劉哲成，郭麗娟

(天津師范大學 軟件學院，天津 300387)

0 引言

無人機的全稱為無人駕駛航空器，無人機的操控與其地形環(huán)境狀況以及操縱人員的身體素質(zhì)關(guān)系較小。因此，其可以在較長時間內(nèi)完成高危地區(qū)的地區(qū)勘探與偵察等任務[1]。相對于有人駕駛飛機，操作人員的危險較小。由此觀之，無人機在使用方面相較于有人駕駛飛機較為靈活方便，在必要時刻可將其作為誘餌進行系統(tǒng)自行毀壞操作。

由于在高空中作業(yè)的無人機具有滯留天空時間較長的操作要求，因此其所攜帶的裝備應該盡可能保持較輕的重量，進而能夠容納較大容量的燃料[2]。與此同時，滯留天空時間的延長同時會造成無人機控制系統(tǒng)的失常，為此，需對其可靠性進行系統(tǒng)加強，目前研究利用系統(tǒng)余度技術(shù)以及無人機自動修復控制系統(tǒng)對此問題進行處理[3]。

無人機控制系統(tǒng)故障檢測與診斷是一門綜合性較強的技術(shù)，當無人機控制系統(tǒng)的一項或多項指標參數(shù)發(fā)生了較大的偏差，并超出了可接受范圍，發(fā)生故障時，需先對系統(tǒng)進行故障檢測，在檢測到故障數(shù)據(jù)后，對發(fā)生故障的部位進行系統(tǒng)隔離，并進一步確認故障的屬性與特征參數(shù)，以上步驟為整體故障診斷過程，需以此對系統(tǒng)進行綜合檢測[4]。通常情況下，根據(jù)控制系統(tǒng)故障的方法不同，將其分為以下幾類：按照故障部位可分為被操控過程元器件故障、傳感器系統(tǒng)故障、飛行執(zhí)行器系統(tǒng)故障。按照故障的類型可分為脈沖型綜合系統(tǒng)故障、階躍式綜合體系統(tǒng)故障以及元件緩慢漂移型系統(tǒng)故障。

當系統(tǒng)中的量產(chǎn)生與正常工作狀態(tài)下不同特征時，此種不同特征便隱含著各種故障數(shù)據(jù)信息，找到這些故障特征描述，并對其進行檢測隔離以及故障程度分析完成對故障的檢測。為此，本文提出一種基于分層濾波算法的無人機控制系統(tǒng)故障檢測技術(shù)，對系統(tǒng)進行坐標系與模型構(gòu)建，并在故障參數(shù)提取的基礎(chǔ)上對其進行檢測[5]。

該技術(shù)在一定程度上簡便檢測過程，提升了故障檢測的效率，擁有更加良好的檢測效果。

1 系統(tǒng)坐標系與模型構(gòu)建

為進一步對無人機飛行狀態(tài)進行準確的描述，需選取適當?shù)淖鴺讼怠Ｔ诖_認飛機相對于地面的飛行位置時，可構(gòu)建地面坐標系用于飛行參照。該坐標系根據(jù)檢測機體轉(zhuǎn)動形式構(gòu)建，無人機的運動軌跡可通過構(gòu)建速度坐標系進行研究，整體坐標系圖如圖1所示。

圖1 整體坐標系圖

無人機控制系統(tǒng)中的故障可能發(fā)生在此些部位，為此，構(gòu)建整體系統(tǒng)坐標系。分為以下幾個坐標系的構(gòu)建：

1)在地面坐標系構(gòu)建過程中，選取原點Oa作為無人機的起飛點，OaYa為與地平面相平行并指向正北的坐標軸，OaXa也位于平面之內(nèi)，并與OaYa向垂直指向正東方向，OaZa垂直于地表方向同時指向地心[6]。

3)在速度坐標系的構(gòu)建中，選取無人機重心點作為原點Oc，保證X軸與無人機的飛行速度V保持一致，Z軸在無人機機體對稱平面之內(nèi)并與X軸相垂直，同時指向機體內(nèi)腹，Y軸與二維平面垂直，并指向右方。

在機體坐標系與地面坐標系之間構(gòu)成一個相互關(guān)系，將此種關(guān)系用三種姿態(tài)角來進行表示。滾轉(zhuǎn)角φ、俯仰角γ與偏航角λ。機體坐標系到地面坐標系之間的平行關(guān)系式如下：

K=cosφsinγsinλ-sinγsinλ

(1)

在構(gòu)建其坐標系后，還需要的構(gòu)建系統(tǒng)模型，選取一定的模型數(shù)據(jù)，同時收集無人機系統(tǒng)的內(nèi)部轉(zhuǎn)向角因素，并對轉(zhuǎn)向角進行數(shù)據(jù)錄入，將主系統(tǒng)中所獲得的數(shù)據(jù)進行算法整合處理，同時利用濾波手段控制數(shù)據(jù)錄入量，在錄入后，提供所得數(shù)學數(shù)據(jù)，并進行數(shù)學模型的構(gòu)建，將此數(shù)學模型作為故障特征的描述模型，其故障時的工作公式如下：

E[W(g)]=0

(2)

在此式中，由于故障計量方法準確度較差，需對其進行進一步的算法預估處理，在構(gòu)建模型基礎(chǔ)上選擇模型矩陣，并對無人機的初始狀態(tài)進行特征參數(shù)的統(tǒng)計。為此，需對其進行控制系統(tǒng)故障特征參數(shù)的提取，并對參數(shù)進行系統(tǒng)的處理分析。其模型對照圖如圖2所示。

圖2 模型對照圖

2 基于分層濾波算法的無人機控制系統(tǒng)故障特征參數(shù)提取

首先對特征參數(shù)進行綜合整合，選取不同于正常狀態(tài)的特征參數(shù)，利用噪聲估計器將故障進行診斷，選擇與標準波率不同的數(shù)據(jù)波，并計算出無人機控制系統(tǒng)的殘余差值，按照殘差與零之間的關(guān)系進行控制系統(tǒng)傳感器的故障檢測，同時構(gòu)建相對應的特征函數(shù)進行特征檢測，以此來判斷出發(fā)生故障的具體部位。特征函數(shù)角度如圖3所示。

圖3 特征函數(shù)角度圖

根據(jù)錄入噪聲的數(shù)據(jù)與噪聲測量本身數(shù)據(jù)的不同，其測量的結(jié)果具有不穩(wěn)定性[7]。為此，對其進行先驗信息的檢測，在噪聲統(tǒng)計的過程中，可能會對噪聲設(shè)計產(chǎn)生濾波誤差的影響，進而使濾波發(fā)生散射情況，為此，應在濾波過程中進行噪聲估計器的引入，將未知數(shù)據(jù)進行綜合檢測，同時對其差異性進行在線預估，進而實現(xiàn)系統(tǒng)的自適應處理[8]。本文將系統(tǒng)故障產(chǎn)生的噪聲與測量故障噪聲進行對比，根據(jù)對比數(shù)據(jù)對其進行綜合分析，提取噪聲參數(shù)并加強控制系統(tǒng)的故障噪聲反應速率，在非零均時的基礎(chǔ)上將噪聲特征進行在線估計與檢測。由于時變噪聲過于特殊，在處理過程中，需加緊時變處理，將噪聲加急，并根據(jù)所獲得的噪聲選擇適當?shù)墓收咸卣鲄?shù)，同時選定復雜坐標作為參數(shù)統(tǒng)計輔助，加入指數(shù)加權(quán)法進行參數(shù)集中操作，將所提取的參數(shù)隔離處理，按照參數(shù)的濾波大小分辨故障存在的噪聲區(qū)域，并不斷更新所需測量的數(shù)據(jù)，保證數(shù)據(jù)保持時效性。

同樣，與連續(xù)性和線性的小說、詩歌、傳統(tǒng)攝影相比，數(shù)碼照片是圖像、聲音與文本之網(wǎng)中的一種要素，是網(wǎng)絡(luò)多重鏈接的一個支點。

為加強特征參數(shù)的提取，對其進行公式算法的計算，其公式如下：

φ=|X11-X22|

(3)

在此式中，其狀態(tài)保持在預估濾波后的系統(tǒng)執(zhí)行狀態(tài)，對控制系統(tǒng)的工作運行狀況的反應較為清晰。同時為保證在動態(tài)系統(tǒng)狀況下也能完整進行特征參數(shù)提取操作，對控制系統(tǒng)進行數(shù)據(jù)加權(quán)處理，將全體數(shù)據(jù)的參數(shù)進行參數(shù)平恒加權(quán)，最終獲得的參數(shù)若與加權(quán)參數(shù)差值大于0.5，則將其判斷為殘余差值故障參數(shù)，并將此參數(shù)與集體參數(shù)分離，同時錄入至故障檢測系統(tǒng)中，等待系統(tǒng)的下一步故障檢測操作[9]。

3 基于分層濾波算法的無人機控制系統(tǒng)故障檢測

將以上步驟所獲取的故障特征參數(shù)進行系統(tǒng)集中錄入，同時進行無人機控制系統(tǒng)的故障檢測操作。

首先根據(jù)所得數(shù)據(jù)，構(gòu)建故障檢測機制，同時設(shè)置5個中心系統(tǒng)傳感器，假設(shè)所設(shè)置的傳感器的故障均為控制系統(tǒng)全局故障，則系統(tǒng)檢測機制的設(shè)置數(shù)量為6個，其中參數(shù)值等于0的參數(shù)為系統(tǒng)正常工作參數(shù)。參數(shù)值大于0的參數(shù)為5個傳感器故障時的檢測參數(shù)。進一步構(gòu)建系統(tǒng)正常工作狀態(tài)與全局故障狀態(tài)下的檢測機制，并利用分層濾波算法將兩種機制分離，同時構(gòu)建包含雙層模型機制的模型集。在模型集中，單一故障為檢測狀態(tài)下的第一層系統(tǒng)故障[10]。雙重故障為檢測狀態(tài)下5個傳感的一至五層故障。同時在此基礎(chǔ)上進行故障疊加操作，簡便故障檢測系統(tǒng)，為其檢測提供更大的測量空間。無人機控制系統(tǒng)結(jié)構(gòu)圖如圖4所示。

圖4 無人機控制系統(tǒng)結(jié)構(gòu)圖

通過仿真，將所得檢測機制進行后驗概率曲線的獲取操作，在獲得故障曲線后對故障部位進行過雙重故障機制的啟用操作，并獲取新的機制數(shù)據(jù)，同時將對參數(shù)組進行重新參數(shù)獲取操作。其故障曲線圖如圖5所示。

圖5 故障曲線圖

在雙重故障機制啟用后，集中處理故障檢測參數(shù)，選取一個常數(shù)k，并將此作為檢測標準參考值，當檢測參數(shù)與此值的差值小于零時，將此檢測參數(shù)判定為檢測出的故障參數(shù)。由此可進行其系統(tǒng)故障部位的判定。

將檢測的參數(shù)進行濾波器與子模型的關(guān)系對照比較，一旦確定發(fā)生了系統(tǒng)故障，可將此故障作為濾波器檢測系統(tǒng)的二重故障，在此基礎(chǔ)上對濾波后的參數(shù)進行檢測，能夠大大減少檢測的數(shù)據(jù)量。其濾波器組與子模型圖如圖6所示。

圖6 濾波器組與子模型圖

允許算法重新回到初始狀態(tài)，以確保在下一次的數(shù)據(jù)檢測中系統(tǒng)故障參數(shù)能夠保持較為良好的檢測狀態(tài)，并減少濾波器的用量，提升其多重檢測的性能，更好地完成對無人機控制系統(tǒng)故障的檢測。

4 實驗研究

4.1 實驗目的

為了檢測本文基于分層濾波算法的無人機控制系統(tǒng)故障檢測技術(shù)的檢測效果，與傳統(tǒng)檢測技術(shù)進行對比，并分析實驗結(jié)果。

4.2 基于分層濾波算法的無人機控制系統(tǒng)故障檢測模型構(gòu)建

針對無人機控制系統(tǒng)的操作復雜性以及故障產(chǎn)生部位的不確定性，需對其進行系統(tǒng)分析，為此，構(gòu)建基于分層濾波算法的無人機控制系統(tǒng)故障檢測模型對其進行理論研究，如圖7所示。

圖7 檢測模型圖

根據(jù)上述實驗模型的構(gòu)建，進行實驗參數(shù)的設(shè)定，如表1所示。

表1 實驗參數(shù)表

4.3 實驗結(jié)果與分析

根據(jù)上述構(gòu)建模型進行對比實驗，將本文基于分層濾波算法的無人機控制系統(tǒng)故障檢測技術(shù)的檢測效果與傳統(tǒng)無人機控制系統(tǒng)故障檢測技術(shù)的檢測效果進行比較，得到的故障檢測誤差率與故障檢測速率對比圖如圖8所示。

圖8 實驗結(jié)果

對比圖8可知，本文選取坐標系構(gòu)建方法將整體系統(tǒng)檢測參數(shù)模型化，能夠在一定程度上提升對整體故障參數(shù)的檢測數(shù)量，對無人機控制系統(tǒng)的不同狀態(tài)進行相應坐標的構(gòu)建方式能夠降低系統(tǒng)在檢測過程中的不必要損耗，有效的抓住檢測重點參數(shù)，并能夠提供可靠數(shù)據(jù)，減少數(shù)據(jù)故障查找的錯誤率。對故障檢測系統(tǒng)進行系統(tǒng)模型矩陣的構(gòu)建，能夠輔助系統(tǒng)對故障類型進行分類操作，并在一定程度上降低了系統(tǒng)的查找重復率，有效降低檢測的誤差率。而傳統(tǒng)檢測技術(shù)對于該步驟的處理缺失，不能較好的對此進行處理，系統(tǒng)的故障檢測誤差率較大。

在實驗方法檢測時間點為12時，本文檢測技術(shù)的故障檢測速率為78.2%，傳統(tǒng)檢測技術(shù)的故障檢測速率為51.4%。造成此種差異的主要原因在于本文完成了故障特征參數(shù)提取，且在提取時簡化了計算過程，進而減少檢測所需時間，實驗證明在一定的時間條件下，所提方法的根據(jù)噪聲波值的大小對故障源部位進行判斷，能較為精準的查找到故障所發(fā)生的具體坐標，能夠有效縮減查找時間，提升故障檢測速率。

在此后的檢測中，隨著檢測時間的增加，本文檢測技術(shù)的故障檢測速率不斷提升，且一直位于傳統(tǒng)檢測技術(shù)之上。除以上原因外，由于本文在故障檢測過程中選用傳感器分類檢測的方法，有效提升了傳感器故障檢測系統(tǒng)的工作效率，較為細致的分析故障的性質(zhì)與故障產(chǎn)生時無人機的運行狀態(tài)，進而增強檢測系統(tǒng)的檢測效率，專門設(shè)置檢測機制對檢測參數(shù)進行集中處理，在較大程度上增強檢測系統(tǒng)的專業(yè)性，提升其檢測性能，并有利于下一次檢測的進行。而傳統(tǒng)檢測技術(shù)不具備此項步驟，對于故障檢測方面的研究不夠透徹，最終獲取的故障檢測速率較低。

經(jīng)過以上對比分析可知，本文檢測技術(shù)的故障檢測誤差率低于傳統(tǒng)檢測技術(shù)，故障檢測速率高于傳統(tǒng)檢測技術(shù)，能夠在較大的程度上提升檢測系統(tǒng)的檢測性能，使檢測過程更加精簡，有效提升了檢測系統(tǒng)的故障檢測效率，具備更加廣闊的使用前景。

5 結(jié)束語

本文在傳統(tǒng)檢測技術(shù)的基礎(chǔ)上研究了一種新式基于分層濾波算法的無人機控制系統(tǒng)故障檢測技術(shù)，該技術(shù)的檢測效果優(yōu)于傳統(tǒng)技術(shù)的檢測效果。

本文檢測技術(shù)首先對整體系統(tǒng)進行坐標系與模型的構(gòu)建，根據(jù)故障可能發(fā)生的部位以及機體運行狀況的特殊性，對其進行分類，并構(gòu)建相應的坐標系，同時按照特定的模型數(shù)據(jù)進行模型的構(gòu)建，在基礎(chǔ)模型構(gòu)建完成后對其故障特征參數(shù)進行提取，對其發(fā)生故障時產(chǎn)生的噪聲進行分析，將濾波曲線不同的參數(shù)挑選出來，大致確定故障發(fā)生的部位，在故障特征參數(shù)獲取后，錄入?yún)?shù)并進行檢測機制的構(gòu)建，對參數(shù)進行綜合處理，利用常數(shù)k與檢測參數(shù)相比較，獲得最終的故障檢測參數(shù)，以達到對控制系統(tǒng)故障檢測的目的。

相較于傳統(tǒng)檢測技術(shù)，本文檢測技術(shù)能夠較快的增強系統(tǒng)的自動防御力，并加強系統(tǒng)的自我控制能力，簡化算法計算過程，進而更快的計算出故障發(fā)生的參數(shù)數(shù)據(jù)，并明顯提升了整體檢測技術(shù)的檢測效率，為以后的檢測提供更好的技術(shù)支持，具備更佳的檢測效果。