無人機的神經網絡觀測器及多傳感器故障診斷技術的研究?

許剛肖軍

（西安航空學院電子工程學院 西安 710077）

1 引言

計算機科技的進步、人工智能的發展、精密儀器的開發，使得無人機包含的精密部件越來越多，系統也趨于智能化、復雜化。致力于提高無人機可靠性、減少故障發生率的故障診斷技術應運而生。現階段傳感器的性能對保證無人機保持正常狀態具有重要意義，在無人機故障類型中傳感器故障占據的比例也最大。雖然傳感器由很多精密部件組成，在長期惡劣的工作條件影像下很容易出現各種各樣的問題，但是若能及時對傳感器故障進行定位與控制重構，就能在一定程度上提高整個系統的安全可靠性。

2 探討基于神經網絡的無人機傳感器故障診斷技術意義

提高飛行控制系統的可靠性與穩定性對于保證無人機正常運行至關重要。所以，在無人機出現故障或者損傷時，如果故障診斷系統能夠及時診斷出故障并且對其進行定位或者分離，迅速制定容錯方案以便無人機繼續執行任務或者回收。在這些故障中，由于傳感器較為敏感，因此在故障類型中，傳感器故障出現的概率較大。但是，無人機的正常工作主要是通過飛行控制律對回路進行控制。該控制律需要相關的飛行狀態數據才能發揮出作用，若傳感器不能正常工作，測量得到的數據與實際的飛行參數存在較大的差異，飛行控制律得出的舵面偏轉數值也會與真實狀況存在差異，導致無人機不能準確接收、完成任務，甚至影響飛行安全，造成資源、時間的浪費。在實際的工作中，傳感器工作條件惡劣，故障率較高。所以，高效、準確的傳感器故障診斷方式能夠有效、及時查出故障類型與故障位置，及時發出安全警報，并且為飛行控制律提供準確的數據，保證飛行過程的順利與安全，提高無人機工作安全系數。無人機傳感器故障診斷主要由故障檢測、類型識別、定位、隔離、恢復等組成。對傳感器進行故障檢測時，飛行控制系統中的傳感器不能進行正常工作或者需要準確得知的數據不能輕易獲得，利用先進的技術手段能夠將故障及時發掘出來，并在飛行前進行預警。同時，找出故障的類型與發生原因，采取合適的技術方式對傳感器的信號進行恢復，保證飛行的順利進行。

3 神經網絡概述

神經網絡，即人工神經網絡，主要是對人類的大腦神經元結構進行模仿，主要由一些具有基本特性的抽象理論構成，屬于信息處理系統的一種。實際上，神經網絡利用神經元或者節點與節點之間進行連接，由節點負責信息接收，并以函數的形式將映射進行輸出，將函數形式稱為激勵函數。相鄰的節點利用信號權值進行連接，稱其為權重，主要作用為對網絡中的記憶信息進行儲存。相鄰節點之間的連接強度存在一定的差異，利用特定的網絡學習機制來學習網絡，通過權重將學習所得的信息存儲在每個節點之間的連接之中。實際工作中，神經網絡一般應用數學學科中的統計學原理來對網絡信息進行學習并且應用到實際工作中。其中的標準數學原理能夠對局部的空間結構進行表達，對人體的大腦進行仿真模擬，對信息進行判斷與識別。

3.1 神經網絡的特性

神經網絡通常利用物理可實現器件或者智能設備對生物體例如人類的神經網絡結構、工程進行模仿。比較普遍的神經網絡結構一般由輸入層、隱含層、輸出層來組成。輸入層的主要功能為接收海量的輸入信息數據，對信息進行處理并提供給網絡。隱含層中隱層節點的數量能夠顯著影響神經網絡結構的精確性。輸出層對每個節點傳輸、分析、總結出的結果進行分析并且輸出。

3.1.1 對信息進行大規模、并行、分布式處理

神經網絡的結構具有并行性，內部結構中的各個節點能夠在同一時間對信息進行處理。所以，網絡信息是在大量的神經節點中分層次地、并行處理，比傳統軟件的運算速度與運算效率具有明顯優勢。

3.1.2 分布存儲信息

信息在被神經網絡學習、訓練之后，通常以分布的方式存儲在網絡的每個神經節點之間的權值中，每個權值都能儲存所有樣本學習得到的信息數據。這樣的存儲方式便于網絡行使信息容錯、聯想記憶的功能。

3.1.3 自主學習、自動適應

神經網絡能夠對歷史數據進行分析與學習，能夠對表征樣本中每個神經節點中的連接權值進行自動調節，完全能夠滿足信息處理的要求，增強網絡歸納、分析數據特征與作用的能力，極大地減輕了人為的工作量，提高工作精確性與工作效率。

3.1.4 非線性映射

海量的神經節點與各個神經元之間的權值進行綜合分析能夠總結得出神經網絡，能夠對多輸入、多輸出的非線性函數進行準確處理。

3.2 神經網絡的模型分析

神經網絡的模型由多個神經元互相連接構成，單個神經元作為信息處理的基本單元為多輸入、單輸出的非線性原件。如圖1所示。

圖1 神經網絡模型

圖1 中 f(x)為非線性函數，x1、x2…xn為神經節點的輸入，w1、w2…wn為權值。單個神經節點輸入與輸出的關系表述為：

3.3 神經網絡的分類

由于神經節點之間的連接方式存在差異，神經網絡結構通常分為前饋型網絡、反饋型網絡兩種。

3.3.1 前饋型網絡

該種神經網絡分為輸入層、隱含層、輸出層。這些層次之間的神經節點之間無法互通，信息傳遞方式為單向傳遞。如圖2所示。

圖2 前饋型神經網絡

3.3.2 反饋型網絡

該種神經網絡中每個神經節點之間互相連接，整體結構中包含至少一個的反饋回路，主要有兩種形式：神經節點將自身反饋信號傳遞給同層的其它神經節點；神經節點將輸出的信號反饋給神經節點本身。如圖3所示。

圖3 反饋型網絡神經網絡

4 BP神經網絡概述

4.1 BP神經網絡結構

在人工神經網絡中，作為一種多層前饋網絡，BP神經網絡應用范圍最廣泛，傳播方式為單向傳播，一般由輸入層、隱含層、輸出層組成（如圖1）。該網絡的學習過程包括正向與反向傳播。正向傳播時，輸入信息的傳播過程為輸入層→隱含層→輸出層，每一層神經元都只對下一層的神經元產生影響。若在輸出層得不到期望輸出，則自動轉換為反向傳播，誤差信號（即Δ）會按照原來的傳播通路返回，對每層神經元的權值進行修改，將誤差信號控制在最小。

圖4 BP神經網絡

隱層節點輸出：

輸出層節點輸出：

4.2 基于BP算法的主網絡結構與從網絡結構

BP算法下，神經網絡結構中有一個MNN（主神經網絡）與n（非冗余傳感器的數目）個DNN（從網絡）。MNN的任務是檢測是否存在傳感器的故障，DNN負責對傳感器故障進行定位以及對發生故障的傳感器的信號進行恢復。

5 基于神經網絡的無人機傳感器故障診斷技術［1～5］

無人機傳感器的主要功能為對無人機工作中的各種參數進行測量，將測量數據與結果反饋到控制飛行的計算機之中，對控制率進行解算，從而操作無人機的舵面與油門桿，從而促使無人機產生計劃中的運動。所以，無人機傳感器對有關數據的正確測量能夠有效保證無人機正常運行。

5.1 無人機傳感器

在控制無人機飛行的整個系統中，傳感器是不可或缺的主要組成部分，智能控制系統能夠充分發揮傳感器測量的數據的作用對無人機的動態狀態進行準確建立。

傳感器中的垂直陀螺儀以適合的方式安裝在無人機上，將無人機的縱軸、橫軸、內環軸、平面夾角等作為測量依據，得出無人機仰角、俯角、滾轉角的準確數據；速率陀螺、磁羅盤、GPS等。

5.2 無人機傳感器的故障分類

為保證無人機正常飛行，飛行姿態必須穩定。在對飛行姿態進行控制時，傳感器的測量對象主要為姿態角與姿態角速度。再利用控制律對數據進行設計、解算，實現對飛行姿態的有效控制與穩定。所以，姿態角有關數據的準確性對于飛行的穩定進行具有重大意義。傳感器中的垂直陀螺與速率陀螺的故障檢測是傳感器故障中的重點。

5.2.1 卡死故障

該故障指傳感器在正常工作中，突發發生運行故障，輸出值不再正常變化，具體模型為

5.2.2 常值漂移故障

常值漂移是指傳感器的輸出值與實際準確值之間存在誤差，故障模型表示為

其中：d為常量。

5.2.3 恒增益故障

傳感器的測量輸出和理論輸出值之間為比例關系，比例系數通常是特定常數，其模型如下：

5.3 基于神經網絡的無人機傳感器故障診斷

5.3.1 無人機傳感器故障診斷系統

診斷、確定傳感器故障的方式不一而足，例如，小波分析、信息融合、卡爾曼濾波、神經網絡與專家系統等［6～7］。本文主要基于神經網絡，利用無人機控制系統建立觀測器的模型，對飛行中的各種參數進行在線估計。在神經網絡中，主要對非線性系統進行學習、分析，利用輸出與輸入的映射關系對故障分辨、識別模型進行建立，對傳感器的測量數據進行在線估計。通過比較在線估計得出的數值與傳感器實際輸出值對故障進行診斷。然后通過分析診斷結果決定信號是否需要重構。如果傳感器出現故障，神經網絡在線估計數值將會替代傳感器輸出信號。基于神經網絡的無人機傳感器故障診斷示意圖如下（圖5）。

圖5 無人機傳感器故障診斷示意圖

5.3.2 無人機傳感器故障診斷技術要求

基于神經網絡，設計出飛行系統中所需要的觀測器，比較觀測量輸出與系統實際輸出，得出差異，然后對其中存在的差異進行合理分析與有效處理，診斷、確定出無人機傳感器的故障類型。與此同時，將觀測器在線估計得出的數值替代傳感器輸出數值，持續不斷地向控制飛行系統的計算機提供實時狀態信息，并利用飛行控制律進行解算，保證無人機的正常運行。在此過程中，估計精度將會對飛行控制系統產生重大影響，所以估計誤差要比控制系統的精度低。

5.4 設計神經網絡觀測器

5.4.1 理論概述

無人機飛行控制系統為非線性，神經網絡能夠進行自主學習、自動適應，只需要大量的輸入與輸出樣本數量，就能建立出十分逼真的網絡模型，不必知道飛行控制系統中的模型數據。筆者在該文中通過神經網絡訓練歷史飛行數據，能夠得出其隱含的物理規律與函數關系，充分發揮訓練得出的模型的輸入與輸出關系作用，便于網絡的輸出盡量接近系統實際輸出。

針對非線性的飛行控制系統，通常的組成部分為控制器、執行機構、測量元部件等（如圖6）。

圖6 非線性飛行控制系統結構圖

5.4.2 無人機非線性系統觀測器

傳感器能夠將無人機自身慣性參數以外的飛行參數測量得出。基于神經網絡設計出的觀測器能夠對無人機飛行前的某一時刻的狀態進行觀測，并且控制輸入，在線估計該時刻的需要進一步診斷的故障傳感器所測量的狀態參數。假設除了該需要進一步診斷的傳感器之外的其它所有傳感器都能夠正常工作。由此可見，充分發揮其它正常傳感器的作用，利用這些傳感器測出飛行狀態參數，將無人機舵面的輸入參數作為建立無人機非線性系統觀測器的依據。將需要進一步診斷的傳感器測量得出的參數當作估計輸出值。

5.5 故障診斷

5.5.1 故障檢測原理

在建立完善的觀測器后，能夠進行傳感器測量參數的在線估計輸出。在實際的工作中，傳感器測量存在一定的噪聲，但是在誤差允許范圍內仍然具有實際效用。在無人機飛行中，飛行控制系統容易被外界的各種環境因素影響，有可能突發出現干擾輸入的影響因素，導致飛行控制系統的輸出出現突然大幅度變化的現象，導致網絡估計輸出與無人機傳感器輸出之間存在較大的差異，而且這種差異在個別時間點產生，容易發生虛假警報，致使傳感器與網絡之間頻繁進行切換。本文主要設置兩個不同的殘差閾值對無人機的故障進行診斷，能夠有效減少虛假警報的發生次數，提高無人機故障診斷抵抗干擾的能力，增強可靠性。具體可描述為：e(k)=r?(k)-r(k)

5.5.2 故障識別策略

利用神經網絡觀測器對傳感器的測量數據進行估計，并與實際輸出的閾值進行比較，對無人機傳感器故障進行準確定位，確定故障發生的時刻，能夠有效完善故障診斷系統，并提高恢復信號、處理故障的效率。

傳感器的故障通常為卡死故障、恒偏差故障、恒增益故障。當傳感器發生卡死故障時，飛行控制系統能夠通過對數據進行觀察及時識別故障類型，但是另外兩種故障類型的識別存在一定的難度。另外，傳感器出現故障時，信號輸出只能改變信號均值，不會影響方差。利用數學中的線性回歸方式對系統輸出進行估計，能夠準確確定出函數的系數，從而識別出故障類型。

一元線性回歸能夠對變量進行分析，從而對兩個不同樣本集之間隱藏的函數關系進行估計，得出函數形式。具體模型表現為：Y=b0+b1X+e

該表達式中，b0與b1是未知參數，b0是常數，b1為Y對X的回歸系數［8～9］。

5.5.3 故障信號重構

傳感器出現故障時，要盡快隔離故障信號，另外，為保證無人機不受故障影響正常飛行，還需要對故障信號進行重構。測量器感受到傳感器故障時，要切斷傳感器的測量回路，將估計輸出作為控制律解算的依據，確定出實時飛行參數。

5.5.4 多傳感器故障診斷系統實現

在控制無人機飛行的智能系統中，測量信息是從多于一個的傳感器中匯總得出。傳感器中的垂直陀螺與速率陀螺傳感器能夠利用觀測器對輸出信號進行測量，從而對飛行狀態進行準確估計，通過故障檢測對傳感器的故障進行識別。與此同時，對故障的策略系統進行分析，準確判斷是否有必要切換傳感器通道，實現信號重構，保證無人機繼續正常飛行。上文中提到的兩種傳感器故障診斷示意圖如下（圖7）。

圖7 傳感器故障診斷示意圖

6 結語

綜上，本文基于神經網絡對無人機傳感器故障診斷技術進行探討，以期為同行業人士提供參考，但是，在無人機傳感器故障診斷中仍然存在許多技術方面與人員技術水平方面的問題。傳感器作為保證無人機正常飛行的重要部件，需要對其故障診斷給予足夠的認識，提高故障識別的效率，保證無人機正常運行。