無人機健康管理 節選

　　《無人機健康管理》：　　特征提取是系統狀態監控和健康管理中重要的步驟，也是健康管理技術的核心。在無人機健康管理的七層結構中，數據處理層的主要任務就是對數據獲取層獲取到的原始數據進行特征提取，為后續的健康評估和預測提供數據支持。一般來說，特征表現為一些數據集或信息，是通過對原始數據進行某些處理而得到的，這些數據和信息與系統的健康狀態密切相關。雖然在特征提取中，可能采用各種不同復雜度的算法，但是特征在健康管理框架中的作用是一樣的。一個特征提取算法可以與其他的處理技術結合，同時進行數據的分析，提取出一系列特征值。特征提取減少了需要處理和存儲的信息量，因而節約了內存和改善了算法的運行時間。目前，基于數據驅動的健康管理方法采用兩個成熟技術來產生特征：信號處理和神經網絡。這兩種技術都是在固定時間窗內采集的數據的基礎上運行的，從而使得這種方法向機載運行轉化變得容易。在預測和健康管理系統的總體結構中，這些特征提供了能夠表征系統性能改變的有意義的信息。對無人機的健康管理來說，同樣要采取一種特征提取方法來提取與系統健康相關的特征。為了系統的簡單化，一般只需選取*有意義和可靠的健康狀態特征。在得到系統狀態特征以后，就可以采用融合與聚類算法把提取出來的特征值映射到正確的系統降級水平上，從而完成系統的健康評估?！　〗】殿A測技術是健康管理的又一重要研究內容。所謂預測，就是根據過去和現在的狀態預測未來，即在一定的理論指導下，對研究對象未來的發展趨勢、發展方向及可能的狀態做出科學的預言和合理的推斷，目前已被廣泛地應用在各學科的研究領域。現有的預測技術主要分為兩大類：參數模型法和非參數模型法。參數模型預測法首先對觀測到的歷史數據模型做一定的假設，然后經過模型參數的估計得到相應的預測值，這類方法的設計思想就是雖然當前這種故障特征的幅值很小，難以檢測出來，但隨著時間的推移，它的幅值會越來越大。因此，根據系統過去和現在的狀態，采用預測技術估計出將來時刻的狀態，再進行健康預測，判斷系統剩余使用壽命或者健康等級，常用的參數模型有多項式曲線擬合、主觀概率預測、回歸預測、卡爾曼濾波器、時間序列預測和灰色模型等方法。非參數模型法不需要系統精確的數學模型，現有的非參數模型法主要有基于神經網絡、粗糙集理論、小波神經網絡和組合預測等方法。針對無人機，健康預測可分為對系統的狀態預測和壽命預測兩類。狀態監測與早期故障診斷是基于監測點瞬時數據進行研究的。由于系統日趨復雜，很難了解系統的行為特征，實際中還需利用系統的歷史信息和動態信息，實現對系統未來的運行狀態和發展趨勢做出估計，防止災難性故障的發生，所以迫切需要有效的預測模型來監督系統的變化趨勢。狀態預測是多學科綜合的新興邊緣學科，它以當前系統的狀態為起點，結合被預測對象的近期監測數據、環境條件及歷史數據，通過相應的預測算法對被監測數據進行分析，對系統未來時刻的運行狀態進行預測、分析與決策，以便及時在故障發生之前采取有效措施，保證系統的順利運行?！　」收蠜Q策、緩和與修復技術。一旦通過監控和分析方法發現系統出現或者將出現異常，那么必須快速做出決策，以便于對系統進行緩和、修復和重構。系統出現性能降級或者故障后采用的緩和方法其實就是一種決策方式。修復包括更換或用其他方式將故障部件恢復到正常狀態。飛行過程中，對安全關鍵設備而言，一般有備用元件，修復就是使用機載的備用設備替換故障設備，但是在備用設備被使用后，無人機的總體健康狀態就受到丁影響，修復完成后，需要把故障設備帶回用于分析和處理，修復活動需要重新運送元件，可能在地面進行維修活動。這時候，收集的飛行數據可用來指導維修活動，從而大大提高維修效率，對飛行數據的分析將減少不必要的維修行為。對于無人機來說，由于部分部件是余度配置，進行緩和與修復的主要手段就是進行余度管理和切換重構，但是如果系統發生故障超出余度管理的功能之外，就必須采用有效的管理方式進行系統的修復與重構。緩和是指在系統出現異常情況時，通過決策判斷以便決定對故障進行處理，*大可能地保證系統的有效性。緩和的實施往往建立在對故障評估的基礎上，一旦確定了不正常條件，就需要做出決策以*小化故障帶來的影響，從而確定任務控制組需要實施的措施，執行系統重構命令，并且提出可選的任務計劃，以便在故障情況下優化任務?！　　?/p>