無人機空中安全監控與輔助決策技術概述

紀紅霞,宋于雪,張翔,王苗

95894部隊

狀態監控、健康管理與故障預測技術是實現無人機裝備自主化維修保障的關鍵技術，是保障無人機安全飛行的有效手段。本文簡要闡述飛行全流程安全監控、基于狀態信息的關鍵設備自主健康管理、基于數據的無人機設備故障預測等技術，為下一步相關研究，提高無人機穩定性和安全性提供理論參考。

近年來，無人機飛行控制、操控決策支持及故障分析技術隨著無人機的蓬勃發展，特別是中大型無人機安全操控的迫切需求應運而生，是專家系統和決策支持系統在無人機領域的應用。目前在美、以等國受到高度重視，軍方專門投入資金和人力展開研究，以期解決“捕食者”無人機使用操控方面可靠性偏低、事故率高的問題。目前公開資料可見，美軍在該技術領域已取得相當大的進展。

我國無人機產業經過幾十年的努力發展，已取得令人矚目的成績，自主研制出眾多型號無人機，實現了飛速發展。我國在提高無人機使用操控可靠性及降低事故率等方面的軍事需求與美國類似，相關科研人員已開展了一定的研究工作，取得了一定進展。本文重點介紹關鍵技術之—，狀態監控、健康管理與故障預測（PHM）技術。

狀態監控、健康管理與故障預測技術是實現無人機裝備自主化維修保障的關鍵技術，是保障無人機安全飛行的有效手段。針對無人機裝備系統復雜、安全性要求高的特點，通過建立無人機安全監控與健康管理系統，以實現裝備全壽命安全管理和視情維修。

首先，對無人機全系統初始加電、發射、飛行到正常回收的整個過程進行安全監控與異常預警，以提高無人機的飛行安全性；其次，建立無人機系統關鍵部件的連續運行狀態數據，進行基于數據模型分析的數據挖掘與利用，實現對關鍵部件的健康狀態評估。最后，以采集的數據為基礎，通過各種數據分析處理方法挖掘其中的隱含信息，對無人機系統進行故障預測，及時定位具有潛在故障的部件、輔助決策并進行信息管理，提高無人機維修保障的自動化程度，減少由于故障引起的各項費用，降低風險，提高武器裝備的作戰能力。

無人機飛行全過程安全監控技術

無人機飛行設備的安全性與防危性要求高，需實時監測飛行關鍵設備的運行狀態及飛行操控人員的控制行為。首先實現無人機的數據采集，分析無人機裝備的數據傳輸方式和途徑，在不影響無人機正常工作狀態的前提下，采集反映無人機飛行狀態數據與地面控制站工作狀態數據。采集的數據主要包括無人機飛行的遙測信息與遙控指令信息。

圖1 應對無人機全系統的初始加電、發射、飛行到正常回收的整個過程進行安全監控與異常預警。

遙測信息流包含鏈路上所有設備的狀態信息，比較全面地涵蓋了無人機飛行關鍵設備與任務設備的工作狀態，在遙測信息流中進行信息融合和數據挖掘，分析出無人機各關鍵設備和遙測信息的對應關系，從而掌握設備的工作狀態，才能進一步進行健康狀態管理的技術研究。通過裝備分解和實驗，在研究過程中擬將任務機、中繼機和地面數據終端等裝備的狀態數據進行全面解析、快速提取并準確轉化為各系統模型可用的相關數據類型，通過適當冗余和校驗保證解析的數據流安全可靠。

另外，遙測參數與遙控指令之間緊密關聯，僅簡單對單個遙測數據如高度、速度、油量等進行超閾值的安全提示是不夠的，需要結合飛行程序對遙控指令和遙測信息進行關聯態勢分析，推理產生可能發生的安全預警。例如，無人機在左盤旋狀態時直接發送右盤旋指令，將導致飛機失控，應當預警；回收階段發現發動機在大馬力狀態時，也需發送預警信息，提醒操控員糾正錯誤操控。

無人機安全監控主要是在飛行過程中對影響飛行安全的因素，如發射起飛中的大馬力、爬升指令預置，飛行過程中發動機狀態等，進行狀態監控和安全預警。通過實時解析遙測數據，依據安全飛行操作規程將飛行狀態信息和控制信息同步關聯，進行基于多信息關聯的安全態勢分析，建立基于閾值的安全預警機制，并提供應急措施操作提示；實現對誤操作及異常飛行狀態的實時監控，從而改善無人機目前僅具備單狀態參數異常報警的現狀。

在準確、實時采集無人機遙測、遙控信息并獲取飛行狀態信息的基礎上，擬為無人機飛行的發射檢測、實時飛行狀態監測和回收監測三個階段增加安全監控功能。通過分析無人機發動機、自動駕駛儀、姿態傳感器、地面控制系統的工作狀態與趨勢，掌握設備工作狀態，通過安全監控系統，確保無人機飛行安全。以起飛狀態為例，安全監控與異常預警分析流程如圖2所示。

圖2 無人機的起飛安全監控與異常預警分析流程。

基于狀態信息的關鍵設備自主健康管理

建立無人機智能信息系統實現無人機健康檢測與健康管理，已經成為衡量無人機智能化水平的一個指標。在無人機執行任務過程中，健康管理系統一方面對機載下傳遙測數據進行實時解析，為操作人員提供報警，另一方面，對無人機關鍵設備進行實時監控，按照層級進行故障定位并根據故障等級采用不同方式提醒。在任務執行過程中出現緊急情況時，可對各類資源進行高效調度，實現各類資源的協調使用，讓無人機及時完成任務。健康管理的一個主要目標是，根據無人機記錄數據進行故障診斷以及可用時間預測，并根據診斷及預測結果安排維修保障工作。將健康管理系統與維修系統、訓練系統、供應系統等業務進行全面綜合，實現任務為驅動的自主保障。

從健康管理角度，擬將無人機設備的狀態定義為正常、錯誤、異常、故障和損壞共五類。

正常是設備按預定方式運行，按規定性能指標完成全部預定功能。

錯誤是設備或程序在運行中偶發的、非常駐的、非預定狀態，檢測表現為“未見故障”。錯誤可由瞬時環境因素超限，如外部強干擾引起，或由級聯故障引起。這是一種短時間的非穩恒的狀態。在消除引發錯誤的環境因素或級聯故障后，設備能自動恢復預定運行狀態，或通過復位、重啟等方式實現自修復。

異常是產品偏離預定運行方式或規定功能范圍的狀態，表現為功能降級。異常多是因設備內部某些電路器件在某些臨界外部條件如溫度作用下，偏離預定工作狀態所致，是敏感于相應條件并在該條件下會重復出現的狀態。在引發異常的外部因素消除后，設備多能自動恢復預定運行狀態。為保證設備在規范要求的范圍內可靠地工作，應及時對出現異常的設備進行調整或采取維修措施。

圖3 利用無人機發動機診斷試驗臺檢修和維修故障。

故障是產品不能執行規定功能的狀態，表現為功能喪失。故障雖然可能以環境因素為誘因，但其內在原因主要是設備存在設計缺陷，或運行中電子器件因不能承受外部應力而發生內部硬件損傷或固件失憶。可采取故障禁錮、余度、容錯等設計措施使系統或設備在出現故障時保持工作能力。為保證設備可靠地工作，必須對故障設備進行檢測和維修，排除故障。

損壞是產品中故障部件不可恢復的、不能執行規定功能的狀態。損壞的產品可能通過更換故障部件等維修措施加以修復，也可能無法修復而報廢。

根據狀態信息分類，定義正常和錯誤狀態為健康，異常為亞健康，故障和損壞狀態為疾病。擬通過搜集無人機的基本信息、機載信息、工作信息、環境信息和歷史數據，建立無人機系統的健康檔案，進行健康管理。

從整個無人機系統角度分析，在實現無人機自主健康管理的過程中，擬將整個系統的健康管理過程分為四個層級，如圖4所示，主要有關鍵部件健康管理、設備級健康管理、分系統級健康管理以及最頂層的系統級健康管理，按照層級將數據進行處理整合，實現無人機系統的實時健康管理、知識庫管理、深度故障診斷以及維修管理。

圖4 無人機自主健康管理層級。

基于數據的無人機設備故障預測

故障預測技術可以分為基于模型的、基于知識的與基于數據的故障預測。在研究實際系統的故障預測時，建立描述復雜設備工作情況的數學模型既不經濟，甚至也不可能實現，同時又無法有效表達領域專家的經驗知識。因此，對設備系統進行研究的切入點就只有設備工作的歷史數據。基于數據的故障預測技術以采集的數據為基礎，通過各種數據分析處理方法挖掘其中的隱含信息，對系統進行故障預測，從而避免了前兩種故障預測方法的缺點，成為一種較實用的故障預測方法。對無人機系統而言，各臺設備、環節的數據容易采集且比較完整，因此適合采用基于數據的故障預測技術。

隨著深度學習技術的不斷發展，神經網絡在應對數據分類的有效性引起了人們的注意，但神經網絡在處理序數列時，將取得的數據視為獨立的，故無法模擬時間序列的馬爾可夫過程，基于此情況便孕育出循環神經網絡，它認為系統在某一時刻的輸出狀態yt不僅與這一時刻的輸入xt有關，也依賴于上一時刻的輸出yt-1。通過將時間序列輸入預測模型，能夠對數據進行逐層抽象并提取特征，以達到令人滿意的精度。而LSTM循環神經網絡則是在RNN的基礎上增加了三個“門”操作，以解決RNN難以訓練長度過大的時序數據的問題。

采用LSTM循環神經網絡進行無人機故障預測，充分利用其在處理時序數據序列時的優勢，并對預測系統架構進行分層，降低系統的耦合度。其RNN網絡簡圖和隱藏層細胞結構如圖5所示。

圖5 RNN網絡簡圖及隱藏層細胞結構。

采用一種適用于無人機故障預測的系統，LSTM循環神經網絡只是其中的核心技術，整個系統還包括各個傳感器采集數據的預處理、無人機關鍵部件的劃分及其特征參數的選取等。通過分析，將無人機故障預測系統的四層框架結構見圖6，由下至上依次為設備配置層、數據整合層、故障預測層、可視化層。其中，設備配置層主要負責無人機的配置和關鍵部件劃分，數據整合層負責各傳感器采集數據的預處理及歷史數據的調入操作，故障預測層負責建立預測模型，對無人機的故障進行預測，可視化層負責將診斷結果以直觀的形式顯示在界面上。

圖6 故障預測系統的四層結構。

總之，無人機飛行控制、操控決策支持及故障分析技術在技術層面是成熟的，相關基本理論和技術方法已取得許多研究成果。關鍵問題在于，如何針對具體的無人機系統的控制與操控特點展開研究，真正起到決策支持的作用，以提高無人機穩定性和安全性。