无人机的神经网络观测器及多传感器故障诊断技术的研究∗

2018-07-31许刚肖军

计算机与数字工程 2018年7期

许刚肖军

（西安航空学院电子工程学院西安 710077）

1 引言

计算机科技的进步、人工智能的发展、精密仪器的开发，使得无人机包含的精密部件越来越多，系统也趋于智能化、复杂化。致力于提高无人机可靠性、减少故障发生率的故障诊断技术应运而生。现阶段传感器的性能对保证无人机保持正常状态具有重要意义，在无人机故障类型中传感器故障占据的比例也最大。虽然传感器由很多精密部件组成，在长期恶劣的工作条件影像下很容易出现各种各样的问题，但是若能及时对传感器故障进行定位与控制重构，就能在一定程度上提高整个系统的安全可靠性。

2 探讨基于神经网络的无人机传感器故障诊断技术意义

提高飞行控制系统的可靠性与稳定性对于保证无人机正常运行至关重要。所以，在无人机出现故障或者损伤时，如果故障诊断系统能够及时诊断出故障并且对其进行定位或者分离，迅速制定容错方案以便无人机继续执行任务或者回收。在这些故障中，由于传感器较为敏感，因此在故障类型中，传感器故障出现的概率较大。但是，无人机的正常工作主要是通过飞行控制律对回路进行控制。该控制律需要相关的飞行状态数据才能发挥出作用，若传感器不能正常工作，测量得到的数据与实际的飞行参数存在较大的差异，飞行控制律得出的舵面偏转数值也会与真实状况存在差异，导致无人机不能准确接收、完成任务，甚至影响飞行安全，造成资源、时间的浪费。在实际的工作中，传感器工作条件恶劣，故障率较高。所以，高效、准确的传感器故障诊断方式能够有效、及时查出故障类型与故障位置，及时发出安全警报，并且为飞行控制律提供准确的数据，保证飞行过程的顺利与安全，提高无人机工作安全系数。无人机传感器故障诊断主要由故障检测、类型识别、定位、隔离、恢复等组成。对传感器进行故障检测时，飞行控制系统中的传感器不能进行正常工作或者需要准确得知的数据不能轻易获得，利用先进的技术手段能够将故障及时发掘出来，并在飞行前进行预警。同时，找出故障的类型与发生原因，采取合适的技术方式对传感器的信号进行恢复，保证飞行的顺利进行。

3 神经网络概述

神经网络，即人工神经网络，主要是对人类的大脑神经元结构进行模仿，主要由一些具有基本特性的抽象理论构成，属于信息处理系统的一种。实际上，神经网络利用神经元或者节点与节点之间进行连接，由节点负责信息接收，并以函数的形式将映射进行输出，将函数形式称为激励函数。相邻的节点利用信号权值进行连接，称其为权重，主要作用为对网络中的记忆信息进行储存。相邻节点之间的连接强度存在一定的差异，利用特定的网络学习机制来学习网络，通过权重将学习所得的信息存储在每个节点之间的连接之中。实际工作中，神经网络一般应用数学学科中的统计学原理来对网络信息进行学习并且应用到实际工作中。其中的标准数学原理能够对局部的空间结构进行表达，对人体的大脑进行仿真模拟，对信息进行判断与识别。

3.1 神经网络的特性

神经网络通常利用物理可实现器件或者智能设备对生物体例如人类的神经网络结构、工程进行模仿。比较普遍的神经网络结构一般由输入层、隐含层、输出层来组成。输入层的主要功能为接收海量的输入信息数据，对信息进行处理并提供给网络。隐含层中隐层节点的数量能够显著影响神经网络结构的精确性。输出层对每个节点传输、分析、总结出的结果进行分析并且输出。

3.1.1 对信息进行大规模、并行、分布式处理

神经网络的结构具有并行性，内部结构中的各个节点能够在同一时间对信息进行处理。所以，网络信息是在大量的神经节点中分层次地、并行处理，比传统软件的运算速度与运算效率具有明显优势。

3.1.2 分布存储信息

信息在被神经网络学习、训练之后，通常以分布的方式存储在网络的每个神经节点之间的权值中，每个权值都能储存所有样本学习得到的信息数据。这样的存储方式便于网络行使信息容错、联想记忆的功能。

3.1.3 自主学习、自动适应

神经网络能够对历史数据进行分析与学习，能够对表征样本中每个神经节点中的连接权值进行自动调节，完全能够满足信息处理的要求，增强网络归纳、分析数据特征与作用的能力，极大地减轻了人为的工作量，提高工作精确性与工作效率。

3.1.4 非线性映射

海量的神经节点与各个神经元之间的权值进行综合分析能够总结得出神经网络，能够对多输入、多输出的非线性函数进行准确处理。

3.2 神经网络的模型分析

神经网络的模型由多个神经元互相连接构成，单个神经元作为信息处理的基本单元为多输入、单输出的非线性原件。如图1所示。

图1 神经网络模型

图1 中 f(x)为非线性函数，x1、x2…xn为神经节点的输入，w1、w2…wn为权值。单个神经节点输入与输出的关系表述为：

3.3 神经网络的分类

由于神经节点之间的连接方式存在差异，神经网络结构通常分为前馈型网络、反馈型网络两种。

3.3.1 前馈型网络

该种神经网络分为输入层、隐含层、输出层。这些层次之间的神经节点之间无法互通，信息传递方式为单向传递。如图2所示。

图2 前馈型神经网络

3.3.2 反馈型网络

该种神经网络中每个神经节点之间互相连接，整体结构中包含至少一个的反馈回路，主要有两种形式：神经节点将自身反馈信号传递给同层的其它神经节点；神经节点将输出的信号反馈给神经节点本身。如图3所示。

图3 反馈型网络神经网络

4 BP神经网络概述

4.1 BP神经网络结构

在人工神经网络中，作为一种多层前馈网络，BP神经网络应用范围最广泛，传播方式为单向传播，一般由输入层、隐含层、输出层组成（如图1）。该网络的学习过程包括正向与反向传播。正向传播时，输入信息的传播过程为输入层→隐含层→输出层，每一层神经元都只对下一层的神经元产生影响。若在输出层得不到期望输出，则自动转换为反向传播，误差信号（即Δ）会按照原来的传播通路返回，对每层神经元的权值进行修改，将误差信号控制在最小。

图4 BP神经网络

隐层节点输出：

输出层节点输出：

4.2 基于BP算法的主网络结构与从网络结构

BP算法下，神经网络结构中有一个MNN（主神经网络）与n（非冗余传感器的数目）个DNN（从网络）。MNN的任务是检测是否存在传感器的故障，DNN负责对传感器故障进行定位以及对发生故障的传感器的信号进行恢复。

5 基于神经网络的无人机传感器故障诊断技术［1～5］

无人机传感器的主要功能为对无人机工作中的各种参数进行测量，将测量数据与结果反馈到控制飞行的计算机之中，对控制率进行解算，从而操作无人机的舵面与油门杆，从而促使无人机产生计划中的运动。所以，无人机传感器对有关数据的正确测量能够有效保证无人机正常运行。

5.1 无人机传感器

在控制无人机飞行的整个系统中，传感器是不可或缺的主要组成部分，智能控制系统能够充分发挥传感器测量的数据的作用对无人机的动态状态进行准确建立。

传感器中的垂直陀螺仪以适合的方式安装在无人机上，将无人机的纵轴、横轴、内环轴、平面夹角等作为测量依据，得出无人机仰角、俯角、滚转角的准确数据；速率陀螺、磁罗盘、GPS等。

5.2 无人机传感器的故障分类

为保证无人机正常飞行，飞行姿态必须稳定。在对飞行姿态进行控制时，传感器的测量对象主要为姿态角与姿态角速度。再利用控制律对数据进行设计、解算，实现对飞行姿态的有效控制与稳定。所以，姿态角有关数据的准确性对于飞行的稳定进行具有重大意义。传感器中的垂直陀螺与速率陀螺的故障检测是传感器故障中的重点。

5.2.1 卡死故障

该故障指传感器在正常工作中，突发发生运行故障，输出值不再正常变化，具体模型为

5.2.2 常值漂移故障

常值漂移是指传感器的输出值与实际准确值之间存在误差，故障模型表示为

其中：d为常量。

5.2.3 恒增益故障

传感器的测量输出和理论输出值之间为比例关系，比例系数通常是特定常数，其模型如下：

5.3 基于神经网络的无人机传感器故障诊断

5.3.1 无人机传感器故障诊断系统

诊断、确定传感器故障的方式不一而足，例如，小波分析、信息融合、卡尔曼滤波、神经网络与专家系统等［6～7］。本文主要基于神经网络，利用无人机控制系统建立观测器的模型，对飞行中的各种参数进行在线估计。在神经网络中，主要对非线性系统进行学习、分析，利用输出与输入的映射关系对故障分辨、识别模型进行建立，对传感器的测量数据进行在线估计。通过比较在线估计得出的数值与传感器实际输出值对故障进行诊断。然后通过分析诊断结果决定信号是否需要重构。如果传感器出现故障，神经网络在线估计数值将会替代传感器输出信号。基于神经网络的无人机传感器故障诊断示意图如下（图5）。

图5 无人机传感器故障诊断示意图

5.3.2 无人机传感器故障诊断技术要求

基于神经网络，设计出飞行系统中所需要的观测器，比较观测量输出与系统实际输出，得出差异，然后对其中存在的差异进行合理分析与有效处理，诊断、确定出无人机传感器的故障类型。与此同时，将观测器在线估计得出的数值替代传感器输出数值，持续不断地向控制飞行系统的计算机提供实时状态信息，并利用飞行控制律进行解算，保证无人机的正常运行。在此过程中，估计精度将会对飞行控制系统产生重大影响，所以估计误差要比控制系统的精度低。

5.4 设计神经网络观测器

5.4.1 理论概述

无人机飞行控制系统为非线性，神经网络能够进行自主学习、自动适应，只需要大量的输入与输出样本数量，就能建立出十分逼真的网络模型，不必知道飞行控制系统中的模型数据。笔者在该文中通过神经网络训练历史飞行数据，能够得出其隐含的物理规律与函数关系，充分发挥训练得出的模型的输入与输出关系作用，便于网络的输出尽量接近系统实际输出。

针对非线性的飞行控制系统，通常的组成部分为控制器、执行机构、测量元部件等（如图6）。

图6 非线性飞行控制系统结构图

5.4.2 无人机非线性系统观测器

传感器能够将无人机自身惯性参数以外的飞行参数测量得出。基于神经网络设计出的观测器能够对无人机飞行前的某一时刻的状态进行观测，并且控制输入，在线估计该时刻的需要进一步诊断的故障传感器所测量的状态参数。假设除了该需要进一步诊断的传感器之外的其它所有传感器都能够正常工作。由此可见，充分发挥其它正常传感器的作用，利用这些传感器测出飞行状态参数，将无人机舵面的输入参数作为建立无人机非线性系统观测器的依据。将需要进一步诊断的传感器测量得出的参数当作估计输出值。

5.5 故障诊断

5.5.1 故障检测原理

在建立完善的观测器后，能够进行传感器测量参数的在线估计输出。在实际的工作中，传感器测量存在一定的噪声，但是在误差允许范围内仍然具有实际效用。在无人机飞行中，飞行控制系统容易被外界的各种环境因素影响，有可能突发出现干扰输入的影响因素，导致飞行控制系统的输出出现突然大幅度变化的现象，导致网络估计输出与无人机传感器输出之间存在较大的差异，而且这种差异在个别时间点产生，容易发生虚假警报，致使传感器与网络之间频繁进行切换。本文主要设置两个不同的残差阈值对无人机的故障进行诊断，能够有效减少虚假警报的发生次数，提高无人机故障诊断抵抗干扰的能力，增强可靠性。具体可描述为：e(k)=r̂(k)-r(k)

5.5.2 故障识别策略

利用神经网络观测器对传感器的测量数据进行估计，并与实际输出的阈值进行比较，对无人机传感器故障进行准确定位，确定故障发生的时刻，能够有效完善故障诊断系统，并提高恢复信号、处理故障的效率。

传感器的故障通常为卡死故障、恒偏差故障、恒增益故障。当传感器发生卡死故障时，飞行控制系统能够通过对数据进行观察及时识别故障类型，但是另外两种故障类型的识别存在一定的难度。另外，传感器出现故障时，信号输出只能改变信号均值，不会影响方差。利用数学中的线性回归方式对系统输出进行估计，能够准确确定出函数的系数，从而识别出故障类型。

一元线性回归能够对变量进行分析，从而对两个不同样本集之间隐藏的函数关系进行估计，得出函数形式。具体模型表现为：Y=b0+b1X+e

该表达式中，b0与b1是未知参数，b0是常数，b1为Y对X的回归系数［8～9］。

5.5.3 故障信号重构

传感器出现故障时，要尽快隔离故障信号，另外，为保证无人机不受故障影响正常飞行，还需要对故障信号进行重构。测量器感受到传感器故障时，要切断传感器的测量回路，将估计输出作为控制律解算的依据，确定出实时飞行参数。

5.5.4 多传感器故障诊断系统实现

在控制无人机飞行的智能系统中，测量信息是从多于一个的传感器中汇总得出。传感器中的垂直陀螺与速率陀螺传感器能够利用观测器对输出信号进行测量，从而对飞行状态进行准确估计，通过故障检测对传感器的故障进行识别。与此同时，对故障的策略系统进行分析，准确判断是否有必要切换传感器通道，实现信号重构，保证无人机继续正常飞行。上文中提到的两种传感器故障诊断示意图如下（图7）。