·34 智能系统学报 第2卷 络估计器，通过反向传播算法对多层前馈神经网络 线性自适应控制器结构用于故障诊断的有效性 进行训练.整个故障检测策略包括一个主神经网络 在线训练的神经网络大大的占用了机载计算机 (MNN)和n个分散的神经网络(DNNs),其中n为 资源，由此Napolitano等人o,又将Koskol41提出 无硬件冗余的飞行控制系统传感器个数.MNN的 的基于模糊逻辑的故障诊断方法与基于神经网络的 输出是通过k时刻n个传感器从k-1时刻到k-m 方法相比较研究表明：在大部分飞行包络中，横向 时刻的测量值估计的参数，这些参数与k时刻的实 故障的诊断基于神经网络的方法性能要优于基于模 际测量值相比较；DNNs中的第i个输出是第i个传 糊逻辑的方法，而在纵向故障中情况则相反 感器测量值的估计值，当MNN的二次估计误差 3.2基于解析模型的方法 (MQEE)超过了预定的界限，则系统认为某一传感 基于解析模型故障诊断方法是当前与今后主流 器可能或已经发生故障，此时DNN停止训练，此时 方法之一，其思想就是利用现有的知识建立系统的 如果其中一个DNN的二次估计误差(DQEE)超过 数学模型，将系统的输入与输出同时传递给数学模 预定界限，则可以确定有故障的传感器 型，利用一定的准则建立系统的残差，再按照一定的 Nun.of DNNs MQEE((Y.(O.MMR(). 判定准则确定系统是否发生了故障及发生了什么故 障和故障的大小」 DQEE(=之(fW,金W). 基于观测器和参数估计的方法是故障诊断最常 当传感器发生阶跃类型的故障时，无论偏差的 用的方法之一2，其基本思想是以测量值为基础， 大小，通过MQEE的峰值都可以检测到.但当其故 通过在确定性系统中采用Luenberger观测器或在 障类型为如斜坡类型的“软”故障时，MQEE的诊断 随机性系统中采用卡尔曼滤波器估计系统的输出」 可靠性就大大降低了.因此，Napolitano等人2a提 Heredia等人Is1设计了基于Luenberger观测器留 出了神经网络输出二次估计误差(OQEE)标准，试 数产生方法的执行器故障诊断系统，随后Heredia 验证明此标准对于任意传感器故障都能够保证较好 等人2又将此方法应用于无人直升机的传感器故 检测性能 障检测与诊断，并通过仿真以及飞行试验对此方法 Num.of DNNs 的有效性进行了验证，试验表明：此方法对于诸如零 MQEE(N=立F(Oaw(W.e.x(W)户 或者常值传感器输出的“硬”故障可以很容易地进行 由于传感器故障与执行器故障在故障检测上存 检测，而对于诸如加性或乘性的“软”故障则决定于 在耦合，对于执行器故障的研究以往都是在局限于 误差的大小，如果误差太小，则系统不能将其与误差 假设传感器无故障的情况下进行的6).而Napolita- 区分开来.飞行控制系统是具有系统噪声和测量噪 o等人2提出的改进的基于神经网络的传感器与 声的随机性系统，将其作为确定性系统研究是一种 执行器解耦故障检测方法，传感器的故障可以通过 简化假设，同时也将会带来故障诊断系统可靠性的 MQEE的大小确定，执行器的故障可以通过对飞机 降低」 姿态的变化进行分析得到，再分析特定的互相关函 卡尔曼滤波故障诊断方法是针对随机性系统的 数(cross-correlation functions)可以辨识相应故障 方法，已经应用于飞行控制系统传感器故障的检测 的执行器.然而，机载飞控计算机计算能力有限，必 与诊断.Bundick,Motyka等人.4s)已经将基于卡 须将DNN的更新频率降低至传感器测量频率以 尔曼滤波的在飞行控制系统中进行了成功应用，标 下，这就增加了训练时间.Narendra等人I3针对飞 准的卡尔曼滤波是针对线性系统的，对于非线性系 行控制系统动力学模型学习的故障检测与诊断神经 统一般采用扩展卡尔曼滤波(EKF)或迭代扩展卡 网络估计器学习速率进行了研究，得出了使用低训 尔曼滤波(IEKF),这样与估计误差相关的代价函数 练速率（④.05）可以得到比较性优势.对于Napoli- (cost function)就必须进行线性化，而这种线性化 tano等人的基于神经网络的故障检测方法，Nep 会导致误差和次优估计.Haupt等人[61提出了一种 pach等人BI又验证了其他优点，诸如这种方法可以 最优递归迭代算法，克服了上述问题.离散状态方程 同时处理多传感器非同时刻故障等等 为 Rysdyk等人I3]将扩展自适应神经网络用于故 Xk Ak.1X.1+Bk.1 118.1 +Lk.1Wk1. 障诊断，并通过XV-15倾转桨旋翼机试验验证了非 y CkXk Diulk Vk. 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net络估计器 ,通过反向传播算法对多层前馈神经网络 进行训练. 整个故障检测策略包括一个主神经网络 (MNN) 和 n 个分散的神经网络 (DNNs) ,其中 n 为 无硬件冗余的飞行控制系统传感器个数. MNN 的 输出是通过 k 时刻 n 个传感器从 k - 1 时刻到 k - m 时刻的测量值估计的参数 ,这些参数与 k 时刻的实 际测量值相比较 ;DNNs 中的第 i 个输出是第 i 个传 感器测量值的估计值 ,当 MNN 的二次估计误差 (MQ EE) 超过了预定的界限 ,则系统认为某一传感 器可能或已经发生故障 ,此时 DNN 停止训练 ,此时 如果其中一个 DNN 的二次估计误差 (DQ EE) 超过 预定界限 ,则可以确定有故障的传感器. MQ EE( k) = 1 2 ∑ Nun. of DNNs i =1 ( Yi ( k) - Oi ,MNN ( k) ) 2 , DQ EE( k) = 1 2 ( x ( k) - ^x ( k) ) . 当传感器发生阶跃类型的故障时 ,无论偏差的 大小 ,通过 MQ EE 的峰值都可以检测到. 但当其故 障类型为如斜坡类型的“软”故障时 ,MQ EE 的诊断 可靠性就大大降低了. 因此 ,Napolitano 等人[24 ] 提 出了神经网络输出二次估计误差 (OQ EE) 标准 ,试 验证明此标准对于任意传感器故障都能够保证较好 检测性能. MQ EE( k) = 1 2 ∑ Num. of DNNs i =1 ( OiMNN ( k) - Qi ,DNN ( k) ) 2 . 由于传感器故障与执行器故障在故障检测上存 在耦合 ,对于执行器故障的研究以往都是在局限于 假设传感器无故障的情况下进行的[36 ] . 而 Napolita2 no 等人[ 24 ]提出的改进的基于神经网络的传感器与 执行器解耦故障检测方法 ,传感器的故障可以通过 MQ EE 的大小确定 ,执行器的故障可以通过对飞机 姿态的变化进行分析得到 ,再分析特定的互相关函 数(cross2correlation f unctions) 可以辨识相应故障 的执行器. 然而 ,机载飞控计算机计算能力有限 ,必 须将 DNN 的更新频率降低至传感器测量频率以 下 ,这就增加了训练时间. Narendra 等人[ 37 ] 针对飞 行控制系统动力学模型学习的故障检测与诊断神经 网络估计器学习速率进行了研究 ,得出了使用低训 练速率( ≤0105) 可以得到比较性优势. 对于 Napoli2 tano 等人的基于神经网络的故障检测方法 , Nep2 pach 等人[ 38 ]又验证了其他优点 ,诸如这种方法可以 同时处理多传感器非同时刻故障等等. Rysdyk 等人[39 ]将扩展自适应神经网络用于故 障诊断 ,并通过 XV215 倾转桨旋翼机试验验证了非 线性自适应控制器结构用于故障诊断的有效性. 在线训练的神经网络大大的占用了机载计算机 资源 ,由此 Napolitano 等人[ 40 ] 又将 Kosko [41 ] 提出 的基于模糊逻辑的故障诊断方法与基于神经网络的 方法相比较 ,研究表明 :在大部分飞行包络中 ,横向 故障的诊断基于神经网络的方法性能要优于基于模 糊逻辑的方法 ,而在纵向故障中情况则相反. 312 基于解析模型的方法 基于解析模型故障诊断方法是当前与今后主流 方法之一 ,其思想就是利用现有的知识建立系统的 数学模型 ,将系统的输入与输出同时传递给数学模 型 ,利用一定的准则建立系统的残差 ,再按照一定的 判定准则确定系统是否发生了故障及发生了什么故 障和故障的大小. 基于观测器和参数估计的方法是故障诊断最常 用的方法之一[42 ] ,其基本思想是以测量值为基础 , 通过在确定性系统中采用 Luenberger 观测器或在 随机性系统中采用卡尔曼滤波器估计系统的输出. Heredia 等人[43 ] 设计了基于 Luenberger 观测器留 数产生方法的执行器故障诊断系统 ,随后 Heredia 等人[29 ]又将此方法应用于无人直升机的传感器故 障检测与诊断 ,并通过仿真以及飞行试验对此方法 的有效性进行了验证 ,试验表明 :此方法对于诸如零 或者常值传感器输出的“硬”故障可以很容易地进行 检测 ,而对于诸如加性或乘性的“软”故障则决定于 误差的大小 ,如果误差太小 ,则系统不能将其与误差 区分开来. 飞行控制系统是具有系统噪声和测量噪 声的随机性系统 ,将其作为确定性系统研究是一种 简化假设 ,同时也将会带来故障诊断系统可靠性的 降低. 卡尔曼滤波故障诊断方法是针对随机性系统的 方法 ,已经应用于飞行控制系统传感器故障的检测 与诊断. Bundick , Motyka 等人[44 - 45 ]已经将基于卡 尔曼滤波的在飞行控制系统中进行了成功应用 ,标 准的卡尔曼滤波是针对线性系统的 ,对于非线性系 统一般采用扩展卡尔曼滤波 ( EKF) 或迭代扩展卡 尔曼滤波(IEKF) ,这样与估计误差相关的代价函数 (cost f unction) 就必须进行线性化 ,而这种线性化 会导致误差和次优估计. Haupt 等人[46 ] 提出了一种 最优递归迭代算法 ,克服了上述问题. 离散状态方程 为 xk = A k- 1 xk- 1 + Bk- 1 uk- 1 + L k- 1 wk- 1 . yk = Ck x k + Dk uk + vk . · 43 · 智 能 系 统 学 报 第 2 卷