基于雙模型自適應(yīng)估計的大氣數(shù)據(jù)傳感器故障診斷方法

摘要： 大氣湍流是大氣中一種不規(guī)則的隨機(jī)運動，在機(jī)載大氣數(shù)據(jù)傳感器的測量過程中，大氣湍流影響與傳感器故障相互耦合，導(dǎo)致大氣數(shù)據(jù)傳感器故障診斷算法無法將故障與湍流影響解耦。針對大氣湍流影響下的大氣數(shù)據(jù)傳感器故障診斷問題，基于慣性測量單元和導(dǎo)航姿態(tài)解算，考慮湍流對大氣系統(tǒng)的影響，建立新型大氣系統(tǒng)模型及量測模型。在對雙模型自適應(yīng)估計算法進(jìn)行擴(kuò)展后，引入湍流對系統(tǒng)影響的協(xié)方差自適應(yīng)更新方法，實現(xiàn)存在未知擾動情況下故障狀態(tài)的無偏估計。仿真結(jié)果表明，該算法可以有效實現(xiàn)對固定偏差故障、漂移偏差故障和振蕩故障的診斷。

關(guān)鍵詞： 大氣數(shù)據(jù)傳感器故障診斷; 大氣湍流; 雙模型自適應(yīng)估計; 故障檢測與診斷

中圖分類號： V 241.6

文獻(xiàn)標(biāo)志碼： A

DOI：10.12305/j.issn.1001-506X.2024.11.21

Fault diagnosis method of air data sensor based on double-model adaptive estimation

XIAO Yingfei^1，*， LIU Haiying^1，2， CHENG Yuehua³， LI Tiexiang^2，4

（1. College of Astronautics， Nanjing University of Aeronautics and Astronautics， Nanjing 210016， China;

2. Nanjing Center for Applied Mathematics， Nanjing 211135， China; 3. College of Automation Engineering， Nanjing University of Aeronautics and Astronautics， Nanjing 210016， China; 4. School of Mathematics， Southeast University， Nanjing 211189， China）

Abstract： Atmospheric turbulence is an irregular random motion in the atmosphere. During the measurement of airborne air data sensors， atmospheric turbulence effects and sensor faults are coupled with each other， leading to the inability of air data sensor fault diagnosis algorithms to decouple faults from turbulence effects. In view of the fault diagnosis problem of air data sensors under the effects of atmospheric turbulence， a new atmospheric system model and measurement model are developed based on inertial measurement units and navigation attitude solving， considering the effects of turbulence on the atmospheric system. After extending the double-model adaptive estimation algorithm， the covariance adaptive update of the effect of turbulence on the system is introduced to achieve an unbiased estimation of the fault state in the presence of unknown disturbances. Simulation results show that the algorithm can effectively achieve diagnosis of fixed deviation faults， drift deviation faults， and oscillation faults.

Keywords： air data sensor fault diagnosis; atmospheric turbulence; double-model adaptive estimation; fault detection and diagnosis

0 引 言

飛機(jī)飛行過程中，大氣數(shù)據(jù)傳感器（air data sensor， ADS）的故障會導(dǎo)致大氣參數(shù)發(fā)生偏差^［1］，偏差越大對制導(dǎo)控制系統(tǒng)的魯棒性要求就越嚴(yán)，系統(tǒng)工作負(fù)荷也就越重。大氣參數(shù)偏差的不確定性甚至?xí)?dǎo)致動壓、過載、熱流約束超過限制，破壞飛機(jī)結(jié)構(gòu)和功能的安全性。歷史上，已經(jīng)出現(xiàn)多起由于ADS發(fā)生故障或失效而導(dǎo)致的飛行安全事故^［2-5］。大氣湍流作為一種常見的外部擾動^［6］會導(dǎo)致大氣參數(shù)的瞬時波動和變化，這些波動和變化可能會被錯誤地識別為傳感器故障所引起的數(shù)據(jù)異常，從而對ADS故障診斷的準(zhǔn)確性造成影響。因此，能否準(zhǔn)確識別飛行過程中的ADS故障對飛機(jī)的飛行品質(zhì)具有重要意義。

為了解決ADS發(fā)生故障帶來的影響，早期的方法主要是用其他系統(tǒng)代替ADS，如嵌入式大氣系統(tǒng)^［7］、分子光學(xué)大氣數(shù)據(jù)系統(tǒng)^［8］和虛擬大氣數(shù)據(jù)系統(tǒng)^［9］。近年來，針對ADS的故障診斷方法主要有基于模型和基于數(shù)據(jù)兩類^［10］?；谀Ｐ偷姆椒ㄐ枰鉀Q模型具有不確定性和存在外部干擾的問題。針對模型的不確定性問題，國內(nèi)外專家學(xué)者們提出了H_∞濾波器^［11-12］、滑模觀測器^［13］和基于未知輸入觀測器^［14］的方法。然而，觀測器通常是基于線性時不變系統(tǒng)設(shè)計的，而飛行器的動力學(xué)模型是時變的，因此文獻(xiàn)［15］和文獻(xiàn)［16］針對該問題設(shè)計了相應(yīng)的線性變參數(shù)（linear parameter varying， LPV）系統(tǒng)。針對存在外部干擾的問題，文獻(xiàn)［17］基于物理模型提出了基于閾值的故障判定方法，文獻(xiàn)［18］提出了一種使用奇異攝動和幾何方法進(jìn)行故障檢測和隔離的方法。然而，以上基于模型的ADS故障診斷方法都沒有考慮大氣湍流的影響。基于數(shù)據(jù)的ADS故障檢測方法大多使用機(jī)器學(xué)習(xí)方法，如單一徑向基神經(jīng)網(wǎng)絡(luò)^［19］、分層神經(jīng)網(wǎng)絡(luò)^［20-21］、卷積長短時記憶網(wǎng)絡(luò)（convolutional long short term memory network， CNN-LSTM）^［22］、支持向量機(jī)^［23］。但是，這些算法都依賴于大量數(shù)據(jù)，一旦數(shù)據(jù)存在缺失或錯誤，算法的診斷效果就會大打折扣。其次，神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中會產(chǎn)生大量訓(xùn)練數(shù)據(jù)，這對計算量提出了很高的要求。再次，使用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷很難實現(xiàn)診斷的實時性和快速性。

本文針對大氣湍流影響下的機(jī)載ADS故障診斷問題，首先基于慣性測量單元和導(dǎo)航姿態(tài)解算提出了考慮大氣湍流影響的大氣系統(tǒng)模型及其量測模型。然后針對雙模型自適應(yīng)估計^［24］（double-model adaptive estimation， DMAE）算法進(jìn)行狀態(tài)擴(kuò)展，創(chuàng)新性地采用協(xié)方差自適應(yīng)更新方法實現(xiàn)了對故障狀態(tài)的無偏估計。最后進(jìn)行仿真實驗，驗證了本文算法的有效性。

1 考慮大氣湍流影響的大氣系統(tǒng)模型

飛機(jī)相對于地面運動的地速矢量在機(jī)體坐標(biāo)系下的投影可以用如下速度矢量三角形表示：

V^b_g=V^b_a+V^b_w（1）

其中，V^b_a=［u_a，v_a，w_a］^T和V^b_w=［u_w，v_w，ω_w］^T為空速矢量和風(fēng)速矢量。

機(jī)體坐標(biāo)系下飛機(jī)地速的動力學(xué)方程為

V·^b_g=A+B^b_ng－ω×V^b_g（2）

式中：A=［A_x，A_y，A_z］^T為比力矢量;ω=［p，q，r］^T為角速度矢量，由慣性測量單元測得;g=［0，0，g］^T，g=9.81 m/s²;B^b_n為地理系到機(jī)體系的變換矩陣。

由此可以得到空速的動力學(xué)方程：

V·^b_a=A+C^b_ng－ω×V^b_a－（V·^b_w+ω×V^b_w）（3）

大氣湍流對空速的影響可表示為

d=－V·^b_w－ω×V^b_w=［d_u，d_v，d_w］^T（4）

顯然，大氣湍流對于空速的動力學(xué)模型有明顯的影響。

ADS可以直接獲得真空速V、迎角α和側(cè)滑角β的測量值，［V，α，β］^T也可以通過空速矢量計算得到^［25］：

V·=u·_acos α cos β+V·_asin β+w·_asin αcos β（5）

α·=（w·_acos α－u·_asin α）/Vcos β（6）

β·=（－u·_acos αsin β+V·_acos β－w·_asin αsin β）/V（7）

將式（3）代入式（5）～式（7），可以得到如下公式：

V·=（A_x－gsin θ+rv_a－qw_a+d_u）cos αcos β+

（A_y+gsin ?cos θ+pw_a－ru_a+d_v）sin β+

（A_z+gcos ?cos θ+qu_a－pv_a+d_w）sin αcos β （8）

α·=［（A_z+gcos ?cos θ+qu_a－pv_a+d_w）cos α－

（A_x－gsin θ+rv_a－qw_a+d_u）sin α］/Vcos β （9）

β·=［－（A_x－gsin θ+rv_a－qw_a+d_u）cos αsin β+

（A_y+gsin ?cos θ+pw_a－ru_a+d_v）cos β－

（A_z+gcos ?cos θ+qu_a－pv_a+d_w）sin αsin β］/V

（10）

式中：?，θ為橫滾角、俯仰角，均為導(dǎo)航模塊解算出的姿態(tài)角。

根據(jù)真空速矢量的定義，可以將真空速矢量分解至機(jī)體坐標(biāo)系下，即

u_a=Vcos αcos β（11）

v_a=Vsin β（12）

w_a=Vsin αcos β（13）

將式（11）～式（13）代入式（8）～式（10），得到簡化后模型：

V·=（A_x－gsin θ+d_u）cos αcos β+（A_y+gsin ?cos θ+d_v）sin β+

（A_z+gcos ?cos θ+d_w）sin αcos β（14）

α·=［（A_z+gcos ?cos θ+d_w）cos α－（A_x－gsin θ+

d_u）sin α］/Vcos β+q－（pcos α+rsin α）tan β（15）

β·=［－（A_x－gsin θ+d_u）cos αsin β+（A_y+gsin ?cos θ+d_v）·

cos β－（A_z+gcos ?cos θ+d_w）sin αsin β］/V+psin α－rcos α（16）

由于上述方程涉及姿態(tài)角，為了獲得狀態(tài)的估計，還需要以下運動方程組^［26］：

?·=p+qsin ?tan θ+rcos ?tan θ（17）

θ·=qcos ?－rsin ?（18）

·=qsin ?/cos θ+rcos ?/cos θ（19）

式（14）～式（19）即為考慮大氣湍流影響后的飛行器運動學(xué)模型。其中，A_x，A_y，A_z，p，q，r作為模型的輸入u由慣性測量單元測得。

由于慣性測量單元中噪聲的存在，本文將輸入重新寫成以下形式：

u=［A_xm，A_ym，A_zm，p_m，q_m，r_m］^T=

［A_x，A_y，A_z，p，q，r］^T+［w_Ax，w_Ay，w_Az，w_p，w_q，w_r］^T=

u⁰+w（20）

式中：w=［w_Ax，w_Ay，w_Az，w_p，w_q，w_r］^T表示慣性測量單元的量測噪聲，其協(xié)方差矩陣為Q=E［ww^T］。

由此，可以將式（14）～式（19）寫成狀態(tài)方程的標(biāo)準(zhǔn)形式：

x·=f-（x，u）+G（x）w+E（x）d（21）

式中：x=［V，α，β，?，θ，］^T∈Rⁿ為6維狀態(tài)向量。非線性函數(shù)f-、噪聲驅(qū)動矩陣G（x），擾動分布矩陣E（x）可通過式（14）～式（20）獲得。

系統(tǒng)量測方程為

y=x+Ff+b（22）

式中：y=［V_m，α_m，β_m，?_m，θ_m，_m］^T∈Rⁿ（n=6）為6維量測向量。f=［f_V，f_α，f_β］^T∈Rⁿ_f（n_f=3）為ADS三維故障向量。b=［b_V，b_α，b_β，b_?，b_θ，b_］^T為傳感器輸出噪聲，其協(xié)方差矩陣表示為R=E［bb^T］。F=［I_3×3，O_3×3］^T為故障分布矩陣。

綜上所述，式（21）為用于機(jī)載ADS故障檢測與診斷的新型大氣系統(tǒng)模型。該模型將大氣湍流對系統(tǒng)的影響描述為未知擾動，同時將慣性測量單元數(shù)據(jù)作為輸入，避免使用不確定的空氣動力學(xué)參數(shù)。式（22）為對應(yīng)的系統(tǒng)量測模型。由以上方程可以看出，ADS故障與大氣湍流的作用是耦合的，因此擾動解耦觀測器及未知輸入觀測器無法實現(xiàn)狀態(tài)的跟蹤及故障的診斷。

2 基于DMAE算法的ADS故障診斷方法

基于慣性測量、導(dǎo)航模塊姿態(tài)解算的ADS故障診斷策略如圖1所示。

故障診斷模塊由雙卡爾曼濾波器、混合假設(shè)檢驗故障診斷器、選擇性初始化3部分組成。兩個濾波器并行運行，一個為無故障濾波器，另一個為增廣故障濾波器，對應(yīng)系統(tǒng)的兩種狀態(tài)：無故障f_k=0和有故障f_k≠0。在每一個時間k，向兩個濾波器輸入相同的量測向量y_k和輸入向量u_k，同時輸入不同的狀態(tài)向量x_nf和x_af。其中，x_nf∈Rⁿ為無故障濾波器的狀態(tài)輸入，x_af∈R^n+nf為增廣故障濾波器的狀態(tài)輸入。n=6，對應(yīng)6維狀態(tài)向量，n_f=3，對應(yīng)三維故障向量f。f作為增廣故障濾波器擴(kuò)展的狀態(tài)，可以被卡爾曼濾波器估計出來。

x_nf=x（23）

x_af=［x，f］^T（24）

由于無故障濾波器f_k=0，故系統(tǒng)量測方程可以簡化為

y=x+b=H_nfx_nf+b（25）

式中：H_nf=I_6×6。

增廣故障濾波器的量測方程可以寫成

y=x+Ff+b=H_afx_af+b（26）

式中：H_af=［I_6×6，F(xiàn)］。

在當(dāng)前時間點k，兩個卡爾曼濾波器會產(chǎn)生各自的狀態(tài)估計x^⁰_i，k和新息γ_i，k（i=nf對應(yīng)無故障濾波器，i=af對應(yīng)增廣故障濾波器）?；旌霞僭O(shè)檢驗故障診斷器根據(jù)兩個濾波器的新息γ_i，k、新息協(xié)方差矩陣C_i，k及上一時刻濾波器條件概率o_i，k－1，可以計算得到當(dāng)前時刻選擇每個濾波器的條件概率o_i，k^［24］。在兩個濾波器中，匹配真實故障情況的濾波器有更大的條件概率。令o_nf表示選擇無故障濾波器的條件概率，o_af表示選擇增廣故障濾波器的條件概率。當(dāng)o_afgt;o_nf時，表示系統(tǒng)存在故障。此時可以通過增廣故障濾波器的概率加權(quán)獲得故障的估計值：

f-_k=f^_ko_af，k（27）

為了增強(qiáng)DMAE對擾動的魯棒性，在卡爾曼濾波器執(zhí)行一步操作后對其進(jìn)行選擇性初始化^［27］。上標(biāo)“0”表示初始化之前的變量。x^^（n）_nf和x^^（n）_af為x^⁰_nf和x^⁰_af的前n個元素。協(xié)方差陣P^（n）_nf，k和P^（n）_af，k包含狀態(tài)估計誤差協(xié)方差P_nf和P_af的前n行和前n列。x^f₀和P^f₀為初始化參數(shù)。如圖2所示，選擇性初始化的原理是使用條件概率較高的濾波器的狀態(tài)估計和協(xié)方差矩陣初始化條件概率較低的濾波器，以此保持狀態(tài)的無偏估計。

本文將故障建模為一個隨機(jī)過程f·=w_f，其協(xié)方差矩陣為Q_f=E［w_fw^T_f］。設(shè)k=l時發(fā)生故障，增廣故障濾波器對應(yīng)的卡爾曼增益為

_l=［K^x_l;K^f_l］（28）

式中：K^x_l和K^f_l對應(yīng)x′_af，l和f，x′_af，l為故障發(fā)生時增廣故障濾波器狀態(tài)x_af，l的前6維向量，f為三維故障向量。

增廣故障濾波器的新息可以通過以下公式計算：

γ_af，l=y_l－H_af，lx^_af，l|l－1=H_af，lx_af，l+b_l－H_af，lx^_{af，l|l－1}（29）

將三維故障向量分離，式（28）可以寫成如下形式：

γ_af，l=H′_af，lx′_af，l+b_l－H′_af，lx^′_{af，l|l－1}+F_lf_l=

H′_af，lx～′_af，l+b_l+F_lf_l（30）

式中：H′_af，l=I_6×6

由于x^′_af，l為狀態(tài)的無偏估計，E［x～′_af，l+b_l］=0，f_k=0（0lt;klt;l），則

E［γ_af，l］=F_lf_l（31）

則增廣故障濾波器獲得的故障估計值為

f^_l|l=f^_l|l－1+K^f_lγ_af，l=f^_l－1|l－1+K^f_lγ_af，l（32）

當(dāng)klt;l時，系統(tǒng)無故障，o_aflt;o_nf。根據(jù)圖2所示的選擇性初始化步驟，式（31）可以寫為

f^_l|l=x^f₀+K^f_lγ_af，l（33）

將式（29）代入可得

f^_l|l=x^f₀+K^f_l（H′_af，lx～′_af，l+b_l）+K^f_lF_lf_l（34）

因此，f^_l|l的數(shù)學(xué)期望為

E［f^_l|l］=E［x^f₀］+E［K^f_lF_lf_l］（35）

由式（34）可知，僅需初始化一個較小的x^f₀，且令K^f_lF_l=I，即可獲得故障狀態(tài)的無偏估計。F_l為故障分布矩陣，已在上文中定義，F(xiàn)_l=I_3×3，則K^f_l=I_3×3。

當(dāng)llt;klt;l_e（l_e為故障結(jié)束時刻）時，式（31）可以寫為

f^_k|k=f^_k|k－1+K^f_kγ_af，k=f^_k|k－1+K^f_k（H′_af，kx～′_af，k+b_k+

F_kf_k－F_kf^_k|k－1）=K^f_k（H′_af，kx～′_af，k+b_k）+K^f_kF_kf_k=

K^f_k（H′_af，kx～′_af，k+b_k）+f_k（36）

由于x^′_af，k為狀態(tài)的無偏估計，E［x～′_af，k+b_k］=0，則

E［f^_k|k］=E［f_k］（37）

由以上可知，狀態(tài)擴(kuò)展的DMAE算法可以實現(xiàn)故障狀態(tài)的無偏估計，且對于不同類型的故障均可根據(jù)式（35）實現(xiàn)故障的持續(xù)跟蹤。

由于運動學(xué)模型是非線性的，所以DMAE的兩個濾波器均采用適用于非線性系統(tǒng)的無跡卡爾曼濾波（unscented Kalman filter， UKF）算法來更新狀態(tài)^［28］。由式（21）和式（22）可知，故障與大氣湍流產(chǎn)生的擾動是耦合的，且擾動對系統(tǒng)的影響d是未知的，因此UKF很難獲得狀態(tài)x的無偏估計。為了解決這個問題，本節(jié)將d視為由白噪聲驅(qū)動的隨機(jī)過程，其協(xié)方差矩陣為Q_d。由于大氣湍流的無序性變化，將Q_d設(shè)定為常數(shù)會產(chǎn)生很大的檢測誤差。因此，引入自適應(yīng)更新Q_d以獲得狀態(tài)的無偏估計。

在時間點k，新息的理論協(xié)方差可以通過以下公式計算得到：

C_af，k=E（γ_af，kγ^T_af，k）=

H_af，kP_{af，k|k－1}H^T_af，k+R_k=

H_af，k（P^*_{af，k|k－1}+Q_af，k－1Δt）H^T_af，k+R_k（38）

式中：Δt=t_k－t_k－1，P^*_af，k|k－1=∑^2（n+n_f^）_i=0W^（c）_i［X^*_{af，i，k|k－1}－x^_{af，k|k－1}］［X^*_{af，i，k|k－1}－x^_{af，k|k－1}］^T，X^*_{af，i，k|k－1}為UKF中sigma點集的一步預(yù)測^［29］。Q_af，k－1定義如下：

G_k－1Q_k－1G^T_k－1+E_k－1Q_{d，k－1}E^T_k－1O

OQ_f，k－1

新息的協(xié)方差同樣可以通過新息序列進(jìn)行近似計算：

C^_af，k=∑kj=k－N+1γ_af，jγ^T_af，jN（39）

比較式（37）與式（39），將較小的項忽略，可以得到Q_d的更新公式：

E_k－1Q_d，k－1E^T_k－1Δt=C^_af，k－G_k－1Q_k－1G^T_k－1Δt－

F_kQ_{f，k－1}F^T_kΔt－R_k （40）

由于E_k－1矩陣不可逆，通過式（39）無法具體解出Q_d，k－1。但是，根據(jù)狀態(tài)估計誤差協(xié)方差陣的計算公式P_k|k-1=P^*_k|k-1+G_k-1Q_k-1G^T_k-1Δt+E_k-1Q_d，k-1E^T_k-1Δt和式（38）可知，只需要獲得E_k-1Q_d，k-1E^T_k-1Δt，即狀態(tài)估計誤差協(xié)方差矩陣和新息誤差協(xié)方差矩陣的更新。

將C^_af，k－G_k－1Q_k－1G^T_k－1Δt－F_kQ_f，k－1F^T_kΔt－R_k定義為Q⁰_d，則可用Q⁰_d的主對角線元素Q⁰_d，jj表示E_k－1Q_{d，k－1}E^T_k－1Δt：

E_k－1Q_d，k－1E^T_k－1Δt=

diag［Q⁰_d，11，Q⁰_d，22，Q⁰_d，33，Q⁰_d，44，Q⁰_d，55，Q⁰_d，66］（41）

由于E_k－1的后3行為全0行，故E_k－1Q_{d，k－1}E^T_k－1Δt可以進(jìn)一步寫為diag［Q⁰_d，11，Q⁰_d，22，Q⁰_d，33，0，0，0］。

3 仿真分析

為了驗證湍流存在時協(xié)方差自適應(yīng)更新的擴(kuò)展DMAE算法的故障診斷效果，本文使用Dryden大氣湍流模型^［30］生成一組湍流數(shù)據(jù)V^B_w=［u_w，v_w，w_w］^T，如圖3所示。同時與未采用協(xié)方差自適應(yīng)更新的擴(kuò)展DMAE算法進(jìn)行了對比。

當(dāng)真空速、迎角、側(cè)滑角依次在飛行的10～20 s，25～35 s，40～50 s時產(chǎn)生常值偏差故障時，未采用協(xié)方差自適應(yīng)的擴(kuò)展DMAE故障檢測結(jié)果如圖4（a）所示。p_af=1表示檢測出故障，p_af=0表示未檢測出故障?？梢钥闯觯捎谕牧鞯挠绊?，故障檢測存在很高的虛警率。故障f=［f_V，f_α，f_β］^T的估計結(jié)果如圖4（b）所示。由于故障與湍流是耦合的，擴(kuò)展DMAE方法無法準(zhǔn)確估計出故障的大小。

當(dāng)真空速、迎角、側(cè)滑角依次在飛行的5～13 s，17～25 s，29～37 s時產(chǎn)生常值偏差故障，在41～49 s產(chǎn)生同時故障時，采用協(xié)方差自適應(yīng)更新的擴(kuò)展DMAE方法的故障診斷結(jié)果如圖5所示。由圖5（b）可知，該算法可以準(zhǔn)確檢測出故障的發(fā)生與終止，未產(chǎn)生誤檢或漏檢。圖5（c）為對應(yīng)的故障估計結(jié)果，所有的故障都實現(xiàn)了無偏估計，成功實現(xiàn)了與湍流的解耦，且故障大小均可在一個時間步長內(nèi)被估計出來。圖5（e）為故障估計誤差大小，故障估計的相對誤差控制在2%以內(nèi)。

在沒有故障時（0 slt;tlt;5 s，13 slt;tlt;17 s，25 slt;tlt;29 s，37 slt;tlt;41 s，49 slt;tlt;50 s），自適應(yīng)DMAE對故障的估計值存在一定的噪聲，可通過概率加權(quán)消除噪聲，如圖5（d）所示。

圖5（a）為故障診斷過程中Q⁰_d前3個主對角線元素的數(shù)值。可以看出，Q⁰_d，jj在持續(xù)進(jìn)行自適應(yīng)更新，且故障發(fā)生和消失時Q⁰_d，jj更新顯著。

以上注入的故障類型為突變故障，而ADS常會發(fā)生較難被檢測和跟蹤的緩變故障。因此，進(jìn)一步在同時故障的基礎(chǔ)上，將迎角的常值偏差故障更改為漂移偏差故障及振蕩故障。圖6和圖7為故障的檢測結(jié)果及加權(quán)估計結(jié)果?？梢钥闯觯瑢τ陔y以跟蹤的緩變故障，自適應(yīng)DMAE算法也可以實現(xiàn)故障的檢測并持續(xù)跟蹤。

4 結(jié) 論

本文針對存在大氣湍流情況下機(jī)載ADS的故障診斷問題展開研究，建立了新型動力學(xué)模型，將大氣湍流對系統(tǒng)的影響建模為隨機(jī)過程，并在DMAE算法的基礎(chǔ)上，引入?yún)f(xié)方差自適應(yīng)更新機(jī)制。仿真結(jié)果表明，相比于無自適應(yīng)更新的DMAE算法，具有協(xié)方差自適應(yīng)更新的擴(kuò)展DMAE算法可以準(zhǔn)確實現(xiàn)大氣湍流影響下的故障檢測，對于多故障、同步故障實現(xiàn)了故障狀態(tài)的無偏估計，同時對于難以跟蹤的緩變故障也有較好的故障診斷效果。

參考文獻(xiàn)

［1］趙潔玨. 民用飛機(jī)典型大氣數(shù)據(jù)系統(tǒng)故障分析［J］. 科技視界， 2018， 241（19）： 30-31.

ZHAO J J. Typical air data system fault analysis of civilian aircraft［J］. Science amp; Technology Vision， 2018， 241（19）： 30-31.

［2］崔小丹， 程詠梅， 李振威. 多余度大氣/慣性系統(tǒng)高靈敏度故障檢測方法［J］. 西北工業(yè)大學(xué)學(xué)報， 2020， 38（5）： 971-976.

CUI X D， CHENG Y M， LI Z W. Redundant ADS and INS high sensitivity fault detection method［J］. Journal of Northwestern Polytechnical University， 2020， 38（5）： 971-976.

［3］LI Z W， CHENG Y M， WANG H B， et al. Fault detection approach applied to inertial navigation system/air data system integrated navigation system with time-offset［J］. IET Radar， Sonar amp; Navigation， 2021， 15（9）： 945-956.

［4］PALNER， C. The boeing 737 max saga： automating failure［J］. Engineering， 2020， 6（1）： 2-3.

［5］KILIC U， UNAL G. Aircraft air data system fault detection and reconstruction scheme design［J］. Aircraft Engineering and Ae-rospace Technology， 2021， 93（6）： 1104-1114.

［6］宋德龍. 基于多普勒激光雷達(dá)的湍流預(yù)警研究［D］. 天津： 中國民航大學(xué)， 2021.

SONG D L. Research on early warning of turbulence based on Doppler lidar［D］. Tianjing： Civil Aviation University of China， 2021.

［7］丁智堅， 周歡， 吳東升， 等. 嵌入式大氣數(shù)據(jù)測量系統(tǒng)技術(shù)研究進(jìn)展［J］. 宇航學(xué)報， 2019， 40（3）： 247-257

DING Z J， ZHOU H， WU D S， et al. Review of flush air data sensing system［J］. Journal of Astronautics， 2019， 40（3）： 247-257.

［8］孟博， 易華. 大氣數(shù)據(jù)對空空導(dǎo)彈武器系統(tǒng)的影響研究［J］. 電光與控制， 2013， 20（4）： 87-91.

MENG B， YI H. Effects of air data on air-to-air missile weapon system［J］. Electronics Optics amp; Control， 2013， 20（4）： 87- 91.

［9］蔣紅娜， 姜宏偉， 白雪. 機(jī)載光學(xué)大氣數(shù)據(jù)系統(tǒng)研究與應(yīng)用［J］. 國外電子測量技術(shù)， 2021， 40（5）： 146-149.

JIANG H N， JIANG H W， BAI X. Research and application of airborne optical atmospheric data system［J］. Foreign Electronic Measurement Technology， 2021， 40（5）： 146-149.

［10］賈乾磊， 章衛(wèi)國， 史靜平， 等. FADS系統(tǒng)故障診斷方法研究［J］. 西北工業(yè)大學(xué)學(xué)報， 2020， 38（6）： 1210-1217.

JIA Q L， ZHANG W G， SHI J P， et al. Research on fault detection method of FADS system［J］. Journal of Northwestern Polytechnical University， 2020， 38（6）： 1210-1217.

［11］VENKATARAMAN R， BAUER P， SEILER P， et al. Comparison of fault detection and isolation methods for a small unmanned aircraft［J］. Control Engineering Practice， 2019， 84： 365-376.

［12］FREEMAN P， SEILER P， BALAS G J. Air data system fault modeling and detection［J］. Control Engineering Practice， 2013， 21（10）： 1290-1301.

［13］DE LOZA A F， CIESLAK J， HENRY D， et al. Sensor fault diagnosis using a non-homogeneous high-order sliding mode observer with application to a transport aircraft［J］. IET Control Theory amp; Applications， 2015， 9（4）： 598-607.

［14］HE Q Z， ZHANG W G， LU P， et al. Performance comparison of representative model-based fault reconstruction algorithms for aircraft sensor fault detection and diagnosis［J］. Aerospace Science and Technology， 2020， 98： 105649.

［15］CHEN L J， PATTON R， GOUPIL P. Robust fault estimation using an LPV reference model： ADDSAFE benchmark case study［J］. Control Engineering Practice， 2016， 49： 194-203.

［16］梁天添， 王茂. 線性時變時滯連續(xù)-離散描述系統(tǒng)魯棒故障診斷濾波器設(shè)計［J］. 中國慣性技術(shù)學(xué)報， 2018（6）： 841-848.

LIANG T T， WANG M. Robust fault diagnosis filer design for linear sampled-data descriptor systems with time-varying delay［J］. Journal of Chinese Inertial Technology， 2018（6）： 841-848.

［17］SUN K， GEBRE-EGZIABHER D. A fault detection and isolation design for a dual pitot tube air data system［C］∥Proc.of the IEEE/ION Position， Location and Navigation Symposium， 2020： 62-72.

［18］CASTALDI P， MIMMO N， SIMANI S. Avionic air data sensors fault detection and isolation by means of singular perturbation and geometric approach［J］. Sensors， 2017， 17（10）： 2202.

［19］SAMY I， POSTLETHWAITE I， GU D W， et al. Neural-network-based flush air data sensing system demonstrated on a mini air vehicle［J］. Journal of Aircraft， 2010， 47（1）： 18-31.

［20］TAIMOOR M， AIJUN L， SAMIUDDIN M. Sliding mode learning algorithm based adaptive neural observer strategy for fault estimation， detection and neural controller of an aircraft［J］. Journal of Ambient Intelligence and Humanized Computing， 2021， 12（2）： 2547-2571.

［21］DONG Y Q， WEN J R， ZHANG Y M， et al. Deep neural networks-based air data sensors fault detection for aircraft［C］∥Proc.of the 33rd Chinese Control and Decision Conference， 2021： 442-447.

［22］ZHAO Y M， ZHAO H， AI J L， et al. Robust data-driven fault detection： an application to aircraft air data sensors［J］. International Journal of Aerospace Engineering， 2022， 2022： 2918458.

［23］MONTAZERI A， KARGAR S M. Fault detection and diagnosis in air handling using data-driven methods［J］. Journal of Building Engineering， 2020， 31： 101388.

［24］LU P， VAN KAMPEN E J， DE VISSER C， et al. Air data sensor fault detection and diagnosis in the presence of atmospheric turbulence： theory and experimental validation with real flight data［J］. IEEE Trans.on Control Systems Technology， 2020， 29（5）： 2255-2263.

［25］VAN EYKEREN L， CHU Q. Air data sensor fault detection using kinematic relations［C］∥Proc.of the Advances in Aerospace Guidance， Navigation and Control： Selected Papers of the Second CEAS Specialist Conference on Guidance， Navigation and Control， 2013： 183-197.

［26］趙磊. 導(dǎo)彈氣動/大氣參數(shù)一體化在線辨識與預(yù)示方法研究［D］. 長沙： 國防科技大學(xué)， 2018.

ZHAO L. Research on integrated on-line identification and prediction method of missile aerodynamic/atmospheric parameters［D］. Changsha： National University of Defense Technology， 2018.

［27］LU P， VAN EYKEREN L， VAN KAMPEN E， et al. Selective-reinitialization multiple-model adaptive estimation for fault detection and diagnosis［J］. Journal of Guidance， Control， and Dynamics， 2015， 38（8）： 1409-1424.

［28］趙仁杰， 胡柏青， 呂旭， 等. 基于雙歐拉角的UKF組合導(dǎo)航濾波算法［J］. 系統(tǒng)工程與電子技術(shù)， 2021， 43（7）： 1912-1920.

ZHAO R J， HU B Q， LYU X， et al. Filtering algorithm of UKF integrated navigation based on dual-Euler angles［J］. Systems Engineering and Electronics， 2021， 43（7）： 1912-1920.

［29］LI K Y， GUO Z K， ZHOU G J. State estimation in range coordinate using range-only measurements［J］. Journal of Systems Engineering and Electronics， 2022， 33（3）： 497-510.

［30］YANG Z B， CHENG B， LV C X， et al. Fuzzy neural network dynamic inverse control strategy for quadrotor UAV based on at mospheric turbulence［J］. Applied Sciences， 2022， 12（23）： 12232.

作者簡介

肖盈飛（2000—）， 女， 碩士研究生， 主要研究方向為傳感器故障診斷、組合導(dǎo)航欺騙檢測。

劉海穎（1980—）， 男， 副教授， 博士， 主要研究方向為導(dǎo)航定位與測量、航天控制技術(shù)、無人智能系統(tǒng)、多源信息融合。

程月華（1977—）， 女， 教授， 博士， 主要研究方向為集群故障協(xié)同診斷技術(shù)、系統(tǒng)健康狀態(tài)監(jiān)測與動態(tài)預(yù)測技術(shù)。

李鐵香（1979—）， 女， 教授， 博士， 主要研究方向為大規(guī)模矩陣計算及其應(yīng)用、反問題計算、數(shù)值分析。