【《无人机故障检测系统的国内外研究文献综述》2500字】

无人机故障检测系统的国内外研究文献综述故障诊断技术在60年代初期出现，70年代末期体系逐渐被完善。现如今随着科学技术的发展，复杂控制系统对可靠性以及安全性的要求日益提高，需要设计出更多的复杂控制系统以满足人们日常需求。当动态系统的运行状态出现较大的偏差时，故障检测方法利用这些状态的信息以及算法的相关知识进行信息的处理，得到被检测系统的工作状况以及故障出现时的状况，因此，对故障检测的研究愈发紧迫和必要。近年来，我国逐渐重视对无人机故障诊断与容错控制的研究，结合外国的有关理论及技术方法，很多研究所与院校对此也提出了很多研究方法并取得了技术成果。有关故障检测的分类方法分为三种：基于解析模型的方法、基于信号处理的方法、基于知识的方法REF_Ref14201\r\h[4]，图1-1给出了诊断方法的分类。图1-1故障诊断方法分类Fig.1-1Classificationoffaultdiagnosismethods如图1-1所示，基于解析模型的方法需要对研究对象建立数学模型，但具有延时高、灵敏度低的特点；基于知识的方法无需建立系统的定量数学模型，这种方法主要针对具有非线性特征或复杂特性的系统进行故障检测，主要方法有专家系统、模式识别、神经网络、案例推理等，其中神经网络法可以实现故障在线监测、分离和估计，具有推测、记忆、自适应、自学习能力等多种优点；基于信号处理的方法用于故障检测时无需建立模型，能够利用系统运行过程中获取的大量在线、历史数据信号，提取有效信息并进行合理分析REF_Ref14583\r\h[5]，其中多元统计分析方法不需要建立数学模型和先验知识，可以消除变量间相关性，减小运算量，而小波分析算法具有算法容易实现、检测效果准确的特点，使用此方法进行故障检测灵敏度高且实时有效。1.2.1国外研究现状小波分析在1901年由Haar率先提出，随后大量学者开始研究小波理论并将其应用于多种领域。结合小波变换本身具有的可时频分析、灵敏度较高、抑制干扰能力强等特点，被各国学者用于进行快速故障检测。AbubakarUkashatu等人将小波分析应用于传感器矢量控制中提高早期对故障进行检测和容错控制（FTC）的效率REF_Ref14674\r\h[6]。QingHuai等人提出了一种基于小波变换模极大值的保护策略，使用故障电流的单端信号实现电压源换流器的故障检测和识别REF_Ref14740\r\h[7]。Seungkeun等人将离散小波变换法和卡尔曼滤波法结合用于飞机传感器的故障诊断和检测中REF_Ref14838\r\h[8]。Jun-tongQi等人运用小波变换监测信号的变化，实现对旋翼无人机传感器的故障检测REF_Ref14910\r\h[9]。主元分析方法属于多元统计分析是基于信号的故障诊断方法中利用多变量相关性实现故障检测的方法之一，\t"/zn/Detail/index/SJES_02/_blank"WeiLi等学者将主成分分析法应用于某核电厂传感器状态监测，并结合多种方法对模型性能进行优化，由此对故障传感器进行更准确、快速的定位REF_Ref14972\r\h[10]。HAGENBLADA等人比较主元分析法和等价空间法对F16飞机模型进行故障检测，提出了两者具有相同的故障检测能力的结论REF_Ref15037\r\h[11]。QIUZ等人结合方差敏感自适应阈值方和主元分析法实现无人机故障的精确定位REF_Ref15102\r\h[12]。无人飞行器是一个有高耦合、多变量的非线性复杂系统REF_Ref724\r\h[72]，可以通过神经网络实现故障的检测。NabamitaBanerjeeRoy通过FDST和BPNN从高压直流输电线路的线路电流信号中提取了主要特征信息，实现故障识别及其位置确定REF_Ref15168\r\h[13]。KotsanidisK和BenardosP对加速度数据提取滚动轴承的特征信息，识别无故障、内圈故障和外圈故障三种不同的运行状态REF_Ref15233\r\h[14]。ZhanghuaXia采用带小波包总能量变化率（RWE）的神经网络算法对损伤等级进行量化，最终进行斜拉桥的损伤评估检测和长期监测REF_Ref15256\r\h[15]。1.2.2国内研究现状国内学者郝慧对航天器的姿态控制系统的典型故障采用小波分析法进行故障诊断REF_Ref15367\r\h[16]。舒畅，李辉提出融合小波理论和梯度提升决策树两种方法对无人机传感器进行故障检测，并有效提高了故障分类精度REF_Ref15393\r\h[17]。李曦秋利用小波理论对飞行器遥测数据实现降噪，并且采用小波变换进行弹体故障诊断REF_Ref15426\r\h[18]。王仲生和何红融合小波分析与分形理论两种方法,针对飞行器结构系统的故障问题主要通过小波分析法对故障信号进行有用信息提取并利用分形关联维数识别故障类型REF_Ref15455\r\h[19]。白志强将主元分析法应用于无人机执行机构中，针对单一故障以及复合故障难以检测和分离的问题进行研究REF_Ref15481\r\h[20]。朱永昌根据误报率比较，得到核主元分析的故障检测效果优于基本主元分析的结论REF_Ref15510\r\h[21]。李明虎等人采用动态核主元分析方法解决了无人机故障诊断的问题REF_Ref15537\r\h[22]。高云红等学者将最小二乘支持向量机（LSSVM）用于建立预测模型并结合主元分析法分离故障，最终实现无人机传感器的故障诊断REF_Ref15563\r\h[23]。天津工业大学的袁丹阳通过小波包分解方法预处理得到多维心电信号特征空间，结合遗传算法对信号特征空间降维处理，实现信号的分类REF_Ref15592\r\h[24]。杨光亮、乐全明等人采用小波神经网络方法针对电网故障进行识别REF_Ref15615\r\h[25]。闻新、史超等人为实现针对微小航天器集群的故障诊断，采用小波神经网络方法方法解决了航天器的故障判断REF_Ref15641\r\h[26]。许刚和肖军将专家系统与神经网络相结合检测无人机传感器故障,提高诊断效率REF_Ref15840\r\h[27]。本文重点研究了基于小波、主元分析法、神经网络对无人机进行故障诊断的方法，为解决实际飞行过程中在线实时故障检测提供了理论依据。参考文献董志斌．浅论无人机技术发展的难点及未来市场发展形势[J].中文科技期刊数据库（全文版）工程技术,2016,6(75):233.王若男．基于神经网络观测器的飞控系统故障诊断与容错控制研究[D].南京航空航天大学,2018.舒畅．无人机传感器故障诊断方法研究[D].电子科技大学,2017.刘琴．基于PCA的流程工业故障诊断方法研究[D].西南科技大学,2016.温冰清．基于主元分析的故障检测与诊断研究[D].南京师范大学,2011.AbubakarUkashatuetal.Inductionmotorfaultdetectionbasedonmulti-sensorycontrolandwaveletanalysis[J].IETElectricPowerApplications,2020,14(11):2051-2061.QingHuaietal.ProtectionSchemeforMultiterminalHVDCSystemBasedonWaveletTransformModulusMaxima[J].IEEJTransactionsonElectricalandElectronicEngineering,2020,15(8):1147-1159.SeungkeunK，YoudanK，ChangookP，InSungJ，Hybridfaultdetectionandisolationtechniquesforaircraftinertialmeasurementsensors.AIAAGuidance，Navigation，andControlConferenceandExhibit.Providence，2004.Jun-tongQietal.ApplicationofWaveletsTransformtoFaultDetectioninRotorcraftUAVSensorFailure[J].JournalofBionicEngineering,2007(04):265-270.WeiLietal.Faultdetection,identificationandreconstructionofsensorsinnuclearpowerplantwithoptimizedPCAmethod[J].AnnalsofNuclearEnergy,2018,113:105-117.HAGENBLADA，GUSTAFSSONF，KLEINI,Acomparisonoftwomethodsforstochasticfaultdetection:theparityspaceapproachandprincipalcomponentsanalysis[J].IFACProceedingVolumes,2003,36(16):1053-1058.QIUZ,LIUH，XIQ,etal.UAVPCAfaultdetectionanddiagnosistechniques[J].ComputerEngineeringandApplications，2013,49(4):262-266.NabamitaBanerjeeRoy.FaultIdentificationandDeterminationofItsLocationinaHVDCSystemBasedonFeatureExtractionandArtificialNeuralNetwork[J].JournalofTheInstitutionofEngineers(India):SeriesB,2021,:1-11.KotsanidisKandBenardosP.Rollingelementbearingsfaultclassificationbasedonfeatureextractionfromaccelerationdataandartificialneuralnetworks[J].IOPConferenceSeries:MaterialsScienceandEngineering,2021,1037(1):012008-.ZhanghuaXiaetal.Damagedetectionmethodforcablesbasedonthechangerateofwaveletpackettotalenergyandaneuralnetwork[J].JournalofCivilStructuralHealthMonitoring,2021,:1-16.郝慧,王南华．基于小波分析的航天器姿态控制系统故障诊断方法研究[