无人机故障预测系统研究

雷耀麟，刘 厦*，胡 炎，柴兴华

(1.中国电子科技集团公司第五十四研究所，河北 石家庄 050081) (2.中国电子科技集团公司航天信息应用技术重点实验室，河北 石家庄050081)

0 引言

随着新军事革命的不断进步，在局部高科技战争中，武器装备必须具有良好的战备状态、任务成功率、机动性和快速反应能力[1]，以预测科学为核心的PHM技术应运而生，通过传感器融合、数据挖掘、专家知识及保障维修决策，实现对武器装备的综合安全保障[2]。

PHM技术最早由美军提出，并在20世纪70年代开始应用于大黄蜂战斗机的发动机检测系统，当时主要功能为剩余寿命评估、操作极限监控、传感器失效检测和熄火检查，缺少故障预测；20世纪90年代，美国国防部提出综合诊断概念并将PHM应用到三军，与此同时，PHM技术延伸到了飞机状态管理；2014年，美国F-35联合战机开始试用具备故障预测能力的最新版PHM系统[3]。目前，美军F-35联合战机搭载的PHM系统被公认为世界顶级水平，分为装备内置PHM系统和装备外部PHM系统。其中，装备内置PHM系统是通过对飞行数据的收集和有效挖掘，实现无人机状态监控、故障预测和趋势跟踪等，保障无人机安全飞行和提高任务完成率；装备外部PHM系统的功能是通过接收装备内PHM系统的上报数据，结合人工目视观测、故障诊断和趋势分析等为地面保障人员提供维修决策，实现机下自主保障和视情维修。该系统架构已受到国内外学者的广泛研究和借鉴。

随着各军事强国对PHM技术研究的日益关注和推进，PHM技术已经由早期单一的视情维修功能，演变为涵盖系统实时状态监控、故障诊断、故障预测、剩余寿命估计、辅助决策、信息应需传输与管理等能力的现代PHM技术[4]。

无人机作为一种典型的高新技术武器装备，设备众多、组成复杂，只有建立起与之相匹配的PHM系统，才能充分发挥无人机的作战效能[5]。国内外学者也已在无人机PHM领域开展了诸多研究，取得了大量的研究成果[6-8]。针对地面综合保障和设备维修的研究与应用已经相对成熟，而针对无人机飞行状态实时故障预测方面的研究和应用还比较少。针对无人机飞行过程中智能告警的需求，研究并设计了无人机故障预测系统。在系统架构上，采用分层拓扑结构，实现了对全机的故障预测；在技术体系上，设计了数据支撑、数据规律挖掘、时序分析、趋势外推和综合决策等5层算法体系来支撑遥测数据的智能解译。

1 无人机故障预测系统结构设计

无人机故障预测系统借鉴美军F-35 PHM系统的装备内置PHM系统，侧重对无人机的飞行过程进行智能监控。该系统可在数据链技术的支撑下，布设到当前测控站系统中。

1.1 功能设计

无人机故障预测系统主要分为数据管理、离线分析、在线分析和智能决策4个分系统，如图1所示。

图1 无人机故障预测系统功能设计

各分系统及功能模块具体描述如下：

(1) 数据管理分系统。数据管理分系统是无人机故障预测系统的基础，负责统筹管理历史遥测数据、样本库和知识库。

(2) 离线分析分系统。首先对历史遥测数据进行预处理，包括数据归一化、数据缺项填补、野值滤除等；然后根据飞行阶段标志参数将历史遥测数据划分为5种工况(起飞、爬升、定高、下降和降落)，并且分别统计各工况下参数的数值特性和变化规律等；最后结合统计分析结果，利用神经网络、机器学习和时序分析等方法构建故障预测模型；

(3) 在线分析分系统。针对实时获取的下传遥测数据，提取遥测信号时间序列的低频分量进行趋势分析；利用离线训练的故障预测模型对当前无人机状态进行故障预测与健康评估；

(4) 智能决策分系统。综合分析无人机状态监测和故障预测结果，对无人机当前健康状态进行综合评估，主动向地面站发出故障预警和操作建议。

1.2 拓扑结构设计

无人机故障预测系统未设置部件级故障预测，仅考虑设备级以上的故障预测。

如图2所示，在飞行过程中，通过对设备状态空间(也即与设备相关的遥测参数)的实时监测与故障预测，可以获得该设备的健康状态；融合所有设备的健康状态信息，通过推理机和专家系统可以进一步评估分系统的健康状态；最后，根据各个分系统的健康状态，对无人机系统进行综合健康管理。

图2 无人机故障预测系统拓扑结构

2 系统的故障预测原理

国内外诸多PHM领域研究学者已经进行了大量故障预测算法研究，取得了丰硕的成果。比如Shang Shuai等人[9]将长短时记忆网络(LSTM)用于剩余寿命预测，使时间序列信息被充分利用；Xue Xiaoling等人[10]将极限学习机(ELM)应用在2014年IEEE PHM挑战赛的质子交换膜燃料电池数据集上，实现了剩余寿命预测；Ting An[11]将一种融合遗传算法的BP神经网络应用于电气设备的故障预测，与BP神经网络预测算法相比获得了更低的预测误差；袁庆洋等人[12]用多段维纳过程模型取代传统的单一阶段维纳过程来预测电机剩余寿命，提高了预测精度；李琪等人[13]提出了一种变工况下基于相似性的剩余寿命预测方法，在2008年 PHM 挑战赛的商用涡轮发动机数据集上获得了比相似性算法更高的预测精度。

以上算法均要提供充足的历史退化模型或故障数据集。然而，在研究无人机飞行中的故障预测问题时，我们无法获得大量的故障数据，也很难对无人机系统状态进行物理或数学建模。为此，我们提出了一种间接故障预测方法。

2.1 故障预测技术体系

设计的故障预测技术体系如图3所示，自底向上：

第一层是数据支撑层，包括数据预处理、故障案例分析和故障特征迁移，主要是为故障预测提供数据资源和故障知识；

第二层是数据规律层，通过时域分析、频域分析、数理统计、数值分析、参数间关联关系分析，挖掘遥测数据的数值特性和数据规律；

第三层为时间序列分析层，采用分段非线性函、多参数LSTM时序建模等深度挖掘遥测数据的时间序列特性；

第四层为趋势外推层，通过趋势分析和外推算法，预测未来某时刻系统的健康状态，由此实现故障预测；

第五层为智能决策层，根据故障预测结果，综合评估无人机健康状态，自主发出故障预警，给出下一步操作建议。

图3 故障预测技术体系

针对不同的设备，其故障预测的实现途径略有不同，但大体上都符合图3所示的技术体系。

2.2 故障预测技术流程

提出的故障预测技术流程如图4所示，主要分为离线学习和实时分析2个部分。

图4 提出的故障预测技术流程

无人机故障预测核心算法介绍：

(1) 健康因子提取。提取可以直接或间接反映设备健康状态的关键参数；

(1)

式中，函数Γ(·)表示非线性拟合模型。

(2)

设备的退化模型为：

(3)

设LΔm为第m次模型验证的平均误差。则令判决阈值为：

Th=p·max(LΔm)，

(4)

式中，p为设定虚警率。使用少量真实故障样本Sl对Th进行干预，得：

(5)

(4) 外推预测

选择合适的外推算法模型，如趋势外推法等，令：

Ω(t+T)=K(Ω(t))。

(6)

3 仿真实验

根据遥测数据的变化特性模拟生成了故障数据集，所有参数均进行了数据标准化操作，以下实验均以此数据集为数据基础。仿真实验以发动机设备为例，非线性回归模型是预训练好的DNN网络模型。取转速(s)、排气温度(t)、滑油压力(p)和节风门(a)作为发动机设备的健康因子，发动机设备的健康状态可通过{s,t,p,a}组成的状态空间来评估。

3.1 多阈值参数异常检测

由于发动机设备在不同的飞行状态和飞行控制模式下，其工作的动力学模型存在差异。因此，针对发动机设备的异常检测首先需要将遥测数据序列划分为20种工况(5种飞行状态、4种飞行控制模式)。利用海量历史遥测数据对转速、排气温度、滑油压力、节风门进行统计分析。统计4种参数在20种工况(5种飞行状态、4种飞行控制模式)下的数值特性，具体包含：每种工况下的平均值(Mean)、最大值(Max)和最小值(Min)。以滑油压力参数为例，其20种工况的统计阈值如表1所示，由于表1由历史大数据统计生成，也可以直接作为告警阈值。

表1 滑油参数20种工况的统计阈值

指令阶段人工自主指令遥控起飞0.35～0.83---爬升0.41～0.780.41～0.760.38～0.77-定高-0.48～0.830.40～0.82-下降-0.41～0.540.40～0.540.05～0.18降落0.43～0.78---

本文采用了直方图统计方法，首先生成参数的统计直方图，并根据频数对直方图进行排序；然后设置一个恒定的置信度，实验中取95%；最后，选取频数在前95%范围内的直方图进行统计分析。

与传统单一阈值参数监控的模式相比，基于多阈值的参数监控模式考虑了不同工况下无人机运动状态的差异，具有更精确的故障检测能力。

3.2 基于深度学习的参数异常检测

发动机设备健康状态的2个重要参数为发动机转速和滑油压力。由式(1)～式(5)可知，利用发动机各参数间的属性关联关系可以对发动机转速和滑油压力进行回归预测，并根据预测值与真实值的偏差，对参数进行故障检测。测量值{s,t,p,a}表示无人时实时下传参数，预测值为回归模型计算出的预测值{s′,t′,p′,a′}，偏差值表示测量值与预测值{s′-s,t′-t,p′-p,a′-a}。

参数异常检测仿真如图5所示。从图5(a)中可以看到，在A位置处，转速的真实值和预测值之间的偏差较大，显著高于其他区域，数据异常发生在4 640时刻；在图5(b)中，在B位置(4 712)处同样发生了较严重的滑油压力值异常。通过关联分析可知，在4 640～4 712时刻附近，发动机系统出现了故障征兆。

图5 参数异常检测仿真

3.3 趋势外推预测

当确定发动机发生故障征兆后，如果此时偏差值已经超出了故障告警阈值，则立刻向系统发出故障告警。如果此时偏差并未超出告警阈值，则通过直线趋势外推，预测T时间后的状态，如图6所示。

图6 滑油压力参数直线外推预测

从图6中可以看出，通过直线趋势外推计算可知，故障将在5 400时刻(C点)发生。此时，需要提前处理异常，并实时跟踪参数变化趋势。

4 结束语

本文主要从系统结构设计和算法技术体系2个方面对设计的无人机故障预测系统进行了详细介绍，并且利用模拟故障样本集对故障预测算法进行了仿真实验。

提出的故障预测算法充分利用了机器学习技术和数据挖掘技术。我们提出的无人机故障预测系统在提高监控系统故障预测能力的同时，还存在以下问题：故障样本的不足导致了故障知识库不够丰满，而系统的故障预测模型是建立在现有故障知识库的基础之上。随着新故障类型的收集和故障知识库的扩充，系统的故障预测系统还有较大的提升空间。