固定翼无人机多工况聚类及识别研究.docxVIP

固定翼无人机多工况聚类及识别研究 1 引言 无人机具有易开发、成本低、灵活性强等特点，近年来在军事、民用领域得到了长足发展和广泛应用。其中，固定翼无人机(Fixed-Wing Unmanned Aerial Vehicles，FW-UAVs)集成技术先进、造价高、系统复杂，一般应用于速度快、距离远和续航久的场景。FW-UAV的性能会随着运行时间增加逐渐衰退，导致故障发生率增高。FW-UAV一旦因故障坠毁会导致较大的经济损失甚至引发军事、政治和社会影响。故使用故障预测和健康管理技术提升无人机设备的可靠性与可用性具有重要意义，众多学者围绕此问题进行了大量深入研究。 FW-UAV的设备复杂性、任务规划多变性和环境多样性导致其工作状态反复切换，呈现多工况特征，这给基于数据的故障预测和健康管理带来诸多挑战。因此，有必要对无人机的多工况问题进行研究。从数据挖掘角度看，FW-UAV的多工况分析是典型的数据分组问题，可以使用聚类算法解决，在线数据分类则属于模式识别问题。常见的聚类算法有层次聚类、密度聚类和谱聚类等。目前已经出现了基于相似性(距离)、基于神经网络和基于机器学习等方法的模式识别，并被广泛应用于工业、军事等领域。例如，张俊楠等将支持向量机与二叉树结构相结合对分布式光纤扰动传感系统的扰动模式进行了有效识别。别锋锋等利用ICEEMDAN算法提取了往复泵的故障特征，并使用GRNN神经网络进行故障识别，有效提高了识别准确度。王烁等基于反向传播神经网络对多因素作用下破片对靶板的侵彻毁伤模式进行了有效识别。刘凡等利用小波包分解提取了电力变压器的多维度能量特征，进而使用K近邻算法实现局部放电超高频信号的模式识别。张阳阳等使用概率神经网络对齿轮箱典型故障进行了有效识别。 以上方法在不同领域应用收到了较好效果，但无法直接应用于FW-UAV工况分析。主要原因在于：含类标的FW-UAV数据很难获取，导致监督模式识别算法无法应用；FW-UAV数据链传输速率快，在线数据量大，对工况识别算法时效性要求高。为解决以上问题，本文将聚类分析与模式识别算法相结合，采用组合算法来实现无人机多工况的高效分析。拟提出一种基于分组的非监督密度聚类(Group-based DBSCAN，G-DBSCAN)算法，在不依赖数据工况类标基础上实现多工况分析；并将提出一种基于多维度分解的快速工况识别算法(Pattern Recognition based on Dimensional Decomposition，PRDD)，PRDD将进一步与聚类算法深度融合以实现FW-UAV在线数据工况识别的快速性和准确性。 2 FW-UAV多工况分析 FW-UAV执行任务的全流程包含起飞、巡航、遂行任务、返航、回收等多个阶段，属于典型的多工况过程，若将其简单处理为一个工况，则会因模型失配降低故障预测、故障诊断、剩余寿命预测等数据驱动算法的准确率。 这里以某FW-UAV实际飞行数据集中纵向控制回路与速度控制回路相关数据为例，展示其多工况特征并说明工况分析的必要性。FW-UAV纵向控制回路与速度控制回路均是闭环反馈回路，相关的变量包括俯仰角、升降舵偏角、发动机缸温、发动机转速和高度共5维数据。图1为某飞行时间段该5维数据归一化后的飞行曲线。从图1可以看出，随着时间推移曲线幅值波动较大且各维度数据呈现非线性关系，无法从直观角度辨识工况。为进一步分析无人机工况特征，下一节将基于数据分布特征，提出一种密度聚类算法对其进行多工况分析。 图1 FW-UAVs某飞行时间段飞行曲线 Fig.1 Flight curve of FW-UAVs 3 多工况分析与识别算法 3.1 工况聚类 DBSCAN作为基于密度的聚类算法，能够在数据集中找出具有不同大小和形状的簇，对噪声有较强的鲁棒性，能基于数据自主推测聚类个数。DBSCAN的主要参数为扫描半径ε和核心点最小数据量MinPts，算法将数据集中的样本点分为核心点、边界点和离群点3类。在DBSCAN算法中定义了两点之间3种特殊关系：直接密度可达、密度可达以及密度相连。经典DBSCAN算法将原始数据集D中的所有样本点视为潜在的核心点逐个扫描，若确认为核心点则将与其密度相连的所有数据点视为同一类。以下提出了一种基于分组的DBSCAN算法，它将数据分布特性融入经典DBSCAN算法，旨在提高算法的效率。 对于数据集中的给定点p，q∈D，令Disp，q表示点p和q之间的距离，Disp，(i)表示点p到其第i个最近邻点p(i)的距离。在距离基础上进一步定义分组核心点、分组离群点和分组待定点。 1) 分组核心点：对于给定点p∈D，若Disp，(MinPts)≤ε，则将该点标记为分组核心点。这就意味着点p与其第MinPts个最近邻点的距离小于ε。 2) 分组离群点：对于给定点p∈D，若Di