王鳳芹，高 龍，李 瑛，耿寶亮

（海軍航空大學，山東煙臺 264001）

0 引言

隨著無人機的廣泛應用，其飛行安全已成為當前無人機領域重點關注的問題。無人機飛控系統(tǒng)作為無人機核心分系統(tǒng)，其性能直接影響著無人機的飛行性能與飛行品質(zhì)。同時，其工作狀態(tài)也直接影響著無人機的飛行安全。為了對無人機飛控系統(tǒng)的工作狀態(tài)進行監(jiān)控，國內(nèi)外學者都進行了大量研究與嘗試。

文獻[1-3]采用擴展卡爾曼濾波器（Extended Kalman Filter，EKF）方法分別對飛控系統(tǒng)中的攻角傳感器、空速管和執(zhí)行機構(gòu)進行了狀態(tài)監(jiān)控與故障診斷，但該方法存在計算成本高、對于非線性系統(tǒng)模型線性化效果較差等缺點。

隨著傳感器技術和通信技術的飛速發(fā)展，無人機飛控系統(tǒng)（簡稱“飛控系統(tǒng)”）采集得到的數(shù)據(jù)日益增多。利用無人機大量歷史飛行數(shù)據(jù)來分析預測無人機各部件的工作狀態(tài)已成為可能；文獻[4-5]利用飛參數(shù)據(jù)進行航空發(fā)動機使用壽命預測；文獻[6]提出了基于飛參多源信息融合的無人機飛行安全評估方案。從這些文獻可以看出，基于飛參數(shù)據(jù)監(jiān)控系統(tǒng)工作狀態(tài)是可行且有意義的。文獻[7]提出了基于卷積神經(jīng)網(wǎng)絡和長短期記憶網(wǎng)絡（Long Short Term Memory Network，LSTM）的飛控系統(tǒng)剩余壽命預測方法，利用卷積LSTM提取飛控系統(tǒng)狀態(tài)參數(shù)時間序列信息，建立不同狀態(tài)參數(shù)之間的時間與空間相結(jié)合的剩余壽命預測時序?qū)W習網(wǎng)絡，從而實現(xiàn)飛控系統(tǒng)的剩余壽命預測。文獻[8-12]基于學習網(wǎng)絡開展飛機的故障診斷或狀態(tài)監(jiān)控；文獻[13-18]基于飛機的飛行數(shù)據(jù)，診斷系統(tǒng)的故障和識別安全風險。從這些文獻可以看出，基于飛行數(shù)據(jù)采用學習網(wǎng)絡開展無人機系統(tǒng)的故障診斷與安全風險監(jiān)控是可行的、有效的。然而目前，基于飛參數(shù)據(jù)對飛控系統(tǒng)的狀態(tài)監(jiān)控的文獻卻較少。

為了更好地監(jiān)控飛控系統(tǒng)的工作狀態(tài)，保證無人機的飛行安全，構(gòu)建基于LSTM的飛控系統(tǒng)狀態(tài)監(jiān)控模型：模型以無人機實際飛參數(shù)據(jù)為輸入，以飛控各組成部分的狀態(tài)參數(shù)作為LSTM 的輸出參數(shù)，通過LSTM 的訓練，建立從輸入?yún)?shù)到無人機飛控系統(tǒng)狀態(tài)參數(shù)的映射關系，利用訓練好的網(wǎng)絡模型預測飛控系統(tǒng)的狀態(tài)參數(shù)，為無人機飛控系統(tǒng)的監(jiān)控提供決策支持。

1 無人機飛控系統(tǒng)狀態(tài)監(jiān)控建模

1.1 問題描述

飛控系統(tǒng)是指能夠穩(wěn)定無人機飛行姿態(tài)，并能控制無人機自主或半自主飛行的控制系統(tǒng)，是無人機的大腦。以固定翼無人機為例，飛控系統(tǒng)是由飛控計算機、傳感器、執(zhí)行機構(gòu)和飛控軟件組成，如圖1所示，其主要功能是完成無人機的方向舵、升降舵、襟副翼、油門、剎車和起落架等的控制，使飛機完成轉(zhuǎn)彎、爬升、俯沖和橫滾等動作。完成這些功能的自動控制回路，如圖2所示。飛控系統(tǒng)首先借助大量傳感器實時采集各部件的飛行狀態(tài)數(shù)據(jù)，實時接收地面測控站發(fā)出的控制命令和飛機狀態(tài)參數(shù)的給定期望值；然后，依據(jù)飛行控制律進行計算處理；最后，輸出控制指令給執(zhí)行機構(gòu)，控制舵機實現(xiàn)對無人機的控制[19]。

圖1 固定翼無人機飛控系統(tǒng)組成結(jié)構(gòu)Fig.1 Composition of fixed-wing UAV flight control system

圖2 無人機飛控系統(tǒng)的自動控制回路Fig.2 Automatic control loop of UAV flight control system

飛控系統(tǒng)的狀態(tài)監(jiān)控模型是指建立輸入飛參數(shù)據(jù)與傳感器和各執(zhí)行機構(gòu)的狀態(tài)參數(shù)的回歸映射關系，以實現(xiàn)飛控系統(tǒng)的狀態(tài)監(jiān)控。對于飛控系統(tǒng)的傳感器來說，其主要是通過對比同一個參數(shù)的多個傳感器的采集結(jié)果來實現(xiàn)監(jiān)控，監(jiān)控參數(shù)，如表1所示。

表1 飛控系統(tǒng)各傳感器監(jiān)控參數(shù)表Tab.1 Monitoring parameter table of each sensor of flight control system

對于同一個飛參數(shù)據(jù)，利用不同傳感器采集得到的結(jié)果存在誤差：誤差在允許的閾值范圍內(nèi)，則說明各傳感器工作狀態(tài)正常；若誤差太大或者出現(xiàn)異常跳變，則說明傳感器可能出現(xiàn)故障。

對于飛控系統(tǒng)除起落架之外的其他各執(zhí)行機構(gòu)，依據(jù)其主要功能和不同飛行階段下的飛行控制律，確定其監(jiān)控模型的輸入、輸出參數(shù)，如表2所示。

表2 飛控系統(tǒng)各執(zhí)行機構(gòu)監(jiān)控參數(shù)表Tab.2 Monitoring parameter table of each actuator of flight control system

構(gòu)建從輸入?yún)?shù)到各執(zhí)行機構(gòu)狀態(tài)參數(shù)的回歸映射網(wǎng)絡模型，利用無人機歷史飛參數(shù)據(jù)訓練模型，利用訓練好的網(wǎng)絡模型，預測各執(zhí)行機構(gòu)的狀態(tài)參數(shù)，通過對比實測值與預測值之間的差異，實現(xiàn)對各執(zhí)行結(jié)構(gòu)的狀態(tài)監(jiān)控。由于飛機的起落架屬于機械裝置，只有收、放2 個動作，無過程數(shù)據(jù)，因此，不需要構(gòu)建網(wǎng)絡模型進行監(jiān)控。

1.2 飛機的運動學方程

飛機的3個姿態(tài)角（滾轉(zhuǎn)角?、俯仰角θ和偏航角ψ）、3個姿態(tài)角速率（滾轉(zhuǎn)角速率p、俯仰角速率q和偏航角速率r）、后一個時刻的3個姿態(tài)角（滾轉(zhuǎn)角??、俯仰角θ?和偏航角ψ?）滿足運動學方程（1）：

該運動學方程成立的前提條件包括：飛機是剛體，而且質(zhì)量不變，地球固定于空間，不考慮地球自轉(zhuǎn)、公轉(zhuǎn)的影響。因此，實際飛參數(shù)據(jù)中，姿態(tài)角與姿態(tài)角速率的關系并不滿足該方程，而且姿態(tài)角與姿態(tài)角速率的實際取值與飛控給定的值有很大關系，因此，需要構(gòu)建網(wǎng)絡模型建立實際各參數(shù)值之間的回歸映射關系。

1.3 基于LSTM的飛控系統(tǒng)監(jiān)控模型

1.3.1 LSTM模型概述

LSTM 是1 種遞歸神經(jīng)網(wǎng)絡（Recurrent Neural Network，RNN），是專門用于處理時間序列數(shù)據(jù)的神經(jīng)網(wǎng)絡，其特點是同一隱藏層中的節(jié)點要進行信息傳遞構(gòu)成循環(huán)學習。RNN經(jīng)常出現(xiàn)梯度消失情況，偶爾發(fā)生梯度爆炸，針對此問題，LSTM 被提出，該網(wǎng)絡因能夠保持信息的長期存儲而得名。

LSTM 是在RNN 隱藏層的每個節(jié)點神經(jīng)元之間構(gòu)建了3個門——遺忘門f、輸入門i和輸出門o，通過門結(jié)構(gòu)控制信息在網(wǎng)絡中的狀態(tài)，3 個門組成的記憶單元，如圖3所示。

圖3 LSTM門結(jié)構(gòu)圖Fig.3 Structure diagram of LSTM gate

在時間步t時，LSTM隱藏層的輸入向量為xt，輸出向量為ht，記憶單元為ct。

遺忘門：

式（6）（7）中：?表示向量元素對應乘；W表示權(quán)重；σ是sigmod 函數(shù)；b是偏置項；tanh 是雙曲正切函數(shù)。通過記憶單元和門控單元實現(xiàn)歷史信息和長期狀態(tài)的保存，通過遺忘門使得LSTM能夠?qū)W習連續(xù)任務，并對內(nèi)部狀態(tài)進行重置。

1.3.2 基于LSTM的飛控系統(tǒng)監(jiān)控模型設計

基于LSTM的飛控系統(tǒng)監(jiān)控模型，如圖4所示，步驟如下。

圖4 基于LSTM的飛控系統(tǒng)監(jiān)控模型Fig.4 Monitoring model of flight control system based on LSTM

1）通過分析飛控系統(tǒng)的三大組成，確定監(jiān)控對象飛控系統(tǒng)的傳感器和執(zhí)行機構(gòu)。

2）依據(jù)運動方程，確定輸入?yún)?shù)X和監(jiān)控狀態(tài)參數(shù)Y；讀入無人機所有飛參數(shù)據(jù)，從中提取參數(shù)X和參數(shù)Y，對數(shù)據(jù)進行預處理，包括去噪聲、平滑和歸一化處理。

3）設計LSTM層數(shù)，每層神經(jīng)元個數(shù)和最大迭代次數(shù)。

4）訓練網(wǎng)絡，前向計算每個神經(jīng)元的輸出值，記錄隱藏層的權(quán)重和偏置量。

5）反向計算每個神經(jīng)元的誤差項，根據(jù)相應誤差項計算每個權(quán)重的梯度，進行反向監(jiān)督學習，更新權(quán)重矩陣和偏置項。

6）通過多輪迭代收斂，求解得到LSTM的最優(yōu)參數(shù)。

7）利用訓練好的LSTM模型預測參數(shù)，通過實際參數(shù)值與預測值對比，識別可能存在的故障部件，并進行預警提示。

2 實驗與結(jié)果分析

2.1 實驗數(shù)據(jù)

選取某型無人機實際飛行數(shù)據(jù)作為實驗數(shù)據(jù)，從中抽取傳感器與執(zhí)行機構(gòu)工作狀態(tài)相關的特征參數(shù)進行監(jiān)控，監(jiān)控參數(shù)，如表1所示。選取無人機實際飛行的20 000 條數(shù)據(jù)作為樣本構(gòu)建模型，其中，前70%為訓練網(wǎng)絡模型數(shù)據(jù)，中間20%為驗證數(shù)據(jù)，最后10%為測試模型數(shù)據(jù)。對數(shù)據(jù)去噪平滑后，再對各參數(shù)進行數(shù)據(jù)歸一化，將不同量級的特征參數(shù)統(tǒng)一到( - 1,1) 區(qū)間內(nèi)，使得構(gòu)建模型的預測準確率更高。

2.2 實驗環(huán)境

實驗采用的計算機配置如下：硬件配置為Intel Core i7 8550U 處理器，Crucial DDR4 32G 內(nèi)存，Nvidia GeForce MX150 圖形加速卡；軟件配置為Windows系統(tǒng)，Python 3.9，TensorFlow 2.3。

2.3 LSTM配置

按照表2設置LSTM的輸入、輸出參數(shù)。網(wǎng)絡有1個輸入層、3 個隱藏層，1 個輸出層。學習率設置為0.001，sigmoid 用作激活函數(shù)來訓練網(wǎng)絡模型。將網(wǎng)絡訓練100次迭代，批大小設置為20。

2.4 結(jié)果對比分析

將LSTM 的參數(shù)預測性能與經(jīng)典的參數(shù)預測算法反向傳播神經(jīng)網(wǎng)絡（Back Propagation Neural Networks，BPNN）、支持向量機（Support Vector Machine，SVM）進行對比分析。BPNN 包括1 個輸入層、3 個隱藏層和1 個輸出層，模型學習率為0.001，迭代次數(shù)為100；SVM 選擇徑向基核函數(shù)，初始核參數(shù)設置為0.001。計算3 種方法預測值與實際值的均方誤差（MSE）和平均絕對誤差（MAE）性能指標，結(jié)果如圖5、6所示。

圖5 預測指標MSE對比圖Fig.5 Comparison chart of prediction index MSE

圖6 預測指標MAE對比圖Fig.6 Comparison chart of prediction index MAE

從圖5、6 中可以看出，LSTM 的預測性能指標MSE和MAE都低于BPNN、SVM，MSE平均值分別低0.01 和0.26，MAE 平均值分別低0.05 和0.12，這說明LSTM 在處理具有時間序列特性的飛參數(shù)據(jù)時，具有較好的預測性能。

3 結(jié)論

針對無人機飛控系統(tǒng)狀態(tài)參數(shù)監(jiān)控問題，首先，建立了問題模型，針對飛控系統(tǒng)的主要組成傳感器和執(zhí)行機構(gòu)，結(jié)合飛行控制律，確定了監(jiān)控輸入、輸出參數(shù)。然后，構(gòu)建了基于LSTM的飛控系統(tǒng)狀態(tài)監(jiān)控模型，利用無人機歷史飛行數(shù)據(jù)訓練模型，利用訓練好的模型預測狀態(tài)參數(shù)值，通過預測值與實測值之間的對比實現(xiàn)狀態(tài)監(jiān)控。通過實驗得出2個結(jié)論：

1）LSTM 監(jiān)控模型能夠有效建立飛參數(shù)據(jù)與飛控系統(tǒng)狀態(tài)參數(shù)的回歸映射關系，實現(xiàn)飛控系統(tǒng)狀態(tài)參數(shù)的監(jiān)控；

2）LSTM 能將飛行數(shù)據(jù)之間的時序關系融入模型中，使得預測精度比BPNN和SVM高。實驗驗證了LSTM在無人機狀態(tài)監(jiān)測中的有效性和準確性。下一步將重點研究LSTM模型的改進及參數(shù)優(yōu)化，進一步提高飛行系統(tǒng)狀態(tài)監(jiān)控質(zhì)量。