Page 143 - 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

的硬件设备支持，并且可以轻松地与现有的传感器系统集成，因此具有广泛的应
用前景。但该技术需要先知道故障信号的频率范围或特征，因此在某些情况下如
果没有先验知识，则难以准确地进行故障的诊断。

3. 基于数据驱动的执行机构故障诊断
用于无人机故障诊断的一种流行的方法是基于数据（数据驱动，基于知识）。
近年来，这种使用大型数据集的特定类别的分析冗余方法越来越受欢迎，这可能
是由于用于处理数据、检测模式和进行分类的工具和有效算法越来越强大。

数据驱动的方法直接利用设备运行状态下的监测数据进行故障诊断，可有
效解决无人机结构复杂和任务场景不确定特性下的系统建模难题以及专家先验知
识不足问题。张懋石基于数据的方式和深度学习的理论知识，提出了航空发动机
气路部件和无人机执行器故障诊断方法，通过加入降噪自编码网络，提高了无人

机故障诊断网络模型的鲁棒性以及准确性。李炜等提出栈式降噪自编码（stacked
denoising autoencoder，SDA）的故障诊断方法，提高了执行器的故障类型判断的
准确性和可靠性，并有效提升了四旋翼无人机的安全可靠性。深度学习可以通过
深度网络来挖掘原始数据中的信息，从而提高系统的可靠性和准确性，近年来在

齿轮箱、风电、轨道交通等诸多行业中得到了广泛的应用，并获得了较好的结果。
可以预知，利用深度学习技术对无人机进行智能化故障诊断的研究将取得丰硕成
果。基于数据驱动的方法不依赖系统的先验知识，通过挖掘监测信号中的隐藏信
息确定系统运行状态进行故障诊断，是目前较为实用的诊断技术。然而现有的基

于数据驱动的方法往往基于深度神经网络，其依赖深度的网络结构，运算低效且
结构复杂，而宽度学习（broad learning system，BLS）可有效避免上述问题。李
润泽等结合统计模型和改进的宽度学习进行故障检测与诊断研究，提出一种基于
数据驱动的多旋翼无人机集群的故障检测与诊断方法，采用一种改进 BLS 模型，

实现了准确快速的故障诊断。基于宽度学习的诊断方法作为数据驱动方法的最新
研究成果，其应用范围已初步延伸到无人机故障诊断方面。
（四）无人机飞控系统故障诊断应用
大多数故障诊断技术都还停留在理论阶段，只在仿真平台中进行一系列实验，

大多数研究者声称他们的方法可以实现积极的结果，但缺乏实际的工程应用验证，
由于实际应用过程中存在诸多不确定因素，这些方法的有效性有待进一步验证。
但国内外在航空飞行领域并不缺乏故障诊断技术的成熟应用案例；然而，涉

128