一种用于无人机飞控系统故障检测的数据聚类降维方法

摘要

本发明公开了一种用于无人机飞控系统故障检测的数据聚类降维方法，属于无人机故障检测的技术领域，通过挖掘不同飞行动态特征下不同飞控数据的相关性建立飞控数据与飞行动态特征的相关性模型，由相关性模型检验各类飞控数据在不同飞行动态特征下的实时动态相关性，在满足飞控系统故障检测动态性和实时性要求的前提下实现了飞控数据的聚类降维处理，具有速度快、计算量小、实用性强的特点。

权利要求

1.一种用于无人机飞控系统故障检测的数据聚类降维方法，其特征在于，采集飞控系统在当前时刻的输出数据，预处理当前时刻的输出数据以实现对当前时刻输出数据的初步分类，由各类输出数据和飞行动态特征的相关性模型动态检验各类输出数据在当前飞行动态特征下的实时动态相关性进而结合选择的聚类阈值对各类输出数据进行聚类：在当前飞行动态特征下计算当前时刻各类输出数据之间的皮尔森相关系数，比较当前飞行动态特征下当前时刻各类输出数据的皮尔森相关系数与聚类阈值得到聚类结果，采用滑动窗口更新各类输出数据得到下一时刻各类输出数据，检验下一时刻各类输出数据在下一时刻飞行动态特征下的实时动态相关性，对聚类结果进行聚类评估并在聚类结果未通过聚类评估时调整聚类阈值重新进行聚类，对通过聚类评估的聚类结果进行降维处理。

2.根据权利要求1所述一种用于无人机飞控系统故障检测的数据聚类降维方法，其特征在于，采用如下方法对聚类结果进行聚类评估：计算评估类内部耦合特性的聚类密集性以及评估类间分离特性的聚类临近性，对聚类密集性计算值以及聚类临近性计算值加权求和得到聚类评估结果。

3.根据权利要求1所述一种用于无人机飞控系统故障检测的数据聚类降维方法，其特征在于，所述飞控系统在当前时刻的输出数据包括三轴陀螺仪、GPS、三轴加速度计、气压计测量的数据。

4.根据权利要求1所述一种用于无人机飞控系统故障检测的数据聚类降维方法，其特征在于，采用主成分分析法对通过聚类评估的聚类结果进行降维处理。

说明书

一种用于无人机飞控系统故障检测的数据聚类降维方法

技术领域

[0001] 本发明公开了一种用于无人机飞控系统故障检测的数据聚类降维方法，属于无人机故障检测的技术领域。

背景技术

[0002] 近年，无人机综合管理系统中纳入了“故障预测与健康管理技术（PHM）”的概念，因此急需提高无人机安全管理的信息化水平及智能化水平。无人机安全管理的核心部分——安全监控和异常预警，能够对无人机的健康状态进行全面监控，对提高无人机安全性能、保障维修效率、降低寿命周期具有重要意义。无人机的飞行控制系统作为无人机的核心部件，由多种传感器、网络链路、执行装置等子系统组成。飞控传感器测量飞机的实时飞行状态参数并把数据反馈至飞行控制计算机，飞行控制计算机解算飞行控制律从而完成无人机自动驾驶的飞行任务，但是飞控系统因其工作环境较为复杂极易发生故障。

[0003] 目前国内外有关高校及科研院所的研究人员对无人机飞控系统传感器输出数据状态异常、硬件故障检测做了广泛的研究。西北工业大学的刘慧霞团队针对飞行控制系统(FCS)的精确数学模型获取困难的问题提出了UAV-PCA算法，该算法将基于特征方向的故障诊断法和方差敏感自适应阈值的故障检测法与传统的主元分析法（PCA）相结合，提高了传感器故障检测的速度和准确性并且降低了暂态过程的虚警率；南京航空航天大学高云红教授团队针对小型无人机机动性较强、故障较多且不易实时检测等特点，将最小二乘支持向量机（LS_SVM）与主元分析法（PCA）相结合以实现故障的检测与隔离；北京航空航天大学钟麦英教授团队提出了一种基于小波变换与等价空间相结合的无人机作动器故障诊断方法；此外，国防科学技术大学等科研单位也对无人机故障检测等多个方面进行了研究。这一系列的研究为无人机飞控系统的故障检测奠定了理论基础与技术基础。

[0004] 国外对无人机飞控系统故障检测的研究主要有：Abbaspour等提出了一种新的在线检测策略来检测无人机系统中传感器和执行器的故障；Freddi等建立了一种直升机的缩小模型，然后线性化该模型以设计未知输入观测器，由未知输入观测器诊断故障，基于该模型的无人驾驶飞行器故障诊断系统为无人机故障诊断提供了有效解决方案；Hansen等基于单一且简单的飞机空气动力学模型提出了一种主动检测和隔离故障的系统（SMAC-FDI），该系统能够有效地检测和隔离诸如小型（无人机）飞行器飞控系统中的故障；Guillermo Heredia等提出了一种提高无人机（UAV）传感器故障检测与识别（FDI）可靠性的方法；之后Guillermo Heredia又和Horst Ecker等提出了一种基于冗余分析的小型自主直升机传感器的故障检测和诊断系统。

[0005] 根据目前的研究内容及其理论方法，我们可以得出故障检测的核心算法主要包括模型法(model based)、知识经验法（knowledge based）和数据驱动法(data driven)这三大类。相比于模型法和知识经验法，数据驱动的故障诊断法以其快速灵活的特性在无人机故障检测中更具应用潜力。然而，针对无人机飞控系统传感器众多、数据维度较高、在实际处理过程中比较复杂的特点，数据驱动的故障诊断法存在局限性，因此，设法降低大规模数据的维度并且使得这些数据反映出一定的规律性或特殊的分类性同时不会丢失有用信息是数据驱动的故障诊断法需要解决的难题。

[0006] 聚类降维是有效进行数据驱动法的重要部分。南京航空航天大学的张道强教授团队提出了一种基于半监督降维的聚类算法，首先用半监督降维方法将原始数据降维，降维后进行半监督聚类处理，提升了算法的聚类性能；中山大学的王和勇等针对局部线性嵌入算法（LLE）计算速度和近邻点数K选取的问题，提出了基于聚类和改进距离的局部线性嵌入算法，不仅提高了降维速度而且拓展了参数K的选取范围；大连理工大学的马洪连教授团队提出了一种基于界标等距映射(L-ISOMAP)降维的快速模糊聚类算法，针对FCM算法在迭代过程中计算量大以及在高维特征分析中效率低下甚至可能导致"维数灾难"的问题，结合L-ISOMAP算法提高了算法在特征向量维数较高情况下的实时性与有效性；西安电子科技大学的支晓斌等提出了一种基于模糊Fisher准则的自适应降维模糊聚类算法，对高维数据和低维数据都有较好的分类性能；Napoleon等提出了一种基于K均值聚类算法的高维数据集降维方法，用主成分分析法和线性变换法来降维，首先计算初始质心，然后应用K均值聚类算法；Kumar提出了一种结合组合随机投影（RP）和模糊k均值聚类（FKM）的算法来减少数据的维数，相比原有的SVD、RP-SVD方法，该方法不仅达到了更好或相似的效果而且简化了计算；Kannan等提出了一种基于数据离散化相关模型的数据简化算法，该算法以有效的方式将连续属性离散化，然后从一大组属性中选择相关属性，并对所有特征的聚类精度进行性能评估进而获得一组数量较少的特征；Indhumathi等提出了一种通过主成分分析来聚类降维高维数据的方法，该法通过主成分分析进行降维，然后对不存在质心初始化的简化数据进行平分k均值聚类。这一系列的研究为聚类降维问题奠定了基础。

[0007] 总体来说，国内外文献提供了包括主成分分析、线性判别分析、自适应降维算法、局部保持投影、局部线性嵌入、拉普拉斯映射等多种聚类降维的方法，这些聚类降维方法在电力系统、工业制造、信息处理、文字处理等方面都有广泛的应用，但各自又或多或少地存在一些问题，如：对初始点选择具有敏感性、计算耗时长、处理非线性数据能力差。由于飞控系统故障检测要处理的数据多且部分参数存在动态相关性，这些方法不能满足飞控系统故障检测的动态性和实时性要求，需要针对具体的应用环境进行改进。因此，在考虑传感器输出数据间的实时动态相关性时，如何通过构建动态属性相关的数组并对数据进行聚类降维以降低运算量从而提高故障检测的及时性是亟待解决的关键问题。

发明内容

[0008] 本发明的发明目的是针对上述背景技术的不足，提供了一种用于无人机飞控系统故障检测的数据聚类降维方法，通过建立飞控数据与飞行动态特征的相关性模型检验各类飞控数据在不同飞行动态特征下的实时动态相关性，在满足飞控系统故障检测动态性和实时性要求的前提下实现了飞控数据的聚类降维处理，解决了现有聚类降维方法不能满足飞控系统故障检测的动态性和实时性要求的技术问题。

[0009] 本发明为实现上述发明目的采用如下技术方案：

[0010] 一种用于无人机飞控系统故障检测的数据聚类降维方法，采集飞控系统在当前时刻的输出数据，预处理当前时刻的输出数据以实现对当前时刻输出数据的初步分类，由各类输出数据和飞行动态特征的相关性模型动态检验各类输出数据在当前飞行动态特征下的实时动态相关性进而结合选择的聚类阈值对各类输出数据进行聚类，对聚类结果进行聚类评估并在聚类结果未通过聚类评估时调整聚类阈值重新进行聚类，对通过聚类评估的聚类结果进行降维处理。

[0011] 进一步地，用于无人机飞控系统故障检测的数据聚类降维方法中，由各类输出数据和飞行动态特征的相关性模型动态检验各类输出数据在当前飞行动态特征下的实时动态相关性进而结合选择的聚类阈值对各类输出数据进行聚类的具体方法为：在当前飞行动态特征下计算当前时刻各类输出数据之间的皮尔森相关系数，比较当前飞行动态特征下当前时刻各类输出数据的皮尔森相关系数与聚类阈值得到聚类结果，采用滑动窗口更新各类输出数据得到下一时刻各类输出数据，检验下一时刻各类输出数据在下一时刻飞行动态特征下的实时动态相关性。

[0012] 进一步地，用于无人机飞控系统故障检测的数据聚类降维方法中，采用如下方法对聚类结果进行聚类评估：计算评估类内部耦合特性的聚类密集性以及评估类间分离特性的聚类临近性，对聚类密集性计算值以及聚类临近性计算值加权求和得到聚类评估结果。

[0013] 进一步地，用于无人机飞控系统故障检测的数据聚类降维方法中，飞控系统在当前时刻的输出数据包括三轴陀螺仪、GPS、三轴加速度计、气压计测量的数据。

[0014] 进一步地，用于无人机飞控系统故障检测的数据聚类降维方法中，采用主成分分析法对通过聚类评估的聚类结果进行降维处理。

[0015] 本发明采用上述技术方案，具有以下有益效果：通过挖掘不同飞行动态特征下不同飞控数据的相关性建立飞控数据与飞行动态特征的相关性模型，由相关性模型检验各类飞控数据在不同飞行动态特征下的实时动态相关性，在满足飞控系统故障检测动态性和实时性要求的前提下实现了飞控数据的聚类降维处理，具有速度快、计算量小、实用性强的特点。

附图说明

[0016] 图1为用于无人机飞控系统故障检测的降维方法的流程图。

具体实施方式

[0017] 下面结合附图对发明的技术方案进行详细说明。

[0018] 本发明提出的用于无人机飞控系统故障检测的数据聚类降维方法如图1所示，具体包括如下4个步骤。

[0019] 1）数据预处理

[0020] 采集飞控系统输出的数据，包括三轴陀螺仪、GPS、三轴加速度计、气压计等数据，对各传感器动态特性进行分析，顾及并行运算的各传感器输出数据的运算速度分析飞控系统输出数据的类型、数量，对不同数据的类型进行抽取，移除数据中的孤立点并去除数据噪声。

[0021] 2）相关性分析

[0022] 对不同的运动状态（包括静态、平飞、盘旋、上升、下降等多种姿态）进行标号。如将静态标为状态1，将平飞标为状态2，将盘旋标为状态3。在每种运动状态下分别计算不同传感器输出数据之间的皮尔森相关系数进而挖掘不同传感器输出的不同类型数据在各种环境下的相关性。每当传感器输出一组新的数据时就剔除滑动窗口中最旧的数据并将新数据添加至窗口末端，依据更新后的传感器输出数据估计在当前运动状态下传感器输出数据的实时动态相关性，通过控制滑动窗口的长度来控制每次计算的数据量进而实现基于皮尔森相关系数的实时动态快速相关性的检验，根据皮尔森相关系数的计算结果设定相应阈值，对皮尔森相关系数大于一定阈值的若干组数据进行聚类。

[0023] 3）聚类评估

[0024] 通过计算聚类综合质量对完成的聚类进行评估，即通过计算聚类密集性来评估类内部耦合特性，通过计算聚类临近性来评估类间分离特性，将二者加权求得聚类结果并进行打分。根据评估结果调节聚类的阈值，若聚类综合质量小于设定值，则重新划定阈值进行聚类，反之则符合要求，从而得到一个最优的聚类结果。

[0025] 4）数据降维

[0026] 针对得到的满足聚类评估要求的聚类结果，采用主成分分析法（PCA）对每一类中的各组数据进行降维处理，得到每个类中线性组合的主成分，从而降低故障检测时的运算量，提高运算速度，并为之后故障检测阈值的划定建立数据基础。

[0027] 综上，本发明提出的数据聚类降维方法，针对飞机不同的运动状态实时计算各传感器输出数据的相关性进而构建动态属性相关的数组，再对动态属性相关的数组进行聚类降维，该方法既能满足飞控故障检测的动态性要求又能满足实时性要求，此外，该方法还降低了故障检测的运算量，具有速度快、计算量小、实用性强的特点。