嵌入式大氣數(shù)據(jù)系統(tǒng)人工智能算法及故障診斷

張黎黎，王逸斌，趙 寧，劉學(xué)強(qiáng)

(南京航空航天大學(xué) 非定?？諝鈩?dòng)力學(xué)與流動(dòng)控制工業(yè)和信息化部重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210016)

嵌入式大氣數(shù)據(jù)傳感(Flush Air Data Sensing，F(xiàn)ADS)系統(tǒng)采用分布在飛行器表面的壓力傳感器陣列，得到各測壓點(diǎn)的壓強(qiáng)值，然后通過特定解算算法計(jì)算出大氣數(shù)據(jù)(迎角α、側(cè)滑角β、馬赫數(shù)Ma等)。使用FADS系統(tǒng)測量大氣參數(shù)，與傳統(tǒng)的探針式大氣數(shù)據(jù)系統(tǒng)相比，維護(hù)成本較低，經(jīng)濟(jì)性良好。因此，被廣泛應(yīng)用于航空航天領(lǐng)域。

從上世紀(jì)中葉起，美國國家航空航天局(National Aeronautics and Space Administration，NASA)就已經(jīng)開展了嵌入式大氣數(shù)據(jù)傳感系統(tǒng)的相關(guān)研究，并先后將其應(yīng)用于諸多飛行器上(如：X-33，X-34，X-43a等)。NASA的德萊頓飛行中心最先研究了建立在X-15上的FADS系統(tǒng)的雛形，但該系統(tǒng)機(jī)械結(jié)構(gòu)十分復(fù)雜，而且得到的結(jié)果也并不理想，故這種利用機(jī)械系統(tǒng)估算大氣參數(shù)的方法并不可行。而后在NASA的蘭利研究中心開展的SEDA(Shuttle Entry Air Data System)項(xiàng)目[1]中提出了通過安裝在飛行器機(jī)頭的傳感器測得的壓強(qiáng)值來反推大氣數(shù)據(jù)。20世紀(jì)90年代初，NASA在F-18大迎角氣動(dòng)特性驗(yàn)證機(jī)(High Alpha Research flight Vehicle，HARV)上安裝了大迎角嵌入式大氣數(shù)據(jù)傳感系統(tǒng)(High angle-of-attack Flush Air Data Sensing System，HI-FADS)，Whitmore等[2]提出了非線性回歸算法來估算大氣數(shù)據(jù)，并進(jìn)行了飛行試驗(yàn)。后來，在應(yīng)用于X-33的嵌入式大氣數(shù)據(jù)系統(tǒng)的研究中，Whitmore等[3]提出了三點(diǎn)法來計(jì)算大氣數(shù)據(jù)。三點(diǎn)法是目前應(yīng)用最為成熟的FADS算法，但該算法存在迭代不收斂的情況。21世紀(jì)初，Baumann等[4]開發(fā)了用于高超聲速飛行器(X-43a)的嵌入式大氣數(shù)據(jù)傳感系統(tǒng)，成功飛行了兩次，并且收集了飛行數(shù)據(jù)。20世紀(jì)末，Rohloff等[5-6]將神經(jīng)網(wǎng)絡(luò)應(yīng)用于FADS系統(tǒng)算法，并且提出了容錯(cuò)算法[7]，研究了基于神經(jīng)網(wǎng)絡(luò)的FADS系統(tǒng)算法的噪聲魯棒性[8]。國內(nèi)一些學(xué)者如鄭成軍等[9]研究了BP神經(jīng)網(wǎng)絡(luò)在FADS系統(tǒng)中的應(yīng)用。方習(xí)高等[10]提出了一種以馬赫數(shù)為分段依據(jù)的基于BP人工神經(jīng)網(wǎng)絡(luò)的FADS大氣數(shù)據(jù)解算算法。2015年，王逸斌等[11]基于Kriging算法提出了一種FADS系統(tǒng)計(jì)算模型，并與神經(jīng)網(wǎng)絡(luò)方法構(gòu)建的模型進(jìn)行了對比。2019年，王鵬等[12-13]研究了用于尖楔前體飛行器的嵌入式大氣數(shù)據(jù)傳感系統(tǒng)算法，構(gòu)建了各大氣數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型，并且對算法進(jìn)行了驗(yàn)證和測試。2021年，王禹等[14]提出了適合工程應(yīng)用的飛翼布局飛機(jī)的FADS算法模型，并對算法進(jìn)行了仿真測試。

為實(shí)現(xiàn)對飛行器的精確控制，需獲得準(zhǔn)確的大氣數(shù)據(jù)，故大氣數(shù)據(jù)系統(tǒng)應(yīng)快速且準(zhǔn)確地測量大氣參數(shù)。而神經(jīng)網(wǎng)絡(luò)方法具有很好的實(shí)時(shí)性，其自身具有一定的容錯(cuò)能力，并且不會(huì)出現(xiàn)迭代不收斂的情況，而三點(diǎn)法計(jì)算大氣數(shù)據(jù)難以做到這些。故采用神經(jīng)網(wǎng)絡(luò)算法，以迎角和馬赫數(shù)為分段依據(jù)，開發(fā)了基于BP神經(jīng)網(wǎng)絡(luò)的FADS系統(tǒng)算法，并對該算法進(jìn)行了仿真測試，結(jié)果表明使用該算法預(yù)測各大氣參數(shù)能夠達(dá)到較高的精度。

FADS系統(tǒng)的故障檢測與管理自身具有一定的特殊性，如實(shí)時(shí)性較高、漏報(bào)率低，因?yàn)橐坏┮牍收蠑?shù)據(jù)可能會(huì)產(chǎn)生難以預(yù)估的后果。隨機(jī)森林算法常用于故障識(shí)別，但鮮有人將其應(yīng)用于FADS系統(tǒng)故障識(shí)別。因而，將隨機(jī)森林算法用于FADS系統(tǒng)的故障診斷，采用隨機(jī)森林分類器快速準(zhǔn)確地識(shí)別出故障測壓點(diǎn)，再將故障壓強(qiáng)剔除，使用構(gòu)建的容錯(cuò)神經(jīng)網(wǎng)絡(luò)計(jì)算大氣數(shù)據(jù)，降低了故障數(shù)據(jù)對FADS系統(tǒng)算法計(jì)算各大氣數(shù)據(jù)精度的影響。

1 算法流程概述

提出了以迎角和馬赫數(shù)為分段依據(jù)的基于BP神經(jīng)網(wǎng)絡(luò)的FADS系統(tǒng)算法和基于隨機(jī)森林和神經(jīng)網(wǎng)絡(luò)的故障檢測與容錯(cuò)算法，并且對該算法進(jìn)行了仿真測試，圖1為算法流程圖。研究的FADS系統(tǒng)算法與故障識(shí)別與容錯(cuò)算法適用于飛翼布局飛行器，該飛行器機(jī)身共分布有7個(gè)測壓點(diǎn)。首先，測壓傳感器測得的7個(gè)測壓點(diǎn)的壓強(qiáng)由事先構(gòu)建的隨機(jī)森林分類器進(jìn)行區(qū)分是否存在測壓點(diǎn)壓強(qiáng)故障的問題，若未出現(xiàn)故障，則由神經(jīng)網(wǎng)絡(luò)總模塊1初步計(jì)算迎角和馬赫數(shù)，然后由對應(yīng)范圍內(nèi)的神經(jīng)網(wǎng)絡(luò)各分模塊計(jì)算各大氣參數(shù)(迎角、側(cè)滑角、馬赫數(shù)、靜壓Ps)。以7個(gè)測壓點(diǎn)壓強(qiáng)為輸入，其中：神經(jīng)網(wǎng)絡(luò)分模塊1為α=-4°～9°，Ma=0.1～0.4分段下的迎角、側(cè)滑角、馬赫數(shù)和靜壓的神經(jīng)網(wǎng)絡(luò)；神經(jīng)網(wǎng)絡(luò)分模塊2為α=-4°～9°，Ma=0.4～1.0分段下的各大氣參數(shù)的神經(jīng)網(wǎng)絡(luò)；神經(jīng)網(wǎng)絡(luò)分模塊3為α=9°～20°，Ma=0.1～0.4分段下各大氣參數(shù)的神經(jīng)網(wǎng)絡(luò)；神經(jīng)網(wǎng)絡(luò)分模塊4為α=9°～20°、Ma=0.4～1.0分段下的各大氣參數(shù)神經(jīng)網(wǎng)絡(luò)。若隨機(jī)森林分類器判斷出該壓強(qiáng)組合存在故障壓強(qiáng)，并識(shí)別出故障測壓點(diǎn)，則將故障測壓點(diǎn)壓強(qiáng)剔除，由相應(yīng)的神經(jīng)網(wǎng)絡(luò)總模塊2(該模塊為以6個(gè)測壓點(diǎn)壓強(qiáng)為輸入，迎角和馬赫數(shù)為輸出的神經(jīng)網(wǎng)絡(luò))初步計(jì)算迎角和馬赫數(shù)。初步計(jì)算出迎角和馬赫數(shù)后，可大致判斷其所在范圍，從而由對應(yīng)范圍內(nèi)的不包含故障測壓點(diǎn)壓強(qiáng)的容錯(cuò)神經(jīng)網(wǎng)絡(luò)各分模塊進(jìn)一步計(jì)算各大氣參數(shù)(包括迎角和馬赫數(shù))。以6個(gè)測壓點(diǎn)壓強(qiáng)為輸入，其中：神經(jīng)網(wǎng)絡(luò)分模塊5為α=-4°～9°、Ma=0.1～0.4分段下的容錯(cuò)神經(jīng)網(wǎng)絡(luò)；神經(jīng)網(wǎng)絡(luò)分模塊6為α=-4°～9°、Ma=0.4～1.0分段下的容錯(cuò)神經(jīng)網(wǎng)絡(luò)；神經(jīng)網(wǎng)絡(luò)分模塊7為α=9°～20°、Ma=0.1～0.4分段下的容錯(cuò)神經(jīng)網(wǎng)絡(luò)；神經(jīng)網(wǎng)絡(luò)分模塊8為α=9°～20°、Ma=0.4～1.0分段下的容錯(cuò)神經(jīng)網(wǎng)絡(luò)。

圖1 基于人工智能算法的嵌入式大氣數(shù)據(jù)傳感系統(tǒng)算法流程

由于容錯(cuò)神經(jīng)網(wǎng)絡(luò)是以6個(gè)測壓點(diǎn)壓強(qiáng)為輸入構(gòu)建的，所以提出的故障檢測和容錯(cuò)算法能處理單個(gè)測壓點(diǎn)故障的情況，能夠有效降低單個(gè)測壓點(diǎn)故障對FADS系統(tǒng)計(jì)算大氣參數(shù)精度的影響。

2 基于BP神經(jīng)網(wǎng)絡(luò)的分段FADS系統(tǒng)算法

為提高神經(jīng)網(wǎng)絡(luò)預(yù)測大氣參數(shù)的精度，考慮將訓(xùn)練數(shù)據(jù)以迎角(α=-4°～9°和α=9°～20°)和馬赫數(shù)(Ma=0.1～0.4和Ma=0.4～1.0)為分段依據(jù)分為4個(gè)部分。分別構(gòu)建以7個(gè)測壓點(diǎn)壓強(qiáng)為輸入，迎角、側(cè)滑角、馬赫數(shù)、靜壓為輸出的神經(jīng)網(wǎng)絡(luò)。

使用MATLAB平臺(tái)的神經(jīng)網(wǎng)絡(luò)工具箱構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，使用LM(Levenberg-Marquardt)算法作為訓(xùn)練算法，該算法收斂速度較快[15]。訓(xùn)練時(shí)，訓(xùn)練集占樣本總量的70%，驗(yàn)證集和測試集分別占15%。并且構(gòu)建的神經(jīng)網(wǎng)絡(luò)均只含有一個(gè)隱藏層，若誤差較大，則通過增加隱藏層神經(jīng)元數(shù)目和選用不同初始條件對網(wǎng)絡(luò)進(jìn)行訓(xùn)練來提高網(wǎng)絡(luò)的精度[16]。但增加隱藏層神經(jīng)元數(shù)目將會(huì)增加網(wǎng)絡(luò)訓(xùn)練時(shí)間，而且可能會(huì)造成過擬合問題。

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)是由在實(shí)驗(yàn)數(shù)據(jù)的基礎(chǔ)上構(gòu)建的Kriging模型獲得的，采用共計(jì)394組實(shí)驗(yàn)數(shù)據(jù)，以迎角、側(cè)滑角和馬赫數(shù)為輸入，各測壓點(diǎn)的壓強(qiáng)系數(shù)為輸出構(gòu)建Kriging模型，采用構(gòu)建的Kriging模型生成訓(xùn)練神經(jīng)網(wǎng)絡(luò)所需的訓(xùn)練數(shù)據(jù)，構(gòu)建Kriging模型時(shí)均留有部分?jǐn)?shù)據(jù)用于驗(yàn)證模型精度。

表1～表4所示為構(gòu)建的各分段下的迎角、側(cè)滑角、馬赫數(shù)以及靜壓神經(jīng)網(wǎng)絡(luò)的誤差區(qū)間以及均方根誤差。如表1所示，各分段下的迎角神經(jīng)網(wǎng)絡(luò)精度較高，其中3個(gè)分段下其精度可達(dá)0.2°，高馬赫、大迎角(α=9°～20°&Ma=0.4～1.0)分段下迎角神經(jīng)網(wǎng)絡(luò)的精度稍低，誤差在0.65°以內(nèi)。表2所示為各個(gè)分段下訓(xùn)練得到的側(cè)滑角神經(jīng)網(wǎng)絡(luò)的誤差區(qū)間以及均方根誤差，各分段下的側(cè)滑角神經(jīng)網(wǎng)絡(luò)誤差以及均方根誤差與迎角相比稍大，小迎角分段下，構(gòu)建的側(cè)滑角神經(jīng)網(wǎng)絡(luò)誤差以及均方根誤差更小。如表3所示，構(gòu)建的各分段下的馬赫數(shù)神經(jīng)網(wǎng)絡(luò)均方根誤差量級可達(dá)10-5。如表4所示，各分段下的靜壓神經(jīng)網(wǎng)絡(luò)誤差均在200 Pa以內(nèi)，低馬赫數(shù)的分段下其精度更高，均方根誤差也很小。

表1 各分段下迎角誤差區(qū)間及均方根誤差 單位：(°)

表2 各分段下側(cè)滑角誤差區(qū)間及均方根誤差 單位：(°)

表3 各分段下馬赫數(shù)誤差區(qū)間及均方根誤差

表4 各分段下靜壓誤差區(qū)間及均方根誤差 單位：Pa

3 基于神經(jīng)網(wǎng)絡(luò)的FADS系統(tǒng)算法測試

機(jī)器學(xué)習(xí)的主要挑戰(zhàn)是算法必須能夠在未學(xué)習(xí)到的新輸入上表現(xiàn)良好(這種能力被稱為泛化)[17]，而不只是在訓(xùn)練集上表現(xiàn)良好，所以為了解構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型的泛化能力，采用飛行曲線數(shù)據(jù)，對開發(fā)的基于BP神經(jīng)網(wǎng)絡(luò)的FADS系統(tǒng)算法進(jìn)行了測試，同時(shí)測試了測壓點(diǎn)壓強(qiáng)有偏置時(shí)，各大氣數(shù)據(jù)的誤差情況。

3.1 分段神經(jīng)網(wǎng)絡(luò)仿真測試

用于仿真測試的飛行曲線數(shù)據(jù)共3023組，圖2～圖5分別為迎角、側(cè)滑角、馬赫數(shù)和靜壓的計(jì)算結(jié)果。將各大氣數(shù)據(jù)的真實(shí)值與計(jì)算值進(jìn)行對比，圖6～圖9分別為迎角、側(cè)滑角、馬赫數(shù)和靜壓的相對誤差。圖2～圖9中橫坐標(biāo)對應(yīng)仿真數(shù)據(jù)中的每個(gè)狀態(tài)點(diǎn)。由圖2～圖9可知，每個(gè)飛行狀態(tài)下迎角誤差均小于0.2°，相對誤差小于0.7%；各狀態(tài)下側(cè)滑角誤差小于0.3°，大多數(shù)狀態(tài)點(diǎn)側(cè)滑角的計(jì)算誤差在0.1°以內(nèi)波動(dòng)，相對誤差在1.5%以內(nèi)；馬赫數(shù)計(jì)算值與真實(shí)值吻合很好，絕對誤差均小于0.0105，相對誤差在1.1%以內(nèi)；靜壓誤差在300 Pa以內(nèi)，僅個(gè)別飛行狀態(tài)下誤差大于200 Pa，絕大多數(shù)狀態(tài)點(diǎn)靜壓誤差在100 Pa以內(nèi)，其相對誤差小于0.35%。

圖2 迎角計(jì)算結(jié)果

圖5 靜壓計(jì)算結(jié)果

圖6 迎角相對誤差

圖7 側(cè)滑角相對誤差

圖8 馬赫數(shù)相對誤差

圖9 靜壓相對誤差

仿真結(jié)果表明：以迎角和馬赫數(shù)為分段依據(jù)，開發(fā)的基于BP神經(jīng)網(wǎng)絡(luò)的FADS系統(tǒng)算法能夠快速準(zhǔn)確地計(jì)算出各大氣數(shù)據(jù)，能夠滿足飛翼飛機(jī)FADS系統(tǒng)解算要求。

3.2 單個(gè)測壓點(diǎn)壓強(qiáng)偏置各大氣數(shù)據(jù)預(yù)測情況

由于測壓點(diǎn)的傳感器通常存在一定的誤差(一般的壓強(qiáng)傳感器的相對誤差為0.1%)，傳感器誤差可能會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)的輸入壓強(qiáng)與真實(shí)的壓強(qiáng)值出現(xiàn)微小的偏差，從而導(dǎo)致輸出的大氣數(shù)據(jù)產(chǎn)生誤差。本節(jié)人為增加駐點(diǎn)壓強(qiáng)偏差模擬測壓傳感器的誤差，研究這種情況下該算法計(jì)算出的大氣數(shù)據(jù)的誤差是否滿足要求。因此本節(jié)測試了單個(gè)測壓點(diǎn)壓強(qiáng)存在偏置(偏置100～400 Pa，每間隔100 Pa)時(shí)，基于BP神經(jīng)網(wǎng)絡(luò)的FADS系統(tǒng)算法計(jì)算大氣數(shù)據(jù)的準(zhǔn)確性情況。限于篇幅，只給出駐點(diǎn)壓強(qiáng)偏置時(shí)，該算法計(jì)算迎角的結(jié)果。

圖10(a)～圖10(d)為測壓點(diǎn)7(駐點(diǎn))壓強(qiáng)偏置分別為100～400 Pa時(shí)，F(xiàn)ADS系統(tǒng)算法預(yù)測迎角的情況。測壓點(diǎn)7壓強(qiáng)偏置100 Pa時(shí)，迎角誤差比壓強(qiáng)無偏置時(shí)略增大，壓強(qiáng)偏置至400 Pa時(shí)，其最大誤差超過0.2°。壓強(qiáng)偏置越大，迎角預(yù)測誤差越大，但仍滿足飛翼布局飛機(jī)對大氣數(shù)據(jù)的精度要求。這說明該FADS系統(tǒng)算法自身就具有一定的容錯(cuò)能力。

圖10 測壓點(diǎn)7不同壓強(qiáng)偏置迎角計(jì)算結(jié)果

4 故障診斷與容錯(cuò)算法

4.1 隨機(jī)森林分類器

基于隨機(jī)森林分類器開發(fā)了測壓點(diǎn)故障診斷算法，同時(shí)構(gòu)建了單個(gè)測壓點(diǎn)故障時(shí)，排除故障測壓點(diǎn)后僅采用6個(gè)測壓點(diǎn)壓強(qiáng)為輸入的神經(jīng)網(wǎng)絡(luò)，使該系統(tǒng)具備故障識(shí)別與容錯(cuò)能力。假定測壓點(diǎn)壓強(qiáng)絕對誤差大于等于500 Pa，則認(rèn)為該測壓點(diǎn)故障，使用隨機(jī)森林分類算法對錯(cuò)誤壓強(qiáng)組合和正確壓強(qiáng)組合進(jìn)行分類并識(shí)別出故障測壓點(diǎn)。本節(jié)構(gòu)建的隨機(jī)森林分類器采用決策樹的個(gè)數(shù)為500，分裂屬性集中的屬性個(gè)數(shù)設(shè)為2。所有數(shù)據(jù)共包括正確壓強(qiáng)組合6020組，錯(cuò)誤壓強(qiáng)組合84280組。從其中隨機(jī)選取90000組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，剩余300組數(shù)據(jù)作為測試數(shù)據(jù)。測試結(jié)果顯示，構(gòu)建的隨機(jī)森林分類器能夠較為準(zhǔn)確地將300組測試數(shù)據(jù)中的壓強(qiáng)正確分類，并且能夠較為準(zhǔn)確地識(shí)別出故障壓強(qiáng)點(diǎn)，300組測試數(shù)據(jù)中，該分類器僅誤報(bào)一組壓強(qiáng)(將無故障誤報(bào)為測壓點(diǎn)7故障，此時(shí)測壓點(diǎn)存在500 Pa壓強(qiáng)誤差)，其余299組皆分類正確。

4.2 容錯(cuò)神經(jīng)網(wǎng)絡(luò)

容錯(cuò)神經(jīng)網(wǎng)絡(luò)依然采用分段神經(jīng)網(wǎng)絡(luò)提高網(wǎng)絡(luò)預(yù)測精度，目前算法中涉及的容錯(cuò)神經(jīng)網(wǎng)絡(luò)以6個(gè)測壓點(diǎn)壓強(qiáng)為輸入，能夠處理單個(gè)測壓點(diǎn)故障，當(dāng)將故障測壓點(diǎn)壓強(qiáng)剔除后，使用對應(yīng)的不包含故障測壓點(diǎn)壓強(qiáng)為輸入的神經(jīng)網(wǎng)絡(luò)初步計(jì)算迎角和馬赫數(shù)，然后根據(jù)迎角和馬赫數(shù)的范圍采用對應(yīng)分段下不包含故障測壓點(diǎn)壓強(qiáng)的神經(jīng)網(wǎng)絡(luò)進(jìn)一步計(jì)算各大氣參數(shù)。

表5為不同輸入情況下迎角神經(jīng)網(wǎng)絡(luò)預(yù)測誤差及均方根誤差，任何一個(gè)傳感器出現(xiàn)故障，經(jīng)隨機(jī)森林分類器識(shí)別并剔除后，采用不包含故障壓強(qiáng)的正確壓強(qiáng)組合作為輸入，對各大氣參數(shù)進(jìn)行預(yù)測。

表5 不同輸入情況下迎角神經(jīng)網(wǎng)絡(luò)預(yù)測誤差及均方根誤差

4.3 故障檢測仿真測試

為測試基于隨機(jī)森林分類器和容錯(cuò)神經(jīng)網(wǎng)絡(luò)的故障識(shí)別與容錯(cuò)算法的可靠性和計(jì)算大氣數(shù)據(jù)的準(zhǔn)確性，對于故障識(shí)別模塊，分別訓(xùn)練了決策樹和隨機(jī)森林分類器，對比了兩種分類算法訓(xùn)練得到的分類器的故障識(shí)別能力。

本節(jié)中采用的測試數(shù)據(jù)為飛行曲線中單個(gè)測壓點(diǎn)壓強(qiáng)偏置1500 Pa和2000 Pa(共計(jì)42組，包含7個(gè)不同測壓點(diǎn)壓強(qiáng)故障的情況)。飛行曲線測試結(jié)果顯示，構(gòu)建的隨機(jī)森林分類器能夠準(zhǔn)確識(shí)別出故障測壓點(diǎn)，準(zhǔn)確率高達(dá)100%。而決策樹準(zhǔn)確率也較高，但略遜于隨機(jī)森林分類器，42組數(shù)據(jù)中，訓(xùn)練出的決策樹有一組數(shù)據(jù)識(shí)別錯(cuò)誤，出現(xiàn)了誤報(bào)的情況。

圖11～圖18為使用隨機(jī)森林分類器識(shí)別故障測壓點(diǎn)，然后剔除故障壓強(qiáng)，采用有效壓強(qiáng)計(jì)算大氣數(shù)據(jù)的結(jié)果。圖11中的迎角計(jì)算值1和差值1為采用了開發(fā)的基于隨機(jī)森林的故障識(shí)別和容錯(cuò)算法所計(jì)算得到的結(jié)果；迎角計(jì)算值2和差值2為未采用故障識(shí)別和容錯(cuò)算法得到的結(jié)果；迎角真值為選取的測試數(shù)據(jù)的迎角真實(shí)值。從圖11中可以看出采用了故障識(shí)別系統(tǒng)的迎角計(jì)算結(jié)果與迎角真實(shí)值吻合較好，其誤差基本在0°附近；而未采用故障識(shí)別系統(tǒng)的迎角計(jì)算結(jié)果與迎角真實(shí)值相距甚遠(yuǎn)，誤差較大，最大誤差甚至可達(dá)20°。圖12為采用故障檢測系統(tǒng)的迎角計(jì)算值與真實(shí)值的具體吻合情況，從該圖中可以看到，其最大誤差小于0.15°，迎角計(jì)算值較為準(zhǔn)確。

圖11 使用故障檢測系統(tǒng)和不使用故障檢測系統(tǒng)的迎角計(jì)算結(jié)果對比

圖12 故障檢測算法計(jì)算的迎角誤差

圖13 使用故障檢測系統(tǒng)和不使用故障檢測系統(tǒng)的側(cè)滑角計(jì)算結(jié)果對比

圖14 故障檢測算法計(jì)算的側(cè)滑角誤差

圖15 使用故障檢測系統(tǒng)和不使用故障檢測系統(tǒng)的馬赫數(shù)計(jì)算結(jié)果對比

圖13～圖18分別為是否使用開發(fā)的故障診斷算法計(jì)算側(cè)滑角、馬赫數(shù)以及靜壓的結(jié)果對比情況，圖中計(jì)算值1和差值1均為采用故障診斷算法得到的結(jié)果，計(jì)算值2和差值2均為未采用任何故障診斷算法直接計(jì)算得到的結(jié)果。從圖13～圖18中可以看出，采用了故障診斷算法的側(cè)滑角、馬赫數(shù)和靜壓的計(jì)算結(jié)果均精度較高，側(cè)滑角誤差在±0.35°以內(nèi)，馬赫數(shù)誤差在±0.004以內(nèi)，靜壓誤差在±40 Pa以內(nèi)；而未采用故障檢測算法的各大氣數(shù)據(jù)計(jì)算結(jié)果誤差很大。

圖16 故障檢測算法計(jì)算的馬赫數(shù)誤差

圖17 使用故障檢測系統(tǒng)和不使用故障檢測系統(tǒng)的靜壓計(jì)算結(jié)果對比

圖18 故障檢測算法計(jì)算的靜壓誤差

5 結(jié)束語

將機(jī)器學(xué)習(xí)算法應(yīng)用于FADS系統(tǒng)算法中，采用隨機(jī)森林算法實(shí)現(xiàn)了故障傳感器的檢測，開發(fā)了以迎角和馬赫數(shù)為分段依據(jù)的FADS系統(tǒng)神經(jīng)網(wǎng)絡(luò)算法，采用飛行曲線數(shù)據(jù)對其進(jìn)行測試。結(jié)果表明該算法能夠快速準(zhǔn)確地計(jì)算出各大氣參數(shù)：迎角誤差小于±0.2°；側(cè)滑角誤差小于±0.3°；馬赫數(shù)絕對誤差小于±0.0105，相對誤差小于±1.1%；靜壓絕對誤差小于±300 Pa，相對誤差小于±0.35%。當(dāng)出現(xiàn)單個(gè)故障測壓點(diǎn)時(shí)，設(shè)計(jì)的基于隨機(jī)森林分類器的故障診斷模塊能準(zhǔn)確識(shí)別故障測壓點(diǎn)，采用的飛行曲線測試中測試準(zhǔn)確率達(dá)到100%。在算法自動(dòng)排除故障測壓點(diǎn)后，通過剩余的測壓點(diǎn)仍能快速準(zhǔn)確地計(jì)算出大氣數(shù)據(jù)，此時(shí)迎角精度可達(dá)±0.2°，側(cè)滑角精度可達(dá)±0.35°，馬赫數(shù)誤差在±0.004以內(nèi)，靜壓誤差在±40 Pa以內(nèi)，依舊滿足嵌入式大氣數(shù)據(jù)系統(tǒng)的使用精度要求，從而實(shí)現(xiàn)了嵌入式大氣數(shù)據(jù)系統(tǒng)的故障診斷與容錯(cuò)功能。