基于数字孪生的民航飞行控制系统故障诊断技术

摘 要：随着民用航空行业快速发展，飞行控制系统的安全性和可靠性变得尤为关键。传统故障诊断手段依赖人工经验，效率低、精度有限。本研究采用数字孪生技术，通过建立精确的虚拟仿真模型实现飞控系统的实时监控与故障预测，显著提高了故障诊断的效率和准确性。研究验证了数字孪生技术在民航飞控系统中的应用效果，确认其能显著提升维护效率和飞行安全。

关键词：数字孪生；民航飞控系统；故障诊断；实时监控

中图分类号：V 249 文献标志码：A

随着民用航空业的飞速发展，飞行安全和可靠性标准愈发严格，亟需提高安全保障水平[1]。飞行控制系统是关键，传统故障诊断方法效率低，准确性有限。本研究利用数字孪生技术为飞行控制系统建立虚拟仿真模型，实现实时监测、预报，提升运行效率、准确性。数字孪生技术融合了感知、分析和诊断功能，能够在不影响安全性的前提下模拟和分析飞控系统，通过分析海量数据检测潜在异常和故障。此研究为提升民航飞控系统的安全性提供了新思路和理论支持。

1 基于数字孪生的故障诊断方法

1.1 虚拟模型构建

1.1.1 飞行控制系统模型化

构建飞行控制系统的数字孪生模型的关键是精确的系统模型化。这要求深入理解飞行器动力学、控制逻辑及传感器和执行器特性[3]，确保模型能实时反映实际系统行为，用于故障预测和健康管理。整合这些动力学参数、控制逻辑和传感器/执行器特性的详细模型，得到的数字孪生模型能够以高精度实时模拟实际系统运行，显著提高系统的可靠性和性能，支持航空安全和效率提升。

核心的建模步骤通常包括以下步骤。

动力学建模：根据牛顿第二定律及飞行器运动学原理，建立飞行器的运动方程。例如，一个简化的线性动力学系统如公式（1）所示。

m=-Dv+g（x1，x2，...，xn） （1）

式中：m为质量；v为速度矢量；D为阻力系数矩；g函数封装了与状态变量x1，x2，...，xn相关的其他力和矩。

控制逻辑建模：设计控制器逻辑，并将其集成到系统中。这可以通过例如PID控制或更复杂的自适应控制策略实现，如公式（2）所示。

u（t）=Kpe（t）+Ki∫e（t）dt+Kde（t） （2）

式中：u（t）为控制输入；e（t）为设定点与测量输出之间的偏差。

传感器和执行器建模：确保模型包括所有关键传感器和执行器的动态响应特性。这通常涉及传递函数或响应曲线的制定，如公式（3）所示。

（3）

式中：G（s）为拉普拉斯域中的系统传递函数；ωn为自然频率；ζ为阻尼比。

经过上述的建模过程，构建了一个能够精确反映真实飞行控制系统性能的数字化模型。此模型可以被有效地模拟各种不同操作环境中的系统行为，进而在实际系统出现问题时给出预警，并为后续维护决策提供方向。

1.1.2 传感器与执行器模型化

为了实现精确的故障诊断，建立一个针对民航飞行控制系统的“数字孪生”模型是关键步骤。这涉及对传感器和执行机构的细致建模，包括它们的灵敏度、迟滞、非线性特性及故障模式，对准确模拟真实元件的动态行为至关重要。通过在数字孪生模型中精细地再现这些特性，能够确保模型的响应和可靠性与实际元件相符，从而有效地用于系统的实时监控、故障预测和健康管理。这种高精度的模型可以帮助提前发现潜在的故障，减少维护成本并提高飞行安全性。

传感器建模通常要涉及对传感器测量特性的捕获，这包括其灵敏度、频率响应和噪声水平。举例来说，一个标准的传感器模型可能会遵循特定的传递函数模型，如公式（4）所示。

（4）

式中：Gsensot为传感器的增益；Tsensot为时间常数；s为复频域变量。

这个模型描述了传感器对输入信号的稳态和动态响应。

执行器的模型化重点在于它对控制指令的反应速度，涵盖了例如力矩产生、移动速率和机械延迟等各种特征。执行器的结构模型如公式（5）所示。

（5）

式中：Kactuator为执行器增益；ωn为其自然频率。

此模型有助于评估执行器在实际飞行条件下的性能表现。

1.2 实时监测与预测分析

1.2.1 数据采集与处理

基于“数字孪生”理论，对飞控系统的实时监控和预测分析对故障诊断至关重要，而数据的获取与处理是确保诊断精度和有效性的基础。飞机通过传感器收集姿态、加速度、舵面位置和环境参数等信息，需要依赖先进感知技术和通信网络，以确保实时、准确地获取数据，如图1所示。

持续收集的数据需要进行处理，以支持后续分析。数据处理包括数据清洗、同步和融合3个关键环节。针对传统数据清洗技术的不足，介绍了基于小波分析的几种数据处理算法及其优缺点，并提出一种利用小波变换进行数据清洗的新方法。由于小波分析在时频局部化方面的优越性，它非常适合处理复杂背景下的目标检测和跟踪问题。

1.2.2 状态评估与预测

当评估飞行控制系统状态时，采用定量方法是基本途径。具体来说，可以通过计算系统的实际输出与预定模型预测之间的偏差来构建一个名为e（t）的残差信号集。这种残差信号代表了模型预测误差，是评估系统健康状况的关键指标。如果残差信号e（t）超过某个阈值，这通常意味系统可能存在异常或故障。通过实时监测这些残差信号，能够对系统中的微小变化保持敏感，从而在异常发展的早期阶段进行检测和警报，进一步采取适当的诊断和维修措施来确保系统的正常运行和飞机的安全飞行。残差信号如公式（6）所示。

e（t）=yreal（t）-ymodel（t） （6）

式中：yreal（t）为实际系统输出；ymodel（t）为数字孪生模型的预测输出。

一旦残差超出了预定的阈值，便可判定系统可能存在异常。

当进行预测分析时，经常会运用时间序列分析和机器学习的相关技术。自回归移动平均模型（ARMA）及其相关版本，例如自回归积分滑动平均模型（ARIMA），常被采纳来预测系统的将来行动。一个基础性的ARIMA模型如公式（7）所示。

（1-B）p（1-B）dYt=（1-B）q∈t （7）

式中：Yt为时间序列数据；B为后退算子；∈t为白噪声；p、d、q分别为自回归、差分、移动平均的阶数。

1.3 故障识别与定位

1.3.1 故障特征提取

在特征抽取阶段，使用信号处理方法例如快速傅里叶变换（FFT）[4]对传感器数据进行频域分析是至关重要的。FFT技术将时域信号转换为频域信号，有效识别系统的基本频率和谐波，对评估系统健康状态至关重要。它能精确捕捉不同故障模式在特定频率上的特征响应，例如轴承损坏的高频振动或不平衡的低频特征，从而实现早期故障检测和诊断。FFT还能过滤噪声，准确聚焦真实故障频率，显著提升飞行控制系统维护和健康管理的效率和准确性，是故障诊断的关键工具。FFT的数学表示式如公式（8）所示。

（8）

式中：F（k）为频域中的输出；f（n）为原始信号的时间序列；N为样本点数；i为虚数单位。

时域分析工具，例如统计矩（包括均值、方差等）、峰度、偏度等，也经常用于提取故障特征，这些工具能够量化数据的核心趋势、分散程度和形态特性。此外，在振动分析过程中，峭度这一指标对检测滚动轴承以及齿轮箱等关键部件的故障表现得尤为出色。峭度系数（Kurtosis）如公式（9）所示。

（9）

式中：K为峭度系数；xi为单个样本点；为样本均值；σ为标准偏差；N为样本总数。

1.3.2 故障诊断算法

为确保飞行过程中的安全性，对其进行故障的高效检测和定位研究。这一方法依托大量的数字化孪生模型和真实系统数据的分析，进而对这些数据执行高效的故障检测。

常用的故障诊断算法包括模型基于解析冗余的关系，例如卡尔曼滤波器（KF）给予系统状态估计的最优性。扩展卡尔曼滤波器（EKF）用于处理非线性系统，如公式（10）所示。

k|k-1=f（hatxk-1|k-1，uk）

Pk|k-1=FkPk-1|k-1FkT+Qk （10）

式中：hatxk-1|k-1为先验状态估计；f为系统动态模型；uk为控制输入；Pk|k-1为误差协方差矩阵；Fk为雅可比矩阵；Qk为过程噪声协方差。

2 民航飞行控制系统故障诊断应用

2.1 应用场景分析

以飞机舵面为例，通过建立“数字孪生”的数学模型，在飞行控制系统中，对舵面的异常偏转、液压系统的泄漏、液压系统的异常压力等进行故障诊断。在此基础上，对上述关键性能参数进行实时监控，保证了飞控系统的正常工作，有效地防止了因系统故障而引起的安全事故。

在航空电子行业内，数字孪生技术的应用有助于提前识别传感器出现的问题和处理异常数据，这对确保飞行的安全性和提高航班的准期率具有显著的意义。在这样的基础之上，为其实施及时的诊断和维护操作，不仅能缩减施工时间，而且还能有效提升其运行效能。

2.2 系统设计与实现

这套体系架构被细分为数据采集层、数据处理环节、诊断与决策部分及与用户的互动层面。数据通过传感技术实时传输到系统，经过净化、融合和初步分析后，为数字化孪生模式的构建和持续维护提供高品质数据。整个体系结构也具有模块化和可扩充性特点，便于未来更新和维护。各模块相互配合，构成了一个完备的故障诊断系统。实时数据采集模块采集各传感器及飞行控制系统的实时信息，数据分析处理模块对数据进行分析、处理，包括数据清洗、特征提取等环节[2]。在此基础上，提出了一种基于神经网络的故障诊断方法，并提出了新的维修策略，为人机互动模组提供了直观、易用的界面，让使用者可以很容易地取得系统资讯、故障诊断与维修意见。各模块的职责见表1。

通过这些功能模块的协同工作，基于数字孪生的飞行控制系统故障诊断技术能够高效、准确地监测和管理民航飞行控制系统的健康状态，从而提高系统的可靠性和安全性。

3 具体应用分析

3.1 动力学建模应用

在民航飞行控制系统的故障诊断中，动力学模型的构建是初步且关键的步骤。该模型基于飞行器的运动方程（公式（1）），有效描述飞行器在多种飞行状态下的行为。通过这一模型，可以预测飞行器的动态响应，并为系统的健康管理提供理论依据。

3.2 控制逻辑和传感器/执行器模型化

利用控制逻辑建模（公式（2））结合传感器和执行器的传递函数模型（公式（4）），能够精确模拟飞行控制系统对各种操纵输入的响应。这种详细的模拟帮助识别系统中潜在的故障模式，从而采取适时的预防或修复措施，确保飞行安全。

3.3 实时监测与预测分析

采用残差信号计算方法（公式（6）），通过实时比较系统的实际输出与数字孪生模型的预测输出，有效监控飞行控制系统的健康状况。此外，使用ARIMA模型（公式（7））预测系统未来行为，有助于故障预测和预防工作。

3.4 故障特征提取与诊断算法应用

快速傅里叶变换（FFT）分析传感器数据，根据公式（8）揭示故障频率特性，是检测特定故障模式的关键工具。结合峭度系数（公式（9））等统计工具，从数据中提取关键故障特征，提高诊断的准确性。

数字孪生技术显著提升了飞行控制系统的维护效率和安全性，通过精确模型化和实时监控，增强了预测和诊断潜在故障的能力。该技术为民航业提供了强大的技术支持和安全保障。

3.5 模拟试验验证分析

为了进一步验证基于数字孪生的飞行控制系统故障诊断技术的有效性和实用性，本研究设计了一系列的试验。这些试验旨在通过实际数据对比传统故障诊断方法与基于数字孪生的故障诊断技术在诊断效率和准确性上的表现。模拟试验结果见表2。

试验选取民航飞机中常见的几种故障模式，包括传感器偏移、执行器失效等。每种故障模式下，分别使用传统的故障诊断方法和基于数字孪生的技术进行诊断。

数据采集：利用安装在飞机各关键部位的传感器收集实时数据，包括飞行器的姿态、加速度、舵面位置参数等。

数据处理：采用小波变换进行数据清洗，以提高数据质量。

模型构建与监测：构建动力学模型和控制逻辑模型，并实时比较系统输出与模型预测的差异，生成残差信号。

故障检测与定位：应用FFT和峭度系数等工具提取故障特征，并使用EKF进行状态估计和故障诊断。

根据表2结果，基于数字孪生的故障诊断方法显著提升了飞行控制系统的诊断速度和准确率，尤其是针对传感器偏移和执行器失效故障，数字孪生技术将传感器偏移故障的诊断时间从15min降至5min，准确率提升至95%，并将执行器失效故障的诊断时间从20min降至7min，准确率提升至93%，这对提高民航飞机的安全性和可靠性具有重要意义。

4 结语

针对民航飞行安全和可靠性的迫切需求，本研究探索了基于数字孪生的新型故障诊断技术。通过建立精确仿真模型，提出了一种能实时监测和预测飞控系统状态的方法，提高了故障识别和定位的准确性。研究深入讨论了数字孪生基础理论，并验证了其在提升飞机飞控系统故障诊断水平方面的有效性。与传统方法相比，该技术减少了对人工经验的依赖，实现了更快速、更精确的故障诊断，为提升我国民用航空飞控系统的安全性和可靠性提供了新途径。

参考文献

[1]彭博.基于P3D的飞机自动飞行控制系统的设计方法与仿真研究[D].德阳：中国民用航空飞行学院，2023.

[2]李敬兆，张佳文，石晴，等.基于数字孪生的清扫装置智能运维系统设计[J].兰州工业学院学报，2024，31（1）：12-16.

[3]史岩，齐晓慧.基于故障检测滤波器法的飞行控制系统故障检测[J].兵工自动化，2007（1）：5-7.

[4]朱剑月，袁咏祎，陈羽，等.后端设置扰流板对圆柱流场与气动噪声影响[J].机械工程报，2024，60（12）：287-300.