文摘
在本文中,提出了典型的错误估计和动态分析的被领导无人机(UAV)形成系统与外部干扰。首先,一个动态模型比例导航制导(PNG)控制的无人机是建立形成。然后,一个中间采用观测器设计方法同时估计系统的状态和错误。基于图论,无人机编队中的每个节点之间的拓扑关系分析。估计,创建了系统误差。此外,典型的故障,包括组件失败,机体损伤,沟通失败,形成碰撞,和环境的影响,也讨论了无人机系统。基于容错策略,五个熟悉故障模型,提出了从错误的角度估计,动态扰动,形成合作控制。与分析的结果和错误估计,可以精确估计执行器故障组件失败和风力干扰。此外,无人机编队的基本动态特性进行了讨论。此外,比较两种情况与风扰动已经完成验证故障估计器和控制器的性能。 The results illustrate the credibility and applicability of the fault estimation and dynamic control strategies for the UAV system which are proposed in this paper. Finally, an extension about the UAV formation prognostic health management system is expounded from the point of view of the fault-tolerant control, dynamic modeling, and multifault estimation.
1。介绍
在大多数发达无人机(UAV)、编队飞行是最重要的一个技术群合作工作。形成多个无人机在一个比一个更有效率的过程中任务完成。群合作飞行技术已在无人机领域的关注。然而,这只是开始,还有很多重要的问题需要解决。例如,假设形成配置是稳定的,一个关键问题是如何保持无人机系统的可靠性和稳定性。无人机编队飞行安全,故障诊断和容错控制的关键解决方案。当错误出现在编队飞行,他们应该被检测到,本地化,在短时间内纠正。否则,任务将会失败。准确和及时的帮助下故障诊断可靠的容错控制,形成将重新配置,和彼此之间的交流将优化。因此,无人机编队将飞在一个安全的和稳定的状态。 There are many different kinds of faults that arose and coupled in real flight. According to the different degrees of faults, they can be divided into an intermittent fault, sudden fault, and slow fault. If classified by different fault parts, they include the actuators, sensors, and communication failures which may cause the whole formation to work in chaos.
由于不同阶段之间复杂的耦合关系的形成,将故障诊断受到参数摄动的影响,外部干扰和鼻子。控制器没有形成理想的鲁棒性性能和控制精度下降(1]。在故障诊断领域,通常是使用一个observer-based方法。观察者设计的过程中,应该考虑扰动解耦。因此,故障诊断的不确定性可以被消除,形成控制将更加强劲。分离扰动和故障帮助故障诊断效率,减少错误的故障判断的速度。
在工程应用中,有几种典型的故障诊断方法对无人机的形成,例如,分布式故障检测中,滑模观测器,健壮的未知输入观测器,模糊滑模观测器和神经网络。在这些方法中,此是一种最常用的扰动的线性系统(2- - - - - -4和非线性系统5]。一想到此故障诊断方法是使用的可测量的输入和输出值形成无人机系统设计系统状态观测器和测量状态。的残余信号观测估计和实际值,系统故障可以近似的估计,将完成故障诊断。此故障诊断方法的应用在无人机领域,Negash说明银行基于未知输入观测器- (UIO)的分布式故障检测方案来检测和识别威胁无人机的形成。规则基于UIO残差生成使用银行已经被用于检测攻击。此外,开发了一种算法,从网络中删除错误的无人机一旦检测到的攻击和破坏无人机孤立,同时保持与失踪的无人机编队飞行节点。数值案例研究表明,残留在监测节点生成无人机能够成功检测和隔离的网络攻击。和错误的无人机删除算法已被证明能够有效地消除损害无人机保持形成相应的(6]。文献[7]介绍了滑模观测器设计重建的致动器的缺点,然后消除影响无人机编队的驱动器故障容错控制。仿真结果证实了积极的故障诊断和容错控制方案提出了无人机系统与执行机构故障有效形成。在[8),一个UIO-based计划用于结冰探测overactuated无人机。决定算法已经提出了正确识别系统动力学可能意想不到的效果。此外,糖衣住宿的任务是解决,使用容错控制分配方案和利用输入冗余的控制表面失败,或使用一个自动除冰子系统在结冰翼型。Rotondo等人提出了一个离散时间线性参数变化(LPV) UIO执行机构故障的诊断和冰吸积的无人机系统。建议的方法,适合实现上,利用一个完整的6度的自由度(自由度)无人机模型,其中包括纵向/横向耦合动力学和结冰的影响。LPV配方已经允许糖衣诊断方案的优势与范围广泛的操作条件一致。发达的理论是由模拟说明执行机构故障的诊断和结冰的小型无人机。结果验证该方法的有效性(9]。文献[10)指出,一个新的在线检测策略开发检测传感器和执行器故障的无人机系统。在这个设计中,权重参数的神经网络(NN)更新通过使用扩展卡尔曼滤波(EKF)。网络权重参数适应帮助检测突然,断断续续,初期故障准确。有提出了故障检测系统应用于西弗吉尼亚大学YF-22无人机的非线性动力学模型的评估。仿真结果表明,新方法具有更好的性能比传统的递归神经网络故障检测策略(10]。一个3 d被领导形成的控制问题进行了讨论11]。一种新颖的控制律和自适应扰动观测器探索成群的固定翼无人机的运动约束和干扰。仿真结果表明,该方法是有效的是否有干扰存在。在[12),一种新颖的分布式滑模控制律已经调查了被领导无人机的形成。数值模拟验证的可调节范围追随者的线速度不需要更大的领导人,这是被领导意义的大型无人机的编队飞行。
然而,在传统observer-based故障诊断方法中,观察者必须满足匹配条件(13]。这个目标通常不能满足实际工程应用。条件下,系统满足严格正的真实性条件,在14,15),自适应故障估计方法。比较的观察者匹配条件,严格的积极的真实性条件更为保守。要解决这些问题,一个中间observer-based方法提出了在16]。一个中间变量建立了,错误估计观测器设计。建立中间变量的估计值是用来计算错误的值。最优势是观察者匹配条件和严格的积极的真实性条件不会需要满意的系统。这是理想的故障估计的无人机系统形成。在[17),作者采用这种中间观察者的网络动态系统与外部干扰。分布式中间估计为每个节点建立了基于局部测量输出。除了建立中间故障估计量,应考虑无人机之间的相互关联关系。此外,线性矩阵不等式(LMI)的维数会增加无人机数量的增长。这些问题应该被认为严重设计无人机时形成的错误估计。
在[13),一个新的中间估计被介绍给估计故障的多重代理系统。它可用于一个系统不能满足观察者匹配条件。估计的中间变量,输出误差的反馈效应考虑在内。在结果中,估计可以改善性能。最后,基于线性矩阵不等式(LMI)的维数不会提高无人机数量的增加。
在这篇文章中,典型的故障建模与仿真被领导无人机系统,形成像组件失败,机体损伤,沟通失败,形成碰撞,和环境的影响,将主要集中在研究过程的错误估计和动态分析。领导者和追随者的运动学模型建立无人机,以及将保持PNG的相对关系控制方法2。来估计系统的状态和错误,中间采用观测器设计方法3。无人机编队中的每个节点之间的通信拓扑构建基于图论。估计和估计误差模型也是这部分所示。此外,典型的故障建模和讨论部分4。然后,故障估计和动态分析将仿真和讨论部分所示。分析的结果,未来的研究扩展形成无人机故障诊断和合作控制在最后一部分得出结论。
2。无人机的动力学模型的形成
在无人机编队飞行的,每个成员都有一个相对运动关系。根据不同的配置,形成坐标系统的定义是不一样的。在本节中,一个被领导计划采用设置形成(1]。假设无人机飞行在二维平面上,正在考虑领导者和追随者的运动学和动力学,它们之间的相对位置关系如图1。
在图1,是领袖,是无人机系统的追随者。领导者和追随者的速度和 ,分别。和的坐标是领袖的惯性系,分别。和的坐标是追随者的惯性系,分别。和领导者和追随者的俯仰角度。和领导者和追随者的半径向量。
根据图中所示的相对位置关系1领导者和追随者的运动学方程,可以说明(18] 在哪里和领导者和追随者的螺旋角速率。是被领导相对距离误差。
惯性系下的二阶导数是控制输入和控制输入的函数可以显示为 在哪里和无人机编队系统控制输入的领导者和追随者是基于比例导航指导(PNG)方法。是PNG的比例因子。
线性化和拓扑显示为分布式无人机形成模型 在哪里 包含的状态无人机编队中的th节点(包括领导)。系统控制输出 。 表示无人机的错。代表了系统干扰。 和是系数矩阵。
2.1。中间Observer-Based无人机的故障估计量的形成
中间过程的观察者设计、集中式和分布式的输出估计错误被认为是在同一时间。面向无人机形成的拓扑连接,可以解决低阶LMI观测器增益矩阵的计算基于舒尔矩阵分解理论。LMI的尺寸是一样的一个LMI维度解决相关故障估计单个无人机。作为中间故障估计的结果,在13),计算的数量不会增加更多无人机加入形成。此外,无人机的形成与无向的拓扑中,由于拉普拉斯算子矩阵的对称性,严格积极真诚条件不太保守。
2.1.1。图论
如果有无人机在一个形成连接,连接可以提出了基于图论的关系 在哪里 代表成员的无人机形成集,th节点 。边集 。图的邻接矩阵 ,可以显示为
假设和两个连接节点在无人机的形成,与无向的拓扑连接,形成一个 和 都建立了。但是对于一个面向与拓扑连接, 或 成立。
对称拉普拉斯算子的矩阵 图的是
正如上面提到的,观察者匹配条件或严格的积极的真实性条件必须满足系统故障估计量设计。这意味着CF (3)是一个列满秩矩阵。但对于中间observer-based估计量,不需要满足上述条件。(所示的推导过程13]。
2.1.2。中间的观察者
被定义为中间变量 在哪里是一个矩阵,需要设计。的推导是
结合(3)和(8),中间可以显示为估计值 在哪里和的估计系统的状态和中间变量。错误的估计价值。集中输出估计误差和分布式输出估计误差和 。 和的重量是和 ,分别。 和观察者的增益矩阵。和都是积极的,它们的总和等于一。
和可以被定义为 在哪里 的输出估计吗的节点。
2.1.3。系统错误
为了评估估计错误,平等的集采用
估计的推导错误和提出了为
如果选择的经验参数的值较大,收敛速度快,超调大(19]。推导,估计错误的无人机可以形成 在哪里
和矩阵(14) 在哪里 和是节点的尺寸号码,错误,和输出。
在[13),不同形式的(14)无人机形成定向和无向的拓扑连接也派生。此外,稳定的系统误差(14)已经证明在这个参考。这里将不会重复。
2.2。无人机的典型故障模式的形成
2.2.1。典型故障的介绍
形成无人机的飞行期间,车辆可能会受到许多因素的影响,如驱动器果酱、机体损伤,沟通失败,碰撞,或环境的影响。这些因素,视为无人机形成的典型故障,可能发生在同一时间,或其他原因发生一件事发生。保持无人机编队飞行的安全性和可靠性,容错健康管理系统必须被设计来处理这些错误20.]。描述和反应的典型故障说明如下。
(1)无人机的组件失败。失败的机载作动器、传感器、控制系统、飞行计算机、电力系统和其他组件统称组件级别的失败(21- - - - - -24]。无人机的驱动器故障形成的一个例子是图所示2。
无人机组件故障的形成、健康管理系统可以实时在线监测故障信号和减少测量偏差的影响,信号漂移对系统性能通过算法优化和其他措施(25]。
(2)机体损伤。失败的无人机的形成,如碰撞与邻近的成员或障碍,可能对机体造成破坏。这些失败,如图3,属于组件级别的缺点。组件或无人机的身体损伤的影响形成性能是由健康管理系统的有效性26]。
当组件受损,健康管理系统为控制系统提供了一种控制方案适应现状通过在线辨识和自适应技术27]。
(3)沟通失败。临时或永久丧失之间的通信信号连接图4是由于干扰或通信设备故障(28]。
信息流的失败发生在形成时,健康管理系统应该弥补损失的信息及时完成任务(29日]。
(4)形成碰撞。当无人机偏离计划的跟踪或预期的运动状态,认为形成是不正常的。这增加了碰撞与障碍的风险或相邻的飞机30.,31日像图所示5。
如果无人机是异常的形成和碰撞,监控系统迅速获得异常信息和通知每一位成员。健康管理系统采用控制决策优化调整形成的配置和实时节点的相对运动关系32,33]。
(4)环境的影响。恶劣天气(图6)或者环境因素导致性能下降或失败的无人机通信系统,控制系统和执行机构34]。
健康管理系统可以监测的特点和信号的工作环境和气象条件和根据实时反馈调整形成。
2.2.2。建模的典型故障
(1)执行机构故障(AF)。典型的执行器故障包括锁定位置,在故障困难,浮动。在飞行的无人机的形成,任何成员的正常控制输入采取了错误的控制信号相应的执行机构故障(35]。如果无人机的驱动器故障发生在时间 ,控制输入(3可以显示为)
单位阶跃函数表示为
(2)无人机组件损坏(UCD)。无人机的组件的损害将导致形成动态的变化。这些缺点可以被视为干扰属于一个有限的标准吗 (17]。可以被推荐为16] 在哪里李普希茨是常数。
(3)通信失败(COMF)。被领导形成模型作为一个例子,领导独立行动的要求下计划的任务。其他的追随者去领导和接收状态信息后定期的领袖。之间的信息流形成节点构成通信拓扑,和每个节点基于信息调节自己的状态。延时沟通过程中总是存在可能导致操纵中碰撞形成。结果,反馈策略必须采用的通信拓扑保持的稳定性无人机形成(36,37]。
通信失败包括发射机、接收机和收发器故障(28]。如果发射机失败在任何节点上,它可能不会与其他节点根据收到的信息与无人机。一旦失败发生在接收机,故障节点广播的决定,和领袖将做出新的决定分配的目标形成了。为了使任务实现,形成的节点,具有部分或完整的通信失败,将形成安全规定后,脑袋在地上站逃生演习。同时,这个错误的节点的收发器必须立即关闭,以防止其影响重新配置通信拓扑。
的通信拓扑重构,无人机连接邻接矩阵和拉普拉斯算子矩阵需要重置。图4显示了一个连接形成配置。如果没有沟通失败的存在,提出了邻接矩阵和拉普拉斯算子矩阵的连接
如果追随者2通信失败,它的叶子形成,和跟随者3链接从动件1。追随者3修改2的指数。邻接矩阵和拉普拉斯算子的连接矩阵显示为
(4)碰撞失败(COLF)。需要配置的维护,每个节点形成邻国应保持一定的安全距离。如果无人机太接近对方,碰撞会发生。如果距离很长,沟通的时间延迟可能会引起其他故障38]。
根据所需的安全距离发送的领袖,避碰方案如图7。每个节点将从领导人获得奖励的价值取决于其邻居的距离。形成的成员将基于这些奖励值调整自己的状态。
被定义为的回报价值 在哪里和两个连接节点之间的最小和最大距离,分别。一旦在飞行途中发生碰撞,领导人必须确认是否相撞节点仍在拓扑。如果是这样,这些节点退出形成和飞回离开后的基站战略一样沟通失败。
(5)极端环境(EE)。如果无人机形成果蝇在实际环境中,如沙漠,森林,山谷,和海洋,许多因素会影响系统的动态稳定性。例如,在极地地区的低温可能冻结装置的翅膀。或者如果一个无人机被雷电击中,内部通信设备将被破坏,形成之间的信息不能及时转换节点。这些有害的影响将导致机载作动器的故障,传感器和控制系统。除了故障模型,已经提到的在这一节中,风模型需要考虑。风的扰动的主要因素,导致飞机的设计飞行失败尽管相对完美的(39]。
风的影响可以被视为一个系统扰动的一部分 。有静态部分和动态部分的风范。静态风可以提出的速度 在哪里风速是常数。代表了时变部分,可以说明 在哪里风的最大值是静态的。 和是时变风速的增加、减少和消失时间。
动态风是复杂和变化的速度随时间随机。在工程应用中,建立了一个简化的模型 在哪里风是动态的最大值。 是均匀分布在和 。
正如上面提到的,与风有关的部分系统干扰可以显示为
系统的总干扰可以说明
摘要故障估计会的主要内容将在下一节中讨论。典型故障的基本模型只是派生的在这一节中。在上面提到的这些断层模型、COMF和COLF相关的特定控制的无人机模型的形成。更多的模拟,验证和分析对这两个缺点将在未来的研究提出了将不被包括在本文。
3所示。结果与讨论
four-UAV形成为实例,分析了动态和估算不同类型的故障在这部分。无人机的双向通信拓扑形成如图8。
邻接矩阵和拉普拉斯算子的连接矩阵显示为
系数矩阵(3)说明
中间观察者的增益矩阵,计算了LMI的解算器,可以显示为
故障模拟条件如表所示1。
组件的赔偿金被假定为扰动形成的节点。和形成UCD可以提出
风扰动模型
模拟的基本参数见表2。
数据9- - - - - -12(无风扰动)说明系统的状态估计,领导者和追随者1 - 3,分别。正如这些数据所示,故障出现后,美国发生了巨大的变化。领导,执行机构故障出现 ,和美国的变化与余弦曲线基本上匹配。这满足AF断层模型在表的集合1。追随者1和3,州和估计的曲线也满足故障注入策略。没有发生的房颤的错追随者2,和状态估计结果只是受到扰动的影响。
图13提出的干扰值比较EE故障情况(风关怀)。之间的振幅比和无风的情况下最多是60.99。为了验证风扰动的影响,数据的故障估计的结果进行了对比14和15。对比图14图,它显示了明显的估计错误增加15。图中所示的曲线16以追随者1为例,系统的最大平均故障估计错误(无风)从0.26%上升到0.51%(风)。
之间的比较数据17和18,提出了风扰动加剧无人机的控制输入的形成。在图17轻轻,控制输入的变化,和最大振幅低于7米/秒2。由于注入故障,领导者和追随者1和3需要代理PNG控制器使系统稳定。一旦风扰动已经添加到系统仿真、快速和高频控制信号成为图所示18。故障和扰动的线性叠加,控制输入的最大振幅超过12米/秒2,花费的时间较长(近150秒)为控制器收敛。
4所示。结论
被领导的错误估计和动态分析无人机的形成与典型故障进行了讨论。领导者和追随者的运动学模型,采用和PNG控制模型。与此同时,系统状态方程的线性化形式也代表部分2。来估计系统的状态和错误,一个中间observer-based估计采用了无人机形成部分3。在本部分中,提出了基于图论的连接关系图的邻接矩阵和对称拉普拉斯算子矩阵。接下来,它说明中间估计模型和估计错误。节4,典型的故障模型提出了基本概念,正常的解决方案,和物理模型。机构的容错策略,五个熟悉故障模型进行了讨论和推导出考虑故障估计,干扰,控制策略和动态分析。根据仿真结果,无人机的主要典型的错误估计和动态特性的形成是完成。此外,它检查估计量和控制器的性能与风干扰相关两种情况。和结果表明,断层估计和动态控制模型是适用于无人机形成系统。
在真实飞行环境中,随时可能出现故障和干扰因素。因此,典型的容错应该认真考虑无人机的容错控制设计的形成。此外,为了满足动态分析需要,模型不确定性,控制输出扰动,晚效应和非线性模型建模中应该被认为形成协调控制策略。最后,multifault耦合、混合评估方法和multiestimators将无人机的重要著作形成预测和健康管理领域。
数据可用性
Hindawi研究数据政策要求。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作得到了国家自然科学基金(格兰特数字62003314,62003314),航空科学基金(批准号2019020 u0002),山西省应用基础研究项目(201901 d211244格兰特数字,201801 d221039),科技创新项目的高等教育机构在山西[拨款2019号l0570],青年科技研究基金、中国和北大学的科学基金会(格兰特XJJ201813数量)。