專利名稱：多模型飛行控制系統(tǒng)故障診斷方法及裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及飛行控制技術(shù)領(lǐng)域，特別涉及一種基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷方法、故障診斷裝置及飛行控制系統(tǒng)。
背景技術(shù)：
從八十年代初開始，自修復(fù)飛行控制作為ー項新的故障處理方法引起越來越廣泛的重視，而其中ー個重要方面就是故障檢測和診斷系統(tǒng)。自主式故障診斷系統(tǒng)的發(fā)展，不僅能為自修復(fù)控制提供保障，實現(xiàn)在線重構(gòu)控制，而且能給地面維護人員提供飛機狀況的各種信息，對地勤的工作提供有效的幫助。因此，在現(xiàn)代飛機飛行中，快速準確的自主式故障診斷方法能大大提高飛機飛控系統(tǒng)的可靠性、可維護性、生存性并降低全壽命費用。當(dāng)前常用的故障檢測和診斷方法主要包括濾波器方法、狀態(tài)觀測器方法、多模型方法、故障樹分析、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)等，其中前三者都需要建立系統(tǒng)模型，后三者不需要 具體模型。在飛行控制系統(tǒng)中，可以建立飛機動力學(xué)和運動學(xué)模型，而且為了實現(xiàn)重構(gòu)控制，需要明確故障類型、故障位置和故障大小，而故障樹分析、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)等方法無法完全達到這些要求。因此在飛行控制系統(tǒng)中，常用的診斷方法為濾波器方法、狀態(tài)觀測器方法、多模型方法。濾波器和觀測器方法都是需要構(gòu)造被控對象的過程模型，通過比較構(gòu)造的過程模型輸出值與實際系統(tǒng)測量值來產(chǎn)生殘差，從中提取故障特征，然后根據(jù)檢驗規(guī)則判斷是否發(fā)生故障。其中濾波器方法主要包括卡爾曼濾波器(KF)和擴展卡爾曼濾波器(EKF)，卡爾曼濾波器是是ー種遞推的狀態(tài)估計算法，它采用的是狀態(tài)空間模型，在白噪聲情況下能很好地跟蹤系統(tǒng)的狀態(tài)。對于非線性系統(tǒng)，可引入擴展卡爾曼濾波(Extended KalmanFilter,EKF)方法。而基于觀測器的方法不需要狀態(tài)估計理論，只需對輸出進行估計，然后與實際系統(tǒng)輸出比較得到殘差。這兩種方法都可用于檢測飛控系統(tǒng)故障，但是對于殘差的故障特征提取、檢驗規(guī)則選取以及故障大小的計算都是較難解決的問題，而且可能存在誤差，尤其是當(dāng)系統(tǒng)存在多種類型或者多個故障同時發(fā)生吋，這兩種方法不能很好地解決問題。多模型方法的引入可以較好地解決故障類型多祥的問題，它將各種故障分別建立模型，對這些故障模型建立一系列的卡爾曼濾波器，然后根據(jù)貝葉斯(Bayes)后驗概率得到各個模型的概率，根據(jù)此概率的大小來判斷系統(tǒng)是否工作于正常狀態(tài)或者確定出發(fā)生了哪種故障。這種方法操作起來非常簡單，而且能很好地解釋故障的物理意義。但傳統(tǒng)的多模型方法存在ー個問題，當(dāng)系統(tǒng)的故障種類很多或者組合故障很多吋，故障模型集會非常大，給計算帶來困難而且影響診斷結(jié)果。如何減少模型個數(shù)是多模型方法面臨的ー個主要問題，本發(fā)明正是基于這個需要，提出了ー種能實現(xiàn)模型集在線自適應(yīng)更新的變結(jié)構(gòu)多模型方法
發(fā)明內(nèi)容
本發(fā)明的目的旨在至少解決上述技術(shù)缺陷之一。為此，本發(fā)明實施例的第一個目的在于提出一種基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷方法，通過采用期望模式擴展，實現(xiàn)了模型集的在線自適應(yīng)更新，用期望模型來描述系統(tǒng)未來可能的故障模式，解決了模型集巨大的問題，可獲得一種快速準確的故障診斷方法，能在線實時檢測單個或者多個故障，為自修復(fù)控制和維護決策提供了基礎(chǔ)和保障。本發(fā)明實施例的第二個目的在于提供一種基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷裝置。本發(fā)明實施例的第三個目的在于提供一種飛行控制系統(tǒng)。為達到上述目的，本發(fā)明第一方面的實施例公開了一種基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷方法，采用期望模型來描述系統(tǒng)未來的可能故障模式，包括以下步驟統(tǒng)計飛行控制系統(tǒng)的多個故障并建立對應(yīng)的多個故障模型，根據(jù)所述多種故障模型建立基本模型集；預(yù)測當(dāng)前時刻的所述多個故障模型的概率，根據(jù)所述基本模型集以及所述當(dāng)前時刻預(yù)測概率最大的前多個故障模型得到所述預(yù)設(shè)數(shù)目個期望模型集，將所述預(yù)設(shè)數(shù)目個期望模型集組合，建立期望模型集；組合所述基本模型集和所述期望模型集得到當(dāng) 前時刻模型集，并根據(jù)當(dāng)前時刻模型集更新概率轉(zhuǎn)移矩陣；對當(dāng)前時刻模型集中的每個故障模型進行濾波和概率更新；對每個所述故障模型的概率設(shè)置概率閾值，并將所述當(dāng)前時刻故障模型集中的每個所述故障模型的概率與概率閾值進行比較，如果所述故障模型的概率大于或等于所述概率閾值，則判斷所述飛行控制系統(tǒng)發(fā)生所述故障模型對應(yīng)的故障。根據(jù)本發(fā)明實施例的基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷方法，通過采用期望模式擴展，實現(xiàn)了變結(jié)構(gòu)的多模型方法，即實現(xiàn)了模型集的在線自適應(yīng)更新，通過期望模型來描述系統(tǒng)未來可能的故障模式，解決了模型集巨大的問題，可獲得一種快速準確的故障診斷方法，能在線實時檢測單個或者多個故障，為自修復(fù)控制和維護決策提供了基礎(chǔ)和保障。在本發(fā)明的一個實施例中，所述基本模型集由飛行控制系統(tǒng)的各種單故障模型組成，包括操作舵面故障模型、作動器故障模型和傳感器故障模型。在本發(fā)明的一個實施例中，所述預(yù)測當(dāng)前時刻的所述多個故障模型的概率進一步包括根據(jù)上一時刻模型的概率以及所述基本模型集的概率轉(zhuǎn)移矩陣預(yù)測當(dāng)前時刻的所述多個故障模型的概率。在本發(fā)明的一個實施例中，所述根據(jù)當(dāng)前時刻模型集更新概率轉(zhuǎn)移矩陣進一步包括根據(jù)實際系統(tǒng)故障模式間的關(guān)系，繪制所述基本模型集的狀態(tài)轉(zhuǎn)換圖，得到所述基本模型集的狀態(tài)轉(zhuǎn)換關(guān)系，設(shè)定所述基本模型集的概率轉(zhuǎn)移矩陣的預(yù)設(shè)值；繪制當(dāng)前時刻模型集的狀態(tài)轉(zhuǎn)換關(guān)系，并在基本模型集的概率轉(zhuǎn)移矩陣基礎(chǔ)上計算得到當(dāng)前時刻模型集的概率轉(zhuǎn)移矩陣。在本發(fā)明的一個實施例中，所述根據(jù)所述基本模型集以及所述當(dāng)前時刻預(yù)測概率最大的前多個故障模型得到所述預(yù)設(shè)數(shù)目個期望模型，將所述預(yù)設(shè)數(shù)目個期望模型組合，建立期望模型集進一步包括根據(jù)所需所述期望模型集的個數(shù)確定所述基本模型集的子模型集個數(shù)；在所述基本模型集中選取所述當(dāng)前時刻模型的概率最大的前多個模型，組合所述模型得到預(yù)設(shè)數(shù)目的子模型集序列；將所述子模型集序列中每一個子模型集的模型組合得到一個期望模型，由所述期望模型得到所述期望模型集。在本發(fā)明的一個實施例中，所述對當(dāng)前時刻模型集中的每個故障模型進行濾波和概率更新進一步包括在每個時刻由所述基本模型集和所述期望模型組合得到所述當(dāng)前時刻模型集后，對所述當(dāng)前時刻故障模型集中的每個故障模型分別進行濾波得到狀態(tài)估計和殘差，并對所述故障模型的概率進行更新。在本發(fā)明的一個實施例中，對所述當(dāng)前時刻故障模型集中的每個故障模型分別進行濾波得到狀態(tài)估計和殘差，并對所述故障模型的概率進行更新，進一步包括根據(jù)上一時刻模型的濾波器的所述狀態(tài)估計和協(xié)方差輸出值，初始化所述當(dāng)前時刻模型對應(yīng)的濾波器的所述狀態(tài)估計和所述協(xié)方差，并預(yù)測所述當(dāng)前時刻模型的概率；根據(jù)卡爾曼濾波過程，分別對所述當(dāng)前時刻模型更新所述狀態(tài)估計和所述協(xié)方差，并計算所述殘差和殘差協(xié)方差；根據(jù)貝葉斯后驗概率準則計算所述當(dāng)前時刻模型的概率。本發(fā)明第二方面的實施例還提出了一種基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷裝置，包括基本模型集建立模塊，所述基本模型集建立模塊用于統(tǒng)計飛行控制系統(tǒng)的多種故障并建立對應(yīng)的多個單故障模型，并根據(jù)所述多個單故障模型建立基本模型 集；期望模型集建立模塊，所述期望模型集建立模塊用于預(yù)測當(dāng)前時刻的所述多個故障模型的概率，根據(jù)所述基本模型集以及所述當(dāng)前時刻預(yù)測概率最大的前多個故障模型得到所述預(yù)設(shè)數(shù)目個期望模型，將所述多個期望模型組合，建立期望模型集；當(dāng)前時刻模型集建立模塊，所述當(dāng)前時刻模型集建立模塊用于組合所述基本模型集和所述期望模型集得到當(dāng)前時刻模型集，并根據(jù)當(dāng)前時刻模型集更新概率轉(zhuǎn)移矩陣；濾波和概率更新模塊，所述濾波和概率更新模塊對所述當(dāng)前時刻模型分別進行濾波得到狀態(tài)估計和殘差，并對所述當(dāng)前時刻模型的概率進行更新；故障判斷模塊，所述故障判斷模塊對所述故障模型的概率設(shè)置概率閾值，并將所述當(dāng)前時刻模型集中的每個所述故障模型的概率與概率閾值進行比較，如果所述故障模型的概率大于或等于所述概率閾值，則所述故障判斷模塊判斷所述飛行控制系統(tǒng)發(fā)生所述故障模型對應(yīng)的故障。根據(jù)本發(fā)明實施例的基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷裝置，通過采用期望模式擴展，實現(xiàn)了變結(jié)構(gòu)的多模型方法，即實現(xiàn)了模型集的在線自適應(yīng)更新，通過期望模型來描述系統(tǒng)未來可能的故障模式，解決了模型集巨大的問題，可獲得一種快速準確的故障診斷方法，能在線實時檢測單個或者多個故障，為自修復(fù)控制和維護決策提供了基礎(chǔ)和保障。在本發(fā)明的一個實施例中，所述基本模型集由飛行控制系統(tǒng)的各種單故障模型組成，包括操作舵面故障模型、作動器故障模型和傳感器故障模型。在本發(fā)明的一個實施例中，所述預(yù)測當(dāng)前時刻的所述多個故障模型的概率進一步包括根據(jù)上一時刻模型的概率以及所述上一時刻模型集的概率轉(zhuǎn)移矩陣預(yù)測當(dāng)前時刻的所述多個故障模型的概率。在本發(fā)明的一個實施例中，所述基本模型集的概率轉(zhuǎn)移矩陣的預(yù)設(shè)值設(shè)定進一步包括根據(jù)實際系統(tǒng)故障模式間的關(guān)系，繪制所述基本模型集的狀態(tài)轉(zhuǎn)換圖，得到所述基本模型集的狀態(tài)轉(zhuǎn)換關(guān)系，設(shè)定所述基本模型集的概率轉(zhuǎn)移矩陣的預(yù)設(shè)值。在本發(fā)明的一個實施例中，所述根據(jù)所述基本模型集以及所述當(dāng)前時刻預(yù)測概率最大的預(yù)設(shè)數(shù)目個故障模型得到所述多個期望模型，將所述多個期望模型組合，建立期望模型集，還進一步包括所述期望模型建立模塊根據(jù)所需所述期望模型的個數(shù)確定所述基本模型集的子模型集個數(shù)；所述期望模型建立模塊在所述基本模型集中選取所述當(dāng)前時刻模型的概率最大的前多個模型，組合所述模型得到預(yù)設(shè)數(shù)目的子模型集序列；所述期望模型建立模塊將所述子模型集序列中每ー個子模型集的模型組合得到一個期望模型，由所述期望模型得到所述期望模型集。在本發(fā)明的一個實施例中，所述當(dāng)前時刻模型集建立模塊將所述基本模型集和所述期望模型集組合得到當(dāng)前時刻模型集，并根據(jù)當(dāng)前時刻模型集更新概率轉(zhuǎn)移矩陣進一歩包括繪制當(dāng)前時刻模型集的狀態(tài)轉(zhuǎn)換關(guān)系，并在基本模型集的概率轉(zhuǎn)移矩陣基礎(chǔ)上計算得到當(dāng)前時刻模型集的概率轉(zhuǎn)移矩陣。在本發(fā)明的一個實施例中，所述濾波和概率更新模塊對所述當(dāng)前時刻模型分別進行濾波得到狀態(tài)估計和殘差，并對所述當(dāng)前時刻模型的概率進行更新。在本發(fā)明的一個實施例中，所述濾波和概率更新模塊對所述當(dāng)前時刻模型的概率進行更新進ー步包括根據(jù)上ー時刻模型的濾波器的所述狀態(tài)估計和協(xié)方差輸出值，初始化所述當(dāng)前時刻模型對應(yīng)的濾波器的所述狀態(tài)估計和所述協(xié)方差，并預(yù)測所述當(dāng)前時刻模型的概率；根據(jù)卡爾曼濾波過程，分別對所述當(dāng)前時刻模型更新所述狀態(tài)估計和所述協(xié)方 差，并計算所述殘差和殘差協(xié)方差；所述概率更新模塊根據(jù)貝葉斯后驗概率準則計算所述當(dāng)前時刻各個所述故障模型的概率。本發(fā)明第三方面的實施例還提出了ー種飛行控制系統(tǒng)，包括自動駕駛儀模塊，所述自動駕駛儀模塊用于根據(jù)飛機的飛行導(dǎo)引指令，輸出自動駕駛指令，控制飛機進行自動飛行；基本飛行控制模塊，所述基本飛行控制模塊用于根據(jù)所述自動駕駛指令，通過基本的PID控制器對飛機進行控制分別按照各個指令對飛機進行控制；如本發(fā)明第二方面實施例所述的故障檢測與診斷模塊，所述故障檢測與診斷模塊用于檢測和診斷飛行控制系統(tǒng)的故障，輸出故障信息；重構(gòu)控制模塊，所述重構(gòu)控制模塊用于根據(jù)所述故障信息重構(gòu)飛行控制律；以及座艙，所述座艙用于為半實物裝置，用于輸入駕駛桿信息，手動控制飛機飛行。根據(jù)本發(fā)明實施例的飛行控制系統(tǒng)，能夠?qū)︼w機所發(fā)生的故障做出快速、有效、準確的故障診斷，能在線實時檢測單個或者多個故障，為飛機發(fā)生故障時的自修復(fù)控制和維護決策提供了基礎(chǔ)和保障，有效地提高了排除故障效率、縮短維修時間、減少維修成本、提高飛機的安全性。在本發(fā)明的一個實施例中，所述飛行控制系統(tǒng)，還進一歩包括視景模塊，所述視景模塊用于顯示飛機飛行狀態(tài)以及所述故障信息。在本發(fā)明的一個實施例中，所述飛行控制系統(tǒng)，還進一歩包括接ロ模塊，所述接ロ模塊用干與外部進行通訊。在本發(fā)明的一個實施例中，所述與外部進行通訊包括與綜合導(dǎo)航系統(tǒng)、駕駛艙和視景系統(tǒng)進行數(shù)據(jù)通訊。本發(fā)明附加的方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。


本發(fā)明上述的和/或附加的方面和優(yōu)點從下面結(jié)合附圖對實施例的描述中將變得明顯和容易理解，其中圖I為根據(jù)本發(fā)明實施例的基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷方法的流程圖；圖2為根據(jù)本發(fā)明實施例的由基本模型擴展得到的故障空間；圖3為根據(jù)本發(fā)明實施例的基于期望模型擴展的故障狀態(tài)轉(zhuǎn)換圖；圖4為根據(jù)本發(fā)明的另一個實施例的基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷方法的流程圖；圖5為根據(jù)本發(fā)明實施例的基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷裝置的示意圖；圖6為根據(jù)本發(fā)明實施例的飛行控制系統(tǒng)的結(jié)構(gòu)框圖；圖7為根據(jù)本發(fā)明實施例的飛行控制系統(tǒng)的示意圖。
具體實施例方式下面詳細描述本發(fā)明的實施例，所述實施例的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的，僅用于解釋本發(fā)明，而不能解釋為對本發(fā)明的限制。下面參照附圖詳細描述根據(jù)本發(fā)明實施例的基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷方法。如圖I所示，本發(fā)明第一方面實施例的基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷方法，包括如下步驟SI :統(tǒng)計飛行控制系統(tǒng)的各種故障并建立對應(yīng)的多個單故障模型，根據(jù)多個單故障模型建立基本模型集。在本發(fā)明的一個實施例中，步驟SI中所述的基本模型集是由飛行控制系統(tǒng)的各種單故障模型組成，以操作舵面故障模型、作動器故障模型和傳感器故障模型為例，需要理解的是本發(fā)明所可以采用的故障模型并不僅限于上述故障模型。飛行控制系統(tǒng)的故障主要包括作動器故障、結(jié)構(gòu)故障和傳感器故障，其中結(jié)構(gòu)故障是指飛機本體的故障，在本實施例中主要考慮為操縱舵面的故障。對這些單故障分別建立模型，形成一系列的故障模型。假設(shè)飛機無故障時的線性化模型為
權(quán)利要求
1.一種基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷方法，其特征在于，包括 統(tǒng)計飛行控制系統(tǒng)的各種故障并建立對應(yīng)的多個單故障模型，根據(jù)所述多個單故障模型建立基本模型集； 預(yù)測當(dāng)前時刻的所述多個故障模型的概率，根據(jù)所述基本模型集以及所述當(dāng)前時刻預(yù)測概率最大的前多個故障模型得到所述預(yù)設(shè)數(shù)目個期望模型，將所述預(yù)設(shè)數(shù)目個期望模型組合，建立期望模型集； 組合所述基本模型集和所述期望模型集得到當(dāng)前時刻模型集，并根據(jù)當(dāng)前時刻模型集更新概率轉(zhuǎn)移矩陣； 對當(dāng)前時刻模型集中的每個故障模型進行濾波和概率更新；以及對所述故障模型的概率設(shè)置概率閾值，并將所述當(dāng)前時刻模型集中的每個所述故障模型的概率與所述概率閾值進行比較，如果所述故障模型的概率大于或等于所述概率閾值，則判斷所述飛行控制系統(tǒng)發(fā)生所述故障模型對應(yīng)的故障。
2.如權(quán)利要求I所述的基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷方法，其特征在于，所述基本模型集由飛行控制系統(tǒng)的各種單故障模型組成，包括操作舵面故障模型、作動器故障模型和傳感器故障模型。
3.如權(quán)利要求I所述的基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷方法，其特征在于，所述預(yù)測當(dāng)前時刻的所述多個故障模型的概率進一步包括根據(jù)上一時刻模型的概率以及上一時刻模型集的概率轉(zhuǎn)移矩陣預(yù)測當(dāng)前時刻的所述多個故障模型的概率。
4.如權(quán)利要求I所述的基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷方法，其特征在于，所述根據(jù)當(dāng)前時刻模型集更新概率轉(zhuǎn)移矩陣進一步包括 根據(jù)實際系統(tǒng)故障模式間的關(guān)系，繪制所述基本模型集的狀態(tài)轉(zhuǎn)換圖，得到所述基本模型集的狀態(tài)轉(zhuǎn)換關(guān)系，設(shè)定所述基本模型集的概率轉(zhuǎn)移矩陣的預(yù)設(shè)值； 繪制當(dāng)前時刻模型集的狀態(tài)轉(zhuǎn)換關(guān)系，并在基本模型集的概率轉(zhuǎn)移矩陣基礎(chǔ)上計算得到當(dāng)前時刻模型集的概率轉(zhuǎn)移矩陣。
5.如權(quán)利要求I所述的基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷方法，其特征在于，所述根據(jù)所述基本模型集以及所述當(dāng)前時刻預(yù)測概率最大的前多個基本故障模型得到所述預(yù)設(shè)數(shù)目個期望模型，將所述預(yù)設(shè)數(shù)目個期望模型組合，建立期望模型集進一步包括 根據(jù)所需所述期望模型的個數(shù)確定所述基本模型集的子模型集個數(shù)； 在所述基本模型集中選取所述當(dāng)前時刻模型的概率最大的前多個模型組合得到預(yù)設(shè)數(shù)目的模型集，組合所述模型集得到預(yù)設(shè)數(shù)目的子模型集序列； 將所述子模型集序列中每一個子模型集的模型組合得到一個期望模型，由所述期望模型得到所述期望模型集。
6.如權(quán)利要求I所述的基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷方法，其特征在于，所述對當(dāng)前時刻模型集中的每個故障模型進行濾波和概率更新進一步包括 在每個時刻由所述基本模型集和所述期望模型組合得到所述當(dāng)前時刻模型集后，對所述當(dāng)前時刻故障模型集中的每個故障模型分別進行濾波得到狀態(tài)估計和殘差，并對所述故障模型的概率進行更新。
7.如權(quán)利要求I所述的基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷方法，其特征在于，對所述當(dāng)前時刻故障模型集中的每個故障模型分別進行濾波得到狀態(tài)估計和殘差，并對所述故障模型的概率進行更新，進一步包括 根據(jù)上一時刻模型的濾波器的所述狀態(tài)估計和協(xié)方差輸出值，初始化所述當(dāng)前時刻模型對應(yīng)的濾波器的所述狀態(tài)估計和所述協(xié)方差，并預(yù)測所述當(dāng)前時刻模型的概率； 根據(jù)卡爾曼濾波過程，分別對所述當(dāng)前時刻模型更新所述狀態(tài)估計和所述協(xié)方差，并計算所述殘差和殘差協(xié)方差； 根據(jù)貝葉斯后驗概率準則計算所述當(dāng)前時刻模型的概率。
8.一種基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷裝置，其特征在于，包括 基本模型集建立模塊，所述基本模型集建立模塊用于統(tǒng)計飛行控制系統(tǒng)的各種故障并建立對應(yīng)的多個單故障模型，并根據(jù)所述多個單故障模型建立基本模型集； 期望模型集建立模塊，所述期望模型集建立模塊用于預(yù)測當(dāng)前時刻的所述多個故障模型的概率，根據(jù)所述基本模型集以及所述當(dāng)前時刻預(yù)測概率最大的前多個故障模型得到所述預(yù)設(shè)數(shù)目個期望模型，將所述預(yù)設(shè)數(shù)目個期望模型組合，建立期望模型集； 當(dāng)前時刻模型集建立模塊，所述當(dāng)前時刻模型集建立模塊用于組合所述基本模型集和所述期望模型集得到當(dāng)前時刻模型集，并根據(jù)當(dāng)前時刻模型集更新概率轉(zhuǎn)移矩陣； 濾波和概率更新模塊，所述濾波和概率更新模塊對所述當(dāng)前時刻模型分別進行濾波得到狀態(tài)估計和殘差，并對所述當(dāng)前時刻模型的概率進行更新； 故障判斷模塊，所述故障判斷模塊對所述故障模型的概率設(shè)置概率閾值，并將所述當(dāng)前時刻模型集中的每個所述故障模型的概率與概率閾值進行比較，如果所述故障模型的概率大于或等于所述概率閾值，則所述故障判斷模塊判斷所述飛行控制系統(tǒng)發(fā)生所述故障模型對應(yīng)的故障。
9.如權(quán)利要求8所述的基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷裝置，其特征在于，所述基本模型集由飛行控制系統(tǒng)的各種單故障模型組成，包括操作舵面故障模型、作動器故障模型和傳感器故障模型。
10.如權(quán)利要求8所述的基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷裝置，其特征在于，所述預(yù)測當(dāng)前時刻的所述多個故障模型的概率進一步包括根據(jù)上一時刻模型的概率以及上一時刻模型集的概率轉(zhuǎn)移矩陣預(yù)測當(dāng)前時刻的所述多個故障模型的概率。
11.如權(quán)利要求10所述的基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷裝置，其特征在于，首次預(yù)測時所述當(dāng)前時刻模型集建立模塊將所述基本模型集的概率轉(zhuǎn)移矩陣設(shè)置為預(yù)設(shè)值，其中所述預(yù)設(shè)值的設(shè)定進一步包括 根據(jù)實際系統(tǒng)故障模式間的關(guān)系，繪制所述基本模型集的狀態(tài)轉(zhuǎn)換圖，得到所述基本模型集的狀態(tài)轉(zhuǎn)換關(guān)系，并設(shè)定所述基本模型集的概率轉(zhuǎn)移矩陣的預(yù)設(shè)值。
12.如權(quán)利要求8所述的基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷裝置，其特征在于，所述根據(jù)所述基本模型集以及所述當(dāng)前時刻預(yù)測概率最大的前多個故障模型得到所述預(yù)設(shè)數(shù)目個期望模型，將所述預(yù)設(shè)數(shù)目個期望模型組合，建立期望模型集，還進一步包括 所述期望模型建立模塊根據(jù)所需所述期望模型集的個數(shù)確定所述基本模型集的子模型集個數(shù)； 所述期望模型建立模塊在所述基本模型集中選取所述當(dāng)前時刻模型的概率最大的前多個模型，組合所述模型得到預(yù)設(shè)數(shù)目的子模型集序列； 所述期望模型建立模塊將所述子模型集序列中每一個子模型集的模型組合得到一個期望模型，由所述期望模型得到所述期望模型集。
13.如權(quán)利要求8所述的基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷裝置，其特征在于，所述當(dāng)前時刻模型集建立模塊將所述基本模型集和所述期望模型集組合得到當(dāng)前時刻模型集，并根據(jù)當(dāng)前時刻模型集更新概率轉(zhuǎn)移矩陣進一步包括 繪制當(dāng)前時刻模型集的狀態(tài)轉(zhuǎn)換關(guān)系，并在基本模型集的概率轉(zhuǎn)移矩陣基礎(chǔ)上計算得到當(dāng)前時刻模型集的概率轉(zhuǎn)移矩陣。
14.如權(quán)利要求8所述的基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷裝置，其特征在于，所述濾波和概率更新模塊對所述當(dāng)前時刻模型分別進行濾波得到狀態(tài)估計和殘差，并對所述當(dāng)前時刻模型的概率進行更新進一步包括 根據(jù)上一時刻模型的濾波器的所述狀態(tài)估計和協(xié)方差輸出值，初始化所述當(dāng)前時刻模型對應(yīng)的濾波器的所述狀態(tài)估計和所述協(xié)方差，并預(yù)測所述當(dāng)前時刻模型的概率； 根據(jù)卡爾曼濾波過程，分別對所述當(dāng)前時刻模型更新所述狀態(tài)估計和所述協(xié)方差，并計算所述殘差和殘差協(xié)方差； 根據(jù)貝葉斯后驗概率準則計算所述當(dāng)前時刻各個所述故障模型的概率。
15.一種飛行控制系統(tǒng)，其特征在于，包括 自動駕駛儀模塊，所述自動駕駛儀模塊用于根據(jù)飛機的飛行導(dǎo)引指令，輸出自動駕駛指令，控制飛機進行自動飛行； 基本飛行控制模塊，所述基本飛行控制模塊用于根據(jù)所述自動駕駛指令，通過基本的PID控制器分別按照各個指令對飛機進行控制； 如權(quán)利要求8-14任一項所述的故障檢測與診斷模塊，所述故障檢測與診斷模塊用于檢測和診斷飛行控制系統(tǒng)的故障，輸出故障信息和故障診斷結(jié)果； 重構(gòu)控制模塊，所述重構(gòu)控制模塊用于根據(jù)所述故障信息重構(gòu)飛行控制律；以及 座艙，所述座艙為半實物裝置，用于輸入駕駛桿信息，手動控制飛機飛行。
16.如權(quán)利要求15所述的飛行控制系統(tǒng)，其特征在于，還包括視景模塊，所述視景模塊用于顯示飛機飛行狀態(tài)、所述故障信息以及所述故障診斷結(jié)果。
17.如權(quán)利要求15所述的飛行控制系統(tǒng)，其特征在于，還包括接口模塊，所述接口模塊用于與外部進行通訊。
18.如權(quán)利要求17所述的飛行控制系統(tǒng)，其特征在于，所述與外部進行通訊包括與綜合導(dǎo)航系統(tǒng)、駕駛艙和視景系統(tǒng)進行數(shù)據(jù)通訊。
全文摘要
本發(fā)明提出一種基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷方法，包括統(tǒng)計飛行控制系統(tǒng)的各種故障并建立基本模型集；預(yù)測當(dāng)前時刻的多個故障模型的概率并建立期望模型集；將基本模型集和期望模型集進行組合以建立當(dāng)前時刻故障模型集；對當(dāng)前時刻模型集中的每個故障模型進行濾波和概率更新；如果當(dāng)前時刻模型集中的某個故障模型的概率大于或等于預(yù)設(shè)的概率閾值，則判斷飛行控制系統(tǒng)發(fā)生故障模型對應(yīng)的故障。本發(fā)明還提出了一種基于期望模式擴展的多模型飛行控制系統(tǒng)故障診斷裝置，包括:基本模型集建立模塊、期望模型集建立模塊、當(dāng)前時刻模型集建立模塊、濾波和概率更新模塊、故障判斷模塊。本發(fā)明還提出了一種飛行控制系統(tǒng)。
文檔編號G05B23/02GK102707708SQ20121016809
公開日2012年10月3日 申請日期2012年5月25日 優(yōu)先權(quán)日2012年5月25日
發(fā)明者慕春棣, 李清, 柳志娟, 程農(nóng) 申請人:清華大學(xué)