【摘要】：無人機(jī)是利用無線電遙感設(shè)備和自備的程序控制裝置來操縱的不載人飛行器,且飛行控制系統(tǒng)是無人機(jī)實(shí)現(xiàn)自主飛行的核心。因此飛行控制系統(tǒng)的可靠性和穩(wěn)定性尤為重要。目前仍存在諸多待解決的問題,如對(duì)海量數(shù)據(jù)的分析方法與挖掘手段較欠佳,精確的無人機(jī)容錯(cuò)控制模型難以建立。而分離式故障診斷算法可以離線識(shí)別故障信息,為無人機(jī)系統(tǒng)的維護(hù)管理提供可靠的依據(jù);嵌入式故障診斷與容錯(cuò)技術(shù)可以實(shí)現(xiàn)在線調(diào)節(jié),提高無人機(jī)系統(tǒng)的可靠性指標(biāo)。因此,分離式和嵌入式故障診斷與容錯(cuò)技術(shù)是當(dāng)今無人機(jī)技術(shù)領(lǐng)域的一個(gè)重要研究熱點(diǎn)。首先,采用變分模態(tài)分解方法對(duì)信號(hào)進(jìn)行分解,然后采用多尺度重構(gòu)指標(biāo)和連續(xù)小波變換方法獲得重構(gòu)信號(hào)的時(shí)域特征和時(shí)頻特征。鑒于卷積神經(jīng)網(wǎng)絡(luò)(CNN)在挖掘海量數(shù)據(jù)有效信息時(shí)突出的準(zhǔn)確性和快速性的特點(diǎn),本文采用CNN算法分別對(duì)時(shí)域和時(shí)頻特征進(jìn)行分離式故障診斷研究。仿真結(jié)果表明,基于時(shí)域特征的CNN診斷算法消耗時(shí)間更短,而基于時(shí)頻特征的CNN算法診斷精確度更高。結(jié)合兩者的優(yōu)勢(shì),可以搭建時(shí)間相對(duì)較短、精度更高的集成算法。第二,在單樣本時(shí)域、時(shí)頻特征CNN算法的基礎(chǔ)上,為了融合多個(gè)單樣本的特征,本文研究基于多樣本特征的分離式故障診斷集成算法。使用自助采樣法對(duì)時(shí)域、時(shí)頻特征進(jìn)行融合,然后將CNN算法作為基分類器,采用多數(shù)投票法對(duì)CNN算法的結(jié)果進(jìn)行結(jié)合。仿真結(jié)果顯示,其平均診斷精度至少可達(dá)99.89%。相比單樣本特征的CNN算法,該集成算法的測(cè)試精度更高,且泛化誤差更低。第三,為了簡(jiǎn)化控制器結(jié)構(gòu)以及處理難以建模的故障信息,本文采用自適應(yīng)終端滑�？刂品椒�,對(duì)無人機(jī)飛控模型設(shè)計(jì)了高度和姿態(tài)容錯(cuò)控制器。仿真顯示,位置跟蹤誤差范圍為[-0.2,0.2]。第四,為了實(shí)現(xiàn)無人機(jī)系統(tǒng)的故障自動(dòng)檢測(cè)和容錯(cuò)功能,本文將嵌入式故障診斷方法與容錯(cuò)相結(jié)合。采用擴(kuò)張觀測(cè)器對(duì)故障進(jìn)行估計(jì),實(shí)現(xiàn)在線診斷和重構(gòu)故障信號(hào),然后根據(jù)故障信息重構(gòu)滑模容錯(cuò)控制器,從而補(bǔ)償故障。仿真顯示,故障估計(jì)誤差范圍為[-0.1,0.1],位置跟蹤誤差范圍為[0,0.04],角度跟蹤誤差收斂到零。最后,本文研究了有效的故障診斷算法和容錯(cuò)控制方法,對(duì)建立無人機(jī)故障設(shè)備的健康管理策略,以及對(duì)調(diào)整無人機(jī)系統(tǒng)的容錯(cuò)控制器提供了可靠的依據(jù)。
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：V279;V249.1
【圖文】：

電子科技大學(xué)碩士學(xué)位論文行控制系統(tǒng)中的電機(jī)設(shè)備進(jìn)行故障診斷；然后，采用嵌入式故障診斷與容錯(cuò)方法對(duì)飛行控制系統(tǒng)進(jìn)行故障診斷并設(shè)計(jì)滑模容錯(cuò)控制器，從而保證飛行控制系統(tǒng)的穩(wěn)定性和可靠性。本文研究?jī)?nèi)容的結(jié)構(gòu)框圖如圖（1-1）所示。針對(duì)電機(jī)的采集數(shù)據(jù)，分別采用基于單樣本特征的 CNN 故障診斷算法和基于多樣本特征的集成故障診斷算法，對(duì)電機(jī)信號(hào)進(jìn)行故障診斷研究。在飛行控制系統(tǒng)的動(dòng)力學(xué)模型的基礎(chǔ)上，研究基于飛行控制系統(tǒng)的嵌入式故障診斷與容錯(cuò)控制方法，使得飛行控制系統(tǒng)在發(fā)生部分失效故障時(shí)，具有一定的容錯(cuò)能力，從而仍能保持正常的工作狀態(tài)。

圖 2-2 LetNe5 CNN 模型的框架圖由圖（2-2）可見 CNN 模型通過卷積和池化均通過共享卷積核，從而可以降輸入圖像的維度，也可以達(dá)到一定的旋轉(zhuǎn)不變性和平移不變性，而全連接層將部特征整體化。在 LetNet5 CNN 模型的卷積層和采樣層中，LetNet5 CNN 算法持每層輸入數(shù)據(jù)的維度，對(duì)每層的特征圖做嚴(yán)格卷積計(jì)算。如圖（2-3a）所示，于邊緣數(shù)據(jù)沒有參與重復(fù)卷積，所以一個(gè) 5 維度的特征圖像經(jīng)過嚴(yán)格卷積后變?yōu)?3 維度。為了避免輸入數(shù)據(jù)的維度在卷積過程中減少，本章采用填充后卷積方法，該方法的示意圖如圖（2-3b）所示。

圖 2-2 LetNe5 CNN 模型的框架圖由圖（2-2）可見 CNN 模型通過卷積和池化均通過共享卷積核，從而可以輸入圖像的維度，也可以達(dá)到一定的旋轉(zhuǎn)不變性和平移不變性，而全連接層部特征整體化。在 LetNet5 CNN 模型的卷積層和采樣層中，LetNet5 CNN 算持每層輸入數(shù)據(jù)的維度，對(duì)每層的特征圖做嚴(yán)格卷積計(jì)算。如圖（2-3a）所示于邊緣數(shù)據(jù)沒有參與重復(fù)卷積，所以一個(gè) 5 維度的特征圖像經(jīng)過嚴(yán)格卷積后為 3 維度。為了避免輸入數(shù)據(jù)的維度在卷積過程中減少，本章采用填充后卷方法，該方法的示意圖如圖（2-3b）所示。

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 毛海杰;李煒;馮小林;;非線性系統(tǒng)主動(dòng)容錯(cuò)控制綜述[J];傳感器與微系統(tǒng);2014年04期

2 姜斌;楊浩;;飛控系統(tǒng)主動(dòng)容錯(cuò)控制技術(shù)綜述[J];系統(tǒng)工程與電子技術(shù);2007年12期

本文編號(hào)：2761885