基于數字孿生的民航飛行控制系統故障診斷技術

摘 要：隨著民用航空行業快速發展，飛行控制系統的安全性和可靠性變得尤為關鍵。傳統故障診斷手段依賴人工經驗，效率低、精度有限。本研究采用數字孿生技術，通過建立精確的虛擬仿真模型實現飛控系統的實時監控與故障預測，顯著提高了故障診斷的效率和準確性。研究驗證了數字孿生技術在民航飛控系統中的應用效果，確認其能顯著提升維護效率和飛行安全。

關鍵詞：數字孿生；民航飛控系統；故障診斷；實時監控

中圖分類號：V 249 文獻標志碼：A

隨著民用航空業的飛速發展，飛行安全和可靠性標準愈發嚴格，亟需提高安全保障水平[1]。飛行控制系統是關鍵，傳統故障診斷方法效率低，準確性有限。本研究利用數字孿生技術為飛行控制系統建立虛擬仿真模型，實現實時監測、預報，提升運行效率、準確性。數字孿生技術融合了感知、分析和診斷功能，能夠在不影響安全性的前提下模擬和分析飛控系統，通過分析海量數據檢測潛在異常和故障。此研究為提升民航飛控系統的安全性提供了新思路和理論支持。

1 基于數字孿生的故障診斷方法

1.1 虛擬模型構建

1.1.1 飛行控制系統模型化

構建飛行控制系統的數字孿生模型的關鍵是精確的系統模型化。這要求深入理解飛行器動力學、控制邏輯及傳感器和執行器特性[3]，確保模型能實時反映實際系統行為，用于故障預測和健康管理。整合這些動力學參數、控制邏輯和傳感器/執行器特性的詳細模型，得到的數字孿生模型能夠以高精度實時模擬實際系統運行，顯著提高系統的可靠性和性能，支持航空安全和效率提升。

核心的建模步驟通常包括以下步驟。

動力學建模：根據牛頓第二定律及飛行器運動學原理，建立飛行器的運動方程。例如，一個簡化的線性動力學系統如公式（1）所示。

m=-Dv+g（x1，x2，...，xn） （1）

式中：m為質量；v為速度矢量；D為阻力系數矩；g函數封裝了與狀態變量x1，x2，...，xn相關的其他力和矩。

控制邏輯建模：設計控制器邏輯，并將其集成到系統中。這可以通過例如PID控制或更復雜的自適應控制策略實現，如公式（2）所示。

u（t）=Kpe（t）+Ki∫e（t）dt+Kde（t） （2）

式中：u（t）為控制輸入；e（t）為設定點與測量輸出之間的偏差。

傳感器和執行器建模：確保模型包括所有關鍵傳感器和執行器的動態響應特性。這通常涉及傳遞函數或響應曲線的制定，如公式（3）所示。

（3）

式中：G（s）為拉普拉斯域中的系統傳遞函數；ωn為自然頻率；ζ為阻尼比。

經過上述的建模過程，構建了一個能夠精確反映真實飛行控制系統性能的數字化模型。此模型可以被有效地模擬各種不同操作環境中的系統行為，進而在實際系統出現問題時給出預警，并為后續維護決策提供方向。

1.1.2 傳感器與執行器模型化

為了實現精確的故障診斷，建立一個針對民航飛行控制系統的“數字孿生”模型是關鍵步驟。這涉及對傳感器和執行機構的細致建模，包括它們的靈敏度、遲滯、非線性特性及故障模式，對準確模擬真實元件的動態行為至關重要。通過在數字孿生模型中精細地再現這些特性，能夠確保模型的響應和可靠性與實際元件相符，從而有效地用于系統的實時監控、故障預測和健康管理。這種高精度的模型可以幫助提前發現潛在的故障，減少維護成本并提高飛行安全性。

傳感器建模通常要涉及對傳感器測量特性的捕獲，這包括其靈敏度、頻率響應和噪聲水平。舉例來說，一個標準的傳感器模型可能會遵循特定的傳遞函數模型，如公式（4）所示。

（4）

式中：Gsensot為傳感器的增益；Tsensot為時間常數；s為復頻域變量。

這個模型描述了傳感器對輸入信號的穩態和動態響應。

執行器的模型化重點在于它對控制指令的反應速度，涵蓋了例如力矩產生、移動速率和機械延遲等各種特征。執行器的結構模型如公式（5）所示。

（5）

式中：Kactuator為執行器增益；ωn為其自然頻率。

此模型有助于評估執行器在實際飛行條件下的性能表現。

1.2 實時監測與預測分析

1.2.1 數據采集與處理

基于“數字孿生”理論，對飛控系統的實時監控和預測分析對故障診斷至關重要，而數據的獲取與處理是確保診斷精度和有效性的基礎。飛機通過傳感器收集姿態、加速度、舵面位置和環境參數等信息，需要依賴先進感知技術和通信網絡，以確保實時、準確地獲取數據，如圖1所示。

持續收集的數據需要進行處理，以支持后續分析。數據處理包括數據清洗、同步和融合3個關鍵環節。針對傳統數據清洗技術的不足，介紹了基于小波分析的幾種數據處理算法及其優缺點，并提出一種利用小波變換進行數據清洗的新方法。由于小波分析在時頻局部化方面的優越性，它非常適合處理復雜背景下的目標檢測和跟蹤問題。

1.2.2 狀態評估與預測

當評估飛行控制系統狀態時，采用定量方法是基本途徑。具體來說，可以通過計算系統的實際輸出與預定模型預測之間的偏差來構建一個名為e（t）的殘差信號集。這種殘差信號代表了模型預測誤差，是評估系統健康狀況的關鍵指標。如果殘差信號e（t）超過某個閾值，這通常意味系統可能存在異?；蚬收稀Ｍㄟ^實時監測這些殘差信號，能夠對系統中的微小變化保持敏感，從而在異常發展的早期階段進行檢測和警報，進一步采取適當的診斷和維修措施來確保系統的正常運行和飛機的安全飛行。殘差信號如公式（6）所示。

e（t）=yreal（t）-ymodel（t） （6）

式中：yreal（t）為實際系統輸出；ymodel（t）為數字孿生模型的預測輸出。

一旦殘差超出了預定的閾值，便可判定系統可能存在異常。

當進行預測分析時，經常會運用時間序列分析和機器學習的相關技術。自回歸移動平均模型（ARMA）及其相關版本，例如自回歸積分滑動平均模型（ARIMA），常被采納來預測系統的將來行動。一個基礎性的ARIMA模型如公式（7）所示。

（1-B）p（1-B）dYt=（1-B）q∈t （7）

式中：Yt為時間序列數據；B為后退算子；∈t為白噪聲；p、d、q分別為自回歸、差分、移動平均的階數。

1.3 故障識別與定位

1.3.1 故障特征提取

在特征抽取階段，使用信號處理方法例如快速傅里葉變換（FFT）[4]對傳感器數據進行頻域分析是至關重要的。FFT技術將時域信號轉換為頻域信號，有效識別系統的基本頻率和諧波，對評估系統健康狀態至關重要。它能精確捕捉不同故障模式在特定頻率上的特征響應，例如軸承損壞的高頻振動或不平衡的低頻特征，從而實現早期故障檢測和診斷。FFT還能過濾噪聲，準確聚焦真實故障頻率，顯著提升飛行控制系統維護和健康管理的效率和準確性，是故障診斷的關鍵工具。FFT的數學表示式如公式（8）所示。

（8）

式中：F（k）為頻域中的輸出；f（n）為原始信號的時間序列；N為樣本點數；i為虛數單位。

時域分析工具，例如統計矩（包括均值、方差等）、峰度、偏度等，也經常用于提取故障特征，這些工具能夠量化數據的核心趨勢、分散程度和形態特性。此外，在振動分析過程中，峭度這一指標對檢測滾動軸承以及齒輪箱等關鍵部件的故障表現得尤為出色。峭度系數（Kurtosis）如公式（9）所示。

（9）

式中：K為峭度系數；xi為單個樣本點；為樣本均值；σ為標準偏差；N為樣本總數。

1.3.2 故障診斷算法

為確保飛行過程中的安全性，對其進行故障的高效檢測和定位研究。這一方法依托大量的數字化孿生模型和真實系統數據的分析，進而對這些數據執行高效的故障檢測。

常用的故障診斷算法包括模型基于解析冗余的關系，例如卡爾曼濾波器（KF）給予系統狀態估計的最優性。擴展卡爾曼濾波器（EKF）用于處理非線性系統，如公式（10）所示。

k|k-1=f（hatxk-1|k-1，uk）

Pk|k-1=FkPk-1|k-1FkT+Qk （10）

式中：hatxk-1|k-1為先驗狀態估計；f為系統動態模型；uk為控制輸入；Pk|k-1為誤差協方差矩陣；Fk為雅可比矩陣；Qk為過程噪聲協方差。

2 民航飛行控制系統故障診斷應用

2.1 應用場景分析

以飛機舵面為例，通過建立“數字孿生”的數學模型，在飛行控制系統中，對舵面的異常偏轉、液壓系統的泄漏、液壓系統的異常壓力等進行故障診斷。在此基礎上，對上述關鍵性能參數進行實時監控，保證了飛控系統的正常工作，有效地防止了因系統故障而引起的安全事故。

在航空電子行業內，數字孿生技術的應用有助于提前識別傳感器出現的問題和處理異常數據，這對確保飛行的安全性和提高航班的準期率具有顯著的意義。在這樣的基礎之上，為其實施及時的診斷和維護操作，不僅能縮減施工時間，而且還能有效提升其運行效能。

2.2 系統設計與實現

這套體系架構被細分為數據采集層、數據處理環節、診斷與決策部分及與用戶的互動層面。數據通過傳感技術實時傳輸到系統，經過凈化、融合和初步分析后，為數字化孿生模式的構建和持續維護提供高品質數據。整個體系結構也具有模塊化和可擴充性特點，便于未來更新和維護。各模塊相互配合，構成了一個完備的故障診斷系統。實時數據采集模塊采集各傳感器及飛行控制系統的實時信息，數據分析處理模塊對數據進行分析、處理，包括數據清洗、特征提取等環節[2]。在此基礎上，提出了一種基于神經網絡的故障診斷方法，并提出了新的維修策略，為人機互動模組提供了直觀、易用的界面，讓使用者可以很容易地取得系統資訊、故障診斷與維修意見。各模塊的職責見表1。

通過這些功能模塊的協同工作，基于數字孿生的飛行控制系統故障診斷技術能夠高效、準確地監測和管理民航飛行控制系統的健康狀態，從而提高系統的可靠性和安全性。

3 具體應用分析

3.1 動力學建模應用

在民航飛行控制系統的故障診斷中，動力學模型的構建是初步且關鍵的步驟。該模型基于飛行器的運動方程（公式（1）），有效描述飛行器在多種飛行狀態下的行為。通過這一模型，可以預測飛行器的動態響應，并為系統的健康管理提供理論依據。

3.2 控制邏輯和傳感器/執行器模型化

利用控制邏輯建模（公式（2））結合傳感器和執行器的傳遞函數模型（公式（4）），能夠精確模擬飛行控制系統對各種操縱輸入的響應。這種詳細的模擬幫助識別系統中潛在的故障模式，從而采取適時的預防或修復措施，確保飛行安全。

3.3 實時監測與預測分析

采用殘差信號計算方法（公式（6）），通過實時比較系統的實際輸出與數字孿生模型的預測輸出，有效監控飛行控制系統的健康狀況。此外，使用ARIMA模型（公式（7））預測系統未來行為，有助于故障預測和預防工作。

3.4 故障特征提取與診斷算法應用

快速傅里葉變換（FFT）分析傳感器數據，根據公式（8）揭示故障頻率特性，是檢測特定故障模式的關鍵工具。結合峭度系數（公式（9））等統計工具，從數據中提取關鍵故障特征，提高診斷的準確性。

數字孿生技術顯著提升了飛行控制系統的維護效率和安全性，通過精確模型化和實時監控，增強了預測和診斷潛在故障的能力。該技術為民航業提供了強大的技術支持和安全保障。

3.5 模擬試驗驗證分析

為了進一步驗證基于數字孿生的飛行控制系統故障診斷技術的有效性和實用性，本研究設計了一系列的試驗。這些試驗旨在通過實際數據對比傳統故障診斷方法與基于數字孿生的故障診斷技術在診斷效率和準確性上的表現。模擬試驗結果見表2。

試驗選取民航飛機中常見的幾種故障模式，包括傳感器偏移、執行器失效等。每種故障模式下，分別使用傳統的故障診斷方法和基于數字孿生的技術進行診斷。

數據采集：利用安裝在飛機各關鍵部位的傳感器收集實時數據，包括飛行器的姿態、加速度、舵面位置參數等。

數據處理：采用小波變換進行數據清洗，以提高數據質量。

模型構建與監測：構建動力學模型和控制邏輯模型，并實時比較系統輸出與模型預測的差異，生成殘差信號。

故障檢測與定位：應用FFT和峭度系數等工具提取故障特征，并使用EKF進行狀態估計和故障診斷。

根據表2結果，基于數字孿生的故障診斷方法顯著提升了飛行控制系統的診斷速度和準確率，尤其是針對傳感器偏移和執行器失效故障，數字孿生技術將傳感器偏移故障的診斷時間從15min降至5min，準確率提升至95%，并將執行器失效故障的診斷時間從20min降至7min，準確率提升至93%，這對提高民航飛機的安全性和可靠性具有重要意義。

4 結語

針對民航飛行安全和可靠性的迫切需求，本研究探索了基于數字孿生的新型故障診斷技術。通過建立精確仿真模型，提出了一種能實時監測和預測飛控系統狀態的方法，提高了故障識別和定位的準確性。研究深入討論了數字孿生基礎理論，并驗證了其在提升飛機飛控系統故障診斷水平方面的有效性。與傳統方法相比，該技術減少了對人工經驗的依賴，實現了更快速、更精確的故障診斷，為提升我國民用航空飛控系統的安全性和可靠性提供了新途徑。

參考文獻

[1]彭博.基于P3D的飛機自動飛行控制系統的設計方法與仿真研究[D].德陽：中國民用航空飛行學院，2023.

[2]李敬兆，張佳文，石晴，等.基于數字孿生的清掃裝置智能運維系統設計[J].蘭州工業學院學報，2024，31（1）：12-16.

[3]史巖，齊曉慧.基于故障檢測濾波器法的飛行控制系統故障檢測[J].兵工自動化，2007（1）：5-7.

[4]朱劍月，袁詠祎，陳羽，等.后端設置擾流板對圓柱流場與氣動噪聲影響[J].機械工程報，2024，60（12）：287-300.