Page 140 - 航空电子传感器技术的研究与应用

第三章 航空电子传感器技术

CNN 方法的迭代方向和步长，解决了网络参数更新过程中由于学习率固定值引
起的局部极小、超调或振荡问题。2023 年，Zhang 等设计了一个神经网络参数反
演模型（PIMNN）来重建移动点源的轨迹，解决了有限孔径内数据采集带来的

信息丢失问题，并且该方法对噪声具有一定的鲁棒性，能够通过神经网络构建轨
迹预测模型（TPMNN）来预测移动点源的轨迹。
上述改进的 CNN 网络和传统的方法进行比较，提高了数据集的识别精度，
与以往的方法 LeNet-5、LSTM、SVM 以及 BPNN 相比，该方法可以更准确地诊

断出故障类型的故障数据。基于神经网络的传感器故障诊断过程中，根据输出向
量维数的特征和故障数量确定网络结构和相应的激活函数，使用故障样本对网络
进行训练，通过反复调整学习率、惯性因子和其他参数，网络不断改进，直到达
到最终精度。

（三）无人机执行机构故障诊断
执行机构是负责控制无人机的关键机电部件，可能发生的故障会导致飞行问
题，进而可能导致无人机坠毁，并可能造成灾难和平民伤害。因此，执行器故障
的诊断至关重要，需要开发适当的方法。执行机构故障是多旋翼无人机的典型故

障，主要包括电机卡死故障和电机失效故障。许多学者针对多旋翼无人机的故障
问题进行了研究，并提出了下面的一些故障诊断方法。
1. 基于观测器的执行机构故障诊断
基于观测器的方法具有设计简单灵活且易获得较强鲁棒性特点，广泛应用于

无人机执行机构和传感器的故障诊断。
在利用线性无人机动力学构建的故障检测算法方面，Guzman-Rabasa 等针对
四旋翼无人机提出了一种时变但线性的观测器，并为其配备了一个简单的查找表
来诊断故障。Ye 等开发了一个观测器来估计完整状态和执行器偏置故障。由此

产生的观测器需要辅助增益来处理未知的不确定性和执行器故障。即使线性观测
器在工作点周围产生了令人满意的估计值，但由于非线性状态离这些工作点较远，
估计值的准确性也会相应降低。随后，有 Tutsoy 等通过仅考虑四旋翼无人机不
确定的旋转动力学来开发一个降阶的 Thau 观测器，仿真结果表明该方法产生的

估计误差较小。
Song 等提出一种基于扩展状态观测器（ESO）和（DF）的故障诊断定位方案，
实现了四旋翼无人机执行机构的故障诊断和定位。He 等提出一种基于线性扩展

125