无人机飞控系统故障诊断技术研究综述

安 雪，李少波，张仪宗，张安思

1.贵州大学 机械工程学院，贵阳 550025

2.省部共建公共大数据国家重点实验室，贵阳 550025

无人机作为新兴技术，在军事、民用、农业等多个领域有着广泛的应用，尤其是军事领域，它的研究和应用给军事作战带来了重大的改变，使军队的作战能力得到了极大的提升[1]。然而，随着无人机的大量应用，无人机发生事故的频率也迅速增加，据数据统计，它发生的事故大约31%是由于人为因素，而约59%是由于设备故障导致的，其余的是由环境因素所导致[2]。其中，无人机飞控系统一般包括传感器、执行机构和机载计算机三大部分，是最容易发生故障的系统。

无人机飞控系统的作用相当于人类的大脑，能够对无人机飞行姿态和运动参数进行实时控制。因此，飞控系统的健康是无人机可靠安全的重要保证[3]。无人机的故障诊断技术是指在无人机系统出现故障时，利用各种测量手段，对故障造成的影响进行量化分析，以确定故障的类型、位置和原因，并给出有效的维修方案，以解决故障问题[4]。近年来，海内外的学者对无人机飞控系统的故障诊断技术进行大量研究，旨在通过深入分析无人机的故障原因，为无人机的安全和可靠性提供保障，并且能够有效地降低故障维修和更换的成本[5]。

从2010至2022年期间与无人机故障诊断相关的大量文献来看，具体时间分布如图1 所示，学者针对无人机故障诊断技术研究稳中有进，总体上呈现递增趋势。特别是2016 年后一直保持较大的递增趋势，表明世界范围内无人机故障诊断技术研究已经引起众多学者的广泛关注，意味着无人机故障诊断技术具有重要研究价值。由于政府对无人机研究的大力支持以及各研究机构对无人机故障诊断技术的研究投入，使得无人机故障诊断技术得到大大提升。

图1 2010至2022年期间发表的论文Fig.1 Papers published during 2010—2022

文献所涉及的无人机故障研究类别、对象、方法及区域分布如图2 所示。图中显示国内外对于无人机故障诊断技术的研究多集中在无人机飞控系统中的传感器和执行机构两个方面。随着各个结构的故障类型存在较大差异，针对不同的部件研究了不同的诊断方法。例如，在无人机传感器的故障研究中，神经网络法被许多学者在无人机传感器故障诊断的研究方面广泛应用，将神经网络法应用于无人机传感器的故障诊断，避免了复杂数学模型的建立。而在执行机构的故障研究中，深度自编码器和优化的卡尔曼滤波器等应用最为广泛，这两种方法的使用提高了故障诊断的精确度以及适应噪声的能力。

图2 无人机故障诊断分布Fig.2 UAV fault diagnosis distribution

本文主要对无人机飞控系统进行各类常见故障机理的分析，并对无人机故障诊断技术的研究现状、应用及发展趋势进行整理、分析和归纳，为无人机故障诊断技术的深入研究提供参考和借鉴。

1 无人机故障机理分析

自20 世纪末起，无人机系统的故障检测与诊断技术开始步入了理论与实际应用的发展，几十年来，学者提出了大量的方法并逐渐得到完善。由于繁琐的非线性系统需求持续在增加，不断有学者相继提出了一些新的理论知识和方法，优化这些能够满足系统可靠性、实时性和稳定性要求的方法一直以来都是学者们关注的重点[6]。由于无人机系统复杂多样导致无人机的故障种类繁多。无人机飞控系统故障按部件分为传感器故障、执行机构故障以及其他部件故障。

1.1 无人机传感器故障

无人机是典型的多传感器系统，包括全球定位系统（GPS）、陀螺仪、加速度计、空速管、风传感器等[7]。传感器故障对于在反馈控制下运行的系统具有灾难性的后果，为了实现精确的控制，传感器必须是可靠的。在无人机应用中，迫切需要开发一种具有可重构能力的飞行控制系统，来诊断传感器的故障，并应用于针对故障模式设计的控制算法。无人机典型的传感器和其对应的测量参数如图3所示[8]。

图3 无人机典型传感器及测量参数Fig.3 Typical UAV sensors and measurement parameters

在工程中常见的传感器故障类型有偏差故障、开路故障、断路故障、周期性故障以及漂移故障，如图4所示[9]。

图4 传感器故障Fig.4 Sensor faults

偏差故障是指在一定时间后，传感器的测量结果与被测参数的真实值之间会出现一个恒定的误差。开路故障是指在一定时间后，传感器的测量输出值为一恒定值。短路故障是指在一定时间后，传感器的测量输出值归置为零。周期性故障是指在一定时间后，传感器的测量输出值叠加某一频率的信号。漂移故障是指在一定时间后，传感器的测量输出值以某一速率偏移原信号[10]。

1.2 无人机执行机构故障

无人机的执行机构是飞行控制信号的直接执行者，它们负责接收和处理来自机载传感器和飞行控制系统的指令，并将其转化为有效的飞行控制信号，从而实现飞行控制功能[11]。由于频繁的任务执行和环境干扰，无人机执行器通常会遇到各种故障，导致效率降低以及电路和机械的损坏，其组成部分及常见故障类型如图5所示。

图5 执行机构组成及故障类型Fig.5 Actuator components and fault types

执行机构故障可以分为部分失效、完全失效和失控，如图6所示。部分失效指电机电压发生损失但电机处于可控状态，效果和电机正常运转但旋翼发生损伤一样；完全失效指电机电压为零或与电机共轴的旋翼直接卡死，此时的升力和力矩都为零；失控是指电机转速突然达到最大且无法调速而失去控制[12]。

图6 执行机构故障Fig.6 Actuator faults

2 无人机传感器故障诊断

传感器广泛用于获取信息和信号，特别是在环境监测中，尽早识别传感器故障是故障诊断的最重要方面，以确保数据的准确性和可靠性[13]。传感器故障诊断是提高整个故障诊断系统可靠性的重要途径。在复杂环境中，传感器性能下降的原因有多种。对于传感器故障的早期诊断，主要的解决方案是使用多个传感器同时测量同一参数，并将测量结果中的偏差视为故障[14]。这种方法通常是有效的，但过度使用传感器不仅会增加成本，还会使系统更加复杂。传感器的故障类型可分为硬件和软件两大类。硬件故障：在硬件设计中可能由于设备中的任何组件失效、电气或机械失效、人为错误、环境问题或其他设备问题导致传感器发生故障。通常可以通过在设计中添加冗余机制来减少此风险。软件故障：由于软件系统可能出现错误而导致传感器失效。例如，当传感器与数据处理和控制系统没有正确通信时，就可能导致数据丢失或异常值。典型的传感器故障分类见表1[10]。

表1 无人机典型传感器故障分类表Table 1 Fault classification of typical UAV sensors

通常对于无人机传感器的故障诊断，有基于知识、基于模型、基于信号处理、硬件冗余和解析冗余等方法[15]。近年来，基于神经网络法的故障诊断方法在无人机传感器故障诊断领域得到了广泛应用。

2.1 基于知识的传感器故障诊断

近年来，计算机技术的发展为故障诊断技术提供了新的理论基础。由于不同故障类型的复杂性，许多复杂的控制系统很难获得准确的数学模型。为此，学者们提出了一种基于知识的故障诊断方法，此方法使用专家系统来定位和诊断传感器故障，不需要定量数学模型，并且可以在系统的推理引擎中分析模糊逻辑关系和现有历史数据[16]。历史故障信息和专业知识用于诊断传感器是否有故障，该方法具有自学习能力和较高的容错能力，在非线性系统的故障诊断中具有优势。

使用专家系统的故障诊断方法基于传感器的故障信息和知识，如图7所示。整个系统包括三个主要部分：知识库、规则库和推理机制[17]。利用知识规则和推理机制来分析传感器的工作状态，系统的工作过程如下：用户提取需要诊断的传感器的测量值，通过人机界面输入已知的故障现象，然后诊断系统根据现有规则为不确定推理选择合适的推理步骤。在推理过程中，系统不断与用户交互，询问是否存在其他故障，最后识别出所有可能的故障[18]。根据推理机的不同，基于知识的传感器故障诊断方法可分为基于规则的诊断专家系统和基于模糊推理的诊断专家系统。

图7 用于传感器故障检测的专家系统结构Fig.7 Structure of expert system for sensor fault detection

在无人机传感器故障诊断领域，传统的基于规则的人工智能专家系统逐渐被基于模糊逻辑的神经网络专家系统所取代。Sun等[19]开发了数据驱动的自适应神经元模糊推理系统（ANFIS），用于导航传感器的故障检测。该方法提供了快速故障检测的能力，但其误报率相对较高。随后，Wang等[20]采用模糊故障诊断方法，建立通用的故障诊断系统，提高了故障的准确性并减少误报的数量。由于复杂流程工业过程知识类型多样且含有多种不确定性，袁杰等[21]针对这些问题提出一种基于D-S融合的混合知识系统故障诊断方法，通过融合多个专家知识系统的结论，提高了不确定性系统故障诊断的正确率。

无人机飞控系统故障诊断专家系统的知识获取方式主要来源于飞控知识工程师，知识工程师通过对知识的产生式表示，并按照系统设计的数据格式将产生式规则存入专家系统，通过对数据的核验判断知识的准确性，并将知识存入数据库中。基于知识的方法可以根据各故障与故障征兆之间的联系，直接对系统故障进行判定，其优点在于知识易于增加和删除。但该方法只能在已有的知识范围内进行故障检测，并且获取新知识困难，因为系统在运行过程后期不能创造知识。

2.2 基于模型的传感器故障诊断

在基于模型的方法中，应用动态过程模型对输入和输出信号进行分析。基于模型的无人机故障诊断流程如图8所示，模型系统的信号与实际系统的信号之间的差异定义为“残差”[22]，残余信号中存在丰富的故障信息，可以根据适当的决策函数或决策规则诊断故障。这是最早的故障检测方法，其原理是检测模型系统中的行为是否与实际系统中的行为一致。该方法常与故障估计法配合使用，构建传感器故障诊断过程，通过建立模型并选择决策函数（或规则），将残差的评估函数与所选阈值函数进行比较，检测到变化并判断传感器系统的故障[23]。这是一种重要且具有挑战性的方法，至今仍然很流行。

图8 基于模型的无人机故障诊断过程Fig.8 Model-based fault diagnosis process for UAVs

Hansen等[24]工作涉及空速传感器的故障诊断，该方法基于自适应观测器来产生分析冗余并创建残差，该技术使用模拟以及无人机空速传感器的实际数据进行了测试，虽确保了非常低的误报率，但同时对真实故障的检测概率并不高。针对低检测率的问题，Lopez-Estrada等[25]设计了一个LPV 鲁棒观测器来诊断四旋翼飞行器的传感器故障。同时创建了一个观测器库，它生成的一组残差中每个残差仅受一个故障影响，降低了故障检测的外界干扰影响，保证了误报率的同时使故障被有效地隔离与检测，但该技术对于在容错控制方面的问题并未得到解决。此后，又有Saied 等[26]提出了一种利用扁平系统的微分平坦度特性提供分析冗余的方案。这种方法能够提供传感器故障诊断所需的残差以及多旋翼无人机的执行器，但该方法主要针对单个传感器故障进行检测并诊断。Berriri等[27]通过改进奇偶校验空间法研究了基于小型固定翼无人机电驱动传感器的故障诊断，为二阶系统设计了一种快速简单的传感器故障诊断算法，最终算法的简单性使得执行时间更短，传导中的资源消耗更少。

总的来说，上述技术大多考虑单个传感器发生的故障，改进奇偶校验技术的理论知识比较成熟，大多通过仿真进行验证，并且以应用这种方法不需要考虑其他部件所发生的故障，使得传感器的故障诊断更加准确。最新的基于模型的诊断方法在算法检测的灵敏度和实用性方面仍存在问题。实际工作对象的许多非线性动力学不容易建模。在许多实际应用中，很难获得能够完全匹配传感器行为过程的模型[28]。但模型的不匹配可能会导致较大的残差信号[29]，这些局限性使得基于实时控制系统动态模型的故障检测方法难以开发和应用。

2.3 基于信号处理的传感器故障诊断

基于信号的方法是通过小波变换和信息融合等方法分析可测信号，提取和处理测量时程或其相应频谱的特征，以检测故障。

许瑞振[30]针对机载传感器的工作特性进行分析，提出了一种多源信息优选与卡尔曼滤波相结合的信息融合方法。设计了一种带限制条件的自适应滤波算法，提高了滤波估计精度。Li 等[31]利用小波分析提取数据的频域特征，再用神经网络对信号对其进行诊断，在此基础上，用单个传感器信号的数据进行自我诊断，提出一种联合信息诊断方法，该方法能够有效诊断多传感器系统中传感器的故障。张伟鹏等[32]对传感器系统输入输出信号做连续小波变换，提出一种基于小波变换的方法对传感器进行故障诊断，该方法具有简单、快速、依赖系统模型程度低、诊断效果好的优点。

小波分析在实际生活中应用得较为广泛，有研究针对这一技术做出了有效的验证，该方法在各个领域的故障检测方面效果都非常明显，这也使得近年来在这一技术上投入的研究有所增加。

2.4 基于硬件冗余法的传感器故障诊断

硬件冗余法是用3 只以上的同类传感器测量同一个系统参数以多数表决原则识别故障传感器，硬件冗余法的划分及其特点如图9所示[33]。其优点在于原理简单、鲁棒性强、不需要抽象的数学模型、检测速度较快；缺点在于设备复杂，所需设备较多且具有较高的硬件成本和维护费用[34]。

图9 硬件冗余法的划分及特点Fig.9 Classification and characteristics of hardware redundancy method

多数基于硬件冗余法的多传感器故障诊断的研究中，在不确定性方面并没有得到很好的解决。Jiang等[35]将函数交点的纵坐标作为基本概率赋值，但由于对模型方差信息的考虑不足，不足以表达故障模型中的不确定信息。Song 等[36]利用测试数据与训练数据生成的高斯分布模型之间的关系来确定基本概率赋值，而当传感器数据波动较大时，使用单个测量数据作为测试数据可能无法解决不确定性。直到后来，Jiang等[37]提出的一种基于多传感器数据融合的故障诊断方法，采用Dempster-Shafer（D-S）证据理论对不确定性进行建模，将实验模型与故障模型的交集区域变换为一组基本概率赋值，通过电机转子的Iris数据集和实际测量数据对所提方法进行了测试，验证了所提方法的有效性，才使得这一问题得到解决。

使用硬件冗余可以使传感器故障检测、分离和诊断方法的性能得到提高，使检测阀值减小，以增加诊断概率。这种方法对于大型飞机是合理的，但并不总是适用于小型无人机，因为硬件冗余通常不能满足无人机的尺寸、重量和功率（SWAP）限制。

2.5 基于解析冗余方法的传感器故障诊断

解析冗余方法依赖于发动机数学模型的准确性[38]。在发动机的保养周期中，不可避免地会出现发动机性能恶化，导致与机型不匹配的情况。解析冗余法具有较强的实效性和深厚的理论基础，可分为基于数学模型和基于多传感器的两种形式，其具体划分形式及原理方法如图10所示[39]。

图10 解析冗余法用于故障诊断的原理及方法Fig.10 Principles and methods of analytical redundancy method for fault diagnosis

Qiu等[40]利用卡尔曼滤波构建了变循环发动机的自适应模型，基于此构建了解析冗余逻辑策略，并引入了阈值的动态自适应计算，有效提高了传感器故障诊断的可靠性和解析冗余的准确性。Lunze等[41]提出了一种推导可诊断系统的分析冗余关系的方法，描述了一种新方法，将结构图中包含的导数约束替换为表示状态变量和输出的导数的一系列方程，从而得到残差的解析表达式。基于这两者的研究，Youn等[42]提出了一种模型辅助多旋翼无人机合成空速估计的新方法，同时提出并评估了两种新型滤波器（无迹卡尔曼滤波器和互补滤波器），准确估计了空速，验证了其分析冗余的有效性。由于传统方法大多获取的参数总是包含不确定性，甚至会随着时间的推移而变化，Lim等[43]提出一种利用深度学习和无迹卡尔曼滤波（UKF）实现分析冗余的新型合成空速估计方法，解决了多旋翼无人机参数不确定性问题。

上述的分析性冗余法是特征识别的定性方法，所讨论的对象是一个比较平稳的过程，一般用于分析传感器的增益变化故障。但是，由于对象的复杂性和不确定性因素的存在，这类诊断方法所导出结论的准确性较低，即故障误报率较高。因此，这类方法往往作为诊断系统设计中的一种辅助诊断方法。

数据定制的实现是在服务器端根据实际采集需求，将设计好的数据库表在WEB页面以表单方式呈现出来。由于系统是通过在WEB页面读取数据库中表实现数据采集服务，在进行数据采集时，服务器需要在短时间内处理来自客户端的大量操作请求，因此根据JavaBean组件的特点和优势，在服务器端编写可重用的JavaBean组件来实现读取数据库的操作。整体采用B/S设计模式，其框架体系如图4所示。

2.6 基于神经网络法的传感器故障诊断

随着神经网络的发展，人工神经网络具有自适应能力、泛化能力、非线性映射能力和高度并行处理能力等特性，并逐渐应用于无人机传感器的故障诊断中[44]。利用神经网络构造故障观测器和预测器，可实现对无人机传感器故障的识别和诊断，检测过程如图11所示。

图11 基于神经网络的传感器故障检测Fig.11 Neural network-based sensor fault detection

2017 年，Zhang 等[45]提出了一种名为“具有宽第一层核的深度卷积神经网络”（WDCNN）的新模型，通过AdaBN 的简单域自适应方法提高了模型的域适应能力，该模型解决了目前CNN 应用于故障诊断的准确率不高的问题，提高了正常信号的分类精度。但该方法中使用的数据集是完全平衡的，而在实践中，并非所有数据集都是平衡的。2020年，Gao等[46]基于卷积神经网络（CNN）的数据驱动方法针对多旋翼无人机（UAV）中与温度相关的传感器故障进行分类。同时，设计了一个多尺度CNN，解决了非均匀采样问题。其提出的一种改进的自适应学习率优化方法，通过使用卡尔曼滤波（KF）在小数据集上有效地训练网络，从而加速损失收敛，实现了较高的故障识别精度，在小批量训练上提高了损失收敛性和鲁棒性。2021年，Han等[47]提出了一种用于实时小目标检测的深度轻量级卷积神经网络方法以及两种新的学习速率策略，提高了检测精度并实现了实时检测。2022 年，Wang 等[48]提出了一种新的具有幂指数学习率的Adam 优化器来控制CNN 方法的迭代方向和步长，解决了网络参数更新过程中由于学习率固定值引起的局部极小、超调或振荡问题。2023 年，Zhang等[49]设计了一个神经网络参数反演模型（PIMNN）来重建移动点源的轨迹，解决了有限孔径内数据采集带来的信息丢失问题，并且该方法对噪声具有一定的鲁棒性，能够通过神经网络构建轨迹预测模型（TPMNN）来预测移动点源的轨迹。

上述改进的CNN 网络和传统的方法进行比较，提高了数据集的识别精度，如表2 所示，与以往的方法LeNet-5[50-56]、LSTM[57-61]、SVM[62-66]以及BPNN[67-71]相比，该方法可以更准确地诊断出故障类型的故障数据。基于神经网络的传感器故障诊断过程中，根据输出向量维数的特征和故障数量确定网络结构和相应的激活函数，使用故障样本对网络进行训练，通过反复调整学习率、惯性因子和其他参数，网络不断改进，直到达到最终精度[72]。

表2 神经网络方法比较Table 2 Comparison of neural network approaches

3 无人机执行机构故障诊断

执行机构是负责控制无人机的关键机电部件，可能发生的故障会导致飞行问题，进而可能导致无人机坠毁，并可能造成灾难和平民伤害。因此，执行器故障的诊断至关重要，需要开发适当的方法。执行机构故障是多旋翼无人机的典型故障，主要包括电机卡死故障和电机失效故障。许多学者针对多旋翼无人机的故障问题进行了研究，并提出了下面的一些故障诊断方法。

3.1 基于观测器的执行机构故障诊断

基于观测器的方法具有设计简单灵活且易获得较强鲁棒性特点，广泛应用于无人机执行机构和传感器的故障诊断。

在利用线性无人机动力学构建的故障检测算法方面，Guzman-Rabasa 等[73]针对四旋翼无人机提出了一种时变但线性的观测器，并为其配备了一个简单的查找表来诊断故障。Ye 等[74]开发了一个观测器来估计完整状态和执行器偏置故障。由此产生的观测器需要辅助增益来处理未知的不确定性和执行器故障。即使线性观测器在工作点周围产生了令人满意的估计值，但由于非线性状态离这些工作点较远，估计值的准确性也会相应降低。随后，有Tutsoy等[75]通过仅考虑四旋翼无人机不确定的旋转动力学来开发一个降阶的Thau 观测器，仿真结果表明该方法产生的估计误差较小。

Song 等[76]提出一种基于扩展状态观测器（ESO）和（DF）的故障诊断定位方案，实现了四旋翼无人机执行机构的故障诊断和定位。He等[77]提出一种基于线性扩展状态观测器（LESO）的故障估计算法，提高了四旋翼无人机故障诊断的收敛速度以及仿真估计精度。Yin等[78]开发了一种故障诊断方法，使用间隔观测器对垂直起降无人机编队中的执行器故障进行诊断，在此方案中，可以创建残差和阈值，在一个垂直起降的编队中进行的MATLAB仿真证明了所提方法的性能。与之前的工作一样，Li等[79]的工作仅对一架参与编队的固定翼无人机进行执行器故障诊断，该方法涉及未知输入观测器和分布式故障检测技术，通过在MATLAB 环境中的仿真对所提出的架构进行了评估。Ma等[80]将传感器和执行器的故障都考虑在内，应用了自适应观测器进行四旋翼无人机的故障估计，建立了容错故障调节控制方案，仿真和实际飞行都证明了该方法的有效性。Boss 等[81]基于多模型、多扩展高增益观测器（EHGO）的输出反馈控制策略，研究了一种六旋翼无人机的飞行中执行机构故障诊断技术，提高了执行机构在飞行过程中都会发生的故障的识别速度和精确度。

到目前为止描述的故障诊断方法均是在不考虑影响系统的干扰下进行的，但EHGO 中明确地包含干扰，并且可以根据干扰水平区分干扰和执行器故障。该研究中不仅保证了稳定性，而且提供了关于什么程度的干扰可以与执行器故障区分开来的见解，以及在故障和切换模型之间可以经过多少时间，然后才有可能失去控制。该研究的模拟实验显示执行器的故障在飞行后不到2 s就被错误地检测到，如图12所示。原则上，EKF可以通过干扰模型来增强，以改善这种性能，但是这需要一个预期干扰的模型。而EHGO 可以适应各种动力学未知的干扰，因此，根据飞行条件，考虑故障恢复策略中的干扰是一个极其重要的因素。

图12 各转子的健康估计值Fig.12 Health estimate of each rotor

3.2 基于滤波器的执行机构故障诊断

近年来，序贯估计取得的可喜成果使其成为在线建模和模型-参考控制的重要研究方向，用于非线性系统的最著名的序贯估计方法之一是扩展卡尔曼滤波。

Zhong等[82]的工作介绍了四旋翼飞行器在存在外部中断的情况下的综合执行器故障诊断方案，更具体地说，作者开发了一种自适应三态卡尔曼滤波器，除了诊断执行器故障外，即使外部干扰影响无人机，它也能够评估幅度。仿真结果表明了所提方法的可靠性，并在各种故障场景下验证了该方法的有效性。Hajiyev 等[83]对系统模型进行了额外的更改，并提出了具有多系统噪声尺度因子（MSNSF）的算法。鉴于执行器表面故障在无人机的数学模型中产生加性变化，该方法可用于执行器表面故障诊断，仿真证明了该方法在诊断固定翼无人机执行器表面故障方面的有效性。Hasan等[84]引入一种线性卡尔曼滤波器，以诊断多旋翼无人机上的故障执行器。仿真分析表明，所提出的程序可以在合理的精度范围内诊断出有故障的执行器。Qi 等[85]提出了一种能够适应噪声统计特性的新型滤波方法（卡尔曼滤波器KFbased adaptive UKF），提高了适应噪声统计特性的能力。并针对两种不同自适应UKF算法对过程噪声统计变化的估计精度进行了测试。在相同工艺噪声强度变化条件下，UKF和基于KF的自适应UKF的估计误差如图13所示。当噪声信息在5 s时发生变化时，由于违反了最优条件，UKF无法产生最优估计。另一方面，自适应情况下的估计误差很快被克服，并且几乎与之前的大小相同。由于UKF 在卡尔曼滤波器的框架内，它只能在对系统建模的某些假设下获得良好的性能。然而，在实践中，这些假设通常不满足，滤波器的性能可能与其理论性能相比严重下降甚至发散。当发生故障或损坏时，这种情况会更糟。为了避免这些问题，学者应用自适应机制来自动调整过滤器参数，以适应先前知识不足的真实统计数据。

图13 基于KF的UKF时变过程噪声的状态估计误差Fig.13 State estimation errors with time-varying process noise using KF-based UKF

Caliskan 等[86]提出了一种检测和隔离卡尔曼滤波（KF）创新序列均值的无人机传感器故障的方法，实现了针对传感器和执行器故障的重新配置飞行控制。Gao等[87]提出了一种基于扩展卡尔曼滤波（EKF）和多模型自适应估计（MMAE）的执行器故障检测与诊断（FDD）方法，实现了在多旋翼无人机不增加任何传感器的情况下执行器故障诊断的准确性和有效性。多模型自适应估计是检测执行器或传感器故障的常用方法。但该方法的计算非常大，可以隔离的故障有限。特别是对于卡死的故障，滤波器仅在预设工作状态附近才具有高效率。此外，MMAE 方法中使用的卡尔曼滤波器大多适用于描述线性微分方程，而对于大多数实际应用，倾转旋翼无人机的动力学大多用非线性微分方程来描述。

基于滤波器的无人机执行机构故障诊断技术是一种常见的故障诊断方法。该技术可以对无人机执行机构进行实时监测，并且在发生故障时，能够快速地给出故障警告信号。不需要额外的硬件设备支持，并且可以轻松地与现有的传感器系统集成，因此具有广泛的应用前景。但该技术需要先知道故障信号的频率范围或特征，因此在某些情况下如果没有先验知识，则难以准确地进行故障的诊断。

3.3 基于数据驱动的执行机构故障诊断

用于无人机故障诊断的一种流行的方法是基于数据（数据驱动，基于知识）。近年来，这种使用大型数据集的特定类别的分析冗余方法越来越受欢迎，这可能是由于用于处理数据、检测模式和进行分类的工具和有效算法越来越强大。表3 中总结了使用基于数据驱动的方法的无人机执行机构故障诊断技术文献，列出了诊断的故障和干扰类型以及使用的确切方法。

表3 基于数据驱动的方法Table 3 Based on data-driven approach

数据驱动的方法直接利用设备运行状态下的监测数据进行故障诊断，可有效解决无人机结构复杂和任务场景不确定特性下的系统建模难题以及专家先验知识不足问题。张懋石[92]基于数据的方式和深度学习的理论知识，提出了航空发动机气路部件和无人机执行器故障诊断方法，通过加入降噪自编码网络，提高了无人机故障诊断网络模型的鲁棒性以及准确性。李炜等[93]提出栈式降噪自编码（stacked denoising autoencoder，SDA）的故障诊断方法，提高了执行器的故障类型判断的准确性和可靠性，并有效提升了四旋翼无人机的安全可靠性。深度学习可以通过深度网络来挖掘原始数据中的信息，从而提高系统的可靠性和准确性，近年来在齿轮箱、风电、轨道交通等诸多行业中得到了广泛的应用，并获得了较好的结果。可以预知，利用深度学习技术对无人机进行智能化故障诊断的研究将取得丰硕成果。

基于数据驱动的方法不依赖系统的先验知识，通过挖掘监测信号中的隐藏信息确定系统运行状态进行故障诊断，是目前较为实用的诊断技术。然而现有的基于数据驱动的方法往往基于深度神经网络，其依赖深度的网络结构，运算低效且结构复杂，而宽度学习（broad learning system，BLS）可有效避免上述问题。李润泽等[94]结合统计模型和改进的宽度学习进行故障检测与诊断研究，提出一种基于数据驱动的多旋翼无人机集群的故障检测与诊断方法，采用一种如图14的改进BLS模型，实现了准确快速的故障诊断。基于宽度学习的诊断方法作为数据驱动方法的最新研究成果，其应用范围已初步延伸到无人机故障诊断方面。

图14 改进的BLS模型Fig.14 Improved BLS model

4 无人机飞控系统故障诊断应用

大多数故障诊断技术都还停留在理论阶段，只在仿真平台中进行一系列实验，大多数研究者声称他们的方法可以实现积极的结果，但缺乏实际的工程应用验证，由于实际应用过程中存在诸多不确定因素，这些方法的有效性有待进一步验证。

但国内外在航空飞行领域并不缺乏故障诊断技术的成熟应用案例；然而，涉及技术和商业机密，很少向外公开。例如基于神经网络的方法成功解决了“旅行者1号”通讯系统的故障诊断研究[95]以及国产某歼型飞机的结构故障诊断应用[96]、空中送货无人机的故障诊断应用[97]、冗余与容错技术在民机飞行控制系统中的应用[98]、MQ-9B 正在配备的GA-ASI 开辟的检测和幸免（DAA）系统在故障诊断中的应用[99]、型号为Skydio2[100]的无人机配备了具有自动故障检测功能的先进自主飞行系统等。以及在某些研究中对相应的无人机故障诊断技术进行的实际飞行测试，如Bronz等[101]通过对小型固定翼无人机在实际飞行条件下，记录的11份飞行日志，采用支持向量机算法对飞行器在正常飞行阶段和故障阶段的行为进行分类；该项研究的实际飞行测试系统如图15所示。Zhang 等[102]将其提出的一种基于混合深域自适应BiLSTM网络和Hampel滤波器（HDBNH），同样用于这种固定翼无人机的故障诊断，通过在该无人机真实的飞行数据中进行测试来验证该方法的有效性。孙城[103]在完成所构建神经网络模型结构和参数的保存以及软件平台中模型的构建情况下，将其研究的深度学习1D-CNN 模型用于无人机执行器系统故障诊断的方法应用到自己构建的正常的和执行器故障的pixhawk 六旋翼无人机中。

图15 飞行测试系统Fig.15 Flight test system

这些实际应用展示了无人飞行器故障诊断技术在解决飞行器故障和危险情况方面的重要性，它们帮助提高飞行器的安全性，保护人员和财产免受潜在风险的威胁。无论是哪种无人机飞控系统故障诊断技术，都需要严格结合实际飞行数据进行测试和验证，来评估无人机飞控系统故障诊断技术的可靠性和准确性，同时也有助于推动无人机技术的进一步发展。

5 挑战与展望

5.1 面临的挑战

在无人机故障诊断领域，目前国内外的研究热点主要集中在基于人工智能的故障诊断方法，其次是无人机的故障建模方法及智能控制方法。其中，基于人工智能的无人机故障诊断主要包含数据驱动的推理和决策、专家系统以及神经网络等方法。此外，在数据驱动和专家系统方面还包括机器学习方法、基于小波分析的方法、人工神经网络以及贝叶斯网络等技术。目前，随着无人机故障诊断领域研究技术不断成熟，对于人工智能算法的应用已经比较广泛，但目前在对无人机进行故障诊断时仍然存在以下几个问题。

（1）无人机系统复杂。无人机系统的复杂性主要来自于其涉及到多个子系统和组件，例如传感器、控制器、执行器、通信设备等，并且它们之间相互交互，形成了一个高度耦合的整体系统。无人机的这种复杂系统通常会产生大量的数据，包括传感器数据、飞行记录、故障报告等等。如何从这些数据中快速准确地检测到异常和故障，并排除假阳性和噪声干扰，是一个具有挑战性的问题。

（2）无人机飞行环境复杂。无人机在飞行过程中需要依靠遥控器或GPS等设备进行通讯与定位，在复杂环境中飞行时周围存在大量的物体和电磁波等干扰源，建筑物、地形起伏等因素可能会导致信号丢失，这些干扰会对无人机的传感器数据造成影响，使得无人机不能及时接收到指令或者位置信息，从而导致诊断出现偏差或误判。

（3）目前对无人机系统故障诊断研究成果较多，但在实际工程应用中仍存在较大难度。目前国内外在对无人机系统进行故障诊断时多采用离线实验、基于模型仿真等手段，而对现场飞行测试、地面实验条件下无人机系统中实际运行产生的数据比较少，因此针对无人机系统进行测试验证时要与实际飞行测试相结合，以提高仿真模拟结果与真实数据之间的一致性。

5.2 发展方向与趋势

无人机的故障诊断技术在实际工程应用中有重要作用，已经成为无人机系统研制及飞行安全的重要保障。未来无人机故障诊断技术的发展方向与趋势主要包括以下几个方面：

（1）不完备信息下的无人机数据挖掘与建模技术：通过小样本构建分布框架，并使用深度学习网络模型来获得与原始样本分布规律相同的孪生样本，从而实现数据的扩展和多样性提升。此外，该方法还借助人工智能算法如深度迁移学习和增量学习等，解决无人机故障数据不足和单一场景标签不足情况下的冷启动问题，提高无人机故障诊断和预测建模的准确性和泛化能力。

（2）构建无人机多源数据融合故障知识库：无人机故障诊断需要融合多源数据，获取和处理飞行状态信息，并分析、预测和决策系统的运行状况。传统的人工分析方法可能会导致数据漏测或误判等问题，从而影响无人机的运行效率与安全。因此，未来可以通过深度学习从多个域中抽取特征并拟合对应关系，实现对无人机故障的智能辨识与预报，这将是一项具有重要意义的研究课题。

（3）传感器技术的创新：无人机飞行过程中所涉及到的各种传感器技术也在不断发展升级，例如气象传感器、视觉传感器等。这些传感器的升级可以提高无人机飞行安全性和运行效率，进而提高故障诊断的准确性。

（4）自主修复的应用：自我修复的飞行控制系统是战斗机、先进的无人驾驶飞行器和其他飞机的未来发展方向。伴随着对智能控制不断深入的研究，智能自修复技术，包括智能故障诊断和智能重构控制的设计，将是这一领域研究的热点问题。

（5）云端飞控技术：随着无人机飞控系统智能化硬件水平的提高，具有自主控制能力的无人机飞控系统将实现场景的态势感知与模糊记忆学习能力，同时硬件之间的兼容的交互控制将逐渐处于主导地位并实现无人机硬件系统的协同作业。在通信保持畅通的情况下，实现无人机自主控制，也可减轻操作员的工作负荷，实现智能自主控制，从而提高作业效能。

（6）加强对深度学习在无人机故障诊断中应用的研究：传统故障诊断技术难以满足无人机高可靠性和安全性要求，而深度学习方法具有强大的多层非线性特征学习能力，能够自动学习高维输入数据中的有用特征，实现更高的故障诊断精度。目前，基于深度学习的智能诊断成果显著，深度学习在无人机故障诊断方面的应用也初见成效。

（7）大数据驱动的无人机飞控系统故障诊断技术：大数据驱动的无人机飞控系统故障诊断技术利用无人机飞行数据，快速发现并解决飞控系统故障，提高无人机的安全性和稳定性。该技术帮助无人机操作员及时发现和解决飞控系统中的问题，并有助于推广无人机应用，是未来无人机领域的重要方向。

6 总结

传感器和执行机构在无人飞行器中是非常重要的组成部分，本文的研究内容主要围绕着这两个方面展开。在系统介绍无人机故障概念的基础上，首先从无人机飞控系统剖析各类常见故障的机理，并进行故障归类。其次，详细回顾基于知识、模型、信号处理、硬件冗余、解析冗余和神经网络的传感器故障诊断方法，并简要讨论了各种方法的优越性与局限性；同时针对无人机的执行机构故障，主要对基于观测器、滤波器和数据驱动的故障诊断技术进行分析。最后，总结并归纳了目前我国无人机故障诊断技术存在的问题与挑战，以人工智能和大数据深度融合下的信息挖掘和建模技术为核心，探讨了无人机故障诊断技术未来的总体发展趋势。