī)故障診斷方法。

2.1 粒子濾波故障診斷方法

粒子濾波法建立在蒙特卡洛方法基礎(chǔ)之上，是貝葉斯理論與隨機(jī)采樣方法結(jié)合的結(jié)果。該方法具有解決任意非線性、非高斯系統(tǒng)的濾波問(wèn)題的能力。

粒子濾波方法使用狀態(tài)空間中的大量采樣點(diǎn)來(lái)對(duì)實(shí)際狀態(tài)的概率密度函數(shù)進(jìn)行近似(這些采樣點(diǎn)即為“粒子”)。 在粒子數(shù)量增加之后，可以很好地近似獲得的概率密度函數(shù)，并且實(shí)現(xiàn)最佳貝葉斯估計(jì)的效果。該方法為每個(gè)粒子分配權(quán)重，使得由大量不同權(quán)重點(diǎn)組成的離散分布可以近似于連續(xù)分布，并且能夠跟蹤系統(tǒng)的多個(gè)模式的行為，因此可以利用該特點(diǎn)來(lái)實(shí)現(xiàn)在連續(xù)狀態(tài)和離散狀態(tài)估計(jì)中的。粒子濾波方法的主要不足，是粒子退化和跟蹤突變狀態(tài)的能力較差。

粒子濾波方法的描述如下：

2)連續(xù)重要性抽樣：k=1,...,N。隨機(jī)從建議分布分發(fā)函數(shù)中提取N個(gè)粒子：

xki～q(xki/xk-1i,yk) =p(xki/xk-1i),i= 1,2,...N

(1)

更新粒子權(quán)重并標(biāo)準(zhǔn)化權(quán)重：

(2)

(3)

4)輸出。狀態(tài)估計(jì)和方差估計(jì)分別如公式(4)～(5)所示：

(4)

(5)

5)如果k≤T(T為已知量測(cè)值y的個(gè)數(shù))，那么令k=k+1并返回步驟(2)。否則，退出過(guò)程。

2.2 K-means聚類診斷方法

給定一個(gè)聚類C={C1,C2,…Ck}，可以利用某個(gè)評(píng)分函數(shù)(如下式所示的平方差和評(píng)分函數(shù)sum of squared error, SSE)來(lái)評(píng)估其質(zhì)量：

(6)

目標(biāo)是找到使得平方差和分?jǐn)?shù)最小的聚類：

(7)

K-means聚類方法的主要思路，是采用一種貪心的迭代方法來(lái)找到使得式(1)最小的聚類，因此，它會(huì)收斂到局部最優(yōu)點(diǎn)而不是全局最優(yōu)點(diǎn)。

假設(shè)待分類的初始數(shù)據(jù)集(x1,x2, ...xn)，并且每個(gè)xi是包含原始數(shù)據(jù)的d個(gè)特征的n維向量，K-means聚類的目的就是，在給定分類組數(shù)k(k≤n)值的條件下，將原始數(shù)據(jù)分成k類，S={S1,S2,…,Sk}。

該方法的流程如圖2所示，主要步驟包括：首先，從樣本數(shù)據(jù)集C中隨機(jī)抽取k個(gè)元素作為k個(gè)簇的各個(gè)中心。其次，分別計(jì)算k個(gè)簇的其余要素與中心之間的差異度，并將這些要素放入差異度最低的集群中。之后，在聚類結(jié)果的基礎(chǔ)上，通過(guò)使用所有聚類要素的每個(gè)維度的算術(shù)平均值的方法重新計(jì)算k個(gè)簇的各個(gè)中心。下一步，根據(jù)所求得到的的中心再次對(duì)樣本數(shù)據(jù)集C中的所有要素進(jìn)行聚類，計(jì)算準(zhǔn)則函數(shù)，這一步驟需要重復(fù)進(jìn)行，直到k個(gè)簇的各個(gè)中心不再發(fā)生新的變化(即判斷準(zhǔn)則函數(shù)是否滿足閾值)。最后輸出結(jié)果即是k-means聚類結(jié)果。

圖2 K-Means算法流程圖

2.3 多層感知器(MLP)診斷方法

多層感知器(Multi-Layer Perception，MLP)是一種常見(jiàn)的基于神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)模型。該模型包括輸入層，一個(gè)或多個(gè)隱藏層和輸出層。神經(jīng)網(wǎng)絡(luò)為每個(gè)輸入分配權(quán)重，然后累積輸入并將其用于閾值函數(shù)。在訓(xùn)練過(guò)程結(jié)束之后，神經(jīng)網(wǎng)絡(luò)可以針對(duì)輸入產(chǎn)生適當(dāng)?shù)妮敵?。輸入、輸出、隱藏層和節(jié)點(diǎn)的數(shù)量需要神經(jīng)網(wǎng)絡(luò)配置后確定?？梢愿鶕?jù)經(jīng)驗(yàn)確定適當(dāng)數(shù)量的節(jié)點(diǎn)和層，但應(yīng)準(zhǔn)確確定網(wǎng)絡(luò)的輸入屬性。網(wǎng)絡(luò)的輸入和屬性在決策中起著重要作用。

多層感知器作為廣泛使用的機(jī)器學(xué)習(xí)模型，適合回歸和分類等類應(yīng)用。該模型的學(xué)習(xí)一般基于誤差函數(shù)梯度下降的原則，但有時(shí)可能會(huì)存在過(guò)擬合的現(xiàn)象。

圖3 多層感知器原理圖

圖3給出了多層感知器(MLP)的原理圖。輸入層包括：

ak=f(netk)k=1,2,...,l

(8)

(9)

隱藏層包括：

yj=f(netj)j=1,2,...,m

(10)

(11)

其中變換函數(shù)f(x)為連續(xù)、可導(dǎo)的單極性Sigmoid函數(shù)：

(12)

f′(x)=f(x)[1-f(x)]

(13)

多層感知神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程如圖4所示。MLP的功能特性表明它適用于故障診斷?？梢允褂梅聪騻鞑ミM(jìn)行MLP訓(xùn)練，最后獲得對(duì)應(yīng)于當(dāng)前網(wǎng)絡(luò)權(quán)重的實(shí)際輸出。對(duì)于無(wú)人機(jī)等典型裝備(如發(fā)動(dòng)機(jī))，其故障診斷是基于故障特征的故障分類模型，以實(shí)現(xiàn)系統(tǒng)確定健康狀態(tài)，因此可以應(yīng)用MLP進(jìn)行故障診斷。

圖4 多層感知神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程圖

3 仿真實(shí)驗(yàn)和結(jié)果分析

3.1 試驗(yàn)數(shù)據(jù)分析

針對(duì)某型無(wú)人機(jī)，圍繞表1所介紹的5大類11項(xiàng)故障，以飛行數(shù)據(jù)、測(cè)試數(shù)據(jù)等為基礎(chǔ)，形成了無(wú)人機(jī)發(fā)動(dòng)機(jī)故障仿真實(shí)驗(yàn)數(shù)據(jù)集，用于驗(yàn)證本文提出的發(fā)動(dòng)機(jī)故障診斷方法的效果。其中部分?jǐn)?shù)據(jù)如圖5和圖6所示，分別為怠速不穩(wěn)定或無(wú)法調(diào)整、高速工作不穩(wěn)定與失火或間斷點(diǎn)火等故障的數(shù)據(jù)示意圖。

圖5 怠速不穩(wěn)定或無(wú)法調(diào)整故障數(shù)據(jù)示意圖

圖6 高速工作不穩(wěn)定與失火或間斷點(diǎn)火故障數(shù)據(jù)示意圖

3.2 聚類結(jié)果比較和分析

選取4種故障數(shù)據(jù)做聚類效果比較，在未知故障模式分類的前提下，用3種診斷方法進(jìn)行聚類計(jì)算，將聚類結(jié)果與真實(shí)故障模式進(jìn)行對(duì)照比較，計(jì)算平均絕對(duì)誤差(MAE)。

圖7 10次實(shí)驗(yàn)平均絕對(duì)誤差結(jié)果

統(tǒng)計(jì)結(jié)果如表2所示。

表2 3種發(fā)動(dòng)機(jī)診斷方法準(zhǔn)確率結(jié)果

3.3 診斷結(jié)果比較和分析

通過(guò)故障識(shí)別準(zhǔn)確度來(lái)進(jìn)行診斷效果的評(píng)價(jià)。該指標(biāo)定義如下：

(14)

故障識(shí)別準(zhǔn)確度T能夠比較好地衡量故障診斷模型的精度。上式中，D為診斷樣本的總數(shù)，c指診斷的準(zhǔn)確樣本總數(shù)。

選擇兩種故障數(shù)據(jù)作為比較對(duì)象，一種是突變故障，即故障的發(fā)生更隨機(jī)，趨勢(shì)與故障前的趨勢(shì)無(wú)關(guān)；另一種故障是逐漸演化的故障，即故障的發(fā)生是逐漸變化的，故障時(shí)間數(shù)據(jù)與以前的數(shù)據(jù)有一定的關(guān)系，通過(guò)以前的數(shù)據(jù)推斷出故障數(shù)據(jù)。在故障診斷方法中，趨勢(shì)數(shù)據(jù)用于粒子濾波，故障診斷類型的能力相對(duì)較弱。不同方法故障識(shí)別率的結(jié)果如表3所示。

表3 3種無(wú)人機(jī)發(fā)動(dòng)機(jī)診斷方法準(zhǔn)確率結(jié)果

通過(guò)分析，針對(duì)發(fā)動(dòng)機(jī)第一和第二類故障，MLP具有最佳診斷結(jié)果；對(duì)于第三和第五類故障，K-Means表現(xiàn)最佳；對(duì)于第四類故障，粒子濾波方法更為適合。

根據(jù)表3和圖7可以看出，對(duì)于無(wú)人機(jī)發(fā)動(dòng)機(jī)的突變故障的診斷，因?yàn)槿鄙仝厔?shì)數(shù)據(jù)的知識(shí)，或者趨勢(shì)數(shù)據(jù)的參考性不大，而粒子濾波對(duì)趨勢(shì)數(shù)據(jù)依賴較大，所以其診斷效果不及MLP和K-means聚類。而對(duì)于漸變故障來(lái)說(shuō)，粒子濾波算法則能夠發(fā)揮其優(yōu)勢(shì)，得到3種方法最好的診斷結(jié)果。綜上，對(duì)于有一定變化趨勢(shì)的結(jié)果診斷，粒子濾波能夠較好發(fā)揮。

4 結(jié)論

本文分析研究了基于遙測(cè)數(shù)據(jù)的無(wú)人機(jī)典型故障模式和故障診斷方法，并對(duì)3種故障診斷模型的結(jié)果進(jìn)行了對(duì)比分析，為無(wú)人機(jī)健康監(jiān)測(cè)和自主安全提供了應(yīng)用案例分析，具有較高的工程應(yīng)用價(jià)值。存在一些不足之處：當(dāng)粒子濾波器應(yīng)用于實(shí)時(shí)系統(tǒng)時(shí)，粒子濾波方法的計(jì)算復(fù)雜度非常艱巨，如何在有限的計(jì)算時(shí)間內(nèi)滿足要求仍需深入研究。實(shí)際分析過(guò)程中要求計(jì)算結(jié)果必須收斂到真值，并且必須具有一定的收斂速度。因此，如何找到一種可靠的方法來(lái)檢測(cè)粒子濾波的收斂速度和收斂速度是至關(guān)重要的，這一理論研究需要進(jìn)一步改進(jìn)。