基于遥测数据分析的无人机故障诊断系统设计

陈晓飞，贾 勇，韩 芳

(新疆工程学院 信息工程学院,乌鲁木齐 830023)

0 引言

近年来，无人机技术发展与研究取得了较大的成就。无人机控制技术，基于无线网络传输技术、远程控制技术，通过远程指令数据交互与飞行状态数据的实时交互，完成对无人机飞行状态数据的收集与飞行姿态的控制。受到无人机应用场景不同[1]与外界气候影响[2]，无人机在飞行过程中会出现不同的故障，根据故障类型可分为硬件故障、软件故障与控制故障。为了实时了解无人机飞行状态，无人机控制系统下会独立存在一个无人机故障诊断系统，其作用在于对无人机飞行过程中的数据进行收集、反馈、分析，通过分析飞行数据，对故障原因进行诊断。但是，现有的故障诊断系统数据来源基于无人机数据采集传感器，因此一旦与传感器相关器件损坏，系统就无法对飞行数据进行收集，无法做出故障信号诊断。针对此种问题，引入遥测数据分析技术替代故障数据收集传感器，根据遥测数据分析机制与计算方法，提出基于遥测数据分析的无人机故障诊断系统，并设计仿真实验验证提出系统的有效性。

1 无人机故障遥测诊断系统设计

由无人机结构特征可知，无人机在飞行过程中，主要工作单元分为控制单元、驱动单元与数据传输单元三部分构成，其中控制单元由控制电路、主控与相关指令处理器件构成；驱动单元由电机、传动器及相关驱动器件构成；数据传输单元由存储器与一些数据转存、寄存器件以及数据信号收发器件构成；因此在飞行过程中无论哪一单元出现功能异常，都会影响无人机的正常飞行。针对当下无人机控制技术是通过多组件间的无线数据传输、无线数据分析、无线数据执行三部分构成，根据无线数据处理特点，多数据在无线处理过程中，会产生数据控制的耦合作用[3]，耦合作用达到一定值时，上述3个单元中的任意器件就会出现异常，触发无人机上的故障传感器，对耦合点进行故障反馈，完成对故障的诊断。但是，当故障耦合点发生在故障传感器结构区时，传感器反馈数据产生的数据耦合与故障点耦合形成交叉耦合，即输入数据与输出数据在变量转换过程中出现交叉误差系数，诊断量无法对交叉误差系数做出判定，导致诊断失败。

基于上述特点，引入遥测数据分析理念[4]，通过在无人机各功能单元加入遥测数据采集点，通过遥测卫星实时接收无人机状态数据，通过地面控制系统，将各遥测数据采集点上报数据进行远分离诊断，解决无人机故障传感器故障带来的诊断失败问题。通过地面遥测数据采集平台，实现对无人机故障遥测数据的实时采集与分析。无人机故障遥测诊断系统工作原理，如图1所示。

图1 无人机故障遥测诊断系统工作原理

如图1所示，无人机故障遥测诊断系统硬件包括遥测数据采集功能区、信号调制功能区、数据通信功能区及逻辑主控功能区；系统软件通过提取遥测故障噪声实现无人机遥测故障解析，通过拟合计算实现无人机故障信号诊断。

2 基于遥测数据分析的无人机故障诊断硬件设计

根据设计系统的工作原理，对设计系统的硬件部分进行设计。硬件共分为4部分，分别为遥测数据采集功能区、信号调制功能区、数据通信功能区、逻辑主控功能区，下面对各功能区硬件进行详细分析。

(1)遥测数据采集功能区内部主要采用KJF-34GS前置遥测信号收发基带板卡作为此功能区无人机故障数据的采集卡，支持MSD/TPC编译码功能，CPCI结构[5]设计，可兼容接收PCM-FM、PCM-BPSK、PCM-QPSK和PCM-CDMA-BPSK等多种调制体制的遥测信号，可扩展接收新体制信号，具有良好的通用性；信息传输速率为20 Mbps；多频段L/S；

采用左右旋极化分集合成技术：当两路信号信噪比相等时，可获得优于2.5 dB的增益；

具有时码器功能，能接收并转发IRIG-B000时间码信号[6]，为系统提供遥测时间基准；

具有PCM模拟器功能，可输出模拟PCM信号完成系统自检功能；

输入接口支持：中频信号(接收机)(SMA)，外部PCM信号(PCM)(CPCI)具有位同步、帧同步、副帧同步状态指示AGC动态范围：≥20 dBl 解调体制：PCM-FM、PCM-BPSK/QPSK、PCM-CDMA-BPSK/QPSKl 中频带宽：50 kHz～20 MHz/自动；码型：NRZ-L/M/S，Bi￠-L/M/S，RNRZ-L加解密接口：DB-15；l 综合数据接口：DB-25。工作电压：12 V±10%l 。

同时在功能区内独立配备宽域电源管理器与电路传感器，保障故障数据采集状态的稳定。

(2)信号调制功能区内设有Anaren公司[7]生产的X3DC08E2S信号调制器，通过内建射频通信通道，将故障数据进行862～894 MHz模量转换，有效屏蔽冗余数据信号的扰动；为了保证信号调制效果的稳定，在信号调制器前端设计了SBB-5089Z信号方法器与TPD8F003DQDR滤波器作为故障数据信号调制的增益处理模块。通过放大、滤波处理，使载入信号调制器的数据信号满足以下指标：调制终止射频频率200 MHz；输出电阻值100 Ω；信号放大范围1 GHz；编码形式SMD/SMT。

(3)数据通信功能区负责调制信号的地面诊断系统软件层面信号与指令信号的收发。采用AT89C51RC2-SLSUM通信模块，通过自带多模信道，支持6路并发技术，通过独立信号线连接，支持将模量射频信号转换为网络数字信号，通过对信号电路的调理，完成信号编码转换，数据传输信号转换电路，如图2所示。

图2 AT89C51RC2-SLSUM通信模块信号转换工作电路图

在该电路图中，有4路数据信号为数字信号输出量、2路射频输出模量以及2路4位模量转换补偿信号，可保障数据在网络数字信道中6路并发的稳定。

(4)逻辑主控功能区为设计硬件的核心功能区，采用AMR架构的x86平台处理器，通过I7-10700处理器的八核芯16线程，稳定保证多因素故障数据的分析处理，同时兼顾控制、分析、调度等多任务处理的资源调度。动态主频高达5.1 GHz，能够满足多数据流下复杂故障的处理，集成指令集SSE4.1/4.2，AVX2，64 bit，为硬件平台的设计提供核心保障。

3 软件部分设计

针对遥测故障采集数据的分析策略与故障信息的诊断算法，系统在软件层面设计上进行了针对性优化设计，通过针对性设计实现与硬件性能的高度适配。

3.1 遥测故障噪声提取策略

在遥测采集的无人机飞行故障信息中，受到诸多不可控因素的影响以及电磁信号等干扰源扰动，故障信息流中夹杂着大量扰动噪声，虽然不同变量位置的噪声对无人机故障分析精准度的影响有所不同，但不可否认噪声的存在无疑会降低无人机故障信号诊断结果的精度。因此，需要对遥测数据信号中的噪声进行提取，通过噪声提取获得一个数据信号波分布均匀的遥测故障模型。

为了减轻设计系统的运算压力，噪声提取任务设计采用策略设计的方式，将噪声变量与提取逻辑以策略的形式通过Matlab环境工具编辑到软件底层，使其具有独立的调用权限，保证任务运行的稳定，具体操作如下：

在Matlab环境工具中创建变量工具窗口，在窗口中选择小波变量设计工具，在恐惧中输入无人机遥测飞行数据，创建无人机飞行数据场景，在场景中会得到一组有飞行数据生成的解析波，其中包含着无人机飞行状态、故障位置、故障类型以及噪声。在小波工具窗口输入Audio track命令，打开解析波编辑界面，在编辑界面中会对解析波进行噪声的小波过滤，噪声维度调节设定等变量处理，设计系统中的噪声提取处理的变量设计如下：

(1)根据无人机遥测数据生成无人机飞行状态解析波，状态数据中设定无人机的飞行高度为X，对应X时域的故障数据设定为噪声提取目标；

(2)由完成一次飞行状态解析波的小波滤波，在滤波后的解析波正交基上，会发现波形十分平滑，根据飞行正常态波与故障波之间的正则性，对解析波进行一次重组；

(3)将重组后解析波上db小波[8]的阶数I设为1，解析次数设定为5，执行得到解析结果，如图3所示；

图3 无人机遥测故障解析波降维解析结果

(4)对解析结果进行信号降维，打开噪声工具窗口，输入噪声波范围，设计中将噪声提取范围设定为4，执行得到提取噪声后的无人机遥测故障解析波，如图4所示。

图4 提取噪声后的无人机遥测故障解析波

3.2 多因素遥测数据分析下故障诊断拟合计算

对提取噪声后的解析波进行故障信号诊断判定计算。针对遥测故障解析波当前时域状态包含多因素特征，采用曲线拟合判断方式，对解析波故障数据点进行拟合诊断，通过曲线拟合判定计算，使判定结果无限逼近精准值，通过最小二乘法计算，优化诊断判定结果，得到判定结果的最小值。具体计算步骤如下：

设定拟态因素要件：C1,C2,…,Cz与u1,u2,…,uz对其进行函数求解计算。

(1)

(1)当γ(C)为单一要素诊断函数时，解析函数的曲线形态与拟合诊断判定曲线形态一致[9]。

(2)当γ(C)为多要素诊断函数时，其最小二程计算值必须处于拟合诊断判定曲线之上。

(3)对故障拟合函数判定：{γ0(C),γ0(C),…,γ0(C)}由遥测故障数据中故障波密集分布形态确定[10]。

对抽取的故障拟态要件(cn,un)(n=1,2,…,i)进行多因素z(zi)的拟态诊断判定函数表达，即:

hz(C)=s0+s1c+s2c2+…+szcz

(2)

将多因素故障拟合要件与(cn,un)(n=1,2,…,i)进行拟合函数关联判定，得到拟合后的函数诊断式为：

(3)

(4)

进一步换量计算，得到故障拟合诊断判断式：

(5)

综上可知，无人机故障诊断系统软件流程图如图5所示。

图5 提取噪声后的无人机遥测故障解析波

如图5所示，软件部分首先设定时域故障数据为噪声提取目标，通过小波滤波对解析波进行一次重组，设定噪声波范围为4，执行得到提取噪声后的无人机遥测故障解析波；再通过曲线拟合的判断方式得到故障拟合诊断判断式，将其传输至硬件模块，实现基于遥测数据分析的无人机故障诊断系统设计。

4 系统调试

为了验证基于遥测数据分析的无人机故障诊断系统设计合理性，对设计系统进行软件故障、硬件故障、控制故障3个维度的系统调试。

4.1 调试数据采集

调试数据来源于HT-1遥感卫星；无人机采用搭载遥测故障采集传感器的测试机；诊断系统分别为设计系统与传统诊断系统；测试环境数据如表1所示。

表1 采集数据标准

4.2 软件故障信号诊断

将调试无人机所反馈带有软件故障的遥测数据信号波，导入设计系统，如图6所示，生成故障诊断曲线如图7所示，并根据曲线分布结果，进行调试总结。

图6 带有软件故障的无人机遥测数据信号波

图7 故障诊断曲线

由图7中诊断曲线分布区域可知，设计诊断系统准确的对调试故障数据作出了软件故障的诊断判定，证明设计系统对无人机软件故障的诊断效果满足技术标准。

4.3 硬件故障信号诊断

将调试无人机所反馈带有硬件故障的遥测数据信号波导入设计系统，如图8所示，生成故障诊断曲线如图9所示，并根据曲线分布结果，进行调试总结。

图8 带有硬件故障的无人机遥测数据信号波

图9 故障诊断曲线

由图9中诊断曲线分布区域可知，设计诊断系统准确地对调试故障数据做出了硬件故障的诊断判定，证明设计系统对无人机软件故障的诊断效果满足技术标准。

4.4 控制故障信号诊断

将调试无人机所反馈带有控制故障(信号故障)的遥测数据信号波导入设计系统，如图10所示，生成故障诊断曲线，如图11所示，并根据曲线分布结果，进行调试总结。

图10 带有控制故障的无人机遥测数据信号波

图11 故障诊断曲线

由图11中诊断曲线分布区域可知，设计诊断系统能够根据控制参量与误差参量，通过最小二乘法生成两条诊断法线，并对法线之外的高频与低频区域的故障波进行诊断判定，可以证明设计系统对无人机控制故障的诊断效果满足技术标准。

4.5 故障数据统计分析

将上述3个调试维度的调试数据进行整合统计分析，3个维度故障诊断数据的整合采用大数据融合技术，根据诊断精度与调试次数比同调试总次数间的最佳诊断比进行融合统计，统计表详见表2所示。

表2 设计系统无人机故障诊断综合性能

在表2数据的统计过程中，软件故障调试数据与硬件故障调试数据的解析波采用横波形态，主要在于两种调试数据设定中不含有相对数据存在，因此在波形表现上横波可以满足调试数据收集分析的需要；而控制故障调试数据包含了硬件区域与软件区域的控制信息，在横波上会同时涉及两种故障波区域，无法有效收集所需信息，而在纵波上受到时频空间不同的影响，在纵波上只会呈现控制信号的噪声波，即故障波，因此控制故障调试数据采用纵波解析波完成。

根据表2中的数据可知，提出设计的基于遥测数据分析的无人机故障诊断系统，不论在软件维度还是在硬件维度，都能对故障做出精准的诊断，表现效果令人满意。同时，系统对涉及软硬件双重维度的第三维度——控制维度故障诊断结果，也达到了预期效果。通过对3个维度调试过程的100次重复数据综合统计表明，基于遥测数据分析的无人机故障诊断系统，能够稳定、高效、准确地对无人机故障做出诊断，解决传统诊断系统硬件维度上故障诊断失败的问题。

5 结束语

远程控制技术、网络技术与无人机控制技术的发展，使无人机快速应用于诸多领域。针对无人机故障诊断系统在当下应用场景中存在的问题。设计在硬件与软件层面进行了全新的设计。设计基于遥测数据分析技术，通过对无人机硬件故障、软件故障与控制故障3个维度的数据分析，总结不同维度下故障的特性与共性，通过调试实例数据表明，提出设计系统能够在不同故障维度场景中，高效、稳定、准确的作出诊断。设计系统具有较高推广性与应用性。