基于遙測參數建模的無人飛行器發動機故障診斷

(青海民族大學 物理與電子信息工程學院，西寧 810007)

0 引言

隨著無人機技術的發展，現代無人機系統機載設備變得越來越復雜，在保障飛行安全、降低維護成本、提高無人機可用性方面，對故障診斷和維護方法提出了新的挑戰。提高安全性、可靠性和效率，降低無人機的使用和維護成本，始終受到用戶的密切關注。PHM技術可以對無人機的重要部件和系統進行全面的健康狀態監測，是現代信息技術和人工智能技術在維護保障領域綜合利用的最新發展。通過為無人機系統提供新型健康管理解決方案，能夠預測系統故障概率并在下一段時間采取適當的維護措施，包括故障檢測和隔離、故障診斷、故障預測、健康管理和組件壽命跟蹤。無人機作為一個大型延遲復雜系統，只能通過遙測遙控數據來掌握飛機的狀態，如果不能及時預判，當故障真的發生時，就會無能為力。遙測遙控數據是掌握無人機系統健康狀態，預判和分析故障的重要手段，有時也是唯一的手段，更具有現實意義。

PHM技術是綜合測試與故障診斷等技術的新的發展。在無人機中應用PHM技術，可以有效地實現對裝備關鍵部件及分系統的故障檢測、診斷、預測與評估，從而更有效地提無人機裝備保障水平。通過PHM技術研究，可以對無人機進行自我修復、任務降級或提前準備所需的維護資源，從而降低生命周期成本。

傳統的無人機等裝備維修過程采用的一般都是基于事件的維修或定期維修方式，這些維修方式顧名思義主要是根據裝備是否出現異常或故障等問題來進行維修，或是根據裝備維修保障的有關規定定時維修。通常這種方式無法有效地根據裝備的實際使用運行情況進行有針對性的維修，造成了一定程度上的經費、人員和時間的浪費，目前正逐漸被視情維修(即基于狀態的維修)方式所取代。而PHM技術作為視情維修的重要關鍵技術，通過實現深層次的故障診斷、預測與評估等功能，可以更高效地確保無人機裝備的安全性，并提高其經濟性，從而引起了廣泛的關注。

無人機裝備的故障診斷技術是PHM技術的重要組成部分，目前一般包括以下幾種類型；1)基于知識的故障診斷方法。分為專家系統方法、模糊推理方法、故障樹方法等。該方法根據專家在長期工作實踐中積累起來的大量故障診斷經驗和知識來反映對象運行特性從而解決故障診斷問題，并不依賴對象的精確數學模型[1]。但缺點是在一定程度的知識獲取方面面臨一些困難；2)基于模型的故障診斷方法。這種方法的特點主要是在裝備對象的觀察結果和信息基礎上，建立相應的系統結構和功能的數學模型，之后通過建立的精確數學模型來進行故障診斷[2-3]。但由于裝備對象一般都十分復雜，因此應用該方法建模的難度較大；3)數據驅動的故障診斷方法。該方法的特點是主要以裝備運行過程的數據為基礎，通過對其進行分析處理來完成裝備的故障診斷，既不需要了解裝備的精確數學模型，也不需要了解故障診斷的知識，一般包括信號處理方法、機器學習方法等類型[4-6]。但也存在難以解析和解釋失敗等不足。目前，無人機故障診斷的重點研究對象是傳感器[7-8]，但是隨著技術的發展，飛控、電源、發動機等也得到了越來越多的重視[9-10]。

本文結合無人機工程的實際應用要求，基于故障預測與健康管理(PHM)理論發展，在無人機裝備故障模式分析基礎上，研究遙測數據驅動的故障診斷方法，為實現無人機健康管理提供技術依據。

1 無人機發動機典型故障及模式分析

無人機系統的組成十分復雜，但作為一個飛行器，動力系統無疑是其中最重要的系統。發動機作為無人機系統的動力系統，是無人機正常飛行及工作的保證。

對某型無人機開展了故障模式分析，共總結了5大類的11種不同故障，故障的5大類型包括：怠速不穩定或無法調整；高速工作不穩定、失火或間斷點火；發動機過熱；震動嚴重，工作粗暴，排氣管冒煙；怠速正常，但不能加速。分別選取自故障發生時開始，持續一定時間內的故障數據，參數具體包括發動機轉速、滑油壓力、汽缸溫度等。以故障1為例，故障數據的波動趨勢可以描述如下：滑油壓力波動較大，之后發動機轉速突然降低，抖動變大。如圖1所示。

圖1 無人機發動機故障案例

然后，對11種故障數據進行趨勢描述，別進行分類，如表1所示。

表1 發動機系統主要故障記錄表

2 基于遙測數據的無人機發動機故障診斷方法

本文主要研究粒子濾波、K-means聚類和MLP等3種基于數據的無人機發動機故障診斷方法。

2.1 粒子濾波故障診斷方法

粒子濾波法建立在蒙特卡洛方法基礎之上，是貝葉斯理論與隨機采樣方法結合的結果。該方法具有解決任意非線性、非高斯系統的濾波問題的能力。

粒子濾波方法使用狀態空間中的大量采樣點來對實際狀態的概率密度函數進行近似(這些采樣點即為“粒子”)。 在粒子數量增加之后，可以很好地近似獲得的概率密度函數，并且實現最佳貝葉斯估計的效果。該方法為每個粒子分配權重，使得由大量不同權重點組成的離散分布可以近似于連續分布，并且能夠跟蹤系統的多個模式的行為，因此可以利用該特點來實現在連續狀態和離散狀態估計中的。粒子濾波方法的主要不足，是粒子退化和跟蹤突變狀態的能力較差。

粒子濾波方法的描述如下：

2)連續重要性抽樣：k=1,...,N。隨機從建議分布分發函數中提取N個粒子：

xki～q(xki/xk-1i,yk) =p(xki/xk-1i),i= 1,2,...N

(1)

更新粒子權重并標準化權重：

(2)

(3)

4)輸出。狀態估計和方差估計分別如公式(4)～(5)所示：

(4)

(5)

5)如果k≤T(T為已知量測值y的個數)，那么令k=k+1并返回步驟(2)。否則，退出過程。

2.2 K-means聚類診斷方法

給定一個聚類C={C1,C2,…Ck}，可以利用某個評分函數(如下式所示的平方差和評分函數sum of squared error, SSE)來評估其質量：

(6)

目標是找到使得平方差和分數最小的聚類：

(7)

K-means聚類方法的主要思路，是采用一種貪心的迭代方法來找到使得式(1)最小的聚類，因此，它會收斂到局部最優點而不是全局最優點。

假設待分類的初始數據集(x1,x2, ...xn)，并且每個xi是包含原始數據的d個特征的n維向量，K-means聚類的目的就是，在給定分類組數k(k≤n)值的條件下，將原始數據分成k類，S={S1,S2,…,Sk}。

該方法的流程如圖2所示，主要步驟包括：首先，從樣本數據集C中隨機抽取k個元素作為k個簇的各個中心。其次，分別計算k個簇的其余要素與中心之間的差異度，并將這些要素放入差異度最低的集群中。之后，在聚類結果的基礎上，通過使用所有聚類要素的每個維度的算術平均值的方法重新計算k個簇的各個中心。下一步，根據所求得到的的中心再次對樣本數據集C中的所有要素進行聚類，計算準則函數，這一步驟需要重復進行，直到k個簇的各個中心不再發生新的變化(即判斷準則函數是否滿足閾值)。最后輸出結果即是k-means聚類結果。

圖2 K-Means算法流程圖

2.3 多層感知器(MLP)診斷方法

多層感知器(Multi-Layer Perception，MLP)是一種常見的基于神經網絡的機器學習模型。該模型包括輸入層，一個或多個隱藏層和輸出層。神經網絡為每個輸入分配權重，然后累積輸入并將其用于閾值函數。在訓練過程結束之后，神經網絡可以針對輸入產生適當的輸出。輸入、輸出、隱藏層和節點的數量需要神經網絡配置后確定。可以根據經驗確定適當數量的節點和層，但應準確確定網絡的輸入屬性。網絡的輸入和屬性在決策中起著重要作用。

多層感知器作為廣泛使用的機器學習模型，適合回歸和分類等類應用。該模型的學習一般基于誤差函數梯度下降的原則，但有時可能會存在過擬合的現象。

圖3 多層感知器原理圖

圖3給出了多層感知器(MLP)的原理圖。輸入層包括：

ak=f(netk)k=1,2,...,l

(8)

(9)

隱藏層包括：

yj=f(netj)j=1,2,...,m

(10)

(11)

其中變換函數f(x)為連續、可導的單極性Sigmoid函數：

(12)

f′(x)=f(x)[1-f(x)]

(13)

多層感知神經網絡訓練流程如圖4所示。MLP的功能特性表明它適用于故障診斷。可以使用反向傳播進行MLP訓練，最后獲得對應于當前網絡權重的實際輸出。對于無人機等典型裝備(如發動機)，其故障診斷是基于故障特征的故障分類模型，以實現系統確定健康狀態，因此可以應用MLP進行故障診斷。

圖4 多層感知神經網絡訓練流程圖

3 仿真實驗和結果分析

3.1 試驗數據分析

針對某型無人機，圍繞表1所介紹的5大類11項故障，以飛行數據、測試數據等為基礎，形成了無人機發動機故障仿真實驗數據集，用于驗證本文提出的發動機故障診斷方法的效果。其中部分數據如圖5和圖6所示，分別為怠速不穩定或無法調整、高速工作不穩定與失火或間斷點火等故障的數據示意圖。

圖5 怠速不穩定或無法調整故障數據示意圖

圖6 高速工作不穩定與失火或間斷點火故障數據示意圖

3.2 聚類結果比較和分析

選取4種故障數據做聚類效果比較，在未知故障模式分類的前提下，用3種診斷方法進行聚類計算，將聚類結果與真實故障模式進行對照比較，計算平均絕對誤差(MAE)。

圖7 10次實驗平均絕對誤差結果

統計結果如表2所示。

表2 3種發動機診斷方法準確率結果

3.3 診斷結果比較和分析

通過故障識別準確度來進行診斷效果的評價。該指標定義如下：

(14)

故障識別準確度T能夠比較好地衡量故障診斷模型的精度。上式中，D為診斷樣本的總數，c指診斷的準確樣本總數。

選擇兩種故障數據作為比較對象，一種是突變故障，即故障的發生更隨機，趨勢與故障前的趨勢無關；另一種故障是逐漸演化的故障，即故障的發生是逐漸變化的，故障時間數據與以前的數據有一定的關系，通過以前的數據推斷出故障數據。在故障診斷方法中，趨勢數據用于粒子濾波，故障診斷類型的能力相對較弱。不同方法故障識別率的結果如表3所示。

表3 3種無人機發動機診斷方法準確率結果

通過分析，針對發動機第一和第二類故障，MLP具有最佳診斷結果；對于第三和第五類故障，K-Means表現最佳；對于第四類故障，粒子濾波方法更為適合。

根據表3和圖7可以看出，對于無人機發動機的突變故障的診斷，因為缺少趨勢數據的知識，或者趨勢數據的參考性不大，而粒子濾波對趨勢數據依賴較大，所以其診斷效果不及MLP和K-means聚類。而對于漸變故障來說，粒子濾波算法則能夠發揮其優勢，得到3種方法最好的診斷結果。綜上，對于有一定變化趨勢的結果診斷，粒子濾波能夠較好發揮。

4 結論

本文分析研究了基于遙測數據的無人機典型故障模式和故障診斷方法，并對3種故障診斷模型的結果進行了對比分析，為無人機健康監測和自主安全提供了應用案例分析，具有較高的工程應用價值。存在一些不足之處：當粒子濾波器應用于實時系統時，粒子濾波方法的計算復雜度非常艱巨，如何在有限的計算時間內滿足要求仍需深入研究。實際分析過程中要求計算結果必須收斂到真值，并且必須具有一定的收斂速度。因此，如何找到一種可靠的方法來檢測粒子濾波的收斂速度和收斂速度是至關重要的，這一理論研究需要進一步改進。