固定翼無人機多工況聚類及工況匹配

2020-09-28 05:34:18梁少軍張世榮鄭幸林冬生

兵工學報 2020年8期

關鍵詞：模型

梁少軍，張世榮，鄭幸，林冬生

(1.陸軍工程大學軍械士官學校，湖北武漢 430075； 2.武漢大學電氣與自動化學院，湖北武漢 430072)

0 引言

目前，固定翼無人機(UAV)已在全球得到廣泛應用，列裝種類和數量越來越多。UAV執行任務時面臨著時間緊、要求高、運行環境復雜等問題。UAV本體和外在因素決定了其可靠性，UAV一旦發生故障而墜機，會造成極大的經濟損失和難以估量的軍事、政治影響，故提高UAV的可靠性一直是生產廠家和用戶的重點努力方向之一。UAV廠家一般配套了各子系統的自檢及報警功能模塊，但此類模塊只能對UAV裝備的健康狀態作定性判斷，無法準確定位故障源，更不能發現UAV的非器質性隱性故障。針對UAV的可靠性問題，國內外研究者們開展了一系列研究，并取得了一些成果[1-5]。文獻[1-5]表明，在UAV故障診斷研究中，大多采用基于模型或基于多元數據統計的診斷方法，此類方法在穩態或準穩態過程中可獲得較好效果，但對變工況的適應能力較差。UAV執行任務全流程包含起飛、巡航、遂行任務、返航、回收等階段，屬于典型的多工況過程，若將UAV的任務全程簡單處理為一個工況，則單一模型將無法應對UAV的多工況特征，必然會導致故障漏報或誤報。由此可見，UAV多工況對故障診斷影響較大，故UAV的多工況分類及工況匹配是故障診斷取得成功的必然條件。

UAV工況分類本質上是數據分組問題，解決該類問題的常用方法是聚類分析。聚類可利用數據中描述對象及其關系的信息，將數據分成不同的簇[6]，是數據挖掘的常用手段。聚類算法有多種，且可以分為不同種類。其中，帶噪聲的密度聚類(DBSCAN)算法是一種具有噪聲處理能力的劃分式、互斥式、部分聚類算法。該算法通過對比局部數據的密度，尋找被低密度區域分離的高密度區域，以隔離高密度區域和低密度區域，最后將相近的高密度點連成一片，生成各種簇[7]。該算法可以在噪音數據中發現各種形狀和大小不同的簇，擅長處理非球狀分布數據，對噪聲有較強的魯棒性，且能夠自動確定簇數。可見，DBSCAN算法適合UAV的運行數據，本文將用它來對UAV的全任務過程進行工況分析。需要說明的是，DBSCAN算法中采用歐式距離來定義密度的方法并不適合高維數據。本文將共享近鄰(SNN)算法與DBSCAN算法進行結合，并提出一種新的參數尋優方案，形成一種改進型SNN-DBSCAN*算法，以適應UAV的工況特征。

UAV數據被劃分為多個工況后，在線故障診斷時需要首先進行工況匹配。基于數學模型[8-9]、基于專家知識[10]以及基于數據驅動[11-12]是3類實現工況匹配的可行方法[13]。其中，前兩類匹配方法都存在一定的局限性，不適合固定翼UAV的多工況分析。具體而言，基于數學模型的匹配法需要建立準確的系統解析模型，基于專家知識的匹配法則過度依靠專家經驗和專業知識。而固定翼UAV的復雜性使得精確解析模型和專家知識都難以獲得，限制了此兩類匹配方法在固定翼UAV上的應用。基于數據驅動的匹配法則容易實現，只需獲取系統的歷史數據和對應的工況標簽即可建立工況分類模型。就UAV而言，其運行數據可以通過數據鏈獲得，但工況標簽則無法從運行數據直觀獲得。

圖1 固定翼UAV多工況聚類及匹配技術路線Fig.1 Mutiple working condition clustering and matching technology routes of fixed-wing UAV

本文針對此問題，采用如圖1所示的技術路線。首先獲取UAV的歷史飛行數據，采用SNN-DBSCAN*算法進行聚類分析，并將聚類結果作為工況標簽。然后使用獨立成分分析(ICA)法提取各工況的數據特征，并融合工況特征和工況標簽形成工況訓練樣本。最后采用支持向量機(SVM)學習算法對訓練樣本進行學習，建立UAV工況匹配模型。在算法研究基礎上，本文以某型固定翼UAV的實際飛行數據對算法進行了驗證。

1 固定翼UAV工況特征

1.1 UAV操控原理

圖2 無人機操控原理Fig.2 Principle of UAV control

1.2 UAV工況特征

UAV遂行任務全程一般包括起飛- 巡航- 執行任務- 返航- 回收等階段，且各階段會根據實時任務變動和現實情況動態調整飛機狀態。不同狀態下飛機傳感器與執行機構反饋信息具有明顯區別。圖3展示了UAV執行某任務全程高度、傾斜角、俯仰角、航向角變化曲線。以圖3(a)飛機高度變化為例，UAV發射起飛后迅速爬升，在升至1 000 m左右時改為平飛，之后為避障和執行任務先后兩次采取爬升- 平飛- 俯沖動作以臨時調整高度。在返航回收階段，飛機總體以俯沖降高為主直至成功降落。總體來看，若僅以飛機高度變化劃分工況則可分為爬升、平飛、俯沖3種工況。同樣，從圖3(b)飛機傾斜角變化來看，該任務全程可劃分為左傾斜、右傾斜和直飛3種工況。若以圖3(c)飛機俯仰角變化來看，可劃分為抬頭、低頭和平飛3種工況。若以圖3(d)飛機航向角變化來看，則可劃分為左偏航、右偏航和定航3種工況。從圖3(a)～圖3(d)采樣時間軸(橫軸)綜合來看，各工作狀態交替出現，導致UAV工況復雜。從直觀上看，無法從UAV的9維數據集中簡單劃分工況，甚至連工況的個數也無法獲得。若僅以某參數(例如高度)為主導來處理UAV工況，將會丟失大量工況信息，造成誤判。因此，本文將采用不需要先驗知識的聚類算法，從數據抽象層對UAV工況進行分析。

圖3 UAV飛行曲線Fig.3 UAV flight curve

2 基于SNN-DBSCAN*算法的UAV工況聚類

DBSCAN算法是一種基于密度進行聚類的算法，該算法先尋找密度較高的點，然后把相近的高密度點連成一片，進而生成各種簇。DBSCAN算法以密度為指標，對噪聲具有較強的魯棒性，可基于數據自主推測聚類個數并能處理任意形狀和大小的簇[14]。DBSCAN算法已經廣泛應用于多個領域，如光譜分析、社會科學、土木工程、生物醫學和化學等[15]。但經典DBSCAN算法需要指定核心點的最小近鄰數MinPts和鄰域半徑Eps值，且對數據集的密度敏感，難以處理密度不均勻的數據集[16]。故經典DBSCAN算法無法直接用于UAV飛行數據分析。本文從以下兩個方面對DBSCAN算法進行改進：1)引入SNN算法以提高DBSCAN算法應對密度不均勻數據集的聚類性能；2)在計算K近鄰距離KNNd基礎上引入數據剪切率、滿意度曲線和合成輪廓系數(SSC)，并提出一套分步自動優選MinPts、Eps參數方案，以降低DBSCAN算法對先驗知識的依賴。

2.1 SNN-DBSCAN算法

與DBSCAN算法的密度指標不同，SNN算法采用相似度來度量兩點間距離。SNN距離只依賴于兩個對象共享的近鄰個數，而不是這些近鄰之間的實際距離，因此能夠基于點的密度進行自動縮放。SNN距離反映了數據空間中點的局部結構，對密度變化和空間維度相對不敏感，可以用作新的距離度量方式來改進傳統的DBSCAN算法，記為SNN-DBSCAN算法。以下將逐步介紹算法改進過程，首先從算法基本定義開始[17-19]。

在數據集空間中，若點p的Eps鄰域內近鄰個數大于等于MinPts，則該點定義為核心點。若點p的Eps鄰域內近鄰個數小于MinPts，且p落在某核心點的Eps鄰域內，則該點為邊界點。若點p既非核心點又非邊界點，則該點為噪聲點。若點q是核心點且p在q的Eps鄰域內，則稱p距q直接密度可達。若存在一條直接密度可達的鏈條p1，p2，…，pn，n為鏈條數據的量，且p1=q，pn=p，pi+1距pi直接密度可達，則稱p距q密度可達。若在數據集D中的p點與q點的前k個最近鄰中有t個近鄰是共享的，則稱p距q的共享近鄰距離為t，并將其作為SNN距離，記為SNNd(p,q,k) =t.

Algorithm 算法1SNN-DBSCAN算法。

Algorithm Input

(1)D=[x1,x2,…,xm]T∈Rm×9: 采樣數據矩陣

(2)Eps: 距離半徑

(3)MinPts: 閾值

(4)k: SNN近鄰數量

Algorithm Output

C={C1,C2,…,Ct}: UAV數據聚類集合

Algorithm Start

id=1

Set allU=D//U為未處理的數據矩陣

for eachxi∈Udo

|Nbxi|=FindN(xi,D,Eps,k)//根據算法2

if |Nbxi|

xi∈Noise//xi判斷為噪聲點

else

xi∈Cid//xi判斷為核心點并存入對應類標聚類集合

all points inNbxi∈Cid

Queue=Nbxi//Queue為過程存儲數據集

whileQueue≠?

Queue=Queue/xj//xj為Queue中任一數據

|Nbxj|=FindN(xj,D,Eps,k) //根據算法2

if |Nbxj|≥MinPts

set each pointzinNbxj∈Cid

ifz∈U

Queue=Queue∪z

end if

U=U/xj//將xj從U中剔除

end while

end if

U=U/xi//將xi從U中剔除

id=id+1

end for

Algorithm End

圖4 SNN-DBSCAN算法

Fig.4 SNN-DBSCAN algorithm

Algorithm 算法2FindN

Algorithm Input

(1)xi: 測試數據

(2)D=[x1,x2,…,xm]T∈Rm×9: 采樣數據矩陣

(3)Eps: 距離半徑

(4)k: SNN近鄰數量

Algorithm Output

|Nbxi|

Algorithm Start

|Nbxi|=0

for eachxj∈D/xido //取D中與xi不同的數據xj

ifSNNd(xi,xj,k)≤Eps//根據子程序SI

|Nbxi|=|Nbxi|+1

end if

end for

Procedure子程序:SNNd(xi,xj,k)

SIxi,xj=SI(xi,D,k)∩SI(xj,D,k)//SIxi,xj即xi與xj共享近鄰數量

Count=k-SIxi,xj

returnCount

Procedure子程序:SI(xi,D,k)

Index=?

for eachxj∈D/xido

distxi,xj=‖xi-xj‖2/distxi,xj即xi與xj的歐式距離

Index=sort(distxi,xj)[1:k] //升序排序，取前k個數據

returnIndex

Algorithm End

圖5 FindN算法

Fig.5 FindN algorithm

在上述SNN-DBSCAN算法中，需要人為指定Eps和MinPts，其數值對聚類結果有較大影響。為了降低算法對先驗知識的依賴程度，需要進一步研究Eps和MinPts的參數優化方法。

2.2 SNN-DBSCAN算法參數優化

為尋找合適的[Eps，MinPts]參數組合以得到最優的聚類效果，引入KNNd和SSC概念，對SNN-DBSCAN算法進行改進。

KNNd為數據集合中每個數據點到其第T個最近鄰的距離(一般為歐氏距離)[19-20]。計算D中每個數據點的KNNd距離，并將結果升序排序，即可得到K近鄰(KNN)距離曲線LineT，其示意如圖6(a)所示，LineT先緩慢增長后急劇上升。若取曲線拐點P處對應的KNNd和LineT為MinPts和Eps的值[21]，則按照拐點啟發式參數尋優思想，由此方式獲得的參數組合是較優的。以該參數組合對UAV數據集進行DBSCAN算法聚類分析時，序號小于Num的所有UAV數據將會被標記為核心點，而大于Num的將被標記為邊界點或噪聲點。

圖6 LineT距離曲線Fig.6 LineT distance curve

本文擬在SNN-DBSCAN聚類算法參數優化中采用拐點啟發式尋優方法。基于SNN距離的KNNd記為SNN-KNNd，該距離度量方式會限制曲線的縱軸最大值(即0

Num=[(1-sr)m]，

(1)

將sr轉化為新的Num值；以Num值為基準沿縱軸畫一條直線與多條LineT曲線相交，若交點縱坐標滿足LineT(Num)≠k則標記該曲線為滿意曲線。取交點P處對應的SNN-KNNd值為MinPts值，取此點LineT值為Eps值，即可得到多對合適的備選參數組合。為了從備選組合中進一步篩選最優參數組合，下文進一步采用SSC進行分析。

輪廓系數結合了凝聚度和分離度，是聚類效果的評價指標[22]。本文根據UAV數據特征將輪廓系數與共享近鄰距離融合，重新定義指標。設Xi,j表示簇j的第i個采樣，Nj為簇j的樣本數，C為總聚類簇集合，|C|為聚類簇總數。首先，定義凝聚度CHi,j以反映簇內部的緊湊程度：

(2)

式中：CHi,j為單點凝聚度，表示Xi,j到簇j中所有點的平均SNN距離。

再定義分離度SPi,j，以反映簇與簇之間的分散程度：

(3)

式中：SPi,j為單點分離度，表示Xi,j到不包含該點的簇中所有點的最小SNN距離。結合凝聚度和分離度構建SSC，以綜合反映聚類效果的好壞，SSC表示為

(4)

式中：SCi,j=((SPi,j-CHi,j)/max (CHi,j,SPi,j)+1)/2，SSC∈[0，1]。在實際聚類分析中，SSC需要大于0.5，且SSC越接近1，表明聚類效果越好。在使用SSC對多個備選參數組合進行評價時，使SSC取最大值的參數即為最優組合。

引入SNNd和SSC概念后，原SNN-DBSCAN聚類算法不再需要預先人為指定Eps及MinPts值，只需給出T值的大致取值范圍并預估1個可接受的數據剪切率sr即可自動優選參數，在一定程度上降低了算法對先驗知識的依賴。將具有參數優選功能的SNN-DBSCAN算法記為SNN-DBSCAN*算法，圖7所示為該算法的偽代碼，其中Cd表示備選參數集合，Cd.MinPts表示備選MinPts參數子集，Cd.Eps表示備選Eps參數子集，SC(C)表示使用聚類集合C計算合成輪廓系數，SSCs表示存儲多個合成輪廓系數的集合，Eps*表示最優Eps參數，MinPts*表示最優Minpts參數, |C|表示聚類集合C中子簇的數量，|Ci|表示序號為i的子簇內數據的量。

圖8以框圖形式將2.1節、2.2節提出的SNN-DBSCAN*算法原理進行了概括。SNN-DNSCAN*算法分兩步實現參數尋優：1)在眾多曲線中挑選出滿意曲線，得到備選參數組合，并保證被選曲線有較少離群點；2)以SSC最大值為標準進一步優選備選參數組合。該算法兼顧了離群點與SSC，對數據的先驗知識要求少，實用性強。

2.3 UAV工況聚類仿真與分析

以UAV一次時長2.5 h的完整實飛數據為對象，對本文所提算法進行仿真驗證，算法代碼用MATLAB 2018a軟件實現。UAV數據鏈采樣周期短，完整飛行數據具有很大體量。本文旨在對UAV工況進行聚類分析，樣本無需具有很高的采樣速率。故先對實飛數據進行無偏差抽樣，獲得1 034組抽樣數據構成樣本集，記作trd. SNN-DBSCAN*算法的相關參數設置如下：

(5)

Algorithm 算法3 SNN-DBSCAN*

Algorithm Input:

(1)D={x1，x2，…，xm}∈Rm×9: 采樣數據矩陣

(2)k: 計算SNN時最大近鄰數量

(3)T: KNN參數，表示計算到第T個最近鄰的距離，T∈[a,b],其中1

(4)sr: 可接受的UAV數據剪切率

Algorithm Output:

Algorithm Start:

T=a,KNNd=?,Cd= ?,SSCs=?

for eachTin [a,b] do

for eachxiinDdo

KNNd=KNN(xi,T) //計算xi到其第k個最近鄰的SNN距離

end for

LineT=sort(KNNd) //按照升序排列，得到KNN距離曲線

ifLineT(Num) ≠k//篩選滿意曲線

Cd.MinPts←T//將T值作為MinPts備選值

Cd.Eps←LineT(Num)//將KNN距離曲線在Num處值作為Eps備選值

end if

T=T+1

end for

for each pair of parameters inCddo//篩選最優參數組合

C=SNN-DBSCAN (D,Cd.Eps,Cd.MinPts,k)//根據算法1

SSC=SC(C)//根據子程序SSC，計算合成輪廓系數

SSCs←SSC//存入合成輪廓系數集合

end for

[Eps*,MinPts*]←max(SSCs)

C*=SNN-DBSCAN (D,Eps*,MinPts*,k)//根據算法1

Procedure子程序SSC=SC(C)

i=1,j=1

forj≤|C|

fori≤|Ci|

根據(2)式計算CHi,j

根據(3)式計算SPi,j

根據(4)式計算SCi,j

i=i+1

end for

j=j+1

end for

根據(4)式計算SSC

Algorithm End

圖7 SNN-DBSCAN*算法

Fig.7 SNN-DBSCAN*algorithm

圖8 SNN-DBSCAN*算法原理框圖Fig.8 Principle block diagram of SNN-DBSCAN* algorithm

圖9 訓練數據LineT曲線圖Fig.9 LineT curve of training data

圖10 UAV各工況數據三維彩色圖Fig.10 3D color map of working conditiones of UAV

根據2.2節繪制LineT曲線，如圖9所示。從圖9中可以看出，滿意曲線共有4條，分別為[2, 3, 4, 5]。故有4對備選參數組合:{[MinPts,Eps]}={[2, 14], [3, 17], [4, 20], [5, 26]}。計算各備選參數組合所對應的SSC及離群點/率，如表1所示。

表1 參數尋優結果Tab.1 Parameter optimization results

從表1中可以看出，4組備選參數的離群點率均小于5%，符合Num選定初衷。其中第2組數據擁有最大SSC值，因此最優參數為Eps=17，MinPts=3. 確定最優參數組合后，用SNN-DBSCAN*算法對UAV實飛數據集(部分變量的數據趨勢曲線見圖3)進行聚類分析，trd最終聚為8個簇，即8種工況，各工況三維聚類彩色圖如圖10所示。

圖10所示的三維彩色圖是一種高維數據可視化方法，該坐標系中橫軸為變量維度(9維)，縱軸為采樣數，豎軸為歸一化后的變量幅值。一次采樣數據在橫軸、豎軸中以一條連接各維度幅值的折線表示，折線走勢代表了當下采樣數據的特征。通過增加采樣維度(縱軸)將聚類得到的一種工況所有采樣數據對應折線繪制在一起，即可得到該工況的三維彩色圖。對比圖10(a)～圖10(h)，結合三維彩色圖繪圖原理及凝聚度、分離度定義可知，各工況內部采樣數據曲線走勢一致，凝聚度高，各工況間數據曲線走勢明顯不同，分離度大。可見SNN-DBSCAN*算法在UAV數據上聚類效果良好。

3 基于ICA-SVM的UAV工況匹配

針對UAV的多工況特征，在線故障診斷時需要先匹配工況，才能采用對應的模型進行故障診斷。本文基于數據研究UAV工況的匹配問題，只需獲取系統的歷史數據和對應的工況標簽即可建立工況匹配模型。第2節SNN-DBSCAN*算法完成了UAV數據的聚類，聚類結果即可作為UAV的工況標簽。以下將采用ICA算法和SVM算法來實現數據的特征提取并建立匹配模型。

3.1 ICA-SVM匹配算法

ICA算法是一種盲源信號分離新方法，用來從多維統計數據中尋找隱含因素或成分[23]。在UAV實飛過程中，實時采集的9個變量包含噪聲和干擾，這將降低UAV工況識別的準確率，甚至給出錯誤結果。使用ICA算法對UAV各變量數據進行特征提取與重構，再用轉換得到的特征數據代替源數據訓練SVM分類器，能有效提高算法在受干擾數據下的工況匹配準確度。

設D為采樣數據矩陣，A為由噪聲和干擾引起的混合矩陣，矩陣S為UAV源數據矩陣，則

(6)

式中：A=[a1,a2,…,am]。

對D進行ICA得到轉換矩陣T，之后通過(7)式提取特征矩陣Y，并用Y代替D用作工況模式識別，如圖11所示。這是因為特征矩陣Y能在一定程度上排除噪聲與干擾的影響，更能反映數據的真實特征，更逼近源數據矩陣S[24].

Y=TX.

(7)

轉換矩陣T可以通過FastICA法獲取。該方法首先對數據D進行中心化處理，使D各維度數據均值為0，如(8)式所示：

(8)

式中：E{·}表示求數學期望。之后對數據進行白化處理，如(9)式所示。白化將中心化后的數據重新表示在新的坐標系中，通過白化陣進行線性變換，在新的特征空間進行映射，映射后數據各維度之間不再有相關性且有單位方差。

(9)

式中：Rxx為中心化后數據的協方差矩陣；Λx為主對角線由Rxx的特征值組成的矩陣；Vx與特征值對應的特征向量組成的矩陣。

獨立成分估計常見方法是基于極大非高斯估計原理，根據(10)式使用固定點迭代方法求線性組合yi=∑iti的非高斯局部極大值，每個極大值對應一個獨立成分。該算法較多使用近似負熵作為非高斯性度量方式[24]，如(10)式中的J(y)。

ti,k+1=ti,k-η[E{xg(xti,k)}-E{g′(xti,k)ti,k}]，

(10)

式中：y為變換后的一個獨立成分；v表示標準化后的高斯隨機量；G{·}可以為任意選擇的非二次函數，恰當的G將有更好的魯棒性；G1(·)、G2(·)、G3(·)為3種常用的G函數。

由于UAV觀測數據D中每個樣本xi具有同等重要性，使用并行正交化方法將會有效降低計算損耗。該方法首先初始化權值ti,k，并按照(11)式對權值單位化：

(11)

之后由ti,k構成轉化矩陣Tk=[t1,k,t2,k,…,td,k]，并按照(12)式更新轉化矩陣：

(12)

按照(13)式計算Tk與Tk+1的差值ΔT，若ΔT小于截止閾值ε或達到最大迭代次數kmax，則算法終止，最后一次迭代輸出為最終轉換矩陣T，否則重復更新轉化矩陣，直到算法終止。

(13)

以上FastICA算法可概括為流程圖，如圖12所示。

圖12 FastICA法獲取轉換矩陣T流程Fig.12 Flow chart of FastICA method to obtain the transformation matrix T

3.2 仿真與分析

為驗證工況匹配效果，從SNN-DBSCAN*算法聚類結果中無偏差抽樣20%數據，作為輸入數據UD，無偏差抽取UD各工況中80%的數據構成訓練數據集trd，剩余20%作為測試數據集ted. 對訓練數據進行ICA，得到轉換矩陣T和轉換后的特征矩陣trdt. 使用trdt訓練SVM非線性工況匹配器，借助T將ted轉換為特征矩陣Y. 使用訓練好的匹配器模型對特征數據Y做工況匹配預測，并與真實工況類標比對，計算匹配正確率，具體過程如圖13所示。

圖13 ICA-SVM工況匹配器工作流程Fig.13 Workflow of ICA-SVM working condition matcher

3.2.1 匹配模型建模

首先，構建包含工況類標的訓練數據矩陣trdl=[trdt,wl]，其中wl∈[1,2，…，8]為數據采樣對應的工況類標向量。

由于傳統SVM只能實現二分類，本文使用一對一方式(One-vs-One)構建編碼矩陣訓練多個二分類器實現SVM的多分類功能，如表2所示，該矩陣每列為一個UAV工況類別，每行為一個SVM分類編碼方案。

表2 One-vs-One SVM分類編碼矩陣Tab.2 One-vs-One SVM classification coding matrix

圖14 ICA-SVM模型工況匹配效果混淆矩陣Fig.14 Confusion matrix of working condition matching effect of ICA-SVM model

為了驗證ICA-SVM模型的性能，本文采用傳統SVM模型進行對比研究。以傳統SVM模型在同樣情況下建模，建模準確度為99%，如圖15所示。

圖15 SVM模型分類效果混淆矩陣Fig.15 Confusion matrix of working condition matching effect of SVM model

由圖14和圖15可以看出，兩種模型都能很好擬合訓練數據及類標規律。下面將測試以上模型在測試數據尤其是受干擾測試數據上的工況匹配能力。

3.2.2 UAV工況匹配

分別用ICA-SVM和SVM分類器模型對帶類標的正常UAV測試數據做工況匹配，效果如圖16和圖17所示。從圖16和圖17中可以看出，ICA-SVM工況匹配模型能夠準確匹配UAV正常測試數據的工況，匹配準確率達95.41%，略高于SVM模型的92.86%.

圖16 ICA-SVM對正常測試數據工況匹配情況Fig.16 Working condition matching effect of normal test data using ICA-SVM

圖17 SVM對正常測試數據工況匹配情況Fig.17 Working condition matching effect of normal test data using SVM

3.2.3 誤差壓力測試

由于系統本身和使用環境的復雜，UAV采樣數據難免會受噪聲和干擾影響。模型在噪聲和干擾影響下的準確度不但是評價模型設計優劣的指標，而且是故障診斷的前提。本節在正常測試數據基礎上，按照1%的步進速度在UAV數據各個變量逐步添加0～10%的正向偏差，以此模擬干擾數據。分別使用SVM和ICA-SVM工況匹配模型對受干擾數據作工況匹配驗證，匹配準確度匯總如表3所示。從表3中可以看出，ICA-SVM匹配器綜合準確度為88.7%，高于SVM匹配器模型83.9%的準確度。數據采樣誤差一般都不超過5%，故將各變量偏差率限制到≤5%更有現實參考價值。此時，ICA-SVM工況匹配模型匹配準確度均值在92%以上，遠高于SVM工況匹配模型84.6%的準確度。

表3 ICA-SVM與SVM匹配準確度Tab.3 Matching accuracy of ICA-SVM and SVM

為了便于多變量分析，將各變量偏差下的性能繪制曲線如圖18所示。由圖18可見，UAV各變量數據在相同誤差壓力下，使用ICA-SVM匹配器的匹配準確度均高于SVM模型，對噪聲和干擾的抗壓性更好。

圖18 各維度在干擾壓力下工況匹配準確性Fig.18 Working condition matching accuracy of each dimension under interference pressure

4 結論

本文從聚類分析的角度審視UAV狀態數據，提出SNN-DBSCAN算法及該算法的超參調優方案，即SNN-DBSCAN*改進型算法，實現了UAV工況的優選。以SNN-DBSCAN*算法對某UAV實飛數據集進行聚類分析，將UAV全任務過程分為8個工況；工況內數據凝聚度高，工況間數據分離度大，聚類效果優異。在引入滿意曲線和綜合輪廓系數后降低了SNN-DBSCAN*算法對先驗知識的依賴，體現了無監督聚類的本質要求。在UAV工況匹配研究中，針對UAV數據在噪聲和干擾下工況易失配問題，提出了ICA-SVM算法，使用ICA對UAV各變量數據進行特征提取和重構以提高數據受干擾情況下的工況匹配準確度。UAV實飛數據分析表明：ICA-SVM工況匹配模型可以獲得滿意的匹配準確率，與傳統SVM模型相比有更好的抵御UAV傳感器誤差的能力。

下一階段研究擬將本文提出的工況聚類和匹配算法與UAV故障診斷算法結合，提出一整套適合固定翼UAV多工況的故障診斷算法。