本發(fā)明公開了一種用于無(wú)人機(jī)飛控系統(tǒng)故障檢測(cè)的數(shù)據(jù)聚類降維方法，屬于無(wú)人機(jī)故障檢測(cè)的技術(shù)領(lǐng)域。

背景技術(shù)：

近年，無(wú)人機(jī)綜合管理系統(tǒng)中納入了“故障預(yù)測(cè)與健康管理技術(shù)（phm）”的概念，因此急需提高無(wú)人機(jī)安全管理的信息化水平及智能化水平。無(wú)人機(jī)安全管理的核心部分——安全監(jiān)控和異常預(yù)警，能夠?qū)o(wú)人機(jī)的健康狀態(tài)進(jìn)行全面監(jiān)控，對(duì)提高無(wú)人機(jī)安全性能、保障維修效率、降低壽命周期具有重要意義。無(wú)人機(jī)的飛行控制系統(tǒng)作為無(wú)人機(jī)的核心部件，由多種傳感器、網(wǎng)絡(luò)鏈路、執(zhí)行裝置等子系統(tǒng)組成。飛控傳感器測(cè)量飛機(jī)的實(shí)時(shí)飛行狀態(tài)參數(shù)并把數(shù)據(jù)反饋至飛行控制計(jì)算機(jī)，飛行控制計(jì)算機(jī)解算飛行控制律從而完成無(wú)人機(jī)自動(dòng)駕駛的飛行任務(wù)，但是飛控系統(tǒng)因其工作環(huán)境較為復(fù)雜極易發(fā)生故障。

目前國(guó)內(nèi)外有關(guān)高校及科研院所的研究人員對(duì)無(wú)人機(jī)飛控系統(tǒng)傳感器輸出數(shù)據(jù)狀態(tài)異常、硬件故障檢測(cè)做了廣泛的研究。西北工業(yè)大學(xué)的劉慧霞團(tuán)隊(duì)針對(duì)飛行控制系統(tǒng)(fcs)的精確數(shù)學(xué)模型獲取困難的問題提出了uav-pca算法，該算法將基于特征方向的故障診斷法和方差敏感自適應(yīng)閾值的故障檢測(cè)法與傳統(tǒng)的主元分析法（pca）相結(jié)合，提高了傳感器故障檢測(cè)的速度和準(zhǔn)確性并且降低了暫態(tài)過程的虛警率；南京航空航天大學(xué)高云紅教授團(tuán)隊(duì)針對(duì)小型無(wú)人機(jī)機(jī)動(dòng)性較強(qiáng)、故障較多且不易實(shí)時(shí)檢測(cè)等特點(diǎn)，將最小二乘支持向量機(jī)（ls_svm）與主元分析法（pca）相結(jié)合以實(shí)現(xiàn)故障的檢測(cè)與隔離；北京航空航天大學(xué)鐘麥英教授團(tuán)隊(duì)提出了一種基于小波變換與等價(jià)空間相結(jié)合的無(wú)人機(jī)作動(dòng)器故障診斷方法；此外，國(guó)防科學(xué)技術(shù)大學(xué)等科研單位也對(duì)無(wú)人機(jī)故障檢測(cè)等多個(gè)方面進(jìn)行了研究。這一系列的研究為無(wú)人機(jī)飛控系統(tǒng)的故障檢測(cè)奠定了理論基礎(chǔ)與技術(shù)基礎(chǔ)。

國(guó)外對(duì)無(wú)人機(jī)飛控系統(tǒng)故障檢測(cè)的研究主要有：abbaspour等提出了一種新的在線檢測(cè)策略來檢測(cè)無(wú)人機(jī)系統(tǒng)中傳感器和執(zhí)行器的故障；freddi等建立了一種直升機(jī)的縮小模型，然后線性化該模型以設(shè)計(jì)未知輸入觀測(cè)器，由未知輸入觀測(cè)器診斷故障，基于該模型的無(wú)人駕駛飛行器故障診斷系統(tǒng)為無(wú)人機(jī)故障診斷提供了有效解決方案；hansen等基于單一且簡(jiǎn)單的飛機(jī)空氣動(dòng)力學(xué)模型提出了一種主動(dòng)檢測(cè)和隔離故障的系統(tǒng)（smac-fdi），該系統(tǒng)能夠有效地檢測(cè)和隔離諸如小型（無(wú)人機(jī)）飛行器飛控系統(tǒng)中的故障；guillermoheredia等提出了一種提高無(wú)人機(jī)（uav）傳感器故障檢測(cè)與識(shí)別（fdi）可靠性的方法；之后guillermoheredia又和horstecker等提出了一種基于冗余分析的小型自主直升機(jī)傳感器的故障檢測(cè)和診斷系統(tǒng)。

根據(jù)目前的研究?jī)?nèi)容及其理論方法，我們可以得出故障檢測(cè)的核心算法主要包括模型法(modelbased)、知識(shí)經(jīng)驗(yàn)法（knowledgebased）和數(shù)據(jù)驅(qū)動(dòng)法(datadriven)這三大類。相比于模型法和知識(shí)經(jīng)驗(yàn)法，數(shù)據(jù)驅(qū)動(dòng)的故障診斷法以其快速靈活的特性在無(wú)人機(jī)故障檢測(cè)中更具應(yīng)用潛力。然而，針對(duì)無(wú)人機(jī)飛控系統(tǒng)傳感器眾多、數(shù)據(jù)維度較高、在實(shí)際處理過程中比較復(fù)雜的特點(diǎn)，數(shù)據(jù)驅(qū)動(dòng)的故障診斷法存在局限性，因此，設(shè)法降低大規(guī)模數(shù)據(jù)的維度并且使得這些數(shù)據(jù)反映出一定的規(guī)律性或特殊的分類性同時(shí)不會(huì)丟失有用信息是數(shù)據(jù)驅(qū)動(dòng)的故障診斷法需要解決的難題。

聚類降維是有效進(jìn)行數(shù)據(jù)驅(qū)動(dòng)法的重要部分。南京航空航天大學(xué)的張道強(qiáng)教授團(tuán)隊(duì)提出了一種基于半監(jiān)督降維的聚類算法，首先用半監(jiān)督降維方法將原始數(shù)據(jù)降維，降維后進(jìn)行半監(jiān)督聚類處理，提升了算法的聚類性能；中山大學(xué)的王和勇等針對(duì)局部線性嵌入算法（lle）計(jì)算速度和近鄰點(diǎn)數(shù)k選取的問題，提出了基于聚類和改進(jìn)距離的局部線性嵌入算法，不僅提高了降維速度而且拓展了參數(shù)k的選取范圍；大連理工大學(xué)的馬洪連教授團(tuán)隊(duì)提出了一種基于界標(biāo)等距映射(l-isomap)降維的快速模糊聚類算法，針對(duì)fcm算法在迭代過程中計(jì)算量大以及在高維特征分析中效率低下甚至可能導(dǎo)致"維數(shù)災(zāi)難"的問題，結(jié)合l-isomap算法提高了算法在特征向量維數(shù)較高情況下的實(shí)時(shí)性與有效性；西安電子科技大學(xué)的支曉斌等提出了一種基于模糊fisher準(zhǔn)則的自適應(yīng)降維模糊聚類算法，對(duì)高維數(shù)據(jù)和低維數(shù)據(jù)都有較好的分類性能；napoleon等提出了一種基于k均值聚類算法的高維數(shù)據(jù)集降維方法，用主成分分析法和線性變換法來降維，首先計(jì)算初始質(zhì)心，然后應(yīng)用k均值聚類算法；kumar提出了一種結(jié)合組合隨機(jī)投影（rp）和模糊k均值聚類（fkm）的算法來減少數(shù)據(jù)的維數(shù)，相比原有的svd、rp-svd方法，該方法不僅達(dá)到了更好或相似的效果而且簡(jiǎn)化了計(jì)算；kannan等提出了一種基于數(shù)據(jù)離散化相關(guān)模型的數(shù)據(jù)簡(jiǎn)化算法，該算法以有效的方式將連續(xù)屬性離散化，然后從一大組屬性中選擇相關(guān)屬性，并對(duì)所有特征的聚類精度進(jìn)行性能評(píng)估進(jìn)而獲得一組數(shù)量較少的特征；indhumathi等提出了一種通過主成分分析來聚類降維高維數(shù)據(jù)的方法，該法通過主成分分析進(jìn)行降維，然后對(duì)不存在質(zhì)心初始化的簡(jiǎn)化數(shù)據(jù)進(jìn)行平分k均值聚類。這一系列的研究為聚類降維問題奠定了基礎(chǔ)。

總體來說，國(guó)內(nèi)外文獻(xiàn)提供了包括主成分分析、線性判別分析、自適應(yīng)降維算法、局部保持投影、局部線性嵌入、拉普拉斯映射等多種聚類降維的方法，這些聚類降維方法在電力系統(tǒng)、工業(yè)制造、信息處理、文字處理等方面都有廣泛的應(yīng)用，但各自又或多或少地存在一些問題，如：對(duì)初始點(diǎn)選擇具有敏感性、計(jì)算耗時(shí)長(zhǎng)、處理非線性數(shù)據(jù)能力差。由于飛控系統(tǒng)故障檢測(cè)要處理的數(shù)據(jù)多且部分參數(shù)存在動(dòng)態(tài)相關(guān)性，這些方法不能滿足飛控系統(tǒng)故障檢測(cè)的動(dòng)態(tài)性和實(shí)時(shí)性要求，需要針對(duì)具體的應(yīng)用環(huán)境進(jìn)行改進(jìn)。因此，在考慮傳感器輸出數(shù)據(jù)間的實(shí)時(shí)動(dòng)態(tài)相關(guān)性時(shí)，如何通過構(gòu)建動(dòng)態(tài)屬性相關(guān)的數(shù)組并對(duì)數(shù)據(jù)進(jìn)行聚類降維以降低運(yùn)算量從而提高故障檢測(cè)的及時(shí)性是亟待解決的關(guān)鍵問題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的發(fā)明目的是針對(duì)上述背景技術(shù)的不足，提供了一種用于無(wú)人機(jī)飛控系統(tǒng)故障檢測(cè)的數(shù)據(jù)聚類降維方法，通過建立飛控?cái)?shù)據(jù)與飛行動(dòng)態(tài)特征的相關(guān)性模型檢驗(yàn)各類飛控?cái)?shù)據(jù)在不同飛行動(dòng)態(tài)特征下的實(shí)時(shí)動(dòng)態(tài)相關(guān)性，在滿足飛控系統(tǒng)故障檢測(cè)動(dòng)態(tài)性和實(shí)時(shí)性要求的前提下實(shí)現(xiàn)了飛控?cái)?shù)據(jù)的聚類降維處理，解決了現(xiàn)有聚類降維方法不能滿足飛控系統(tǒng)故障檢測(cè)的動(dòng)態(tài)性和實(shí)時(shí)性要求的技術(shù)問題。

本發(fā)明為實(shí)現(xiàn)上述發(fā)明目的采用如下技術(shù)方案：

一種用于無(wú)人機(jī)飛控系統(tǒng)故障檢測(cè)的數(shù)據(jù)聚類降維方法，采集飛控系統(tǒng)在當(dāng)前時(shí)刻的輸出數(shù)據(jù)，預(yù)處理當(dāng)前時(shí)刻的輸出數(shù)據(jù)以實(shí)現(xiàn)對(duì)當(dāng)前時(shí)刻輸出數(shù)據(jù)的初步分類，由各類輸出數(shù)據(jù)和飛行動(dòng)態(tài)特征的相關(guān)性模型動(dòng)態(tài)檢驗(yàn)各類輸出數(shù)據(jù)在當(dāng)前飛行動(dòng)態(tài)特征下的實(shí)時(shí)動(dòng)態(tài)相關(guān)性進(jìn)而結(jié)合選擇的聚類閾值對(duì)各類輸出數(shù)據(jù)進(jìn)行聚類，對(duì)聚類結(jié)果進(jìn)行聚類評(píng)估并在聚類結(jié)果未通過聚類評(píng)估時(shí)調(diào)整聚類閾值重新進(jìn)行聚類，對(duì)通過聚類評(píng)估的聚類結(jié)果進(jìn)行降維處理。

進(jìn)一步地，用于無(wú)人機(jī)飛控系統(tǒng)故障檢測(cè)的數(shù)據(jù)聚類降維方法中，由各類輸出數(shù)據(jù)和飛行動(dòng)態(tài)特征的相關(guān)性模型動(dòng)態(tài)檢驗(yàn)各類輸出數(shù)據(jù)在當(dāng)前飛行動(dòng)態(tài)特征下的實(shí)時(shí)動(dòng)態(tài)相關(guān)性進(jìn)而結(jié)合選擇的聚類閾值對(duì)各類輸出數(shù)據(jù)進(jìn)行聚類的具體方法為：在當(dāng)前飛行動(dòng)態(tài)特征下計(jì)算當(dāng)前時(shí)刻各類輸出數(shù)據(jù)之間的皮爾森相關(guān)系數(shù)，比較當(dāng)前飛行動(dòng)態(tài)特征下當(dāng)前時(shí)刻各類輸出數(shù)據(jù)的皮爾森相關(guān)系數(shù)與聚類閾值得到聚類結(jié)果，采用滑動(dòng)窗口更新各類輸出數(shù)據(jù)得到下一時(shí)刻各類輸出數(shù)據(jù)，檢驗(yàn)下一時(shí)刻各類輸出數(shù)據(jù)在下一時(shí)刻飛行動(dòng)態(tài)特征下的實(shí)時(shí)動(dòng)態(tài)相關(guān)性。

進(jìn)一步地，用于無(wú)人機(jī)飛控系統(tǒng)故障檢測(cè)的數(shù)據(jù)聚類降維方法中，采用如下方法對(duì)聚類結(jié)果進(jìn)行聚類評(píng)估：計(jì)算評(píng)估類內(nèi)部耦合特性的聚類密集性以及評(píng)估類間分離特性的聚類臨近性，對(duì)聚類密集性計(jì)算值以及聚類臨近性計(jì)算值加權(quán)求和得到聚類評(píng)估結(jié)果。

進(jìn)一步地，用于無(wú)人機(jī)飛控系統(tǒng)故障檢測(cè)的數(shù)據(jù)聚類降維方法中，飛控系統(tǒng)在當(dāng)前時(shí)刻的輸出數(shù)據(jù)包括三軸陀螺儀、gps、三軸加速度計(jì)、氣壓計(jì)測(cè)量的數(shù)據(jù)。

進(jìn)一步地，用于無(wú)人機(jī)飛控系統(tǒng)故障檢測(cè)的數(shù)據(jù)聚類降維方法中，采用主成分分析法對(duì)通過聚類評(píng)估的聚類結(jié)果進(jìn)行降維處理。

本發(fā)明采用上述技術(shù)方案，具有以下有益效果：通過挖掘不同飛行動(dòng)態(tài)特征下不同飛控?cái)?shù)據(jù)的相關(guān)性建立飛控?cái)?shù)據(jù)與飛行動(dòng)態(tài)特征的相關(guān)性模型，由相關(guān)性模型檢驗(yàn)各類飛控?cái)?shù)據(jù)在不同飛行動(dòng)態(tài)特征下的實(shí)時(shí)動(dòng)態(tài)相關(guān)性，在滿足飛控系統(tǒng)故障檢測(cè)動(dòng)態(tài)性和實(shí)時(shí)性要求的前提下實(shí)現(xiàn)了飛控?cái)?shù)據(jù)的聚類降維處理，具有速度快、計(jì)算量小、實(shí)用性強(qiáng)的特點(diǎn)。

附圖說明

圖1為用于無(wú)人機(jī)飛控系統(tǒng)故障檢測(cè)的降維方法的流程圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明。

本發(fā)明提出的用于無(wú)人機(jī)飛控系統(tǒng)故障檢測(cè)的數(shù)據(jù)聚類降維方法如圖1所示，具體包括如下4個(gè)步驟。

1）數(shù)據(jù)預(yù)處理

采集飛控系統(tǒng)輸出的數(shù)據(jù)，包括三軸陀螺儀、gps、三軸加速度計(jì)、氣壓計(jì)等數(shù)據(jù)，對(duì)各傳感器動(dòng)態(tài)特性進(jìn)行分析，顧及并行運(yùn)算的各傳感器輸出數(shù)據(jù)的運(yùn)算速度分析飛控系統(tǒng)輸出數(shù)據(jù)的類型、數(shù)量，對(duì)不同數(shù)據(jù)的類型進(jìn)行抽取，移除數(shù)據(jù)中的孤立點(diǎn)并去除數(shù)據(jù)噪聲。

2）相關(guān)性分析

對(duì)不同的運(yùn)動(dòng)狀態(tài)（包括靜態(tài)、平飛、盤旋、上升、下降等多種姿態(tài)）進(jìn)行標(biāo)號(hào)。如將靜態(tài)標(biāo)為狀態(tài)1，將平飛標(biāo)為狀態(tài)2，將盤旋標(biāo)為狀態(tài)3。在每種運(yùn)動(dòng)狀態(tài)下分別計(jì)算不同傳感器輸出數(shù)據(jù)之間的皮爾森相關(guān)系數(shù)進(jìn)而挖掘不同傳感器輸出的不同類型數(shù)據(jù)在各種環(huán)境下的相關(guān)性。每當(dāng)傳感器輸出一組新的數(shù)據(jù)時(shí)就剔除滑動(dòng)窗口中最舊的數(shù)據(jù)并將新數(shù)據(jù)添加至窗口末端，依據(jù)更新后的傳感器輸出數(shù)據(jù)估計(jì)在當(dāng)前運(yùn)動(dòng)狀態(tài)下傳感器輸出數(shù)據(jù)的實(shí)時(shí)動(dòng)態(tài)相關(guān)性，通過控制滑動(dòng)窗口的長(zhǎng)度來控制每次計(jì)算的數(shù)據(jù)量進(jìn)而實(shí)現(xiàn)基于皮爾森相關(guān)系數(shù)的實(shí)時(shí)動(dòng)態(tài)快速相關(guān)性的檢驗(yàn)，根據(jù)皮爾森相關(guān)系數(shù)的計(jì)算結(jié)果設(shè)定相應(yīng)閾值，對(duì)皮爾森相關(guān)系數(shù)大于一定閾值的若干組數(shù)據(jù)進(jìn)行聚類。

3）聚類評(píng)估

通過計(jì)算聚類綜合質(zhì)量對(duì)完成的聚類進(jìn)行評(píng)估，即通過計(jì)算聚類密集性來評(píng)估類內(nèi)部耦合特性，通過計(jì)算聚類臨近性來評(píng)估類間分離特性，將二者加權(quán)求得聚類結(jié)果并進(jìn)行打分。根據(jù)評(píng)估結(jié)果調(diào)節(jié)聚類的閾值，若聚類綜合質(zhì)量小于設(shè)定值，則重新劃定閾值進(jìn)行聚類，反之則符合要求，從而得到一個(gè)最優(yōu)的聚類結(jié)果。

4）數(shù)據(jù)降維

針對(duì)得到的滿足聚類評(píng)估要求的聚類結(jié)果，采用主成分分析法（pca）對(duì)每一類中的各組數(shù)據(jù)進(jìn)行降維處理，得到每個(gè)類中線性組合的主成分，從而降低故障檢測(cè)時(shí)的運(yùn)算量，提高運(yùn)算速度，并為之后故障檢測(cè)閾值的劃定建立數(shù)據(jù)基礎(chǔ)。

綜上，本發(fā)明提出的數(shù)據(jù)聚類降維方法，針對(duì)飛機(jī)不同的運(yùn)動(dòng)狀態(tài)實(shí)時(shí)計(jì)算各傳感器輸出數(shù)據(jù)的相關(guān)性進(jìn)而構(gòu)建動(dòng)態(tài)屬性相關(guān)的數(shù)組，再對(duì)動(dòng)態(tài)屬性相關(guān)的數(shù)組進(jìn)行聚類降維，該方法既能滿足飛控故障檢測(cè)的動(dòng)態(tài)性要求又能滿足實(shí)時(shí)性要求，此外，該方法還降低了故障檢測(cè)的運(yùn)算量，具有速度快、計(jì)算量小、實(shí)用性強(qiáng)的特點(diǎn)。