一种基于多级神经网络观测器的飞行器执行机构自适应故障检测方法技术

本发明专利技术公开了一种基于多级神经网络观测器的飞行器执行机构自适应故障检测方法。主要步骤如下：首先建立并训练第一级径向基神经网络观测器用于跟踪预估飞行器执行器控制系统的输出；将一级神经网络观测器的预估输出并与实际系统输出比较，以产生系统残差信号；建立并训练第二级径向基神经网络，用于产生合理的自适应残差阈值；结合两级径向基神经网络产生自适应阈值，实现对飞行器执行机构典型故障的故障检测。本发明专利技术采用基于多级神经网络的故障检测方法，通过神经网络产生判定执行器故障的自适应阈值，克服了传统固定阈值故障检测方法的虚警率过高的问题，实现了有效准确地飞行执行机构控制系统的自适应故障检测，具备较好的工程应用价值。工程应用价值。工程应用价值。

【技术实现步骤摘要】
一种基于多级神经网络观测器的飞行器执行机构自适应故障检测方法


[0001]本专利技术属于飞行器执行机构故障诊断
，具体涉及一种基于多级神经网络观测器的飞行器执行机构自适应故障检测方法。

技术介绍

[0002]飞行器系统由众多的子系统构成。飞行器执行机构，作为其中至关重要的关键的一个子系统，由于其长期处于错综繁复的工作环境中存在极大的故障风险。一旦出现故障若未及时检出并采取有效地预案处理，短时间内飞行器就可能出现姿态紊乱、姿态丢失等情况，进而导致整个系统受到破坏，造成的损失将难以估量。鉴于此，对于飞行器执行机构开展故障诊断研究具有十分重要的理论价值和现实意义。
[0003]近些年来，尤其随着控制理论、人工智能等相关技术的蓬勃发展，飞行器系统的故障诊断研究也在全球各国学者的普遍关注并取得了一系列重要成果。总的来讲，几乎所有的故障诊断方法皆可分为：基于解析模型的故障诊断、基于知识的故障诊断以及基于信号处理的故障诊断这三大类。Henry等人在利用双滤波器的方法针对某型深空探测器的执行器推力故障进行了故障诊断，他们通过设计滤波器采集系统残差，进一步对系统飞行特性进行分析，并获得了较为准确的结果。Gao等人针对某型自主直升机的飞行控制系统设计了一种基于卡尔曼滤波技术的故障检测系统，运用线性矩阵不等式等相关知识，实现了有效的故障检测结果。Li等人针对含扰动的执行器故障系统，设计了一种鲁棒未知输入观测器，实现了对系统的状态估计与故障检测。Chen等人设计了一种迭代学习观测器用于非线性系统的故障检测，之后他们将该方法推广到飞行器执行机构的时变故障中，并获得较为精确的诊断结果。
[0004]上述这些基于解析模型的诊断研究往往依赖于精确系统模型。然而由于在实际飞行工况下的飞行器执行器系统具有极强的非线性、耦合性等特点，因此其精确的数学模型通常难以获得。正因如此，相较之于基于解析模型的方法，基于数据驱动的飞行器执行器系统的诊断方法得到了更为普遍的应用，尤其是其中基于神经网络的方法，由于其极强的非线性映射机制以及良好的鲁棒性能，因而更是得到了深入地研究探讨。文献运用动态神经网络技术来设计故障诊断方案，达到了预期的诊断目标。樊立明等人针对系统传感器故障，设计了一种基于BP神经网络的主从网络机构，通过主从结构分别实现故障检测、识别，从而提升了故障诊断的实时性。安若铭等人将针对飞行器姿态控制系统，采用了结合专家系统和神经网络的方式来设计故障检测方案，仿真实验表明该方案可以实现对应系统的故障诊断。
[0005]固然近些年来涌现了大量的对于飞行器执行机构故障诊断方面的研究工作，但是由于飞行器执行器系统具有极强的非线性，同时其复杂的工作环境和多变的任务条件，也致使在实际飞行过程中，系统的输入输出信号极易遭受外界扰动影响。正因如此，目前现行的大多数飞行器执行器系统的故障诊断都常采用固定阈值检测方法。针对飞行器执行机构
错综多变的工况以及外界干扰，这类固定阈值的检测方法，无法实现自适应的阈值调整，从而导致执行器系统的故障检测的虚警率过高。鉴于此，综合飞行器执行器系统的工作环境与任务类型，亟待设计一套针对飞行器执行机构的自适应故障检测方法，以进一步提高故障检测方法的工程实用度。

技术实现思路

[0006]本专利技术的目的在于克服现有技术的缺点与不足，提出了一种应用于飞行器执行机构的基于多级神经网络观测器的自适应故障检测方法。
[0007]实现本专利技术的技术解决方案为：一种基于多级神经网络观测器的飞行器执行机构自适应故障检测方法，包括以下步骤：
[0008]步骤S1：分析飞行器执行机构故障，并针对各个非致命故障进行对应的故障建模；
[0009]步骤S2：针对飞行器执行器系统对应输入输出信号，建立并训练对应的第一级径向基神经网络作为系统观测器，实现对应系统实际残差生成；
[0010]步骤S3：针对第一级径向基神经网络即系统观测器产生的残差信号，建立并训练对应的第二级径向基神经网络作为自适应阈值生成器，实现对应故障检测的自适应阈值生成；
[0011]步骤S4：结合第二级径向基神经网络即自适应阈值生成器产生的自适应阈值与系统实际残差进行故障判定，实现飞行器执行机构的自适应阈值故障检测。
[0012]优选地，分析飞行器执行机构故障，并针对各个非致命故障进行对应的故障建模的具体方法为：
[0013]针对执行器恒偏差失效、恒增益变化、卡死、浮松四种故障进行建模，分别具体为：
[0014]执行器恒偏差失效故障模型：
[0015][0016]式中，u
out
表示飞行器执行机构控制系统的实际输出，u
want
表示飞行器执行机构控制系统的期望标定输出，δ表示偏差失效的偏差常数，t
Fault
表示故障发生时刻；
[0017]执行器恒增益变化故障模型：
[0018][0019]u
out
表示飞行器执行机构控制系统的实际输出，u
want
表示飞行器执行机构控制系统的期望标定输出，k表示增益变化对应的比例系数，t
Fault
表示故障发生时刻；
[0020]卡死故障模型：
[0021][0022]u
out
表示飞行器执行机构控制系统的实际输出，u
want
表示飞行器执行机构控制系统的期望标定输出，M
c
表示卡死固定输出常数，t
Fault
表示故障发生时刻；
[0023]浮松故障模型：
[0024][0025]式中，u
out
表示飞行器执行机构控制系统的实际输出，u
want
表示飞行器执行机构控制系统的期望标定输出，k表示增益变化对应的比例系数，b表示连接件的松动程度，ω表示连接件产生的振动频率。
[0026]优选地，所述第一级径向基神经网络为三层神经网络，包括输入层、隐含层、输出层，其中隐含层和输出层的神经元采用的激活函数分别是径向基函数和线性函数，隐含层神经元采用K
‑
Means聚类算法进行计算，将输入数据划分成K个数据簇，每个神经元对应一组，各个隐含层神经元的权重是通过输入数据和对应数据簇中心之间的距离计算所得，输出层的神经元通过输入层以及隐含层的计算结果结合对应权重计算所得，具体公式为：
[0027]θ
ij
(j+1)＝θ
ij
(j)+η(t
j
‑
y
j
)r
i
[0028]其中是θ
ij
隐含层节点i到输出层节点j的权重系数，t
j
是输出层节点j的阈值，y
j
是输出层节点j的输出，r
i
为隐含层节点i的输出，η为学习率系数，取值在[0,1]之间。
[0029]优选地，系统实际残差具体为：
[0030][0031]式中其中ε...

【技术保护点】

【技术特征摘要】
1.一种基于多级神经网络观测器的飞行器执行机构自适应故障检测方法，其特征在于，包括以下步骤：步骤S1：分析飞行器执行机构故障，并针对各个非致命故障进行对应的故障建模；步骤S2：针对飞行器执行器系统对应输入输出信号，建立并训练对应的第一级径向基神经网络作为系统观测器，实现对应系统实际残差生成；步骤S3：针对第一级径向基神经网络即系统观测器产生的残差信号，建立并训练对应的第二级径向基神经网络作为自适应阈值生成器，实现对应故障检测的自适应阈值生成；步骤S4：结合第二级径向基神经网络即自适应阈值生成器产生的自适应阈值与系统实际残差进行故障判定，实现飞行器执行机构的自适应阈值故障检测。2.根据权利要求1所述的基于多级神经网络观测器的飞行器执行机构自适应故障检测方法，其特征在于，分析飞行器执行机构故障，并针对各个非致命故障进行对应的故障建模的具体方法为：针对执行器恒偏差失效、恒增益变化、卡死、浮松四种故障进行建模，分别具体为：执行器恒偏差失效故障模型：式中，u
out
表示飞行器执行机构控制系统的实际输出，u
want
表示飞行器执行机构控制系统的期望标定输出，δ表示偏差失效的偏差常数，t
Fault
表示故障发生时刻；执行器恒增益变化故障模型：u
out
表示飞行器执行机构控制系统的实际输出，u
want
表示飞行器执行机构控制系统的期望标定输出，k表示增益变化对应的比例系数，t
Fault
表示故障发生时刻；卡死故障模型：u
out
表示飞行器执行机构控制系统的实际输出，u
want
表示飞行器执行机构控制系统的期望标定输出，M
c
表示卡死固定输出常数，t
Fault
表示故障发生时刻；浮松故障模型：式中，u
out
表示飞行器执行机构控制系统的实际输出，u
want
表示飞行器执行机构控制系统的期望标定输出，k表示增益变化对应的比例系数，b表示连接件的松动程度，ω表示连接件产生的振动频率。3.根据权利要求1所述的基于多级神经网络观测器的飞行器执行机构自适应故障检测方法，其特征在于，所述第一级径向基神经网络为三层神经网络，包括输入层、隐含层、输出层，其中隐含层和输出层的神经元采用的激活函数分别是径向基函数和线性函数，隐含层神经元采用K
‑
Means聚类算法进行计算，将输入数据划分成K个数据簇，每个神经元对应一组，各个隐含层神经元的权重是通过输入数据和对应数据簇中心之间的距离计算所得，输出层的神经元通过输入层以及隐含层的计算结果结合对应权重计算所得，具体公式为：θ
ij
(j+1)＝θ
ij
(j)+η(t
j
‑
y
j
)r
i
其中是θ
ij
隐含层节点i到输出层节点j的权重系数，t
j
是输出层节点j的阈值，y
j
是输出
层节点j的输出，r
i
为...

【专利技术属性】
技术研发人员：郭健，吴磾冠正，徐胜元，马倩，周川，骆泊，胡杨，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：