Page 139 - 航空电子传感器技术的研究与应用

Research and Application of Avionics Sensor Technology
航空电子传感器技术的研究与应用

式。Qiu 等利用卡尔曼滤波构建了变循环发动机的自适应模型，基于此构建了解
析冗余逻辑策略，并引入了阈值的动态自适应计算，有效提高了传感器故障诊断
的可靠性和解析冗余的准确性。Lunze 等提出了一种推导可诊断系统的分析冗余

关系的方法，描述了一种新方法，将结构图中包含的导数约束替换为表示状态变
量和输出的导数的一系列方程，从而得到残差的解析表达式。基于这两者的研究，
Youn 等提出了一种模型辅助多旋翼无人机合成空速估计的新方法，同时提出并
评估了两种新型滤波器（无迹卡尔曼滤波器和互补滤波器），准确估计了空速，

验证了其分析冗余的有效性。由于传统方法大多获取的参数总是包含不确定性，
甚至会随着时间的推移而变化，Lim 等提出一种利用深度学习和无迹卡尔曼滤波
（UKF）实现分析冗余的新型合成空速估计方法，解决了多旋翼无人机参数不确
定性问题。上述的分析性冗余法是特征识别的定性方法，所讨论的对象是一个比

较平稳的过程，一般用于分析传感器的增益变化故障。但是，由于对象的复杂性
和不确定性因素的存在，这类诊断方法所导出结论的准确性较低，即故障误报率
较高。因此，这类方法往往作为诊断系统设计中的一种辅助诊断方法。
6. 基于神经网络法的传感器故障诊断

随着神经网络的发展，人工神经网络具有自适应能力、泛化能力、非线性映
射能力和高度并行处理能力等特性，并逐渐应用于无人机传感器的故障诊断中。
利用神经网络构造故障观测器和预测器，可实现对无人机传感器故障的识别和诊
断。2017 年，Zhang 等提出了一种名为“具有宽第一层核的深度卷积神经网络”

（WDCNN）的新模型，通过 AdaBN 的简单域自适应方法提高了模型的域适应
能力，该模型解决了目前 CNN 应用于故障诊断的准确率不高的问题，提高了正
常信号的分类精度。但该方法中使用的数据集是完全平衡的，而在实践中，并非
所有数据集都是平衡的。2020 年，Gao 等基于卷积神经网络（CNN）的数据驱

动方法针对多旋翼无人机（UAV）中与温度相关的传感器故障进行分类。同时，
设计了一个多尺度 CNN，解决了非均匀采样问题。其提出的一种改进的自适应
学习率优化方法，通过使用卡尔曼滤波（KF）在小数据集上有效地训练网络，
从而加速损失收敛，实现了较高的故障识别精度，在小批量训练上提高了损失收

敛性和鲁棒性。2021 年，Han 等提出了一种用于实时小目标检测的深度轻量级
卷积神经网络方法以及两种新的学习速率策略，提高了检测精度并实现了实时检
测。2022 年，Wang 等提出了一种新的具有幂指数学习率的 Adam 优化器来控制

124