硕士学位论文-无人机故障预测与健康管理技术研究.pdf

北京化工大学 硕士学位论文 无人机故障预测与健康管理技术研究 姓名：刘志花 申请学位级别：硕士 专业：控制科学与工程 指导教师：李淑芬 20100522 摘要 无人机故障预测与健康管理技术研究 摘要 随着无人机技术的发展，现代无人机系统机载设备日趋复杂，对故障 诊断和维护方式提出了新的挑战。故障预测与健康管理技术能够对无人机 进行全面的健康状态监测，对提高无人机安全性能、维修保障效率，降低 寿命周期费用将起到重要作用。因此研究无人机的故障预测与健康管理技 术( P H M ) 对无人机的发展具有重要的理论意义和应用价值。 本文研究无人机P H M 技术的核心部分一状态监控与故障预测系统， 其中故障预测技术是该研究的重中之重。考虑无人机系统输入输出响应 模型的非线性和多参数，选择不受线性和高斯分布限制的粒子滤波算法， 来逼近系统数据中所隐含的故障映射机制，进行故障预测，为系统维护和 实时的指挥辅助决策提供依据。无人机是一个异常复杂的系统，其中最重 要的莫过于动力系统和航迹系统。选用这两个系统作为研究对象，主要对 以下的四个方面进行了研究：1 ) 基于无人机高空飞行的数据，在对无人 机航空活塞发动机的关键参数建模后，选用粒子滤波方法其进行了故障预 测；2 ) 基于发动机起动试验的数据，在对涡喷发动机起动过程关键参数 建模的基础上，用粒子滤波进行故障预测；3 ) 基于无人机高空飞行的数 据，在对无人机航迹影响明显的姿态角建模的基础上，运用粒子滤波间接 实现了无人机航迹的预测。4 ) 将故障预测与状态监测系统应用到无人机 地面控制站的辅助决策系统，验证该方法的适用性。 北京化T 人学硕士学位论文 通过与无人机飞行的真实值比较，本文所运用的基于粒子滤波算法的 故障预测方法得到的预测值能很好的拟合各参数的真实走向。在无人机实 际飞行中，将该研究应用于无人机的辅助决策系统，可实时的对无人机的 故障进行预测，并能及时地对操作人员进行提示和提供辅助性的处置建 议，对无人机的飞行安全和降低维护成本意义重大。 关键词：无人机，故障预测与健康管理( P H M ) ，故障预测，发动机，航 迹，辅助决策系统 I I A B S T R A C T R E S E A R C Ho F U A V P R o G N o S T I C A N DH E A l 月HM A N A G E M E N TT E C H N O L o G Y A B S T R A C T W i t ht h ed e v e l o p m e n to fU A Vt e c h n o l o g y , m o d e me q u i p m e n to fU A V s y s t e mh a sb e c o m ei n c r e a s i n g l yc o m p l e x ，w h i c hp r e s e n t sn e wc h a l l e n g e st o f a u l t d i a g n o s i s a n d m a i n t e n a n c e P r o g n o s t i c a n dh e a l t h m a n a g e m e n t t e c h n o l o g yc a l lc o n d u c tac o m p r e h e n s i v eh e a l t hm o n i t o r i n go f U A V i m p o r t a n t c o m p o n e n t ，a n dp l a ya ni m p o r t a n tr o l eo ns a f e t yp e r f o r m a n c ei m p r o v e m e n t ， s u p p o r te f f i c i e n c ym a i n t e n a c ea n dl i f ec y c l ec o s tr e d u c t i o n T h e r e f o r e ，i th a s i m p o r t a n tt h e o r e t i c a lm e a n i n ga n da p p l i c a t i o nv a l u ef o rU A Vd e v e l o p m e n tt o r e s e a r c ht h eU A V p r o g n o s t i ca n dh e a l t hm a n a g e m e n t ( P H M ) t e c h n o l o g y I nt h i sp a p e r , t h em a i nc o n t e n ti st h ec o r ep a r to fU A VP H Mt e c h n o l o g y 一C o n d i t i o nm o n i t o r i n ga n df a u l t p r e d i c t i o ns y s t e m s ，i n w h i c hf a u l t p r e d i c t i o ni st h et o pp r i o r i t y T h i sp a p e ra p p l i e sd a t a b a s e df a u l tp r e d i c t i o n a l g o r i t h mo nU A Vs y s t e ms t u d y A st h ei n p u ta n do u t p u tr e s p o n s em o d e li s n o n l i n e a ra n dm u l t i p a r a m e t e r s ，w ec h o o s ep a r t i c l ef i l t e ra l g o r i t h mw h i c hn o t r e s t r i c t e dt ol i n e a ra n dG a u s s i a nd i s t r i b u t i o n ，t oa p p r o x i m a t et h ei m p l i e df a u l t m a p p i n gm e c h a n i s mo ft h es y s t e md a t a ，a n dd of a u l tf o r e c a s tf o rp r o v i d i n g d e c i s i o n m a k i n go fs y s t e mm a i n t e n a n c ea n dr e a l t i m ec o m m a n d U A Vi sa n e x t r e m e l yc o m p l e xs y s t e m ，i nt h i sp a p e r , f o u ra s p e c t si sf o c u s e do n ：1 ) B a s e d o nt h ed a t ad e r i v e df r o mal a r g eh i g h a l t i t u d eU A V , m o d e lt h ek e yp a r a m e t e r s o fU A Vt u r b o p r o pe n g i n e ，t h e ns e l e c tp a r t i c l ef i l t e rf o rf a u l tp r e d i c t i o n 2 ) I I I 北京化工人学硕上学位论文 B a s e do nt h ed a t ad e r i v e df r o me n g i n es t a r t i n gt e s t ，m o d e lt h ek e yp a r a m e t e r s o ft u r b o j e te n g i n es t a r t i n gp r o c e s s ，t h e ns e l e c tp a r t i c l ef i l t e rf a u l tp r e d i c t i o n 3 ) B a s e do nt h ed a t ad e r i v e df r o mal a r g eh i g h a l t i t u d eU A V , s e l e c ta t t i t u d ea n g l e a sr e s e a r c ho b j e c tf o ri t ss i g n i f i c a n te f f e c tt of l i g h tp a t h ，a f t e rm o d e l i n gi t ，u s e p a r t i c l e f i l t e rt o i n d i r e c t l ya c h i e v et h ef l i g h tp a t hp r e d i c t i o n 4 ) A p p l y C o n d i t i o nm o n i t o r i n ga n dF a u l tp r e d i c t i o ns y s t e m st ot h eU A Vs u p p o r t d e c i s i o ns y s t e mo fg r o u n dc o n t r o ls t a t i o n ，v e r i f yi t sv a l i d i t y C o m p a r e dw i t ht h er e a lU A Vf l y i n gv a l u e s ，t h ep r e d i c t i o nv a l u eg o tf r o m f a u l tp r e d i c t i o nm e t h o db a s e do np a r t i c l ef i l t e rc a nb eag o o df i tt ot h er e a l p a r a m e t e r s T h e r e f o r e ，i tc a nb ec o n c l u d e dt h a t ，i nt h ea c t u a lU A Vf l i g h t ，a f t e r a p p l y i n gt h i ss y s t e mt ot h eU A Vs u p p o r td e c i s i o ns y s t e m ，w ec a ng e tt h e r e a l t i m e p r e d i c t i o nf a u l t ，t i m e l y r e m i n dt h e o p e r a t o r a n d p r o v i d e c o m p l e m e n t a r ym a n a g e m e n tr e c o m m e n d a t i o n s A l lt h e s em a k e sg r e a th e l p a n ds i g n i f i c a n c et ot h eU A V f l i g h tc o n t r 0 1 K E Y W O R D S ：U A V , p r o g n o s t i ca n dh e a l t hm a n a g e m e n t ( P H M ) t e c h n o l o g y , f a u l tp r e d i c t i o n ，e n g i n e ，f l i g h tp a t h ，U A Vs u p p o r td e c i s i o n s y s t e r n I V 北京化工大学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进 行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不含任 何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要 贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明 的法律结果由本人承担。 作者签名：圭j 恕恕 日期：2 。0 5 q 关于论文使用授权的说明 学位论文作者完全了解北京化工大学有关保留和使用学位论文的 规定，即：研究生在校攻读学位期间论文工作的知识产权单位属北京 化工大学。学校有权保留并向国家有关部门或机构送交论文的复印件 和磁盘，允许学位论文被查阅和借阅；学校可以公布学位论文的全部 或部分内容，可以允许采用影印、缩印或其它复制手段保存、汇编学 位论文。 保密论文注释：本学位论文属于保密范围，在2 年解密后适用本授 权书。非保密论文注释：本学位论文不属于保密范围，适用本授权书。 作者签名：圭J 土、如 日期： 如f 0 多司 导师签名：杏础务 日期： 2 口口f 矗7 第一章绪论 1 1 引言 第一章绪论 无人机也称无人航空器或遥控驾驶航空器，是一种由无线电遥控设备控制，或由 预编程序操纵的非载人飞行器，拥有众多有人驾驶飞机所不具有的优点，可遂行各种 作战和训练保障等任务，具有广阔的军事应用前景，现在广泛应用在国防及科学研究 的各个领域。随着无人机技术的发展，现代无人机系统机载设备日趋复杂，提高无人 机的安全性、可靠性、使用效率和减少使用与维护成本，始终是军方密切关注的，因 此无人机故障预测与诊断技术日益受到广泛重视。 故障预测与诊断技术能够对飞行器重要部件、系统进行全面的健康状态监测，在 必要时对飞行器进行自修复、任务降级或提前准备必要的维修资源，进而成为降低全 寿命周期成本的关键技术，已成为目前研究的热点。目前，由于我国无人机装备生产 数量少，并且质量不稳定，导致故障规律尚未摸清，表现为在实际飞行中无人机系统 随机故障多、故障发生频率高。传统的故障诊断和维护方法，对于高速发展的无人机 系统已经不能满足其需求。而故障预测与健康管理P H M 技术作为一种新兴的故障诊 断与管理方法，能对无人机重要部件和系统进行全面的健康状态监控、故障预测、分 析判断处理，它的实现将会使基于状态( 视情) 的维修( C B M ) 逐渐代替由事件主宰的维 修( 即事后维修) 或时间相关的维修( 即定期维修) 。因而P H M 技术在无人机技术领域得 到广泛重视和长足发展。 国际上，复杂工程系统的故障检测与诊断研究是研究的热点，特别是以飞机一类 武器装备为对象的故障预测与系统维护理论与方法的研究蓬勃兴起。具有P H M 基本 功能的使用和状态管理系统已在部分直升机上配置。国内，关于故障预测与系统维护 理论与方法的研究虽较国际上先进国家起步较晚，但近两年已经开始进行初步的研 究，并取得了一定的研究进展。 1 2 故障预测与健康管理P r i m 研究现状 随着高科技的不断注入，现代装备的高集成化、高智能化以及分析处理问题的高 效化日益增强，设备的故障诊断、预测以及维修保障等系统可靠性问题得到了前所未 有的关注。系统的维修方式经历了3 个阶段的转变，即事后维修、定期维修和视情维 修【l 】。事后维修和定期维修经常引起不必要的停机，还可能在维修时导致部位损坏， 最不可取的是它很难预防灾难性的故障，这些都限制了这两种维修方式的实际应用。 与前两种维修方式不同，视情维修是根据对设备当前和将来状态进行正确和可靠的预 北京化T 大学硕卜学位论文 测来安排维修活动，是面向设备实际状态和发展趋势的，并且后勤保障规模小，经济 可承受性好，更重要的是可避免重大灾难性事故，因此具有很好的前景【2 1 。视情维修 要求不仅能对系统进行故障预测，并且要求能对系统的健康状态进行管理，由此诞生 了故障预测与健康管理( p r o g n o s t i ca n dh e a l t hm a n a g e m e n t ，P H M ) 的概念【3 】。 P H M 技术是综合利用现代信息技术、人工智能技术的最新研究成果而提出的一 种全新的管理健康状态的解决方案。它主要包含两层含义，一是故障预测一是健康管 理。故障预测是针对部件预兆或初发的故障状态或附属元件的失效状态，提供早期的 检测和隔离能力，并且进行管理和预报的技术和手段。健康管理是根据诊断或预测信 息、可用资源和使用需求对维修活动做出适当决策。该技术进一步将已经及时定位的 具有潜在故障的部件的相关信息进行选择性报告、辅助决策和进行信息管理，提高维 修保障的自动化程度，减少由于故障引起的各项费用，降低风险，提高武器装备的作 战能力。P H M 代表了一种方法的转变，即从传统的机遇传感器的诊断转向基于智能 系统的预测，反应式的通信转向先导式的3 R ( 即在准确的时间对准确的部位采取准确 的维修活动) 1 4 】。 目前在国外尤其是美国，各种P H M 系统已经逐渐得到应用。在早期，P H M 技术 首先是应用到陆军装备的直升机上，形成了健康与使用监测系统。在航天领域，则早 于2 0 世纪7 0 年代就提出了航天器综合健康管理的概念。在国防部门，开发应用的有 飞机状态监测系统、发动机监测、综合诊断预测系统以及海军的综合状态评估系统等 p 捌。在国内，P H M 系统也得到了相应的重视，最具代表性的就是北航可靠性工程研 究所较早开展了该方面的研究。 1 2 1 无人机P H M 系统关键技术 无人机故障预测与健康管理系统分为数据采集系统、状态监控故障预测系统、 维修管理和接口四部分，如下图所示： 图I - I 无人机P H M 系统功能结构图 F i g 1 1F u n c t i o ns 缸u c t u r ed i a g r a mo fU A VP H Ms y s t e m 2 第一章绪论 1 数据采集系统 要对无人机系统进行故障预测和健康管理，首先要确定能够代表系统故障或健康 状态的参数信息。该模块的功能是从无人机上获取遥测数据，对数据进行分析处理后 传递给状态监控故障预测系统1 9 1 。 数据采集系统包括以下两个模块： 1 ) 数据采集和传输模块，它是P H M 系统的数据基础，作用是利用各种传感器采 集被检系统的数据，对数据进行有效转换，最后对数据进行传输。 2 ) 数据处理模块，该模块的作用是将采集到的数据进行分类整理、处理并传递 给状态监控故障预测系统。 数据采集系统应用时主要的工作内容包括：选定待检测的参数、选定合适的传感 器型号、将传感器合理安放等【9 】。这部分一般都有比较成熟的技术，应用时主要考虑 使用的成本和适用性。 2 状态监控故障预测系统 状态监控故障预测模块是无人机P H M 系统的核心部分，是基于数据采集模块处 理的数据，对无人机系统及其关键部位进行状态监测、健康评估和故障预测【l o 】。 1 ) 状态监测模块。该模块通过比较遥测数据同失效数据来实现对设备系统的状 态检测，若两者差值超出设定的阈值则进行故障报警。无人机的状态监测有两种形式： 在线状态监测是根据评估准则对实时采集的遥测数据进行状态评估；离线状态监测是 事后状态监测，是根据评估准则对历史数据进行状态异常判断的方法【1 0 1 。 2 ) 健康评估模块。该模块是通过对比系统健康状态的数据和维修的历史数据， 对系统的健康状态进行评估。 3 ) 故障预测模块。故障预测能力是P H M 系统的显著特征之一。该部件可综合利 用前述各部分的数据信息，并借助各种推理技术如数学物理模型、人工智能等评估和 预测无人机系统未来的健康状态。 3 维修管理模块。 该部分接受来自状态监测、健康评估和故障预测部分的数据，实现了P H M 系统 管理的能力。其功能主要是形成对无人机的维修管理计划，工作包括制定维修计划、 采购维修部件、调度维修任务和分配维修资源等，它可以在无人机故障发生前的任何 适宜时机实施。 4 接口模块 主要包括人机接口和机机接口。人。机接口主要是对信息的显示，比如状态监控 一故障预测模块和维修管理模块系统信息，以及状态监测模块的警告信息。机机接 口可以实现数据采集模块、状态监控故障预测模块、维修模块和接口模块之间以及 整个P H M 系统同其他系统之间信息的传递交换【1 0 1 。 北京化_ T 人学硕f ：学位论文 1 2 2 故障预测技术的国内外发展现状 由上节介绍得知，状态监控故障预测系统是无人机P H M 系统的核心部分，主要 包括状态监测、健康评估、故障预测三个模块，其中故障预测技术作为实现P H M 的 核心支持技术，得到了广泛的关注，本文研究的内容也主要是针对这个模块来进行。 在国际上，美国国防部、空军等军事部门和N A S A 等单位率先开展了这方面的研究工 作，并取得了一定的成果。国内对故障预测技术的研究目前还处于起步阶段，对其的 研究主要是对故障的早期发现及如何有效预防，并不是P H M 系统所要求的视情维修， 因此国内的故障预测技术的研究还需要加大发展力度。 对于故障预测技术的分类，目前并没有统一的标准。从其实际研究中应用的理论、 方法和技术路线来看，可分为以下三大类： 1 基于模型的故障预测技术( m o d e l b a s e da p p r o a c h l 要想使用这种故障预测技术首先需要知道的是对象系统的数学模型。这些数学模 型一般比较精确，是由该领域的专家给出的，并经过了大量数据的验证。 当对象系统的模型给定后，对象系统的故障特征一般是与模型的参数紧密联系 的，这使得基于模型的故障预测技术能够体现对象系统的本质特征。随着对设备故障 演化机理研究的深入，还可以通过逐渐修正系统的数学模型来提高该方法的预测精 度，由此基于模型的故障预测技术可以实现实时故障预测。但是在实际工程应用中， 一是对象系统的数学模型通常要求具有较高的精度，二是复杂动态系统通常难以建立 精确的数学模型，因此大大限制了基于模型的故障预测技术的实际应用范围和效果。 2 基于知识的故障预测技术( k n o w l e d g e b a s e da p p r o a c h ) 基于知识的方法不需要建立对象系统精确的数学模型，而是充分利用对象系统有 关领域的专家经验知识进行故障预测，因此比起基于模型的故障预测方法有更广泛的 应用I l 。但是在实际应用中，对象系统知识获取的“瓶颈问题限制了该方法广泛的 应用：一是专家知识的局限性，二是专家知识规则化表述的难度。这两者造成了专家 知识库的不完备性，表现为当遇到一个新的故障现象时，而专家知识库中没有与之相 关的规则时，这种方法便会失效。 3 基于数据的故障预测技术( d a t a - d r i v e na p p r o a c h ) 在研究实际系统的故障预测时，建立描述复杂设备工作情况的数学模型是不经济 甚至是不可能的，同时又无法有效表达领域专家的经验知识，则对设备系统进行研究 的切入点就只有设备工作的历史数据【l 引。基于数据的故障预测技术以采集的数据为基 础，通过各种数据分析处理方法挖掘其中的隐含信息，对系统进行故障预测，从而避 免了前两种故障预测方法的缺点，从而成为了一种较实用的故障预测方法f 1 3 】。但是， 在实际应用中，一些关键设备的数据往往很难获取，即使通过传感器采集到，也存在 不确定性和不完整性，因此这种方法在实现上还存在一定的难度。 4 第一章绪论 综上所述，基于模型的故障预测技术虽然比较精确，但是需要给出对象系统精确 的数学模型，而基于知识的故障预测技术更适合于定性推理而非定量计算，这两种方 法都需要关于过程信息的一些先验知识，这些过程信息有些情况下很难得到，且故障 预测性能的好坏在很大程度上还依赖于所建立模型或知识的准确程度。而基于数据的 故障预测方法的好坏主要取决于所获取数据的完整性和正确性，因此也有一定的弊 端。无人机系统是航空技术、电子技术等高新的技术的综合系统，技术复杂、涉及知 识面广，选用哪种故障预测方法还要结合具体故障算法的优缺点来确定。 1 3 课题的研究意义和主要研究内容 1 3 1 课题的研究意义 无人机( U A V ) 是我军近年来重点发展的高技术装备，是航空技术、电子技术等 高新的技术的综合系统，技术复杂、涉及知识面广。随着无人机技术的发展，现代无 人机系统机载设备日趋复杂，在保障飞行安全、降低维护成本、提高无人机可用性对 故障诊断和维护方式提出了新的挑战。提高无人机的安全性、可靠性、使用效率和减 少使用与维护成本，始终是军方密切关注的。故障预测与健康管理技术能够对飞行器 重要部件、系统进行全面的健康状态监测，在必要时对飞行器进行自修复、任务降级 或提前准备必要的维修资源，进而成为降低全寿命周期成本的关键技术，已成为目前 研究的热点。因此研究无人机的故障预测与健康管理技术( P H M ) 对无人机的发展具 有重要的理论意义和应用价值。 本文主要是对无人机P H M 系统的核心部分状态监控故障预测系统进行研究，这 部分主要由状态监测、健康评估、故障预测模块三块组成。其中故障预测技术被作为 实现这一全新概念的核心支持技术，又是本文研究的重中之重。故障预测技术可以及 时地预报设备健康及其性能降级状态，旦预测到潜在失效或性能下降至风险限，可 以将即将发生的时间数据提前发送给后勤系统，后勤系统基于预测数据对维修活动进 行计划安排，从而及时地完成备件设备人员的调度，降低设备停工时间。故障预测 的主要目标是预报并预防关键部位失效，直接效益就是优化了系统的维护策略，提高 了无人机的安全性、可靠性和作战效率。因此研究无人机的故障预测对于无人机的发 展具有重要的意义。 1 3 2 主要研究内容 本课题依托于武器装备预研基金项目一无人机故障预测和系统维护新技术研究， 研究无人机故障预测与健康管理P H M 技术的核心部分状态监测一故障预测系统，主 要研究内容如下： 1 对故障预测方法进行探讨和研究，选用粒子滤波算法作为无人机复杂系统的故障 北京化丁人学硕士学位论文 预测算法。研究该算法的原理与编程实现，并与常用的卡尔曼滤波、扩展卡尔曼 算法比较，验证其有效性。 2 无人机发动机的系统建模与故障预测。选用两种类型的发动机进行研究，以验证 该方法的适用性。首先，选择航空活塞发动机作为研究对象，对无人机在高空飞 行时的发动机状态进行系统建模和故障预测。其次，选用涡轮喷气式发动机作为 研究对象，对无人机的起动过程进行系统建模和故障预测；并采用仿真的方法对 起动电流进行控制，以将低起动电流的峰值。 3 无人机航迹的系统建模与预测。对无人机的航迹进行研究分析，提出通过预测航 迹敏感的姿态角来实现无人机航迹的预测。依靠无人机高空飞行时的数据，对俯 仰角、横滚角和航迹角等姿态角进行系统建模和预测，最后通过姿态角与航迹坐 标之间关系式间接实现无人机航迹的预测。 4 无人机P H M 系统的应用。将P H M 系统的核心部分状态监控与故障预测应用到无 人机地面控制站的无人机辅助决策系统，验证该方法的适用性。 本文内容安排如下： 第一章绪论，阐述本文的研究背景，分析了故障预测与健康管理P H M 技术的国 内外发展现状，结合无人机P H M 系统的关键技术，确定本文研究的重点是故障预测 状态监测模块，对该模块的核心部分一故障预测进行了综述。最后概述了本课题研究 的意义和主要研究的内容。 第二章故障预测技术研究，本章首先介绍了几种常用的故障预测技术，确定了适 合无人机系统的粒子滤波方法，接着对粒子滤波的原理及存在的问题、应用及发展状 况进行了介绍。最后对粒子滤波算法进行了研究，并分别与卡尔曼滤波和扩展卡尔曼 滤波进行了对比。 第三章无人机发动机的状态监测与故障预测，本章选择无人机活塞发动机作为研 究对象，通过对发动机影响较大的发动机转速和汽缸头温度两大参数的数据分析，分 别建立了以节风门偏度指令作为输入的两者的系统模型。接着用粒子滤波对所建模型 进行拟合，并通过与实际值的比较，验证了粒子滤波方法用来状态监测与故障预测的 有效性。 第四章发动机起动过程的状态监测与故障预测。本章选用无人机涡轮喷气发动机 作为研究对象，以发动机起动时的转速和电流两大参数为例，阐述了运用粒子滤波对 无人机起动过程的状态监测与故障预测。本章最后还通过仿真实验的方法对起动电流 进行了控制，有效地减小了电流的峰值。 第五章无人机航迹预测。本章依靠无人机高空飞行时的数据，以俯仰角、横滚角 等对航迹敏感的姿态角为研究对象，通过运用粒子滤波对这些姿态角预测的方法，间 接实现了对无人机的航迹预测。 第六章无人机状态监测与故障预测系统应用。本章详细介绍了无人机地面控制站 6 第一章绪论 的辅助决策系统，并将无人机P H M 技术应用到了该系统，验证了P H M 技术的适用 性。 第七章总结全文，展望今后的发展方向。 7 第二章故障预测技术研究 2 1 引言 第二章故障预测技术研究 本章通过对几种常用的故障预测技术的分析对比，选出最适合无人机系统的故障 预测技术，并对其算法进行研究。 2 2 常用的故障预测技术 本节介绍几种最常用的故障预测技术：基于时间序列分析的故障预测技术、基于 滤波原理的故障预测技术、基于灰色理论的故障预测技术和基于神经网络的故障预测 技术。并对各个方法的优缺点进行综合，选出最适合无人机系统的故障预测技术。 1 基于时间序列分析的故障预测技术 状态监测中最常使用并且有效的预测方法是利用时间序列模型进行状态预测。其 基本思想是：用对象系统的过去行为预测其未来的状态变化，即通过时间序列的历史 数据揭示对象系统的时间变化规律，通过这种规律预测该对象未来状态的变化【l 引。 在时间序列分析中，A R M A 模型是最基本的、也是实际应用最广的参数模型。 A R M A 模型也称自回归滑动平均模型。模型的一般形式为： X t - 9 6 l x t l 一“ 妒p f t - pa f B 口f l 一一吃口f - 口 ( 2 1 ) 上式中将观察值j c f 表示为t 时刻以前的P 个观察值工t - Ij r f 一。以及q 个随机干扰 a t _ l 口f _ 。的线性组合，谚为自回归参数，B 代表滑动平均参数。A R M A 模型的基本思 想是：将对象系统随时间变化的数据序列看为一个随机序列，对该序列建立合适的数 学模型后，便可以通过时间序列的过去值和现在值来预测未来值【1 5 1 。 基于时间序列的故障预测方法，只适用于单因素预测，在实际应用中还存在着许 多局限性： 1 ) 数据变化规律只能假设符合单一分布规律，而实际无人机系统整个寿命周期 内的规律是既有确定性变化，又有随机性变化，使用该方法预测精度不高； 2 ) 影响因素多，对于多种因素或多种条件同时变化的情况无法预测； 3 ) A R M A 模型进行趋势预测的两个条件也限制其应用：一是实际的信号序列应 与A R M A 模型匹配，二是模型参数必须估计正确【1 6 】。 对于无人机这个复杂的系统来说，本身就有很多关键参数，这些参数之间是相互 关联而不是独立的，在整个运行过程中运行规律也不是一成不变的，所以基于时间序 9 北京化工大学硕上学位论文 列的故障预测算法并不是太理想。 2 基于灰色理论的故障预测技术 灰色理论是2 0 世纪8 0 年代发展起来的一门新学科，近年来在许多领域得到了广 泛的关注，它对不确定显著和数据样本较少的系统效果显著，已经被成功地应用到经 济、社会、工程等领域。基于灰色理论的故障预测技术的研究对象是既含有已知信息 又含有未知或非确定信息的系统。该方法的优点是理论简单、所需样本数较少、不涉 及具体模型且计算简单，因此比传统的预测方法具有优越性【I 丌。 使用灰色模型进行数列预测时，对近期有很高的预测精度，但越扩展其预测精度 越低。因此使用灰色模型预测时不宜外推太多【l8 1 。同时，灰色模型预测比较适合于具 有指数增长趋势的系统，对于其它趋势的系统则有时拟合灰度较大，精度难以提高【1 9 1 。 由于影响无人机系统的因素非常多，其系统也不一定符合指数增长的趋势。在实际研 究中，为了更精确提供决策依据，也需对一些外在因素进一步分析，加重了工作的难 度与强度，因此基于灰色理论的故障预测方法对无人机系统也不是很理想【2 0 】。 3 基于神经网络的故障预测技术 近几年来，人工神经网络( A N N ) 作为一类非常有效的故障预测技术得到了广泛 关注。该技术的优点是既可以利用神经网络把时间序列的历史数据映射到未来，又可 以利用神经网络将常规的预测方法进行最佳组合【2 。其基本思想是通过处理对象系统 的特征信息，确立样本表征的主要部件发生故障的概率，通过与以往发现的主要故障 率比较计算，获得故障恶化的运行周期。该方法主要以两种方式实现预测功能：一是 以神经网络作为函数逼近器，对对象系统的某参数进行拟合预测；二是考虑输入输出 间的动态关系，用带馈连接的动态神经网络对过程或工况参数建立动态模型而进行故 障预测I 捌。 基于神经网络的故障预测技术不仅能实现极其复杂的非线性映射，并且具有很高 的学习能力【2 3 1 ，在工程领域逐渐受N T 广泛重视。但长期以来还存在以下局限性【2 4 】： 一是学习速度慢；二是可能收敛于某个质量不高的局部最优点：三是神经网络是一个 “黑盒子“ ，其中的神经元和权值都没有明确的物理意义，因此就不能利用已有的知 识来改善神经网络的性能。 4 基于滤波原理的故障预测技术 在众多滤波算法中，卡尔曼滤波器以线性、无偏、最小方差为准则递推估值，是 1 0 第二章故障预测技术研究 一种最佳线性估计器。其基本思想是通过对含有噪声的观测信号的处理，得到被观测 系统状态的统计估计信息。由于卡尔曼滤波器同时能得到系统的预报方程，所以在故 障预测领域也得到了广泛的应用【2 s 一。 卡尔曼滤波器可以在不增加系统计算量的基础上显著的提高辨识精度，而且具有 较好的鲁棒性及良好的对突变状态的跟踪能力。但是卡尔曼滤波器也有它的局限性， 最明显的就是只能用于线性系统。在许多要求对动态系统进行实时估计的问题中，系 统的非线性往往成为困扰得到最优估计的重要因素。虽然扩展的K A L M A N 滤波器能 用到非线性系统中，但它只适用于滤波误差和预测误差很小的情况。否则，滤波初期 估计协方差下降太快会导致滤波不稳定甚至发削2 们。 随着计算机处理技术的飞速发展以及日益增多的解决非线性非高斯随机系统的 实际需求，基于贝叶斯原理的序贯蒙特卡罗的粒子滤波算法越来越受人们的重视。粒 子滤波方法通过非参数化的蒙特卡罗模拟方法来实现贝叶斯滤波，用样本形式而不是 以函数形式对先验信息和后验信息进行描述【2 7 】。当样本点数增至无穷大，蒙特卡罗模 拟特性与后验概率密度的函数表示等价，从而滤波精度可以逼近最优估计。 无人机的数据包括地面综合测试数据和空中遥测数据，由于该系统输入输出响 应模型是非线性和多参数的，所以要寻求适当的故障预测方法进行故障预测。粒子滤 波方法不受线性和高斯分布的限制，原则上适用于能用状态空间模型表示的任何非线 性系统，它有能力处理任何非线性函数和任何噪声分布的系统。并且高性能计算机的 出现使该算法变得流行，所以本文选用粒子滤波方法对无人机故障进行预测。 2 3 粒子滤波 随着人们对非线性的动态系统进行实时估计关注度的升高，基于贝叶斯原理的粒 子滤波器越来越得到学者专家们的重视。粒子滤波是通过非参数化的蒙特卡罗模拟方 法来实现贝叶斯滤波，用样本形式而不是以函数形式对先验信息和后验信息进行描 述。当采样的粒子数多到无穷时，蒙特卡罗模拟特性就等价于后验概率密度函数，这 时粒子滤波的精度就可以逼近最优估计【2 引。粒子滤波最大的优点就是不受线性和高斯 分布的限制，原则上可以应用于任何能用状态空间模型表示的非线性系统，因此受到 了高度重视【Z 引。 粒子滤波采用的信号处理模型是用状态方程和观测方程来表示的，即： 系统方程x t = Z ，嵋)( 2 2 ) 观测方程 Y ，= ，“，v ，) ( 2 3 ) 其中，毛R 4 是t 时刻的系统状态向量，Z ：尺“x R “专R “是状态转移函数， w t ) 煳 北京化工大学硕士学位论文 是独立同分布的过程噪声序列，且与状态向量相互独立。h 。：R ”x R “寸R “是量测函数， v ，) 。是观测噪声序列，且与状态向量和过程噪声均相互独立。D ，= J ，；，i = I 2 川 是t 时刻观测信息的集合，系统初始状态概率p ( x 。l D o ) = p ( x 。) 。 2 3 1B a y e s 滤波 粒子滤波实质是递推贝叶斯滤波 1 8 1 的一种实现形式，在每个时刻t ，利用所获得 实时信息D 。求得状态x 。的后验概率密度函数p ( x 。l D f ) ，t E N ，从而得到t 时刻的状态估 计： i = 工，x 。p ( x 。陋f i x , , t E N ( 2 - 4 ) 因此，后验概率密度函数p ( x 。旧l f N 的计算就必不可少。它可以通过预测和更新 两个步骤完成例： 预测：利用系统方程预测状态的先验概率密度。假设已经得到t 1 时刻的后验概 率密度p ( x 限一A fEN ，则通过C - K 方程可得到t 时刻状态的先验概率密度： p ( x ，陋一。) = lp ( 一I X t - I ) p ( K 。慨一) a x ( 2 - 5 ) 更新：利用贝叶斯规则，用t 时刻的量测值Y 。来修正状态的先验概率密度，从而 得到该时刻的后验概率密度，即： 舯f ) - 掣龌 ( 2 6 ) 其中归一化的常数p ( 儿l D ，一，) = p ( 只l X t ) p ( 一l q 一，) 奶与似然函数以k ) 有关。 式( 4 ) 和式( 5 ) 构成了B a y e s 滤波的最优解，但是其解析解只对有限的模型成立， 如线性高斯模型，对于很多情况，解析解是不存在的，即使知道它的解析解，求其统 计量仍面临着高维积分问题，不便于计算，因此人们提出用逼近算法来解决积分问题， 常用的是M o n t e C a r l o 方法f 2 8 1 。利用该方法，如果能从p ( x 。：，l y ，) 抽取N 个样本 工器) ， 状态的P D F 可以用经验分布逼近为 p 咖，) = 专咿万( X O k - - X o m k 、 ( 2 - 7 ) 在信号处理中，经常需要从目标分布中抽取样本点，但很多情况下，上式给出的 后验概率密度是多变量、高维、多峰、非标准、非解析的，因此很难直接对其进行采 样，为此引入了重要性采样( I S ) 这个方法来完成对目标分布的采样，获取需要的样本 点。 2 3 2 重要性采样 重要性采样首先由M a r s h a l l 提出，现在已经广泛应用到各种M o n t e C a r l o 方法中 1 2 第二章故障预测技术研究 了。I S 的基本思路是避开较难采样的密度函数p ( 靠k 。) ，转而从另一易于采样的密度 函数q ( 工。l y 。：。) 中采样粒子，该密度函数被称为重要性密度( I I T l p o r t a n c eD e n s i t y ) 或提议分 布( P r o p o s a lD i s t r i b u t i o n ) 3 1 1 。假设从重要性密度函数中独立抽取N 个样本 缸器；f = I 2 ，则状态的P D F 逼近为 赢肌沪窆1 ：，：6 ( X 0 ：k - - X 0 ：k 、J w “0 t 3 = w ：f ) 善, v w ? ( 2 - 8 ) 其中，峨( X o ：k ) ：丛塑掣为重要性比或重要性权。 q t X o 士l J ，J 从重要性采样I S 到序贯重要性采样S I S 的变化是在每次获得新的观测值y 。后， 递推地将新产生的粒子数j r f m 加入到石。川m 来J 钐“ h - t 2X o ：，m ，并更新其权值为M m ，从而 完成工，到_ 的转变，产生新的粒子集= 工。 f ) ，w f m ) 墨，逼近后验概率密度【3 2 1 。 假定重要性密度函数满足如下分解： q ( x o 擅l y l ：七) = q ( x Il x 0 ：k - IY ) g ( 工o ：I Il J ，I 生一1 ) ( 2 9 ) 这样我们就可以在原先粒子x 接q ( x 。l y 。) 的基础上扩展一个关于当前状态的 粒子分量工P q ( x ，I X 0 州，Y ，) ，即可构成当前粒子增q ( x o ：，k ) 。剩下的工作就是对权值 进行递推更新。 若x 趾。q ( x ，l y 。川) ，则 以2 zp ( J 默。l y - ，一- ) g ( 工2 ，l y t ，一。) 把一m 加入到工埘形成新的粒子流，其中z P g ( k 中Y 。，) ， 帕磐馏 进一步假设g ( k 小Y 捃) = g “k 小Y ，) ，校正后的权值为： 以等馏 则归一化的权值： 彬k 磋。 后验概率密度p ( x ，慨) 可概括为： p ( x t b ) 矽万( 一工j o ) i = I ( 2 - l O ) 则w f j 更新为： ( 2 1 1 ) ( 2 1 2 ) ( 2 1 3 ) ( 2 1 4 ) 北京化工大学硕上学位论文 2 3 3 退化现象 退化现象是粒子滤波普通存在的一个问题，即经过若干次迭代后，除一个粒子外， 其余的粒子都只有微小的权值，此时大量的计算工作都被用来更新那些对求解后验概 率密度几乎不起任何作用的粒子上 3 3 1 。当采样点数越小时退化现象越严重，因此克服 退化现象最有效的措施就是增加采样点数，但当采样点数大时又影响计算的实时性， 可见该方法不适合在现实中使用。实际使用时减小退化现象主要从两个方面进行：适 当选取好的重要性函数和再采样来减小这种不利的影响。 ( 1 ) 重要密度函数选取采样 选取重要性函数的准则是使重要性权重的方差最小，为了降低重要性权值的方 差，提高抽样效率，重要密度函数应尽可能地接近系统状态后验概率。因此合理选择 重要密度函数已经成为粒子滤波器设计中最关键的步骤。实际应用中简单和易于实现 的方法是先使之等于先验密度，再利用系统状态的转移概率矩阵不断获得新的重要密 度函数，进行抽样【3 引。在观测数据精度不高时，该粒子滤波器的效果较好。 但是这种方法所产生的预测样本没有考虑系统状态的最新值，由此产生的样本同 真实的后验概率产生