一种无人机故障自检型飞行控制系统的制作方法

本技术涉及无人机故障检测，特别是涉及一种无人机故障自检型飞行控制系统。

背景技术：

1、随着航空科技的飞速发展，现代无人机飞行控制系统的设计变得愈发复杂且功能多样，其中故障自检测功能成为了确保飞行安全的关键。无人机飞行控制系统的复杂性不仅源于其内部众多的传感器、执行器和计算单元，还因为其对先进技术和智能材料的广泛应用。这些进步不仅提高了飞行控制系统的性能，也对其可靠性和安全性提出了更高要求。

2、为了确保飞行控制系统的稳定性和安全性，故障自检测功能变得至关重要。该功能能够实时监测飞行控制系统的各个部分，识别并诊断潜在的故障。通过精确的传感器和算法，飞行控制系统能够在出现故障时及时发出警告，并采取必要的措施，如切换到备用系统或执行紧急操作，以确保无人机的安全。除了实时故障检测外，飞行控制系统的故障自检测功能还包括对系统性能的持续评估。通过对历史数据的分析，飞行控制系统可以预测未来可能出现的故障，从而提前进行维修和更换，避免在关键时刻出现意外。

3、因此，对飞行控制系统故障自检测功能的研究和开发变得越来越重要。这不仅关乎无人机的安全性能，还直接关系到地面人员的生命安全。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种无人机故障自检型飞行控制系统。

2、一种无人机故障自检型飞行控制系统，所述系统包括：机载计算机、第一控制回路、第二控制回路、处理器和故障自检测模块；所述机载计算机包括机载计算机ws1和机载计算机ws2；

3、所述第一控制回路用于控制无人机的飞行姿态；所述第二控制回路作为动态负载模拟器在无人机上施加干扰负载模拟真实应用场景；

4、所述机载计算机ws1用于获取当前飞行姿态下无人机的陀螺仪和加速度计的真实数据；所述机载计算机ws2用于获取当前飞行姿态下施加干扰负载后的无人机仿真模型输出的无陀螺仪和加速度计的仿真值；

5、所述处理器用于搭载故障自检模块，所述故障自检模块用于根据所述真实数据构建陀螺仪和加速度计的故障模型；利用故障模型输出的数据与真实姿态数据进行残差计算并从残差数据中提取特征因子构成故障数据集；根据故障数据集的表示形式设置相应的故障类型；建立非线性未知输入观测器，将无人机仿真模型输出的仿真值输入到非线性未知输入观测器中，得到当前未知系统状态的实时估计结果；将所述实时估计结果与故障模型进行残差计算后与故障数据集进行对比，得到故障类型。

6、在其中一个实施例中，在无人机上施加干扰负载为

7、；

8、其中，为动压力，为非线性铰链力矩系数，为迎角，为控制面板偏转，为乘数，为马赫数影响系数，。

9、在其中一个实施例中，故障自检模块还用于根据真实数据构建陀螺仪和加速度计的故障模型，包括：

10、根据真实数据构建陀螺仪和加速度计的静态误差模型，利用静态误差模型构建故障模型。

11、在其中一个实施例中，故障自检模块还用于根据陀螺仪的真实数据构建陀螺仪的静态误差模型为

12、；

13、其中， , ,分别为陀螺仪 x轴、 y轴、 z轴的真实值，,,分别为陀螺仪 x轴、 y轴、 z轴的理论输出值，,,分别为陀螺仪 x轴、 y轴、 z轴的零位偏移，,,分别为陀螺仪 x轴、 y轴、 z轴的标度因数，分别为轴对于轴的非正交误差系数。

14、在其中一个实施例中，故障自检模块还用于根据加速度计的真实数据构建加速度计的静态误差模型为

15、；

16、其中，,,分别为加速度计 x轴、 y轴、 z轴的真实值，,,分别为加速度计 x轴、 y轴、 z轴的理论输出值， , ,分别为加速度计 x轴、 y轴、 z轴的零位偏移，,,分别为加速度计 x轴、 y轴、 z轴的标度因数，分别为轴相对于轴的非正交误差系数。

17、在其中一个实施例中，故障自检模块还用于根据陀螺仪的静态误差模型构建陀螺仪的故障模型为

18、；

19、其中， , ,分别为陀螺仪 x轴、 y轴、 z轴的真实值，,,分别为陀螺仪 x轴、 y轴、 z轴的理论输出值，,,分别为陀螺仪 x轴、 y轴、 z轴的零位偏移，,,分别为陀螺仪 x轴、 y轴、 z轴的标度因数，分别为轴对于轴的非正交误差系数。

20、在其中一个实施例中，故障自检模块还用于根据加速度计的静态误差模型构建加速度计的故障模型为

21、；

22、其中，,,分别为加速度计 x轴、 y轴、 z轴的真实值，,,分别为加速度计 x轴、 y轴、 z轴的理论输出值， , ,分别为加速度计 x轴、 y轴、 z轴的零位偏移，,,分别为加速度计 x轴、 y轴、 z轴的标度因数，分别为轴相对于轴的非正交误差系数。

23、在其中一个实施例中，故障自检模块还用于将无人机仿真模型输出的仿真值输入到非线性未知输入观测器中，得到当前未知系统状态的实时估计结果，包括：

24、根据无人机飞行数据与仿真模型输出的仿真值输入到非线性未知输入观测器中，得到当前未知系统状态的结果为

25、；

26、其中，为广义鲁棒滑模观测器中间向量；为当前未知系统状态的实时估计结果；、为无人机仿真模型输出的偏移角、滚转角；为无人机飞行角度变化矩阵；为自适应律；表示误差；为滑模控制输出，表示偏移角修正参数，表示滚转角修正参数，表示扰动系数，表示观测扰动，表示状态反馈矩阵。

27、上述一种无人机故障自检型飞行控制系统，本技术通过构建处理器搭载故障自检测模块，利用nvidia a100图处理器运行故障自检测模块能够大大提高故障自检测速度并降低能耗，在故障自检测模块中，根据获取当前飞行姿态下无人机的陀螺仪和加速度计的真实数据构建陀螺仪和加速度计的故障模型；利用故障模型输出的数据与真实姿态数据进行残差计算并从残差数据中提取特征因子构成故障数据集；根据故障数据集的表示形式设置相应的故障类型，为后续非线性未知输入观测器的实时估计结果的故障检测提供数据支撑，建立非线性未知输入观测器，将无人机仿真模型输出的仿真值输入到非线性未知输入观测器中，以实现对无人机飞行控制系统状态和未知输入的实时估计，能够更有效地处理无人机飞行控制系统的复杂非线性动态行为，并估计系统中的未知输入，如外部扰动或潜在故障，进而判断无人机飞行控制系统运行数据是否正常，从而实现对无人机飞行控制系统故障的自监测。