基于非线性未知输入观测器的航天器故障诊断
基于机器学习的航空航天系统故障诊断与优化
基于机器学习的航空航天系统故障诊断与优化航空航天系统的故障诊断与优化是一个关键的领域，其目标是通过利用机器学习技术实现系统故障的快速诊断和优化，以确保飞行安全和系统可靠性。
为了实现这一目标，机器学习算法的应用变得越来越重要。
机器学习是一种通过模型和算法让计算机从数据中学习并自动改进的技术。
在航空航天系统中，机器学习可以分析大量的传感器数据、历史故障数据和其他相关信息，以识别系统故障的原因和模式，并提供相应的解决方案。
在故障诊断方面，基于机器学习的方法可以通过建立故障诊断模型来实现快速准确的故障诊断。
这些模型可以通过监督学习或非监督学习的方法进行训练。
在监督学习中，模型使用已知的故障数据和其它相关信息进行训练，以学习故障的模式和关联特征。
而在非监督学习中，模型可以根据数据的相似性和聚类方法来自主学习系统的故障模式。
这些故障模式可以帮助工程师迅速定位故障，提高故障的诊断效率。
另一方面，基于机器学习的方法还可以用于航空航天系统的故障优化。
这是通过分析和评估系统的性能数据来优化系统的可靠性和效率。
机器学习算法可以自动分析复杂的数据，识别系统中的瓶颈和潜在问题，并提供相应的解决方案。
例如，通过分析飞行数据和发动机传感器数据，可以发现系统中存在的潜在问题，并提出相应的优化措施，例如改变飞行路线、优化发动机控制策略等。
除了上述方法，还有许多其他基于机器学习的技术可以应用于航空航天系统的故障诊断与优化。
例如，深度学习可以通过构建深度神经网络模型来自动提取和学习系统中的故障特征，从而提高故障诊断的准确性和效率。
强化学习可以通过智能体与环境的交互来学习最优化的故障诊断和优化策略。
这些技术已经在一些航空航天系统中得到了应用，并取得了良好的效果。
然而，基于机器学习的航空航天系统故障诊断与优化仍然面临一些挑战和限制。
首先，机器学习算法需要大量可靠的数据进行训练和验证。
然而，由于航空航天系统故障的罕见性和复杂性，获取足够的可靠数据可能是困难的。
基于机器学习的航空器故障诊断与系统设计
基于机器学习的航空器故障诊断与系统设计在现代航空业中，航空器故障的准确诊断和系统设计是非常重要的任务。
准确、高效地识别和解决航空器故障有助于提高飞行安全性、降低维修成本并提升运行效率。
为了满足这一需求，机器学习技术成为近年来被广泛应用于航空电子系统的一种有效方法。
本文将探讨基于机器学习的航空器故障诊断与系统设计，并介绍一些相关的案例和实践经验。
一、航空器故障诊断的挑战航空器故障诊断一直是一个具有挑战性的任务。
航空器系统庞大且复杂，通常由数百个传感器和执行器组成，每个部件都可能发生故障。
故障可能是由多个因素引起的，例如机械磨损、电气故障、温度变化等等。
在这种复杂的环境下，传统的故障诊断方法往往效果不佳。
机器学习技术通过利用大量的数据和算法，可以更好地解决航空器故障诊断中的一些挑战。
通过对大量的传感器数据和历史维修记录进行学习，机器学习算法能够发现隐藏在数据中的模式，并基于这些模式进行故障诊断和预测。
二、基于机器学习的航空器故障诊断方法在航空器故障诊断中，有许多不同的机器学习方法可供选择，包括决策树、神经网络、支持向量机等。
下面将介绍几种常见的基于机器学习的航空器故障诊断方法：1. 基于决策树的故障诊断：决策树是一种常用的机器学习算法，用于将数据集划分为不同的类别或子节点。
在航空器故障诊断中，可以使用决策树算法对传感器数据进行分类，从而确定可能的故障原因。
2. 基于神经网络的故障诊断：神经网络是一种模仿人脑神经系统的计算模型，能够通过训练学习数据集来发现模式和规律。
在航空器故障诊断中，神经网络可以用于对传感器数据进行建模和预测，实现快速准确的故障诊断。
3. 基于支持向量机的故障诊断：支持向量机是一种常用的监督学习算法，可用于数据分类和回归分析。
在航空器故障诊断中，支持向量机可以用于建立故障分类模型，通过对传感器数据进行分类，判断发生的故障类型。
三、航空电子系统设计与机器学习除了故障诊断，机器学习技术还可以应用于航空电子系统的设计和优化。
基于未知输入观测器的非线性系统故障诊断
王 玉 燕 周 玉 国 刘 天 慧 （ 青岛理工大学自动化工程 学院， 山东 青岛 ２ ６ ６ ５ ２ ０ ）
摘 要
针 对 一 类含 未知 输 入 和 执 行 器 故 障 的非 线 性 系统 ， 提 出基 于 未 知输 入 观 测 器 的故 障诊 断算 法 ， 改进 了 Ｌ ｕ ｅ ｎ ｂ ｅ ｒ ｇ ｅ ｒ 故 障 诊 断观 测 器对 系统 出现 未 知扰 动 时的 不足 。 利 用 广 义逆 方 法 ， 将 未知 输入 从 残 差 信 号 中 完全 解耦 ， 通 过 产 生对 故 障 高敏 感 性 以 及 对 未知 扰 动 强抗 扰 动 性 的观 测 器 实现 系统 的 故 障诊 断 ， 并 通过 Ｌ ｙ ａ ｐ ｕ ｎ ｏ ｖ函数 用 线性 矩 阵 不等 式 保证 了系统稳 定 性 。 关键词 ： 非 线性 系 统 ， 未 知 输 入观 测 器 ， 故 障诊 断 ， 广 义逆 方 法
（ ３ ）
其 中 ， ∈ （ ｆ ） ＝ ［ ］ “ ， Ｄ Ｒ 为 一 个 列 满 秩 矩 阵 ， 即
ｒ ａ ｎ ｋ （ Ｄ） ＝ ｑ且 ０ ≤ｑ ≤ｎ 。 ‘ Ｐ １ （ ∈ ， Ｕ ， ｔ ） ∈Ｒ 为 已 知可 求 的 Ｌ ｉ ｐ ｓ ｃ ｈ ｉ ｔ ｚ
向量 ， ‘ ｐ ２ （ ｘ ， Ｕ ， ｔ ） ＥＲ ｑ 可 看 作 未 知 干 扰 向量 。 为 了设 计 非 线 性 系统 的未 知输 入 观 测器 ，现 针 对 系 统 做 出
Ａｂｓ ｔ ｒ ａｃ ｔ
Ｆ ｏｒ ａ ｃｌ ａ ｓｓ ｏ ｆ ｎ ｏｎ ｌ ｉ ｎ ｅａ ｒ ｓ ｙｓ ｔ ｅ ｍｓ ｗｉ ｔ ｈ ｕｎ ｋ ｎ ｏ ｗｎ ｉ ｎ ｐｕ ｔ ｓ ａ ｎ ｄ ａ ｃ ｔ ｕ ａ ｔ ｏ ｒ ｆ ａ ｕｌ ｔ ｓ． ｔ ｈ ｉ ｓ ｐ ａｐｅ ｒ ｐ ｒ ｏ ｐｏ ｓ ｅｓ ａ ｆ ａ ｕｌ ｔ ｄｉ ａｇｎ ｏ ｓｉ ｓ ａ ｌ ｇｏ — ｒ ｉ ｔ ｈｍ ｂａｓ ｅｄ ｏ ｎ ｕ ｎｋ ｎ ｏ ｗｎ ｉ ｎｐｕ ｔ ｓ ｏｂ ｓ ｅｒ ｖ ｅｒ ． Ｔｈ ｅ ａ ｌ ｇｏ ｒ ｉ ｔ ｈ ｍ ｉ ｍｐｒ ｏｖ ｅ ｓ ｔ ｈ ｅ ｄ ｅｆ ｉ ｃ ｉ ｅ ｎｃ ｙ ｃ ｏｍ ｐ ａｒ ｅｄ ｗｉ ｔ ｈ ｔ ｈ ｅ Ｌ ｕ ｅｎ ｂｅｒ ｇｅ ｒ ｆ ａｕ ｌ ｔ ｄｉ ａ ｇｎ ｏ— ｓ ｉ ｓ ｏｂｓ ｅ ｒ ｖｅ ｒ ｗｈ ｅ ｎ ｔ ｈ ｅ ｕ ｎｋ ｎ ｏ ｗｎ ｄｉ ｓ ｔ ｕｒ ｂａｎ ｃ ｅ Ｏ ｃｃ ｕｒ ｓ ｉ ｎ ｔ ｈ ｅ ｓ ｙ ｓ ｔ ｅｍ ． Ｕｓｉ ｎｇ ｔ ｈ ｅ ｇ ｅｎ ｅｒ ａｌ ｉ ｚ ｅ ｄ ｉ ｎ ｖ ｅｒ ｓ ｅ ｍｅ ｔ ｈ ｏｄ， ｔ ｈ ｅ ｅ ｆ ｆ ｅ ｃ ｔ ｏ ｆ ｔ ｈ ｅ Ｕ Ｎ — ｋ ｎｏ ｗｎ ｉ ｎ ｐｕ ｔ ｓ ｃ ａ ｎ ｂｅ ｄｅ ｃｏ ｕ ｐｌ ｅ ｄ ｆ 『 ０ ｍ ｔ ｈ ｅ ｒ ｅｓ ｉ ｄｕ ａ ｌ ｓ ｉ ｇｎａ １ ． Ｔ ｈｅ ｒ ｅ ｓ ｉ ｄｕ ａｌ ｏ ｆ ｔ ｈ ｅ ｆ ａ ｕｌ ｔ ｄｉ ａ ｇｎ ｏｓ ｉ ｓ ｈ ａ ｓ ｔ ｏ ｂｅ ｓ ｅｎ ｓ ｉ ｔ ｉ ｖ ｅ ｔ ｏ ｆ ａｕ ｌ ｔ ｗｈｉ ｌ ｅ ａｔ ｔ ｈ ｅ ｓ ａｍｅ ｔ ｉ ｍｅ ｉ ｎ ｓ ｅｎ ｓ ｉ ｔ ｉ ｖｅ ｔ ｏ ｔ ｈ ｅ ｕ ｎｋ ｎ ｏ ｗｎ ｄｉ ｓ ｔ ｕｒ ｂａ ｎ ｃｅｓ ．
基于观测器的非线性系统鲁棒故障检测与重构方法研究
然而，实验中也暴露出一些问题。首先，自适应状态观测器的设计仍存在一 定的优化空间，以提高观测精度和鲁棒性。其次，系统重构算法在某些情况下可 能过于复杂，需要进一步优化以提高实时性。
五、结论与展望
本次演示探讨了基于观测器的非线性系统鲁棒故障检测与重构方法，提出了 一种自适应状态观测器设计方法，并利用实验验证了其有效性和鲁棒性。然而， 实验中仍存在一些问题，如观测器性能和重构算法的优化等，需要进一步研究。
因此，研究有效的故障检测与重构方法对保障非线性系统的稳定运行具有重 要意义。本次演示旨在探讨基于观测器的非线性系统鲁棒故障检测与重构方法， 分析其研究现状和存在的问题，并提出未来的研究方向。
二、文献综述
基于观测器的非线性系统鲁棒故障检测与重构方法近年来得到了广泛。在现 有的研究中，这类方法主要分为两类：基于状态观测器的故障检测与重构方法和 非线性系统的故障检测与重构方法。
基于状态观测器的故障检测与重构方法利用观测器对系统的状态进行估计， 并通过估计值与实际值的差异来检测故障。此类方法在处理线性系统和某些非线 性系统时具有一定的有效性和鲁棒性。然而，对于复杂的非线性系统，由于系统 模型的非线性和不确定性，该类方法可能失去鲁棒性和实时性。
非线性系统的故障检测与重构方法针对非线性系统的特性，利用各种智能算 法如神经网络、模糊逻辑等对系统进行建模，并检测模型中的故障。这些方法在 处理非线性系统时具有较好的效果，但往往需要大量的数据支持和复杂的算法设 计，实时性较差。
3、故障诊断：通过比较实际状态与估计状态之间的差异，判断EHA是否存在 故障。如果存在故障，则进一步分析故障类型和程度。
4、容错控制策略设计：根据故障类型和程度，设计相应的容错控制策略。 该策略能够根据系统的实时状态调整EHA的工作参数，保证系ຫໍສະໝຸດ 的稳定运行。四、实验结果与分析
非线性系统的故障诊断与故障控制
非线性系统的故障诊断与故障控制近年来，非线性系统越来越广泛地应用于各个领域，例如飞行器、机器人、工业生产等等。
然而，由于非线性系统的复杂性和不可预测性，故障诊断和故障控制成为了研究的热点与难点。
非线性系统故障诊断的基本思路是在系统运行时，通过对各项指标的监测和分析，判断系统是否存在故障，并找到故障发生的原因。
然而，非线性系统的复杂性使得传统的故障诊断方法变得困难，很多时候需要借助现代控制理论的工具和方法才能达到更好的效果。
针对非线性系统的故障诊断问题，现代控制理论提供了很多解决方法。
其中一种常用的方法是基于卡尔曼滤波的故障诊断技术。
该方法利用卡尔曼滤波的估计算法，对系统状态进行估计，将估计值与实际值相比较，从而判断是否存在故障。
同时，基于卡尔曼滤波的故障诊断技术还可以对系统的故障进行定位，从而更好地进行故障控制。
除此之外，非线性系统的故障诊断还可以通过神经网络进行。
神经网络是一种模仿生物神经网络结构和功能的计算模型，具有自适应性、自学习性和非线性映射性等特点，被广泛应用于非线性系统的建模和控制。
利用神经网络进行故障诊断的基本思路是将系统的运行数据输入神经网络模型中，通过对神经网络输出的结果进行分析，判断系统是否存在故障。
这种方法不仅可以判断系统是否存在故障，还可以定位故障发生的位置，并进一步进行故障控制。
故障控制是对故障进行修正和控制，保证系统的正常运行。
针对非线性系统的故障控制，现代控制理论也提供了许多有效的方法。
一种常用的故障控制方法是基于反馈线性化的控制技术。
该方法通过引入反馈线性化技术，将非线性系统转化为线性系统，从而利用线性系统的控制理论进行控制。
该方法不仅可以提高系统的控制性能，还可以实现对系统故障的控制。
此外，基于自适应控制的故障控制技术也是一种非常有效的方法。
该方法通过自适应算法不断地调节控制器的参数，使得控制器对系统的故障有更好的鲁棒性和敏感性，从而更好地进行故障控制。
综上所述，非线性系统的故障诊断和故障控制是一个非常重要且具有挑战性的问题，需要借助现代控制理论的工具和方法才能够更好地解决。
基于非线性自适应观测器的飞机操纵面故障诊断
基于非线性自适应观测器的飞机操纵面故障诊断王志;吴红芳【摘要】研究以非线性方程描述的飞机在操纵面发生损伤、卡死等故障时的自适应观测器诊断方法.通过引入有效性因子表征操纵导数变化的程度,将飞机操纵面故障诊断转化为具有未知参数的Lipschitz非线性系统的状态观测器设计问题.采用Lypunov方法,给出了观测器的结构形式和参数估计的自适应律,并在分析观测器渐近收敛的充分条件的基础上,给出了相关参数.数字仿真表明建议的自适应观测器能够快速且较准确地估计出有效因子的变化,验证了该方法的可行性.%The fault diagnosis method based on adaptive observer is employed to detect the failure of aircraft control surfaces,such as effectiveness loss or lock-in-place. By introducing effectiveness factors to characterize the changed degreesof the manipulation derivatives caused by failure, the fault diagnosis of aircraft control surfaces is transformed into the design of the state observer for the Lipschitz nonlinear system with unknown parameters. By applying Lypunov method, the structure of the observer and adaptive laws are given. Then by analyzing the sufficient condition for asymptotic convergence of the observer, the relevant parameters are given. The numerical simulation shows that the proposed adaptive observer can estimate the changes of the effectiveness factors quickly and accurately, verifying the feasibility of the method.【期刊名称】《西安工业大学学报》【年(卷),期】2011(031)003【总页数】4页(P267-270)【关键词】飞机;操纵面;故障诊断;Lipschitz系统;自适应观测器【作者】王志;吴红芳【作者单位】西安工业大学计算机科学与工程学院,西安710032;洛阳光电技术发展中心,洛阳471009【正文语种】中文【中图分类】V249.122;TP206+.3现代飞机要求飞行控制系统能够提供较高的可靠性与安全性,然而飞机操纵面不可避免的会发生卡死、松浮等故障,或者在战斗过程可能出现损伤,威胁飞机及人员的安全.因而在飞行中对这类故障进行实时检测与诊断并进行控制律重构,对于提高飞机的生存率有着重要的意义.目前国内外对这一问题进行了深入广泛的研究,Jason 等使用内外回路技术进行飞机故障诊断和容错控制[1],Jovan等使用多个辨识模型和重构控制器完成飞行控制系统执行器故障诊断和容错控制[2],并有部分系统已处于试飞验证阶段[3-4].在故障诊断领域,自适应技术得到了广泛的重视和应用.自适应观测器能提供有关故障估计的信息并用于容错控制,文献[5-7]研究了全状态可测非线性系统的自适应观测器及其故障诊断策略,这些文献中普遍存在的一个缺陷是其参数估计的收敛性没有得到保证,相应地,故障分离及分离性条件中的阈值设计都因此过于保守;文献[8-11]研究了一类更普通的非线性Lipschitz系统,并对其设计自适应观测器,其中文献[9]给出了带未知参数的非线性Lipschitz自适应观测器的设计方法.然而,文献[9]所研究的系统,尤其是未知参数项具有一定的特殊性,而且其有关参数估计的收敛性结论也不够完善.文中基于文献[10-12]对具有 Lipschitz线性化误差的非线性系统的观测器设计方案,提出针对一类更普通的非线性Lipschitz系统的自适应观测器设计方案,并将其应用于飞机操纵面故障诊断.1 飞机非线性运动方程及故障描述常规布局飞机具有5个主要操纵面:左右平尾、左右副翼、方向舵,操纵面偏转对飞机质点运动和转动产生影响.描述飞机运动变化的参数为重心位置过载(线加速度)及体轴角加速度,重心处过载及角加速度与气动系数的非线性关系为式中:q为动压;S 为机翼面积;l为机翼展长;bA为平均气动弦;G为飞机重量;B tq为气流坐标系到机体坐标系的转换矩阵;P为发动机推力;φp为发动机安装角;Ix,Iy,Iz与Ixy为飞机的转动惯量;Cx为阻力系数;Cy为升力系数;Cz为侧力系数;m x为滚转气动力矩系数;m y为偏航气动力矩系数;mz为俯仰气动力矩系数;5个操纵面主要产生力矩,其产生的直接力较小,因此各气动力、力矩系数表示如下由于角速率对于操纵指令响应的速度明显比过载快,根据时标分离的原则,在进行操纵面故障诊断时,可以仅考虑角速率回路.因此根据式(2),故障诊断用模型可被简约表示为下述的仿射形式式中:X=[ωx,ωy,ωz] 为状态向量;u=[δx,δy,δz]T为操纵向量;F(x)为飞机状态耦合的非线性表达式;G(x)为计算力矩矢量的非线性项,B由操纵导数组成;常规情况下,观测阵C=I(以下C皆指观测阵).操纵面损伤、卡死、松浮等故障会引起飞机的气动导数和操纵面的控制效能发生变化,从而影响飞控系统的动态特性.导数m˙αz等受故障的影响很小,可认为故障前后是相同的,发生变化的只有操纵导数.为此,引入有效性因子θi∈[0,1](i=x,y,z)来检测故障引起的操纵导数变化程度,则故障模型记为式中:θi表明第i个操纵面处于良态,θi=0意味着第i个操纵面发生松浮故障;与0＜θi＜1相匹配的故障形式与故障程度可通过插值的方法得到.为便于构造观测器,将式(4)作如下变换其中2 自适应观测器结构对非线性状态方程(5)在估计值(^x,^θ)进行线性化其中,;若考虑飞机在迎角α∈[-5,20]小角度范围内变化,则线性化误差满足利普希茨(Lipschitz)条件,即假设1:时变系统(A(t),C)是一致可观的;未知参数θ为常数,即˙θ=0.假设1是构造自适应观测器的基本条件.受文献[9-12]的启发,提出如下的自适应观测器其中,Γ∈R3×R3为正定对称矩阵,γ(t)∈ R3×R3是信号矩阵,反馈阵L(t)使得系统A-LC是稳定的,它的设计将在下文讨论;由于BU是持续性激励,因此存在正常数χ、σ和T,使得对任意时间t都满足不等式因此γ(t)是一致有界的.式(9)表明系统是可辩识的.由式(6)和式(8)容易得到自适应观测器的误差系统为3 观测器参数整定及其收敛性本节内容是设计反馈阵L(t)和学习速率Γ,并通过引理1说明观测器(8)是一致渐近稳定的.为简单起见,学习速率取Γ=λI(λ＞0),反馈阵L(t)由如下Riccati方程确定引理1 假设存在常数ε＞0,使得即‖Cγ~θ‖22 ≥ε‖~θ‖22.若式(11)中的参数λ,μ满足则自适应观测器(8)是一致渐近稳定的.证明 :取 Lyapunov 函数,使用式(8)、式(10)、式(11)、式(12)得到考虑Lipschitz不等式(7)得将式(15)代入(14),并考虑式(13)得因此自适应观测器(8)是一致渐近稳定的.4 数字仿真在全数字实时仿真环境中,取某型战斗机在高度为3 km,M ach数为0.6,发动机推力100 kN条件下的飞行数据进行仿真研究.故障模式设置如下:给定的任务是由设计良好的自适应观测器直接估计出有效性因子的值,同时保证估计的准确性和快速性.仿真时,首先将A(t)和C代入Riccati微分方程(12),反馈阵L(t)由方程(13)得到;观测器微分方程则由式(8)或式(10)得到.其中相关的参数分别取为:Lipschitz常数η=0.28;λ=2;μ=0.8.取仿真步长为0.0125s,通过龙格-库塔法求解状态微分方程,仿真结果如图1～2所示(限于篇幅,仅示出发生故障的有效因子).图1 滚动通道故障因子的估计Fig.1 Estimation of failure factor in the roll channel图2 俯仰通道故障因子的估计Fig.2 Estimation of failure factor in the pitch channel仿真结果表明,文中建议的自适应观测器能够快速且较准确地估计出有效因子的变化值.有效因子偏离值1意味着飞机操纵面发生故障,从而引起操纵导数下降.与有效因子大小(0＜θi＜1)相匹配的故障形式与故障程度则需通过插值的方法得到,本文不再讨论.值得提及的是,设计观测器时曾假定故障参数为常数,然而由图2可知,事实上本方案是可以应用于检测缓变故障的.5 结论论文针对飞机操纵面故障引起飞行控制效能下降问题,通过故障有效性因子的引入和状态估计的方法,将操纵面故障诊断转化为具有未知参数的Lipschitz非线性系统的状态观测器设计问题,为容错控制器的设计提供准确的故障信息,方案简单实用,便于工程实现.另外,文中将观测器用于故障诊断时没有考虑系统受到的外扰及未建模动态的影响,这是将来需要进一步改进之处.参考文献:【相关文献】[1] Jason E.Wad ley,Da llas R.H opper,James M.Integrated Failure A ccommodation and Upset Recovery[C]//A IAA Guidance,Navigation,and Contro l Conference andExhibit,California:U.S.,2005:1.[2] Jovan D,Boskovic,Ravi K P,Raman K M.Recon figurab le Fau lt-tolerant Flight Control:A lgorithms,Imple-mentation and M etrics[C]//AIAA Guidance,Navigation,and Contro l Conference and Exhibit.Co lorado:U.S,2006:1.[3] Brinker JS,W ise K A.Flight Testing of a Recon figurab le Flight Control Law on the X-36 Tailless Fighter Aircraft[C]//A IAA-2000-3941,U.S.,2000:16.[4] Abderrazak Idrissi Belkharraz.Fau lt Tolerant Contro l for Aircraft Control Surface Failures[D].New York:the City University of New York,2003.[5] T runov A B,Po lycarpou M M.Automated Fau lt Diagnosis in Nonlinear Multivariable System s Using a Learning Methodology[J].IEEE Transactions on neura lnetworks,2000,11(1):91.[6] Polycarpou M M,T runov A B.Learning Approach to Non linear Fau ltDiagnosis:Detectability Analysis[J].IEEE Transactions on Automatic Control,2000,45(4):806.[7] Zhang X D,Polycarpou M M,Parisini T.A Robust Detection and Isolation Scheme for Abrupt and Incipient Fau lts in Non linear System s[J].IEEE Transactions on Automatic Control,2002,47(4):576.[8] Rajamani R.Observers for Lipschitz Nonlinear Systems[J].IEEE Transactions on Automatic Control,1998,43(3):397.[9] Cho Y M,Rajamani R.A Systematic App roach to A-dap tive Observer Synthesis for Non linear System s[J].IEEE Transactions on Automatic Control,1997,42(4):534.[10] Reif K,Sonnemann F,Unbehauen R.Non linear State Observation Using H-inf filtering Riccati Design[J].IEEE T ransactions on Automatic Control,1999,44(1):203.[11] 李令莱.非线性系统的鲁棒故障诊断[D].北京:清华大学,2006.LI Ling-lai.Robust Fault Diagnosis of Nonlinear Systems[D].Beijing:T singhua University,2006.(in Chinese)[12] Zhang Q H.Adaptive Observer for Multiple-inputmultip le-output(M IMO)Linear Time-varying System s[J].IEEE T ransactions on Automatic Control,2002,47(3):525.。
基于非线性自适应观测器的飞机操纵面故障诊断
医吉 垂 『］ｃ ］ 誊；｝ 一 ］ ｛ ＋
ｌ 一 ［ｓＳｍ ＋ Ｉ ｑ ｌ 一 Ｉ Ｉ ＋ Ｉ一 Ｉ、 Ｉｑ ｌ ｘ Ｓｍ ｙ （ｚ ２ ）
一
敛性没 有得 到保证 ， 相应 地 ， 障分 离 及分 离 性 条 故
件 中的阈值设 计都 因此 过于保 守 ； 献 ［ —１ 研 究 文 ８１］
的非线 性 Ｌｐ ｃ ｉ ｉｓｈｔ ｚ自适 应 观测 器 的设计 方 法 ． 然
：
ＥＳ Ａ ＋ （ ｑ ｂｍ Ｌ— Ｌ） ＋ （ 一 ２］ Ｉ ∞ ）／
而， 文献 Ｅ ］ 研究 的系统 ， ９所 尤其 是未 知 参数项具 有
＊ 收 稿 日期 ：０ ０１－０ ２ １—２１
作者简介 ： 王志（９ ２）男 ， １７ 一， 西安工业大学讲 厢， 博士 ， 主要研究方 向为飞行器导航制导． － ｉ ｚ ｉｗ ｎ ＿ ａ ６．ｏ Ｅ ｍａｌ ｈ＿ ａ ｇ ｘ ＠１ ３ｃｍ． ：
生 卡死 、 松浮等 故 障 ， 者在 战 斗 过 程 可能 出现损 或
伤， 威胁 飞机及 人 员 的安 全． 因而 在 飞 行 中对 这类 故 障进行 实 时检测 与诊 断并进 行控制 律重 构 ， 于 对 提 高飞机 的生存 率有 着重要 的 意义． 目前 国内外对 这 一 问题 进行 了深 人 广泛 的研究 ，ａｃ Ｊ ｓ・ 使 用 内 ｎ等
外 回路 技术 进 行 飞机 故 障 诊 断 和 容 锗 控 制［ ，ｏ １ Ｊ－ ］ ｖｎ等使用 多个 辨 识 模 型 和 重 构 控 制 ： ａ 撂完成 飞 行 控 制 系统 执行 器故 障诊断 和容错 控制 ， ］并有 部 分
系统 已处 于试 飞验证 阶段 ｌ ］ ３．
１ 飞机非线性运动方程及 故障描述
基于Maksimov算法的航天器姿控推力器故障诊断
＋ （ 一 Ｉ ） ｘ 一 望关 机 故 障Ｌ 。Ｌ 等建 立 了 ３ ｉ ］
基 于 动 态 神 经 网 络 的 推 力 器 故 障 检 测 与 隔 离 方
案 ［ 。 ｈ ｎ和 Ｓ ｉ设 计 了 基 于 观 测 器 的 推 力 器 时 变 ４ Ｃ ｅ ］ ａｌ
问题 ， 出 了 离 散 系 统 ［ 和 连续 系 统Ｌ 的输 入 估 计 提 ８ ］ ｇ 方法 。 文 在 Ｍａ ｓｍｏ 本 ｋ ｉ ｖ姿 控输 入估 计 的基 础上 ， 引
其漂 移 特性 可 表示 为
肌
入 了推力 有效 性 因 子 、 值 和 滑动 均值 计算 ， 立 了 均 建
推力 损 失估 计 及 检 测 方 法 ； 因无 法 通 过 飞 轮 传递 又
ｇ一 叫４ 西４ ｄ４ 咒 － － － （） ２
故 障的 辨识算 法 吲 。 ａｃ Ｃｉ 和Ｊ ｎ ［ 等 研究 了推 力 损 ｉ ｇ ａ
失 时的 容错 控制 方 法 。上述 文 献未 统 一考 虑推 力 损
失及 推进 剂 泄漏 的诊 断 方案 。 对 此 问题 ， 针 本文 建 立
天 器 设 计 了 基 于 模 型 的 推 力 器 泄 漏 故 障 诊 断 系 统 Ｌ 。Ｗｉ ｏ １ ］ ｌ ｎ等 提 出了基 于最 大 似然 估计 的航 天 器 ｓ
１ 航 天 器 姿 控 输 入 估 计
１ １ 姿 控 输 入 估 计 模 型 ．
根 据 刚 体 姿 态 动力 学 及 运 动 学 原 理 ， 天 器在 航
了统 一 的推力 器 故 障诊 断方 案 。
其 中 ： 为 陀螺 测 量 输 出 ； ｇ ∞为待 测 姿 态 角速 率 ； 为
陀 螺 测 量 白噪 声 ； 和ｄ 陀 螺 的漂 移 （ 值 漂 移 和 易 为 常 相 关 漂移 ） 。
航天器故障诊断技术方法
航天器故障诊断技术方法近年来，随着卫星技术的发展，航天器的结构和任务需求日益复杂，其复杂系统的故障诊断一直是当前研究的热点。
研读了几篇关于航天器故障诊断的论文后，我对相关领域有了更细致的了解。
航天器的故障诊断技术随着航天器的发展而拥有多年历史。
从1957年前苏联发射第一颗人造卫星开始，最初的第一代航天器控制系统结构和功能都很简单，只能控制航天器的姿态。
控制器也一般都采用模拟电路，工作寿命比较短，控制精度比较差。
第二代航天器控制系统一般都采用了星载数字计算机，同时具有姿态控制和轨道控制功能。
系统的方案设计中广泛采用现代控制理论和方法，并采用了高精度姿态敏感器、动量交换式控制系统和地磁姿态控制技术以满足高精度和长寿命的要求，故障诊断技术也得到很大发展。
第三代航天器导航、制导和控制系统是应星际飞行和载人航天的需要而产生的，具有全部制导、导航和控制功能，还具有故障诊断和系统重构的功能。
系统关键部件有多重冗余，有自诊断和自主重构的能力，满足飞船对GNC系统的安全性、可靠性要求，做到“一个故障工作，两个故障安全”。
通过对国内外故障诊断历史的分析研究，可以总结出航天器故障诊断的部分主要方法如下：1.基于信号处理的故障诊断方法。
该方法是诊断领域应用较早的方法之一，主要采用阈值模型。
信号分析采用较多的主要有时域、频域、幅值、时-频域特性分析等。
信号处理方法主要有：峰值、均方根值、波峰系数、波形系数、偏斜度指标等参数分析，相关分析法，包络分析法，最大熵谱法，倒频谱法，同步信号平均法，自回归谱分析法，小波分析，分形分析等。
信号分析方法是其它诊断方法的基础。
2.基于规则的专家系统诊断方法。
基于规则的方法又称产生式方法，早期的故障诊断专家系统都是基于规则的，这些规则是从专家的经验中总结出来，用来描述故障和征兆的关系。
该方法的优点是知识表示简单、直观、形象、方便，使用直接的知识表示和相对简单的启发式知识，诊断推理速度快；要求数据的存储空间相对较小；易于编程和易于开发出快速原型系统。
航天器故障检测与诊断技术研究
航天器故障检测与诊断技术研究近年来，随着航天事业的不断发展，航天器的设计和制造质量越来越高，但是航天器故障仍然不可避免。
航天器的故障可能会导致任务失败、人员伤亡等严重后果。
因此，航天器的故障检测与诊断技术研究变得越来越重要。
一、航天器故障类型航天器故障种类繁多，常见故障包括动力系统故障、控制系统故障、通信系统故障、数据处理系统故障等。
动力系统故障主要体现在发动机、液压系统等方面，控制系统故障主要体现在星敏感器、惯性器等方面，而通信系统故障则包括信道干扰、信噪比不足等问题。
二、航天器故障检测与诊断技术针对航天器的故障种类繁多，航天器故障检测与诊断技术也呈现多样化趋势。
1.传统技术传统的航天器故障检测与诊断技术主要是通过工程师手动检查、排除故障。
这种方法耗时、耗力、精度不高，无法跟上航天器制造技术的发展趋势。
2.检测器故障树分析航天器故障树分析法（FTA）是指将航天器故障拆解成一个个事件，并构造树形结构描绘故障发生路径，以此寻找潜在的故障源，进行故障诊断的一种方法。
3.基于状态估计的故障检测基于状态估计的故障检测技术指通过数学建模，将航天器建模为人工智能系统，并结合采集到的实时数据，推断航天器具体的故障类型。
4.基于模型的故障检测基于模型的故障检测技术是指先将航天器建立数学模型，对模型进行分析和设计，然后将实际的观测结果与模型进行比对，并通过对差异的分析来确定航天器具体的故障类型。
5.基于模型和统计的故障诊断这种方法是融合基于模型和统计的方法，采用贝叶斯网络、神经网络等组合形式，利用多源数据来识别航天器故障原因，识别效果更加准确。
三、未来趋势随着航天器技术的不断革新，航天器故障检测与诊断技术也将会不断完善。
未来，我们可以预期航天器故障检测与诊断技术将会变得更加智能化、自动化。
1.智能化未来的航天器故障检测与诊断技术将会引入更多的人工智能元素，采用自学习和自适应技术来提高检测和诊断的准确率和可靠性。
2.自动化未来的航天器故障检测与诊断技术将采用自主判断，自动处理的方法，将检测和诊断的结果进行汇总和归纳，让人工只需进行有意义的总结和分析，从而提高工作效率。
航空航天工程师的航空器故障诊断和维修策略
航空航天工程师的航空器故障诊断和维修策略航空航天工程师扮演着确保航空器安全运行的重要角色。
航空器故障的诊断和维修是航空航天工程师的核心任务之一。
在本文中，将介绍航空航天工程师在航空器故障诊断和维修方面的策略。
一、航空器故障的诊断1. 故障现象的观察和收集航空航天工程师在故障诊断之前需要准确观察和收集故障现象。
这包括飞行员的报告以及仪器和传感器的数据。
工程师需要详细了解故障的特点和表现，以便进行准确的诊断。
2. 使用软件系统进行故障预测航空航天工程师可以利用先进的软件系统，对航空器进行故障预测。
这些软件可以基于历史数据和模型算法，通过分析当前数据来预测可能出现的故障。
通过提前发现潜在的故障，工程师可以采取措施进行预防和修复。
3. 使用故障数据库航空航天工程师可以借助故障数据库来辅助故障诊断。
这些数据库记录了过去航空器故障的详细信息，包括故障原因、维修方法等。
通过比对故障数据库中的类似案例，工程师能更快地找出类似的故障并提出相应的维修策略。
二、航空器维修策略1. 制定维修计划在确定了故障原因后，航空航天工程师需要制定详细的维修计划。
这包括确定所需的材料和工具，预估维修时间和成本，并安排合适的团队进行操作。
维修计划的制定需要综合考虑维修的紧迫程度和成本效益。
2. 进行修理和更换部件根据维修计划，航空航天工程师需要进行航空器的修理和更换故障部件。
维修过程中需要严格按照相关技术标准和程序进行操作，以确保修理的可靠性和安全性。
3. 维修后的测试和验证维修完成后，航空航天工程师需要进行测试和验证，以确保故障已经完全修复并验证维修效果。
这包括地面测试和飞行测试等环节，以验证修理后的航空器性能是否恢复正常。
三、预防措施的实施1. 更新维修手册和标准程序航空航天工程师需要及时更新维修手册和标准程序，以反映最新的技术要求和维修策略。
这有助于确保维修工作按照规范进行，并提供准确的指导。
2. 加强人员培训和技能提升培训和技能提升对于航空航天工程师的故障诊断和维修能力至关重要。
基于神经网络的航空器故障检测与诊断
基于神经网络的航空器故障检测与诊断航空器作为一种复杂的工程系统，其安全性和可靠性一直备受关注。
故障的及早检测和准确诊断对于保障飞行安全、提高效率和降低维修成本至关重要。
近年来，基于神经网络的航空器故障检测与诊断技术正在逐渐展现出其巨大潜力。
在航空器故障检测与诊断领域，神经网络凭借其强大的模式识别和学习能力得到了广泛应用。
基于神经网络的航空器故障检测与诊断技术包括故障检测和故障诊断两个主要方面，下面将分别介绍。
首先，基于神经网络的航空器故障检测方面。
通过监控航空器各个关键部件的传感器数据，可以实时获取大量的故障指标。
但是，由于航空器系统的复杂性和多变性，传统的故障检测方法往往难以准确地判断系统是否存在故障。
而神经网络能够通过学习训练数据集中的故障模式，建立一个准确的故障检测模型。
通过输入传感器数据，神经网络可以对航空器系统进行实时监测，并及时判断系统是否存在故障。
这种基于神经网络的故障检测方法具有高准确性和及时性的特点，能够帮助航空公司和维修人员迅速发现潜在的故障，及时采取措施，保障飞行安全。
其次，基于神经网络的航空器故障诊断方面。
当系统检测到存在故障时，需要进一步对故障进行诊断，以确定导致故障的具体部件或原因。
传统的故障诊断方法通常需要专家知识和经验，并且受限于事先定义的规则集。
而基于神经网络的故障诊断方法通过学习大量的故障数据和其它相关数据，可以自动地识别和分析故障模式，从而辅助诊断人员确定故障原因。
神经网络在故障诊断中的优势在于它能够处理非线性和高度复杂的关系，能够从多个传感器数据中提取有用的信息，提高故障诊断的准确性和效率。
此外，基于神经网络的航空器故障检测与诊断方法还具有可扩展性和鲁棒性。
传统的故障检测与诊断方法通常依赖于特定的工况或故障模式，而神经网络可以通过学习训练数据集中的不同工况和故障模式，建立一个通用的故障检测与诊断模型。
这种通用模型可以适用于各种不同的航空器类型和工作环境，减少了设计和实施成本。
航天器故障诊断系统技术研究
航天器故障诊断系统技术研究随着我国航天工业的不断发展，更精密的航天器的研制和应用也越来越普及。
在日常的运行中，航天器故障的发生会影响到其性能甚至导致严重的事故。
因此，航天器故障诊断系统技术的研究与应用变得至关重要。
一、航天器故障诊断在航天器的运行过程中，由于各种原因，可能出现航天器某一部分或系统的故障。
例如，发动机失效、通讯系统出现问题等。
这些故障都会对整个航天器的正常运行产生影响，所以快速准确的故障诊断显得尤为重要。
航天器故障诊断通常是通过多种技术手段进行判断，包括传感器技术、信号处理技术、图像处理技术、模型识别技术等。
这些技术通过采集航天器实时性能数据并进行分析，从而确定故障所在位置和原因。
同时，航天器故障诊断系统还需要具备智能化和自动化的特点，实现故障排查和维修的自动化和集成化，提高航天器的运行效率和实用性。
二、故障诊断系统技术研究目前，国内外已经有许多研究团队在航天器故障诊断系统技术的研究方面做出了很大的贡献。
这些研究主要包括：1、人工智能技术在航天器故障诊断中的应用。
人工智能技术是目前较为热门的技术研究方向之一。
利用人工智能技术，可以对航天器的性能数据进行计算和分析，从而识别故障根源。
人工智能技术不仅可以提高诊断的准确性，还可以实现自适应学习功能，不断优化和改进故障诊断系统的性能和精度。
2、仿真技术在故障诊断中的应用。
仿真技术主要借助计算机和虚拟现实技术，以模拟真实的航天器行驶过程，分析和判断故障的原因和位置。
仿真技术可以帮助研究员对航天器系统的正常运行和故障排查进行模拟，提高航天器故障诊断的可靠性和精度。
3、智能机器人技术在故障维修中的应用。
智能机器人技术可以通过自主控制和感知技术，快速、准确地确定故障部位并进行维修。
当发现故障时，智能机器人可以自动前往故障区域，进行维修工作。
这种智能机器人技术可以实现实时故障维修，大大缩短了航天器维修的时间和成本。
4、虚拟现实技术在故障诊断中的应用。
异常检测与故障诊断在航天器系统中的应用研究
异常检测与故障诊断在航天器系统中的应用研究引言：航天器系统作为一种复杂系统，处于极端环境下并承担着重要的任务。
由于外界环境和内部因素的不确定性，航天器系统中的异常和故障是不可避免的。
因此，对于航天器系统而言，准确的异常检测和故障诊断是至关重要的。
一、异常检测在航天器系统中的应用异常检测是通过对航天器系统的运行数据进行分析，识别出与正常行为不符的异常情况。
异常检测的主要目标是发现系统性能下降、故障隐患以及异常操作等问题。
1. 传感器异常检测航天器系统依赖于大量的传感器来监测系统状态，例如加速度计、陀螺仪、温度传感器等。
通过对传感器数据进行实时监测和分析，可以及时发现传感器故障或失效，并采取相应的措施进行修复或替换，保证航天器系统的性能和安全。
2. 子系统异常检测航天器系统由多个子系统组成，例如动力系统、导航系统、通信系统等。
异常检测可以用于监测这些子系统的运行状况，及时发现与正常工作条件不符的异常情况，防止小问题扩大化并最小化故障对整体系统的影响。
3. 任务异常检测航天器系统中的任务执行过程中可能会出现一些异常情况，例如轨道偏移、姿态控制失效等。
通过对任务执行过程进行监测和分析，可以及时发现任务异常，采取相应的措施进行修复或调整，确保任务的顺利进行。
二、故障诊断在航天器系统中的应用故障诊断是在异常检测的基础上，在发现异常情况后对问题进行分析，确定异常的原因和故障点，并提供相应的修复方案。
1. 故障源定位航天器系统中的故障可能是由多个子系统或组件的故障引起的。
故障诊断可以通过对系统运行数据的分析，确定引起故障的具体子系统或组件，以便精确进行故障修复，提高维修效率和减少维修成本。
2. 故障模式分类航天器系统中的故障可以分为不同的模式，例如传感器故障、电路故障、机械故障等。
通过对故障模式进行分类，可以为故障诊断提供指导，并有助于建立故障数据库，提供经验和知识支持。
3. 故障解决方案故障诊断不仅要确定故障的原因和故障点，还需要提供相应的修复方案。
航空航天工程师在航空航天故障排除中的故障检测与故障修复技术研究
航空航天工程师在航空航天故障排除中的故障检测与故障修复技术研究航空航天行业一直以来都是高度工程化的领域，而航空航天工程师则是推动这一领域发展的重要力量之一。
在航空航天工程中，故障检测与故障修复技术是航空航天工程师不可或缺的技能之一。
本文将讨论航空航天工程师在故障排除过程中的故障检测与故障修复技术的研究与应用。
一、故障检测技术1. 传统故障检测方法传统故障检测方法通常依靠工程师的经验和技能。
这些方法包括目视检查、仪器检测和故障模拟等。
然而，这些方法在复杂的航空航天系统中往往无法满足准确性和效率的要求。
2. 基于传感器技术的故障检测方法随着传感器技术的不断进步，航空航天工程师开始利用传感器来实时监测航空航天系统的状态。
传感器可以采集各种参数，如温度、压力、振动等，并将这些参数传输给数据处理系统。
通过对数据的分析和比对，工程师可以准确地检测到系统中的故障。
3. 数据驱动故障检测方法数据驱动故障检测方法是近年来广泛应用于航空航天领域的一种新方法。
该方法利用大量的历史数据进行训练和建模，从而实现对未知故障的检测。
通过机器学习和数据挖掘等技术，工程师可以从海量数据中发现潜在的故障模式，并提供相应的修复建议。
二、故障修复技术1. 传统故障修复方法传统故障修复方法通常依赖于工程师的手工操作和维修经验。
这些方法包括零部件更换、维修调整和重新校准等。
虽然这些方法在某些情况下可以解决问题，但对于复杂的系统故障往往效率低下且难以精确定位故障根源。
2. 基于数据分析的故障修复方法随着数据分析技术的不断发展，工程师可以通过对大量的实时和历史数据进行分析，来发现故障的原因和解决方案。
通过建立数学模型和算法，工程师可以对航空航天系统的运行状态进行预测，并提供相应的故障修复方案。
3. 自动化故障修复技术自动化故障修复技术是航空航天工程领域追求的目标之一。
通过引入自动化技术，工程师可以实现对故障的自动检测和处理。
例如，可以利用机器学习算法训练出一个自动诊断系统，该系统可以实时监测系统状态并自动修复故障。
具有Lipschitz非线性系统的航天器故障检测
具有Lipschitz非线性系统的航天器故障检测刘安;吴智斌;韩冬【期刊名称】《飞行器测控学报》【年(卷),期】2017(036)002【摘要】对存在未知干扰的Lipschitz非线性系统,探讨了基于滑模观测器的执行器故障检测的方法.通过等价状态变换,可以得到2个子系统,其中一个子系统与执行器故障和未知干扰耦合,而另一个子系统则只与执行器故障耦合.在此基础上,提出了一种免受未知干扰影响,可对执行器故障敏感的滑模观测器设计方法.这种滑模观测器可以作为故障检测工具,而将其输出估计误差作为残差发生器,用于执行器故障检测.相比滑模观测器的故障重构方法,该方法大大放宽了对数学假设条件的要求.最后,对一个大攻角状态下的航天器的简化模型进行了数字仿真,仿真结果表明了所提方法的有效性.【总页数】6页(P106-111)【作者】刘安;吴智斌;韩冬【作者单位】航天器在轨故障诊断与维修重点实验室·西安·710043;航天器在轨故障诊断与维修重点实验室·西安·710043;清华大学自动化系·北京·100084【正文语种】中文【中图分类】V467;TP277【相关文献】1.一类具有输出不确定性的Lipschitz非线性系统观测器设计 [J], 邹伟;刘玉生2.离散Lipschitz非线性系统状态和未知输入估计 [J], 郭胜辉;朱芳来;朱树先3.Lipschitz非线性系统的H-/L∞故障检测观测器设计 [J], 周萌;王振华;王昶;沈毅4.基于观测器Lipschitz非线性系统鲁棒控制方法 [J], 孙延修5.单边Lipschitz离散非线性系统的降阶观测器设计 [J], 余正林;赵岩斌;董文强因版权原因，仅展示原文概要，查看原文内容请购买。
基于未知输入观测器的非线性时间序列故障预报
第20卷第7期V ol.20N o.7 控 制 与 决 策 Control andDecision 2005年7月July 2005 收稿日期:2004-09-03;修回日期:2004-11-15. 基金项目:国家自然科学基金重点项目(60234010);国防基础科研项目(K 1603060318);航空科学基金项目(02E52025). 作者简介:张正道(1976—),男,江苏无锡人,讲师,博士生,从事故障预报与诊断研究;胡寿松(1937—),男,南京人,教授,博士生导师,从事故障诊断与容错控制研究. 文章编号:1001-0920(2005)07-0769-04基于未知输入观测器的非线性时间序列故障预报张正道1,2,胡寿松1(1.南京航空航天大学自动化学院,南京210016; 2.江南大学控制理论与工程研究中心,江苏无锡214122)摘 要:将未知非线性系统的输出作为时间序列并进行空间重构,针对得到的离散线性时变系统,提出了基于未知输入观测器的预测新方法.以实时拟合时间序列的线性A R 模型作为时变系统的已知线性部分,将拟合误差作为时变系统的未知输入,实现了对非线性时间序列的一步预测.再利用递推预测的方法,将一步预测推广到N 步预测,同时证明了该方法的预测误差有界.通过未知输入的预测值和状态的预测误差的变化可以方便地判断故障的发生,实现故障预报.仿真结果证明了方法的有效性.关键词:故障预报;非线性时间序列;未知输入观测器中图分类号:T P 206.3 文献标识码:AFault Prediction for Nonlinear Time Series Based on Unknown Input ObserverZH A N G Zheng -dao 1,2,H U S hou -song1(1.Colleg e o f A uto matio n Engineer ing ,Na njing U niv ersit y of A ero na utics and A stro naut ics,N anjing 210016,China ; 2.Resear ch Center o f Contr ol Science and Contr ol Engineer ing ,So ut her n Y ang tze U niv ersit y,Wux i 214122,China .Cor respondent :ZHA N G Zheng -dao ,E -mail :w x zzd @hotmail .com )Abstract :T he nonlinear time ser ies,which is for med by the o utput of the unknow n system ,is co nver ted into discr ete time -v ary ing dy nam ic system with space reconstr uction .A novel met ho d is presented for t he pr edictio n oftime ser ies which is achiev ed by the adapt ive o bser vation of system states .An A R model is used to appr ox imate the linear par t o f t he tim e series;t he nonlinear par t and the appro ximate err or ar e reg arded as the unkno wn-input of sy stem.A o ne-st ep-ahead prediction method is pro po sed.T he one-step-a head predictio n is then ext ended to N -st eps -ahead mov ing hor izon predictio n ,and the pr edict ion er ro r is pr ov ed bounded .T he fault is pr edicted co nveniently by t he predictio n o f unkno wn -input and pr edictio n er ro r .T he simulatio n r esults sho w the m ethod is efficient.Key words :F ault pr edict ion;N onlinear time ser ies,U nkno wn input observ e1 引 言 故障检测和诊断是20世纪后期发展起来的一个新兴的控制理论分支和研究热点.但是随着对系统可靠性和安全性要求的进一步提高,人们希望能够在故障对系统的危害显现之前就预先知道故障的有关信息.由此,提出了故障预报这一个新的研究方向.Ho 和Xie 利用线性时间序列方法对故障数据建立ARIM A 模型,实现了系统故障的一步预报[1].相对的,非线性时间序列的分析要困难得多,而实际序列大都是非线性的,若用线性序列方法分析会带来较大的误差.未知输入观测器(UIO)是一种新型的观测器结构.目前的研究主要针对线性确定系统[2～4],M oreno和Yang对结构已知的非线性系统设计了UIO[5,6].但未知输入观测器在模型不精确时往往效果不理想,并且在仅有系统的输入输出数据而对系统结构完全未知时,目前还没有有效的应用实例.本文针对模型完全未知的非线性不确定系统,将其输出作为非线性时间序列,并将其多步预测问题通过在线的自回归拟合转化为离散线性时变动态系统的观测问题,设计了未知输入观测器.在得到序列预测结果的同时得到了包含有故障信息的未知输入序列的预测结果,同时证明了该方法对输出序列和未知输入序列的预测误差是一致有界的.最后利用多步预测误差序列判断故障,实现了故障预报.2 突变故障的预报 故障预报一般指在故障对系统的作用开始显现,而系统的运行状态(主要指描述状态的物理量)尚未改变时,就能够辨别故障,发现故障的时间越早越好.假设系统在t(t>0)时刻发生故障,由于实际系统的采样周期,故障数据最早过一个采样周期后得到.根据这个时间特征,故障可分成突变故障和缓变故障两类.定义1 故障延迟时间t f d为故障发生后系统能够保持原有性能指标基本保持的时间;故障上升时间t f r为从故障征兆出现到故障发生且故障系统不能被修复的总时间.设系统的采样周期为T.定义2 若故障的延迟时间t f d>T,则称此故障为缓变故障;若故障的延迟时间t f d≤T,则称此故障为突变故障.若系统在t0时刻出现故障,则对于缓变的故障在t<t0+t f d时判断出故障的发生是可能的,但对于突变故障,在其延迟时间内不能够保证得到故障数据,也就不能保证在系统性能指标发生改变前发现故障.所以对于这类故障,故障预报的含义就应该变为在故障对系统的运行状态造成微小改变时就发现故障.从时间上说,一般可认为应在0<t<t0+ 12t f r时判断出故障的发生.3 问题的描述3.1 时间序列建模为简化讨论,文中不妨假设观测数据为一维.设有非线性时间序列{x(t) x(t)∈R1},t=0, 1,…,L.在T时刻,序列可由如下线性自回归模型拟合:x(T)=a1T x(T-1)+…+a p T x(T-p)+ 0T.(1)其中:L∈Z+,表示整个时间序列的长度;p∈Z+,表示嵌入空间的维数;a i T(i=1,…,p)是T时刻的自回归系数; j T(j=1,…,p)是当前时刻第j步预报的误差.由时间序列的递推预报可知,在T时刻的N 步预测可表示成x(T+N)= 0x(T)+ 1x(T-1)+…+ p x(T-p)+ (T).(2) 传统的AR模型拟合在均方误差最小的准则下求出自回归系数a i,i=1,…,p,并假设自回归误差 (T)是白噪声信号(在预报时,该误差可忽略).对于非线性时间序列,由于 (T)不再是白噪声信号,所以忽略自回归建模误差将对非线性时间序列预报时造成相当大的偏差,并可能导致拟合失败.3.2 等价离散线性时变系统的构造构造如下向量:X(T)=[x(T-p),…,x(T-1),x(T)]T,Y(T)=[0,0,…,0,1]X(T),则X(T+1)=x(T-p+1)x(T-p+2)…x(T)x(T+1)=010 0001 00 0000 (1)p p-1 p-2 0x(T-p)x(T-p+1)…x(T-1)x(T)+[0 0 … 0 1]-1 (T),Y(T)=[0 0 … 0 1]X(T).即X(T+1)=A(T)X(T)+B (T),Y(T)=CX(T).(3)自回归系数 0… p将通过在线的线性拟合得到,故A(T)是时变的,即系统(3)是时变系统.4 基于未知输入观测器的时间序列预测4.1 时间序列一步预测方法由式(3)可知,该系统在任意时刻都是可观的,因此存在一个时变矩阵K(T),使得A(T)-K(T)C的极点可以任意配置.现令其所有极点满足实部小于零,即Re(i(A(T)-K(T)C))<0.(4)令X(T+1)=[X(T-p+1),…,x(T),x(T+1)]T,对系统(3)构造如下观测器[2]:770控 制 与 决 策第20卷X(T +1)=A (T )X (T )+B (T )+K (T )(Y (T )-CX (T ))+!(T ) (T +1), (T +1)=∀!(T -1)T C T #(T )(Y (T )-CX(T )).(5)式中∀=∀T >0,#(T )=#(T )T >0.设X ~(T +1)=X (T +1)-X (T +1), ~(T )= (T )- (T ),则X~(T +1)=(A (T )-K (T )C )X ~(T )+B ~(T )+!(T ) ~(T +1)-!(T ) (T +1), ~(T +1)=(T +1)-∀!(T -1)T C T #(T )CX ~(T ),Y ~(T )=CX~(T ). 令∃(T +1)=X ~(T +1)-!(T ) ~(T +1)-!(T ) ~(T ),(6)如果有下式成立:!(T )=B +(A (T )-K (T )C )!(T -1),(7)则∃(T +1)=(A (T )-K (T )C )∃(T )-!(T ) (T +1)+(A (T )-K (T )C )!(T -1) ~(T -1). 可以认为实际序列总是有界的,所以式(1)的拟合误差‖ (T )‖≤ -( ->0)也有界.在T 时刻,X (T ),…, (T -1),…已知,因而 ~(T -1)已知.定义Ly apnov 函数为V (T )=∃(T )T P ∃(T ),其中P 是(A (T )-K (T )C )TP +P (A (T )-K (T )C )<0的对称正定解.易知∃(T )一致有界.又有~(T +1)=(T +1)-∀!(T -1)T C T #(T )CX ~(T )= (T +1)-∀!(T -1)T C T #(T )C ∃(T )-∀!(T -1)T C T #(T )C !(T -1) ~(T )-∀!(T -1)T C T #(T )C !(T -1) ~(T -1).因为∃(T )一致有界,故只需考虑~(T +1)= (T +1)-∀!(T -1)T C T #(T )C !(T -1) ~(T )-∀!(T -1)TC T#(T )C !(T -1) ~(T -1).类似地定义= (T +1)-∀!(T -1)T C T #(T )C !(T -1) ~(T -1),则 必有上界.即~(T +1)=-∀!(T -1)TC T#(T )C !(T -1) ~(T )+ ,若!(T -1)T C T #(T )C !(T -1)≥%I >0.(8) 由微分方程稳定性理论,易知 ~(T )是一致有界稳定的.由式(6),因∃(T )和 ~(T )都是一致有界的,所以X~(T )也一致有界稳定.故有如下定理:定理1 对于时间序列{x (t ) x (t )∈R 1},t =0,1,…,L ,其在T 时刻的线性自回归拟合如式(1),则其一步预测问题可转化为式(3)的线性时变系统.且当满足式(4),(7)和(8)时,其未知输入观测器(5)存在,且使得状态和未知输入的观测误差X ~(T )和 ~(T )都是一致有界的.推论1 对于非线性时间序列{x (t ) x (t )∈R 1},利用定理1的方法进行一步预报,则序列的一步预测误差一致有界.证明由式(3)和定理1可知,结论显然成立.□4.2 时间序列N 步预测方法利用递推预测和滚动优化的思想,当N <p 时,非线性时间序列{x (t ) x (t )∈R 1},t =0,1,…,L ,在T 时刻的N 步预测问题可以等价于在T +N -1时刻的一步预测问题,即如下离散动态系统观测问题:X (T +N )=A (T )X (T +N -1)+ B (T +N ),Y (T +N )=CX (T +N ).(9)由定义x (T +N -1)=x (T +N -1)+x ~(T +N -1),有X (T +N )=A (T )([x (T +N -p +1),…,x (T ),x(T +1),…,x (T +N -1)]T +[0,…,0,x ~(T +1),…,x ~(T +N -1)]T)+B (T +N ),Y (T +N )=CX (T +N ). 定理2 对于满足‖x (t )‖<&(&>0)的非线性时间序列{x (t ) x (t )∈R 1},t =0,1,…,L ,在T 时刻的N 步预测问题.若N <p ,且满足定理1的条件,则N 步预测误差 x (T +N )-x(T +N ) 有界.证明 采用数学归纳法,由定理1和推论1知,当N =1时,定理成立.771第7期张正道等:基于未知输入观测器的非线性时间序列故障预报设N =k (k <p )时, x (T +k )-x(T +k ) ≤x -k 有界,下面证N =k +1时预测误差仍有界.令X(T +k +1)=[X (T +k -p +2),…,x (T +k ),x (T +k +1)]T -[0,…,0,x ~(T +1),…,x ~(T +k ),0]T ,且令T ′=T +k ,即有X (T ′+1)=X ′(T ′+1)+∋X ~(T ′+1),构造T +k 时刻的1步预测观测器为X (T ′+1)=A (T ′)X (T ′)+B (T ′)+K (T ′)(Y (T ′)-CX (T ′))+!(T ′) (T ′+1),(T ′+1)=∀!(T ′-1)T C T #(T ′)(Y (T ′)-CX (T ′)). 令(=(A (T )-K (T )C )∋X ~(T )+∋X ~(T +1),则‖(‖≤(-((->0)有界.同样地令)=-!(T ′) (T ′+1)+(A (T ′)-K (T ′)C )!(T ′-1) ~(T ′-1)+(,则‖)‖也有界.由定理1知,满足式(4),(7)和(8)时,X ~(T ′)和~(T ′)都是一致有界的.再由定理1推论可知,T ′时刻的一步预测误差有界,即x (T +k +1)-x(T +k +1) ≤x -k +1.所以定理2得证.□5 仿真实例 采用美制F-16歼击机作为仿真对象[7].假设歼击机在500m 高度以152.4m /s 速度飞行,初始配平条件迎角 =- 2.4686°.输入U C =[(e ,(a ,(r ]T 分别为升降舵、副翼和方向舵偏转角;可测状态及输出Y C =[u ,v ,w ,p ,q ,r ,∗,+,,, ,−,. ]T 分别为纵向、侧向、垂向速度,滚转、俯仰、偏航角速度,滚转、俯仰、偏航角、迎角、侧滑角和稳定轴滚转角速度.设定故障为第1.5s 时左升降舵卡死在-5°.以俯仰角速度分量为例(单位deg /s)进行仿真与分析,在线的AR 拟合按照Box -Jenkins 方法进行.取嵌入维数p =5,A (T )-K (T )C 的极点配置在[-1-3-5-10-12-15],!(0)=[000000]′,#(T )=I .仿真结果如图1和图2所示.在系统模型未知的情况下,对F -16歼击机的输出利用文中的方法进行两步预报,预报序列可很好地跟踪实际序列的变化.对未知输入的预测结果仅简单地将阈值设置为±5°/s,就可在实际故障发生后的一个采样周期内判定系统的故障发生.从图1知歼击机的图1 输出序列与实际预测序列的结果图2 序列的预测误差与未知输入的预测结果故障延迟时间t f d <T ,属于突变故障.一般认为歼击机的故障上升时间t f r =8T ,其故障预测时间t =T <t f r /2,因此该方法实现了突变故障的故障预报.从图2可以看出,未知输入先于预测误差变化.此时的预测误差可用于结果检验,以提高预报的准确性.6 结 语 本文将基于模型的观测器方法用于模型未知情况,把输出序列的预报问题转化成线性离散时变系统的观测问题.利用线性AR 模型拟合序列的线性部分,将序列的非线性部分及拟合误差作为系统的未知输入与状态同时进行观测.通过滚动预测的方法,将一步预测推广到N 步预测,并证明了预测误差一致有界.该方法对未知非线性系统有较好的预测结果,利用得到的未知输入观测序列实现了故障预报.该方法对突变的和缓变的故障都适用.参考文献(References )[1]Ho S L ,Xie M .T he U se of A RIM A M odels forReliablity F or ecast ing and A naly sis[J].Comp uters and I nd ustr ial Engineer ing ,1998,35(1,2):213-216.[2]Zhang Q H.A daptive O bser ver fo r M I M O L inearT ime -V ar ying Systems [J ].I EE E T r ans on A utomatic Control ,2002,47(3):525-529.[3]A nas F,O livier S.A n U nknow n Input O bser verDesig n fo r L inear T ime -Delay Systems [A ].P roc of the38th I EE E Conf on D ecision and Control [C ].U SA ,1999:4223-4227.(下转第777页)772控 制 与 决 策第20卷图2 故障f的残差相应则残差响应曲线如图2所示.由图可见,采用本文提出的残差生成器优化设计方法,可以成功地检测出故障,并有效抑制未知输入的影响.5 结 语 针对线性时不变系统,研究基于观测器的故障检测滤波器的非凸多目标H-/H∞优化设计问题.首先构建一个由输出观测器和后滤波器组成的残差生成器,获得由灵敏度指标H-指数和鲁棒性指标H∞范数描述的残差信号动态特性,并将其描述为非凸的双线性矩阵不等式(BM Is)形式.然后通过在一定条件下将BMIs转化为一组线性矩阵不等式,获得了优化问题的可解条件、求解方法以及获得最优解的迭代算法,并证明了算法的收敛性.所设计的故障检测滤波器可以达到对故障具有高灵敏度而同时对未知输入具有强鲁棒性.相比仅基于输出观测器而无后滤波器的故障检测滤波器,该方法具有更大的设计自由度.参考文献(References)[1]D ing S X,Jeinsh T,F rank P M,et al.A U nifiedA ppr oa ch to the O ptimizat ion of Fault Detectio nSy stems[J].I nt J of A dap tiv e Contr ol and S ig nal P roces sing,2000,14(7):725-745.[2]Ho u M,Pat ton R J.A n L M I Appro ach to H-/H∞F ault Detectio n O bser ver s[A].I EE P roc of theU K A CC I nt Conf on Control[C].Cor nwall,1996:305-310.[3]Wang H B,W ang J L,L iu J,et al.Iter ative L M IA ppr oach fo r Ro bust F ault Det ect ion Obser ver D esign[A].P roc of the42nd I EEE Conf on Design andControl[C].Haw aii,2003:1974-1979.[4]Fr ank P M.Handling M odeling U ncer tainty in FaultDetection and Iso lation Sy stems[J].Contr ol Eng ineer ing and A pp lied I nf ormatics,2002,4(4):29-46.[5]周东华,叶昊,王桂增,等.基于观测器方法的故障诊断技术若干问题的探讨[J].自动化学报,1998,24(3): 338-344.(Zhou D H,Y e H,W ang G Z,et al.Discussion of So me I mpo rt ant Issues of O bser ver Ba sed Fault Diagno sis T echnique[J].A cta A utomatica S inica, 1998,24(3):338-344.)[6]Chen J,Patt on R J.Robust M odel-bas ed FaultD iagnosis f or Dy namic Sy stems[M].Bosto n,L ondo n:K luw er A cademic Publisher s,1999.[7]钟麦英,汤兵勇,Ding S X,等.状态时滞系统故障诊断问题的L M I方法研究[J].控制与决策,2002,17(1): 15-18.(Zho ng M Y,T ang B Y,Ding S X,et al.L M IA ppro ach t o D esign Sta te-delay ed Fault DetectionSy stem[J].Control and D ecision,2002,17(1):15-18.)[8]Zhou K,Doy le J C,G lo ver K.R obust and Op timalControl[M].N ew Jer sey:P rentice Hall,1996.[9]Bo yd S,El Ghao ui L,F er on E,et a l.L inear M atr ixI nequalities in Sy stems and Contr ol T heory[M].Philadelphia:SIA M,1994.[10]Ding S X,Zho ng M Y,T ang B Y,et al.A n L M IA ppr oa ch to Desig n o f Fa ult Det ection F ilter fo r T imeDelay LT I Systems w ith U nknow n I nputs[A].P r oc of the A mer ican Contr ol Con f[C].Virg inia,2001:2137-2142.[11]Shimo mura T,F ujii T.M ult iobjective Co nt ro l D esignv ia Successive Ov er-bounding o f Q uadr atic T er ms[A].P roc of the39th CDC[C].Sy dney,2000:2763-2768. (上接第772页)[4]X iong Y,Saif M.U nkno w n Dist ur bance Input sEstimatio n Ba sed o n a State Funct ion Observ er Desig n [J].A utomatica,2003,39:1389-1398.[5]Jaime M or eno.U nkno w n Input Observ ers fo r SISON o nlinear Systems[A].Pr oc of the39th I E EE Conf onD ecision and Contr ol[C].A ustr alia,2000:790-795.[6]Y ang H L,Saif M.M o nito ring and Dia gnostics of aClass o f N onlinear Sy stem s U sing a N onlinearU nkno w n Input O bserv er[A].Pr oc of the1996I E EE Conf on Contr ol Ap p lications[C].Dea rbor n,1996: 1006-1011.[7]刘亚.复杂非线性系统的智能自适应重构控制[D].南京:南京航空航天大学,2003.(L iu Y.I ntellig ent A d a p tiv e Reconf igur able Contr olf or Com p lex N onlinear Sy stem[D].N anjing:N anjingU niver sity o f A ero na utics and A st ro nautics,2003.)777第7期彭涛等:一种故障检测滤波器的多目标优化设计方法。
基于Maksimov算法的航天器姿控推力器故障诊断
第30卷第4期振动、测试与诊断V01．30No．42010年8月Journal of Vib ration，Mea surement&Di agnosis A u g．2010基于Maksimov算法的航天器姿控推力器故障诊断‘张如飞，周军，于晓洲(西北工业大学精确制导与控制研究所西安，710072)摘要针对已有航天器姿控推力器故障诊断系统功能有限且尚未涉及低泄漏故障诊断的问题，基于非线性姿态动力学和改进的Maksimov非线性系统输入估计算法，提出了航天器姿控推力器在线故障诊断方案。
它基于Maksi—mov输入估计，计算了推力有效性因子．实现了推力损失检测，并基于绝对式光电编码器，提出了飞轮反作用力矩估计方法，实现了推进剂泄漏特别是低泄漏故障检测。
仿真推力损失和推进剂泄漏故障并应用所提方案进行了故障诊断，表明了该方案的有效性和实用性。
关键词航天器姿控推力器故障诊断Maksimov估计有效性因子中图分类号T P206 V448．2 T H l65引言1航天器姿控输入估计姿控推力器是保证航天器正常工作的关键部1．1姿控输入估计模型件，有两类常见故障：推力损失和推进剂泄漏，会直接降低航天器使用寿命。
Lee和Brown为Ca ssini航根据刚体姿态动力学及运动学原理，航天器在天器设计了基于模型的推力器泄漏故障诊断系本体坐标系中描述的姿态动力学为统[1]。
Wil son等提出了基于最大似然估计的航天器f，；也+(j。
一Iy)呜吡=￡：多推力器开关机并发故障检测与估计算法[2]。
<J，嘭+(，，一J。
)q吡一L，(1) Grenaille等为Micr oScope卫星设计了H”估计器以【，。
吐+(J，一J。
)％哆=L；检测推力器卡死及不期望关机故障[33。
L i等建立了其中：L，L，，L为航天器输入力矩；‰，屿，吐为航基于动态神经网络的推力器故障检测与隔离方天器惯性角速度在本体坐标系中的投影；I—d i a g 案[4]。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
量； ｄ （ ） ＥＲｑ为 系 统 的 未 知 干 扰 向量 ； Ｂ 为 系 统 输 入矩 阵 ； Ｃ为系 统输 出矩 阵； Ｅ为 干扰 分 布矩 阵 ； （ ｚ ） 为系统 的非 线性 函数 项 ， 满足 如 下 的 Ｌ ｉ ｐ ｓ ｃ ｈ ｉ ｔ ｚ 条件
障诊 断 问题变 得更 加 困难 。
１ 问题 描 述
考虑 如下非 线 性系统 ｆ 【 （ ￡ ） 一Ｃ ａ ＝ （ ￡ ）
ｆ （ ）一 （ ｚ）＋ 助 （ ￡ ）＋ （ ）
在此 方法 的研 究 中 ， 对 于线 性 系 统 的故 障诊 断 问题
研究 得较 为深 入 ， 非 线 性 系统 研 究 由于 自身 的 复杂
ＤｏＩ ： １ ０ ． １ ５ ９ ８ ２ ／ ｊ ． ｉ ｓ ｓ ｎ ． ２ ０ ９ ５ — ７ ７ ７ ７ ． ２ ０ １ ５ ． ０ ３ ． ０ １ ５
０ 引 言
随 着现 代工业 ， 以及航 空航 天领 域 的发展 ， 系统 的复杂性 日益提 高 ， 安 全性要 求 也越来 越 受到 重视 。
也 出现 了各 种故 障 诊 断 方 法 ， 如基 于模 型 的＿ １ 吨 ］ 、 基
环境 恶劣 ， 其姿 态 控 制 系 统 容 易 出现 故 障 。本 文 以 卫 星姿态 控制 系统 为 仿 真 对 象 ， 研 究 了其 执行 器 的
故 障诊 断 问 题 。 以卡 死 和 恒 偏 差 两 种 典 型 故 障 为
例， 验 证 了所 提方法 的有 效性 。
于信 号处 理 的＿ ３ 以及 基 于 知识 的＿ ４ ］ 。其 中 ， 基 于模
型 的诊断 方法 由于应用 了系统 的深层 次知 识而 受 到 广 泛研究 ， 如 基于 自适 应观 测器 的方 法 ］ 、 基于 未 知 输入 观测 器 的方法 ＿ ６ ］ ， 基 于滑 模观 测器 ｌ ＿ ７ 等， 但 目前
基 于增 广观 测器 的非 线 性 系统 故 障诊 断 问 题 ， 能 够
Ｉ １ （ ｚ ） 一 （ ） ｌ ≤ 。 一 ： Ｉ ｌ
当执行 器 发生故 障 时 ， 系统输 入 向量为
ｌ ｌ ， （ ） 一“ （ ） ＋， （ ）
（ ２ ）
（ ３ ）
实 现执 行器 故 障 的渐 进 估 计 ， 但 未 考 虑 扰动 等 不 确
定 性 的影 响 。
本 文研 究 了一 类 满 足 Ｌ ｉ ｐ ｓ ｃ ｈ ｉ ｔ ｚ 条 件 的 非 线 性 系统 ， 采用 故 障解 耦 的思 想设 计 了一组 诊断 观测 器 ，
收 稿 日期 ： ２ ０ １ ４ — １ １ 一 Ｏ １ 修 回 日期 ： ２ ０ １ ５ — ０ ２ — ３ ０ 基金项 目： 国 家 重 点 基 础 研 究 发 展计 划 （ ９ ７ ３ 计划） （ ２ Ｏ １ ２ Ｃ Ｂ ７ ２ ０ ０ Ｏ ３ ）
第 ２ 卷 第 ３ 期
２ ０ １ ５年 ９月
深 空 探 测 学 报
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｄｅ ｅ ｐ Ｓ ｐ ａ ｃ ｅ Ｅｘ ｐ ｌ ｏ ｒ ａ ｔ ｉ ｏ ｎ
Ｖｏ ｌ ＿ ２ Ｎｏ ． ３
Ｓｅ ｐｔ ｅ ｍ ｂｅ ｒ ２ ０１ ５
基 于 非 线性 未 知 输入 观 测 器 的 航 天器 故 障诊 断
法 对 各 种 典 型 执 行 器 故 障诊 断 的 有效 性 。 关 键 词 ：非 线 性 未 知 输 入观 测 器 ；结 构化 残 差 集 ；执行 器 ；故 障 诊 断 ；卫 星 控 制 系 统 中 图分 类 号 ：Ｖ４ ４ 文 献 标 识 码 ：Ａ 文 章 编 号 ：２ ０ ９ ５ — ７ ７ ７ ７ （ ２ ０ １ ５ ） ０ ３ — ０ ２ ７ ８ — ０ ５
产 生结构 化 的残差 ， 实 现非 线 性 系 统 执行 器 的故 障 诊 断 。并 利用 Ｌ ｙ ａ ｐ ｕ ｎ ｏ ｖ理 论 证 明 了未 知 输入 观 测
器 的稳定 性 。
对 于在轨 卫星 ， 由于 自身 系统 复杂 ， 所 处 的空 间
过去的 ３ Ｏ年 里 ， 故 障诊 断技 术 得 到 了长足 的发 展 ，
性而 尚不 成熟 ［ ８ ］ ， 尤 其是 对于 现代 系统 ， 往往 伴 随有
扰动 和模 型不 确定 性 的影 响 ， 使 得 非 线性 系统 的故
（ １ ）
其中： ｌ ｌ （ ） ∈ Ｒ 为 系统 的输 入 向量 ； Ｙ （ ） ＥＲ 为 系统 的输 出 向
想， 产生结构化的残差集 ， 实 现非 线 性 系统 执 行 器 的 故 障 隔 离 。研 究 考 虑 了未 知 扰 动 对 非 线 性 系 统 的 影 响 ， 并 利 用 Ｌ ｙ ａ ｐ ｕ ｎ ｏ ｖ 理 论 证 明 了所 设 计 观 测 器 的 稳 定 性 。最 后 ， 以三 轴稳 定 卫 星 的姿 态 控 制 系 统 为 对 象 ， 仿 真 验 证 了所 提 方
程 瑶 ， 王 日新 ， 徐 敏 强
（ 哈 尔 滨 工 业 大 学 深空 探 测 基 础 研 究 中心 ，哈 尔 滨 １ ５ ０ ０ ８ ０ ）
摘
要： 针对一类满足 Ｌ ｉ ｐ ｓ ｃ ｈ ｉ ｔ ｚ 条件的非线性系统 ， 设 计 了一 组 非 线 性未 知输 入 观 测 器 ， 并 依 据 故 障解 耦 的 思