【技术实现步骤摘要】
本申请涉及飞行器，特别是涉及一种飞行器故障诊断方法、模型训练方法、装置、计算机设备和存储介质。
技术介绍
1、在飞行器各部分组成系统中，大气数据系统(air data system,ads)主要负责测量飞行器飞行过程中的大气参数，并通过内部计算机进行解算得到相关飞行参数。然而，大气数据传感器可能会因冲击、电磁干扰等恶劣飞行环境以及自身元器件异常等引发故障，输出错误的飞行参数，导致后续控制环节出错，进而发生灾难性事故。因此，进行大气数据系统故障诊断，在发生故障后第一时间完成检测及识别，对提高飞行器可靠性具有重要意义。
2、近年来，基于数据的故障诊断方法开始涌现，包括支持向量机、神经网络等，可以不建立精确模型从大量的数据中提取故障特征，在故障诊断领域取得了较为不错的效果。但是，由于大气数据系统的传感器位于飞行器表面，工作环境恶劣，噪声等干扰往往较大，使小程度故障难以诊断。此外，飞行器在不同飞行任务下，处于多飞行轨道等不确定性的状态，各飞行状态数据往往会产生较大变化，常规的基于数据故障诊断策略，可能无法区分飞行状态本身变化引起的大气参数变化，而想要提前获得所有情况下的数据实际中并不现实，应用广泛性受限。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够通过大气数据系统准确对飞行器故障进行诊断的飞行器故障诊断方法、模型训练方法、装置、计算机设备和存储介质。
2、第一方面，本申请提供了一种飞行器故障诊断方法。该方法包括：
3、获取飞行器系统中
4、基于大气参数模型构建大气数据系统的无迹卡尔曼滤波模型，根据无迹卡尔曼滤波模型对大气数据系统状态进行估计；
5、提取无迹卡尔曼滤波模型的多维新息和残差序列；
6、调用预先训练的飞行器故障诊断模型，将多维新息和残差序列作为输入参数，得到飞行器故障诊断结果。
7、在其中一个实施例中，根据无迹卡尔曼滤波模型对大气数据系统状态进行估计包括：
8、获取无迹卡尔曼滤波模型的状态方程和量测方程；
9、基于状态方程与sigma点集得到一步预测的状态变量和误差协方差矩阵；
10、根据一步预测值和量测方程对正常情况下大气数据系统状态进行估计。
11、在其中一个实施例中，该方法还包括：
12、获取大气参数模型中测量的参数故障信号；
13、将参数故障信号输入量测方程中，更新故障状态下的故障量测方程。
14、在其中一个实施例中，提取无迹卡尔曼滤波模型的多维新息和残差序列包括：
15、根据无迹卡尔曼滤波模型得到量测预测值、实际测量值和状态估计值和实际状态；
16、基于量测预测值和实际测量值得到多维新息；
17、基于状态估计值和实际状态得到残差序列。
18、第二方面，本申请还提供了一种飞行器故障诊断模型训练方法。该方法包括：
19、将多维新息和残差序列作为训练数据输入inception v3网络模型；
20、通过eca分析inception v3网络模型中输入特征图各通道的权重，得到加权特征图；
21、根据训练数据进行反复迭代调整权重，使inception v3网络模型收敛或达到预设训练次数，完成飞行器故障诊断模型的构建。
22、在其中一个实施例中，通过eca分析inception v3网络模型中输入特征图各通道的权重，得到加权特征图包括：
23、通过eca对输入特征图进行全局平池化，将输入特征图压缩为向量；
24、根据输入特征图的通道数得到自适应的一维卷积核大小；
25、将一维卷积核大小用于一维卷积中，得到对应于输入特征图每个通道的权重；
26、将归一化的每个通道的权重和输入特征图逐个通道相乘，得到加权特征图。
27、第三方面，本申请还提供了一种飞行器故障诊断装置。该装置包括：
28、大气模型模块，用于获取飞行器系统中的大气数据系统、惯性导航系统的量测信息和其他辅助信息，构建大气参数模型；
29、估计模块，用于基于大气参数模型构建大气数据系统的无迹卡尔曼滤波模型，根据无迹卡尔曼滤波模型对大气数据系统状态进行估计；
30、提取模块，用于提取无迹卡尔曼滤波模型的多维新息和残差序列；
31、诊断模块，用于调用预先训练的飞行器故障诊断模型，将多维新息和残差序列作为输入参数，得到飞行器故障诊断结果。
32、第四方面，本申请还提供了一种飞行器故障诊断模型训练装置。该装置包括：
33、输入模块，用于将多维新息和残差序列作为训练数据输入inception v3网络模型；
34、加权模块，用于通过eca分析inception v3网络模型中输入特征图各通道的权重，得到加权特征图；
35、训练模块，用于根据训练数据进行反复迭代调整权重，使inception v3网络模型收敛或达到预设训练次数，完成飞行器故障诊断模型的构建。
36、第五方面，本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器，该存储器存储有计算机程序，该处理器执行所述计算机程序时实现以下步骤：
37、获取飞行器系统中的大气数据系统、惯性导航系统的量测信息和其他辅助信息，构建大气参数模型；
38、基于大气参数模型构建大气数据系统的无迹卡尔曼滤波模型，根据无迹卡尔曼滤波模型对大气数据系统状态进行估计；
39、提取无迹卡尔曼滤波模型的多维新息和残差序列；
40、调用预先训练的飞行器故障诊断模型，将多维新息和残差序列作为输入参数，得到飞行器故障诊断结果。
41、第六方面，本申请还提供了一种计算机可读存储介质。该计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
42、获取飞行器系统中的大气数据系统、惯性导航系统的量测信息和其他辅助信息，构建大气参数模型；
43、基于大气参数模型构建大气数据系统的无迹卡尔曼滤波模型，根据无迹卡尔曼滤波模型对大气数据系统状态进行估计；
44、提取无迹卡尔曼滤波模型的多维新息和残差序列；
45、调用预先训练的飞行器故障诊断模型，将多维新息和残差序列作为输入参数，得到飞行器故障诊断结果。
46、上述飞行器故障诊断方法、模型训练方法、装置、计算机设备和存储介质，基于飞行器系统中的大气数据系统、惯性导航系统的量测信息和其他辅助信息，构建大气参数模型；进一步建立大气数据系统的无迹卡尔曼滤波模型，以实现对飞行器正常状态下的准确估计，并在此基础上提取区级卡尔曼滤波模型中的多维信息和残差序列，作为故障特征输入到预先训练好的飞行器故障诊断模型中，最终输出故障分类结果实现故障诊断。通过模型和本文档来自技高网...
【技术保护点】
1.一种飞行器故障诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述无迹卡尔曼滤波模型对大气数据系统状态进行估计包括：
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，所述提取所述无迹卡尔曼滤波模型的多维新息和残差序列包括：
5.一种飞行器故障诊断模型训练方法，其特征在于，所述方法包括：
6.根据权利要求5所述的方法，其特征在于，所述通过ECA分析Inception V3网络模型中输入特征图各通道的权重，得到加权特征图包括：
7.一种飞行器故障诊断装置，其特征在于，所述装置包括：
8.一种飞行器故障诊断模型训练装置，其特征在于，所述装置包括：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4或5至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程
...【技术特征摘要】
1.一种飞行器故障诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述无迹卡尔曼滤波模型对大气数据系统状态进行估计包括：
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，所述提取所述无迹卡尔曼滤波模型的多维新息和残差序列包括：
5.一种飞行器故障诊断模型训练方法，其特征在于，所述方法包括：
6.根据权利要求5所述的方法，其特征在于，所述通过eca分析inception v3网...
【专利技术属性】
技术研发人员：程月华，王子越，姜斌，徐骋，郭琨，胡恒嵩，余自权，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。