深神经网络故障检测方案飞机IMU传感器

文摘

一种新的故障检测方案开发飞机惯性测量单元(IMU)传感器。该方案采用一个深层神经网络CNN-LSTM-fusion架构(CNN:卷积神经网络;LSTM:长期短期记忆)。故障检测网络(FDN)在本文开发的无关系的飞机模型或飞行条件。飞行数据FDN改革成一个2 d格式输入和通过网络故障情况下直接映射。我们模拟不同飞机各种飞行条件和不同的训练集和测试集。飞机和飞行条件的一部分只出现在测试集验证FDN的健壮性和可扩展性。FDN的不同的体系结构进行了研究,并通过烧蚀研究得到一个优化的架构。平均检测精度94.5%的20种不同的情况下实现。

1。介绍

惯性测量单元(IMU)是飞机控制系统的一个关键传感器措施角度飞行的速度和加速度。IMU错误可能导致严重的后果,因为飞行控制算法是高度依赖于角的反馈速度和加速度。因此,它具有巨大的意义实现IMU为了提高故障检测的容错控制系统(1]。

硬件冗余(人力资源)是一种普遍采用的方法对传感器故障检测飞机(2,3]。人力资源计划采用冗余传感器和一个投票系统,消除错误的故障传感器测量的数据。尽管人力资源方案通常提高容错飞行控制系统的缺陷包括高成本和脆弱性通用故障是不可忽视的4]。

分析冗余(AR)是另一种方法,它可以分为两类:基于模型的基于“增大化现实”技术和数据驱动的基于“增大化现实”技术。

基于模型的基于“增大化现实”技术是一种更传统的技术。传感器数学建模,提出一个输出估计量(5]。实际产出的传感器监测和与估计的输出相比,产生残留,确定传感器的缺点。大多数研究基于模型分析冗余故障检测进行了应用卡尔曼滤波(KF),例如,扩展卡尔曼滤波(EKF) (6- - - - - -8),无味卡尔曼滤波(UKF) [9,10),两步卡尔曼滤波器(6],模糊逻辑KF [11],hidden-Markov-based KF [12]。其他被发现使用基于模型的方法合成(13- - - - - -15],设定值观察者[16- - - - - -19),和移动地平线估计量(20.]。基于模型的方法是高度依赖于飞机动力学和运动学,不同飞机之间的显著差异在不同飞行条件。因此,可伸缩性不是承诺通过使用基于模型的方案。

数据驱动的基于“增大化现实”技术是一种基于模型的基于“增大化现实”技术,数据驱动的基于“增大化现实”技术的地图传感器直接输出故障情况下,这意味着飞机动力学不直接故障检测过程中,它可能是一个可伸缩的方案不同的飞机和飞行条件。神经网络(NN)是近年来广泛应用的数据驱动的基于“增大化现实”技术,因为它是一个强大的非线性拟合工具。完全连接级联神经网络用于检测IMU失败(21]。与在线更新神经网络自适应卡尔曼滤波器补偿来减少计算时间(22]。NN-based观察者而不是开发剩余产生的KF [23,24]。在[25)、模糊区间预测模型和神经网络用于IMU传感器。深层神经网络(款)是一种先进的技术在故障检测作为神经网络的升级版本,包括递归神经网络(RNN),长期短期记忆(LSTM)和卷积神经网络(CNN)。实现故障检测与RNN [1,27]。LSTM-RNN用于降噪IMU输出(27]。CNN是学习能力深前馈神经网络表示通常用于计算机视觉。在[28),飞行数据被改造成一个2 d类似影像格式使用CNN传感器故障检测。在[29日),CNN-LSTM融合方案开发空气传感器故障检测。其他研究使用神经网络方法处理故障检测中发现了(30.- - - - - -32]。

大多数现有的作品研究故障检测问题一定飞机一定飞行条件,例如,巡航和土地和接管(LTO)。鲁棒性是没有保证的。在本文中,我们希望开发一个数据驱动的方案来检测IMU的缺点,这是更健壮和可伸缩的不同的飞机和飞行条件。具体而言,CNN-LSTM-fusion故障检测网络(FDN)。测量飞行状态改革成一个2 d类似影像格式是FDN和故障情况下分类的输入输出。我们准备好的数据集各种飞机/飞行条件FDN训练和测试。研究进行了FDN架构从一个“全新”的版本,采用12飞行状态用不同的传感器作为输入。CNN和RNN都申请每一个测量通道。两种不同的飞机在低温氧化和巡航阶段用于网络培训,和另一种是用于测试。鲁棒性是合理的我们多样化的测试集。

2。问题定义

空气动力学是写成 在 和 。 是空速、攻角和侧滑角,分别。 和 分别角和角的速度。 表示加速度沿 体内轴框架的飞机。沿着身体轴被定义为外部力量函数的飞行状态,控制输入,和几何参数: 在 节流控制输入,电梯,副翼和方向舵。 表示机翼面积,翼展,分别和平均气动弦。

在旋转通道被描述为运动学

动态旋转通道收益率(33] 在 时刻对飞机和吗 是飞机的惯性参数(参见[33详细的定义)。外部的时刻是飞行状态的函数,控制输入,和几何参数:

3所示。飞行数据集

3.1。基本飞行数据干扰和测量噪声

保证DNN-based故障检测的鲁棒性和性能计划,它准备一个不同的数据集是至关重要的。因此,我们生成一个数据集的3种不同的飞机(即。Y、D和B)。具体而言,Y是一个大型运输机,D是一个通用航空,B是客机。我们模拟4配置不同的飞行条件,包括以下几点:(1)着陆和起飞(LTO)和手动控制(飞机Y)(2)高空巡航与自动驾驶仪(美联社)(飞机D)(3)高空巡航与自动驾驶仪(美联社)(飞机B)(4)低空自由飞行和手动控制(飞机B)

我们打算完全覆盖整个飞行包线(如LTO和巡航)通过引入4配置上面提到的。配置结束的更详细的信息表1。

高空飞机巡航飞机Y和低空LTO D模拟网络培训;高空巡航和低空飞行的飞机B是模拟网络测试。

模拟大气动荡,德莱顿模型采用,注入微扰“干净”的飞行状态。德莱顿风的速度模型可以由频谱函数定义: 在 代表了湍流尺度的长度。 代表了湍流强度。

测量噪音被认为是通过引入高斯噪音。见表2噪音配置在每个通道测量的飞行状态。

参见图1模拟飞行轨迹的配置。

3.2。飞行数据和IMU故障情况下注射

IMU的典型故障包括漂移、噪声、和规模的因素。作为比例因子生产制造期间,可以事先校准,我们关注噪音和漂移,即。角随机游走(ARW)和速率随机游走(弹头),随机行为和在飞行中是很难发现的。

我们介绍了4例与IMU断层通过添加随机错误的价值观基本飞行数据中描述的部分3.1。具体而言,6自由度IMU组成的三轴加速度计和三轴陀螺仪进行了研究。虽然有3频道在一个三轴加速度计和三轴陀螺仪,分别,他们2函数作为计量单位。因此,我们担心是否有故障加速度计和陀螺仪,而不是在一个特定的加速度和角速度频道,提供信息为进一步确定如果一个冗余测量单元。故障情况下下面列出。有且只有一个类型的断层发生同时或单独在加速或角速度频道。

案例1。噪音角速度(例如, )。

例2。漂移角速度(即。 )。

例3。噪音加速度(即。 )。

例4。漂移加速度(即。 )。

我们有5种不同的飞行情况下(包括例没有IMU的缺点,例0)被分类为每个航班配置。故障情况下发生在一个随机的时间和最后一个随机段(但不超过60年代)在飞行期间每隔60年代。

图2说明故障情况下注射,红色虚线代表基本的飞行数据和黑色实线与IMU断层的存在。我们多次重复这个随机fault-injecting过程每趟航班配置图中描述1。

3.3。数据结构的故障检测方案

在实际航班,IMU故障持续一定长度的时间和一些“模式”,我们在部分插入它们3.2。因此,它是更合理的观察飞行数据片段而不是飞行数据点。一个时间窗口的长度幻灯片在每个飞行数据片段。数据集组成的飞行数据矩阵形成。一个数据矩阵的每一列是一个矢量测量飞行状态在特定时间 。具体而言,我们downsample数据片段1 Hz的采样率和使用的时间窗口 表单数据矩阵,产生输入维度的31列和12行(代表所有12个变量测量传感器:3广告 ,三个欧拉角 ,3角的速度 ,和3加速度 )。图3说明了飞行数据矩阵形成的角速度和加速度通道,在左边的情节是飞行数据与故障插入序列的一部分,和正确的情节是飞行数据矩阵中提取的时间窗长度在时间从左边的序列图。

数据集分为训练集和测试集。具体而言,2/3的数据提取飞机Y和D进行训练。2/3的Y和飞机B D和所有数据进行测试。故障情况下随机补充道。见表3的详细分布的数据集。

4所示。IMU故障检测网络(FDN)

4.1。IMU FDN的基本架构

乌兹别克斯坦伊斯兰运动故障检测问题探讨了可以被视为一个分类顺序数据的问题,这是由2 d飞行数据矩阵。深神经网络与CNN和LSTM模块旨在处理这类问题。

与CNN,我们打算提取语义信息的二维数据矩阵。特征图每次生成一个输入通过卷积层。与网络层的增加,预计深层语义信息提取。我们使用漏ReLU激活函数可以减少沉默神经元的外观。

LSTM,我们的目标是提取时间信息。门操作LSTM模块中使用,以改善其性能。

4.2。实验环境和训练方法

计算平台的工作是一个i7 - 2600 CPU和16 GB的RAM,与一个Nvidia GTX 1070 GPU(驱动程序版本456.71)。训练和测试后端是基于Keras v2.4.3如果TensorFlow 2.3.0, Python 3.8上运行Windows (10)。

网络培训、“crossentropy”是用于生成培训损失和“亚当”采用的优化器。一个exponential-decaying学习率( )采用: ,一个时代意味着所有训练数据是使用一次。

4.3。故障检测性能的评价

评估的分类性能故障检测网络,一个混淆矩阵计算每次网络测试与测试集。每一个混淆矩阵的对角元素的百分比情况下正确预测;即。,the closer the diagonal elements are to 100, the better the network performs.

提出了混合矩阵表的一个示例4。节中描述3.2,我们把关注漂移和噪声角速度和加速度通道,形成案例4错例和1干净,没有错。测试集(例如:飞机飞行Y条件“低空、LTO手册,”见表1)被发送到网络故障检测具有一定的结构。混淆矩阵的每一个元素是一个统计的结果的预测;例如,矩阵的第二行表明,6%的“角速率漂移”病例预计“干净”,93正确预测“角速度漂移”,0%“加速漂移”,1%和0%“角速度噪音,加速度噪声。”在这种情况下,预测精度的情况下“角速度漂移”是93% Y飞行条件对飞机低空,LTO,手册。“一个对角线向量这种混淆矩阵的提取来评估网络的预测性能。

混淆矩阵的对角向量上面所讨论的,我们获得一个工具来评估预测的性能一定FDN的体系结构。每个网络体系结构下一节讨论和飞机/飞行条件表1,我们把所有测试集FDN来混淆矩阵的对角向量生成表5进行比较。

4.4。体系结构的研究IMU FDN

作为输入,我们发送到网络没有图片但数据序列的飞机动力学、结构优化的一般规则图像识别网络可能不工作。我们采用烧蚀研究开始寻找“最好”的完整体系结构网络的故障检测问题。完整的网络结构如图4。

在完整的网络,即FDN-FULL,我们发送 (大气数据传感器,“广告”), (欧拉角,“角”), (角的速度,“作为”), (ACC)加速度为输入层,这意味着所有的测量变量用于故障检测。和所有频道,CNN和LSTM层都采用。

4.1.1。FDN-FULL /广告

体系结构研究的总体目标是最大化预测精度同时最小化净尺寸。FDN本质上是一个非线性函数映射输入(飞行状态)输出(故障情况下)。请注意,方程(1)表明,加速度(我们感兴趣)显式映射到广告数据。发送广告和ACC FDN可能导致数据冗余和过度拟合。所以,我们广告频道切除在连接网络的大小块层减少FDN-FULL的3/4。预测性能略有改善,因预期,见下表5。

10/24/11。FDN-FULL /角度

方程(3)表明,欧拉角可能是冗余的显式映射和角速度之间的关系。所以,我们切角通道就像我们所做的广告4.4。1。预测性能也略有改善在尺寸减少,如表所示5。

4.4.3。FDN-CNN和FDN-RNN

我们试图削减CNN或LSTM分支出去检查纯CNN或RNN网络的性能。FDN-CNN表现良好在某些情况下,但结果并不令人满意的在处理飞机B,测试数据的严格分开训练集(只有Y和D是用于培训)。这意味着FDN-CNN不够健壮。FDN-RNN执行更糟糕的是,完全无法预测故障加速度通道。这项研究导致了结论,CNN和RNN都需要建立一个有效的IMU FDN故障检测。

4.4.4。FDN-OPT和其他消融研究

其他几个消融研究进行了基于FDN-FULL,尝试不同的组合输入数据和CNN / RNN架构,表中列出5(FDN-AB1 ~ FDN-AB 4, FDN-OPT)。

在所有烧灼FDN FDN-OPT (CNN和LSTM和ACC渠道,广告和角度裁剪)执行最好和显示相同的故障检测能力FDN-FULL /广告和FDN-FULL /角和显然比他们小。

4.5。净Hyperparameters

构建FDN的主要问题是确定hyperparameters: CNN过滤器,LSTM节点的数量和大小的CNN内核。我们尝试了16个不同的组合这些hyperparameters基于FDN-OPT和训练与2000年30倍时代为每个组合来消除随机性的培训过程。Hyperparameters下面列出:

Hyperparameter 1。CNN的过滤器:{8、16、32、48、64、80、96}。

Hyperparameter 2。CNN的内核:{ , , , }。

Hyperparameter 3。LSTM节点数量:{32、48、64、80、96112128}。

CNN过滤器数量计算成本和网上最大的影响大小。最后(2000)时代验证准确性和训练损失是描绘在图5。验证准确性与过滤器的数量增加和损失减少,这意味着更好的性能。我们选择64过滤器性能的平衡和净尺寸。然后,研究hyperparameters 2和3进行固定数量的64年CNN过滤器。

不同大小的CNN的培训历史内核是描绘在图6。作为CNN的一个共同的观点,接受域的大小和计算成本与CNN内核的大小成正比。图6表明FDN-OPT与 或 执行验证集比 或 。一个模型的FDN-OPT大小 CNN内核55.8 MB 59.1 MB。所以 内核决定平衡模型大小和性能。

不同数量的的培训历史LSTM节点如图7。FDN执行糟糕的训练当LSTM节点的数量等于CNN内核的数量(64)和最佳当LSTM节点数量的一半(32)或(128)CNN内核的数量的两倍。128节点是一个常用的配置在大多数LSTM实践,最终采用我们的工作。这个结果引起LSTM节点的数量不应等于CNN内核的数量在编写一个CNN和LSTM款。

4.6。简短的总结FDN IMU故障检测

研究的部分4.4。1和4.4。2,丢弃的广告和角度频道并不能使FDN糟糕的性能(在某些情况下更好)。与此同时,部分4.4。3表明,CNN和RNN都是必要的。FDN-OPT的预测结果证明了这两个结论:对IMU故障检测问题,我们只需要和ACC信息,和CNN-LSTM融合深度网络提供令人满意的性能。

从FDN-FULL开始,我们获得一个equivalent-in-performance但小深IMU网络故障检测问题。我们使用手动和美联社2飞机的飞行数据(Y & D)来训练网络,另一个飞机(B)来测试它。结果表明预测精度超过84%,所有飞机和飞行配置,这意味着故障检测方案对其他飞机/飞行是健壮的和潜在的有效配置。

消除随机效应在神经网络训练,我们训练每个架构到20倍损失聚合(1000年3000 FDN-RNN时代,时代为其他架构)。图8描述了培训的历史不同的体系结构在前面的章节讨论。在图5FDN-OPT(黑线)声称最低培训平均损失,如(b)所示。(蓝线)和FDN-FULL FDN-FULL /广告/角(红色线)执行,以及FDN-FULL。损失曲线的4架构图是相似的8加强论证,预测性能几乎相同的顺序如表所示5。平均损失FDN-CNN大于4的架构,但显然比FDN-RNN好多了。FDN-CNN的原因,性能接近FDN-FULL可能是输入数据是安排在一个表单时间信息包括(见部分3.3)。FDN-RNN损失减少预计的要慢得多比其他任何的体系结构,其预测性能糟糕的表5。

这两个图8和表5表明,FDN-OPT最size-performance平衡在所有研究工作;我们采用这种架构IMU的检测任务。架构优化的FDN-OPT描绘在图9。

5。结论

CNN-LSTM-fusion故障检测网络(FDN)提出了飞机IMU故障检测。飞行数据衡量惯性测量单元(IMU)包括角速度(AS)和加速度(ACC)作为输入FDN和故障情况下的输出。我们模拟不同飞机各种飞行条件下保证数据的多样性,和测试集从飞行数据中提取数据,并不是采用的培训过程。测试结果是令人满意的3种不同的飞机(训练和验证与大货Y和通用航空D,测试与大型客运B)模拟在不同飞行条件下(低空LTO、高空美联社巡航和低空手动自由飞行),这意味着FDN在本文开发健壮的飞行条件和潜在的可伸缩的不同类型的飞机。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

引用

1. p . Lu和e . v . Kampen”飞机惯性测量单元故障识别与应用程序真正的飞行数据,”在理论指导、导航与控制会议,2015年。视图:谷歌学术搜索
2. p . Goupil“空客努力先进的实时故障诊断和容错控制,”IFAC诉讼卷卷,47号3、3471 - 3476年,2014页。视图:出版商的网站|谷歌学术搜索
3. p . Goupil“空客的艺术和实践对FDI和贸易委员会在飞行控制系统中,“控制工程实践,19卷,不。6,524 - 539年,2011页。视图:出版商的网站|谷歌学术搜索
4. r·j·巴顿容错控制系统:1997年的情况赫尔大学,1997。
5. f . Damongeot Marzat, h·Piet-Lahanier, e·沃尔特“航空航天系统基于模型的故障诊断:一项调查,“美国机械工程师学会学报》上G航空航天工程杂志》的一部分,卷226,不。10日,1329 - 1360年,2012页。视图:出版商的网站|谷歌学术搜索
6. 问:他,w .张、刘x和j .刘”信息融合和重建的关键传感器在飞行控制系统中基于两阶段卡尔曼滤波器,在不断的风场”2016年IEEE中国制导、导航和控制会议(CGNCC),第724 - 718页,2017年。视图:谷歌学术搜索
7. l . v . Eykeren问:p .楚,“飞机控制系统的传感器故障检测和隔离运动学关系,“控制工程实践31卷,第210 - 200页,2014年。视图:出版商的网站|谷歌学术搜索
8. m . Ariola f . Corraro m·加尼姆Notaro,和a . Sollazzo”一个SFDI observer-based通用航空飞机的计划,”在控制和容错系统(SysTol), 2013年会议,第158 - 149页,2013年。视图:谷歌学术搜索
9. p . Lu l . v . Eykeren e . Kampen问:p .楚和b . Yu”自适应混合无味卡尔曼滤波器用于飞机传感器故障检测、隔离和重建”在理论指导、导航与控制会议,2014年。视图:谷歌学术搜索
10. m .凌和y张GTM无人机的故障检测和诊断双无味卡尔曼滤波,”在理论指导、导航与控制会议,2015年。视图:谷歌学术搜索
11. d . Berdjag a Zolghadri, j . Cieslak”故障检测和隔离飞机大气数据/惯性系统”在欧洲航空航天科学会议,第332 - 317页,2013年。视图:谷歌学术搜索
12. k·鲁丁、g . Ducard和r . y . Siegwart”传感器故障检测飞机使用一个卡尔曼滤波器和隐马尔可夫模型,”在IEEE会议控制应用程序中,CCA, 2016年IEEE,页991 - 996年,2014年。视图:谷歌学术搜索
13. p·弗里曼,p .西勒,g . j .红晶石”大气数据系统故障建模和检测,控制工程实践,21卷,不。10日,1290 - 1301年,2013页。视图:出版商的网站|谷歌学术搜索
14. m·加尼姆和g . Paviglianiti“管理传感器硬件冗余与_H_小型商用飞机_∞FDI观察员”,IFAC诉讼卷,38卷,不。1,第352 - 347页,2005。视图:出版商的网站|谷歌学术搜索
15. f·阿马托c .张家港基地、m·加尼姆和g . Paviglianiti”直接/功能冗余方案有关飞机的故障检测和隔离,”航空航天科学技术,10卷,不。4、338 - 345年,2006页。视图:出版商的网站|谷歌学术搜索
16. y Wan和t . Keviczky”,实现实时移动的地平线估计健壮的大气数据传感器故障诊断的重新配置基准,”Ifac Papersonline卷,49号17日,第69 - 64页,2016年。视图:出版商的网站|谷歌学术搜索
17. p .罗莎·c·西尔维斯特,j·s·夏玛和m .阿赞“LTV系统的故障检测和隔离使用集值观察员,”IEEE,2010年。视图:谷歌学术搜索
18. p . Casau p·罗莎,s m . Tabatabaeipour和c·西尔维斯特,“故障检测与隔离和容错控制风力涡轮机使用集值观察人士,“技术。代表,Ifac诉讼卷,2012年。视图:谷歌学术搜索
19. p·罗莎和c·西尔维斯特LPV系统的故障检测和隔离使用集值观察员:应用固定翼飞机,”控制工程实践,21卷,不。3、242 - 252年,2013页。视图:出版商的网站|谷歌学术搜索
20. y Wan和t . Keviczky实时容错地平线空气数据估计配置基准,”IEEE控制系统技术,27卷,不。3、997 - 1011年,2019页。视图:出版商的网站|谷歌学术搜索
21. 侯赛因,m .身和j·m·豪”传感器故障检测、识别、和住宿使用完全连接级联神经网络”IEEE工业电子产品,卷62,不。3、1683 - 1692年,2015页。视图:出版商的网站|谷歌学术搜索
22. a . Abbaspour p . Aboutalebi k . k .日圆,和a . Sargolzaei”神经自适应observer-based传感器和致动器在非线性系统故障检测:应用在无人机,“ISA事务卷,67年,第329 - 317页,2017年。视图:出版商的网站|谷歌学术搜索
23. 美国爸爸,m . l . Fravolini gdp核心,p . Valigi m·r·纳波利塔诺,“数据驱动方案大气数据系统的鲁棒故障检测传感器,”IEEE控制系统技术,27卷,2019年。视图:出版商的网站|谷歌学术搜索
24. s Gururajan m . l . Fravolini h .曹国伟m . Rhudy m·r·纳波利塔诺,“绩效评估基于神经网络的方法对空速传感器故障住宿在一个小型无人机,”在地中海会议控制和自动化,第608 - 603页,2013年。视图:谷歌学术搜索
25. m . Crispoltoni m . Fravolini f . Balzano s D 'Urso和m·纳波利塔诺”区间模糊模型健壮的飞机IMU传感器故障检测,”传感器,18卷,不。8,2488年,页2018。视图:出版商的网站|谷歌学术搜索
26. e . Sobhani-Tehrani h·a·Talebi, k . Khorasani”混合使用神经参数估计的非线性系统的故障诊断,”神经网络卷,50 12-32,2014页。视图:出版商的网站|谷歌学术搜索
27. 江c, s陈,陈y . et al .,”一个MEMS IMU去噪方法,使用长短期记忆递归神经网络(LSTM-RNN)”传感器,18卷,不。10,3470年,页2018。视图:出版商的网站|谷歌学术搜索
28. y盾”的深层神经网络应用程序动态参数识别的检测和表征飞机结冰,“航空航天科学与技术卷。77年,34-49,2018页。视图:出版商的网站|谷歌学术搜索
29. y盾”,为全面实现深度学习飞机结冰和致动器/传感器故障检测/鉴定,“人工智能技术的工程应用卷。83年,28-44,2019页。视图:出版商的网站|谷歌学术搜索
30. 崔y . c . j . h .儿子,h·s·安,“小CMG-based卫星故障检测和隔离:模糊q学习方法,“航空航天科学技术47卷,第355 - 340页,2015年。视图:出版商的网站|谷歌学术搜索
31. a . Shakouri和n . Assadian”卫星故障检测和隔离陀螺仪在编队飞行使用相对位置,”航空航天科学与技术卷,78年,第417 - 403页,2018年。视图:出版商的网站|谷歌学术搜索
32. b•埃尔奥卢,m . c, n . k .保证,“自动着陆控制系统设计基于深度学习的错误估计,“航空航天科学技术,第102卷,第105855页,2020年。视图:出版商的网站|谷歌学术搜索
33. b·l·史蒂文斯飞机控制和仿真:动力学、控制设计、和自治系统纽约:威利,第三版,2015年版。

版权

版权©2021张翳明等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。