高速飞行器Petri net异常事件诊断系统设计
呼卫军, 王欢, 周军     
西北工业大学 精确制导与控制研究所, 陕西 西安 710068
摘要: 高速飞行器在遇到外部大气扰动和伺服故障事件导致状态失稳时,对于不同的故障事件采用不同的控制策略。为了使飞行器能够自主的辨别导致状态异常的事件类型,并针对性调用相应的处理策略,提出了一种基于决策网络进行飞行器异常事件诊断的系统。基于Petri net方法构建的飞行器异常事件诊断系统,通过分析差异事件对飞行器状态的影响规律,以各状态量传感器读数为输入,发生的事件类型为输出,可以使飞行器自主利用Petri net的矩阵推理运算能力快速在线定位出引起状态异常的事件类型,为后续采取的控制行为提供依据。最后以某RLV再入段为例,对其注入各种类型故障后,应用C++软件对事件诊断系统正确性进行仿真验证,结果证明建立的诊断系统能够正确的诊断和区分不同类型事件。
关键词: Petri net     大气扰动     伺服故障     矩阵推理     在线定位    

高超声速飞行器再入过程中飞行速度快、周期长、飞行包线大、气动特性变化剧烈、飞行环境复杂多变, 使得其飞行过程中潜在巨大风险。例如执行机构故障、大气扰动都可能引起控制性能的下降, 甚至控制系统失稳。为了避免其带来的重大经济和战略损失, 高超声速飞行器再入过程中对突发事件的检测问题逐渐成为了近年来研究的热点[1]

目前, 为了检测高超声速飞行器在飞行过程中遇到的突发事件, 常见的故障诊断方法有:基于规则的专家系统[2-3], 该方法利用从人类专家经验中总结出来的规则进行故障诊断, 但它明显的依赖于历史的故障经验, 诊断能力有限; 还有相关学者利用神经网络的方法[4-6]检测飞行器的故障, 该方法采用离线训练在线工作的模式, 但是它不能揭示出系统内部潜在的关系, 网络训练时间较长; 还有相关人员利用故障树的方法进行故障诊断[7], 它具有知识库容易修改的优点, 但是当故障树结构复杂时, 容易出现组合爆炸等现象。也有国内外学者提出用Petri网的方法对飞行器进行故障诊断[8-16], 郭亚中等[17]将Petri网用于民航飞机的故障诊断中, 它针对民航飞机结构和故障机理复杂的问题, 指出用Petri网对故障诊断的工作流程进行建模, 简化了诊断流程。Miguel A Trigos等[18]基于不同传感器数据和故障的对应关系建立了Petri net用于直升机部分器件的故障诊断。可以看到Petri net是目前一种在线快速诊断故障的方法, 但由于其依赖于决策关系模型。因此尚未在飞行控制中得到良好应用。本文通过模型分析建立飞行器状态异常的决策关系模型, 并基于关系模型结合Petri net设计了一套飞行器异常事件在线诊断系统, 实现对大气扰动和伺服故障事件的定性检测。首先, 就大气扰动和伺服故障2大类型的异常事件, 分析其各自对飞行状态的影响特点, 建立相应的决策关系模型, 然后结合Petri net构建整个飞行器针对2类事件的诊断系统, 整个系统利用Petri net的状态转移方程通过矩阵运算实现状态推演。最后利用C++编程, 通过不同类型事件的注入对建立的事件诊断系统进行仿真验证, 仿真结果表明, 该系统可以正确检测不同类型的事件。

通过本文的研究, 解决了飞行器针对2大类常见故障事件的在线快速诊断问题, 使得飞行器具有针对多种类型故障的综合识别能力, 克服了原有检测方法只能定位单一故障和问题的缺陷。

1 异常事件对飞行器的影响规律 1.1 运动模型

忽略导数项和地球自转即0, 选择控制力矩矢量作为控制输入, 以作为状态量, 以气动角矢量作为控制输出, 飞行器的姿态角方程可以表示成如下形式[19]

(1)

式中

当考虑外部大气扰动和伺服故障时, (1) 式变成如下形式

(2)

式中, Δx表示外部大气扰动引起的状态变化, Δu表示伺服故障引起的输入力矩变化, 下面进行具体的关系模型分析。

1.2 异常事件对状态量的影响关系模型

在飞行器的飞行过程中, 外部大气扰动和内部伺服故障都会引起状态量的异常, 为了能够对可能导致状态异常的2种故障类型进行正确辨别, 需要分析这2种类型故障对飞行器状态影响的区别, 并以此建立决策关系模型, 在此以气动姿态角为观测的状态量。

1.2.1 大气扰动对飞行器的影响关系模型

大气扰动表现为风速的变化, 本文只考虑风速对飞行器造成的一阶影响, 即只考虑空速V、攻角α、侧滑角β受大气扰动的直接影响。设飞行器相对地球速度大小为V, 在弹体系下的分量为(Vxb, Vyb, Vzb), 风速在弹体系下的分量为(Wxb, Wyb, Wzb), 受到大气扰动后攻角、侧滑角和飞行速度的变化量Δα、Δβ、ΔV近似为[20]

(3)

式中, , k2β=

由于大气扰动通过影响气动角作用于飞行器, 因此在其影响下, 飞行器关系模型由(1) 式变成如下

(4)

根据(4) 式的关系模型结合控制器进行仿真, 得出大气扰动下飞行状态的变化情况如图 1所示。

图 1 大气扰动对飞行器各状态量的影响

从中可以看出大气扰动对飞行器的影响规律为:大气扰动使得飞行器所有通道的状态量发生变化, 即在大气扰动下攻角、侧滑角、倾侧角跟踪发散, 所有舵面偏转异常。

1.2.2 伺服故障对飞行器的影响关系模型

伺服故障包括推力器故障和舵面故障2大类。当推力器发动机发生卡死故障时, 会使得对应通道的推力矩发生变化, 表示如下

(5)

式中,nlnmnn分别为3个通道的喷管个数, flfmfn分别为各通道的故障喷管个数。

当舵面故障时, 会使得气动力矩发生如下变化

(6)

式中,ke1ke2ke3分别表示各舵面的损伤程度。

因此伺服出错通过影响输入力矩对飞行器的状态产生影响, 影响关系模型可表示如下

(7)

式中,为与伺服相关的控制力矩。

由于飞行器β≈0, 因此有sinββ≈0, cosβ≈1, 代入运动方程(7) 可以看出俯仰通道和其他通道耦合较小, 可以忽略俯仰通道和其他通道的耦合, 滚转和偏航通道由于耦合较严重, 侧滑角和倾侧角同时受两个方向力矩变化的影响。因此伺服故障对飞行器状态影响规律可近似用以下特征方程表示

(8)
(9)
(10)

由(8) 式到(10) 式看出, 纵向通道的伺服故障只影响其对应通道的状态, 横侧向通道的伺服故障由于耦合会同时影响横侧向通道的状态。

根据关系(6) 式结合控制器, 以升降舵故障为例进行仿真, 得到状态量的变化情况如图 2所示。

图 2 伺服故障对飞行器各状态量的影响

从图中可以看出升降舵故障只引起纵向通道状态量发生异常, 与前面的分析一致。

1.2.3 区别不同类型故障的规则

根据以上分析, 可按如下规则对不同故障进行区别:

1) 当飞行器各通道状态量都异常时, 发生外部大气扰动;

2) 当部分通道状态异常时, 发生伺服故障, 其中:只有俯仰通道状态量异常时, 发生升降舵故障或俯仰通道推力器故障, 其他2个通道状态异常时, 可能发生方向舵和差动舵故障或对应通道推力器故障;

3) 推力器故障情况可以通过安装在喷管口的压力传感器直接测量;

4) 由于滚转通道和偏航通道耦合较大, 需要增加对状态量发散时间的测量区分2个通道舵面故障, 发散时间早的量所在通道为故障通道。

2 基于Petri net的异常诊断系统

从前面基于模型的机理分析上得出, 不论何种突发事件均引起了状态的突变, 但状态变化的具体变量和变化的规律不同。基于这一思路, 利用各状态量的测量情况, 结合Petri net原理进行决策模型构建。

2.1 Petri net的构建

采用一个七元组:Nd=(Pd, Td, Fd, Wd, Md0, Md, t)表示用于飞行器的Petri net建模, 设定:

l维离散库所集合, 图形表示符号为空心圆圈, 代表发生在飞行器上的不同事件。对于各个表示不同故障事件的库所, 当库所的托肯值置1时, 代表对应的事件发生, 当库所值置0时, 表示对应事件未发生。

n维离散变迁集合, 从控制角度, 离散变迁可以进一步分为可控离散变迁Tdc和不可控离散变迁Tdu, 即Td=TdcTdu, 且TdcTdu=, 分别用细棒和粗棒表示可控和不可控变迁。所谓不可控变迁, 是指飞行过程中突发的离散事件对状态的影响。

是连接离散库所和离散变迁的有向狐集合, 用带箭头的直线或弧表示。

是定义在有向弧Fd上的权函数。根据FdWd定义出反映DPN结构的离散关联矩阵:A, 式中aij=Wd(tdj, pdj)-Wd(pdj, tdj)。

为初始时刻离散库所标识, 反映初始时刻各离散库所中托肯的数目, 简称为初始离散标识, 由开始检测时的飞行器初始状态决定。

为当前时刻的离散库所标识, 简称为当前离散标识, 由当前的飞行状况决定。

t:当前的飞行时间。

定理1 对于变迁tdTd, 如果:∀pdPd:pd·tMdWd, 则说变迁td在标识Md有发生权。

定理1 若变迁td可以发生, 则从标识Md发生变迁td后可以得到新的标识:

(11)

Petri net的状态转移规律由转移方程确定

(12)

式中,Ad是关联矩形, 向量u(fk)是由变迁构成的向量, 其中的非零元对应正被激活的离散变迁。

2.2 基于Petri net的飞行器异常诊断模型的构建 2.2.1 分模块建立Petri net模型

本文以某高超声速飞行器为研究对象, 针对大气扰动和伺服故障2大类型的事件进行检测, 并将伺服故障按照功能内部划分为不同子类型。为了使检测过程更加清晰, 将Petri网分为环境扰动和伺服故障2个子模块, 分模块建立对应的Petri网模型。

环境扰动子模块, 建立的模型如图 3中a所示, 用一个七元组表示, 其中:, Pa中各库所的含义见表 1。变迁t2在发生环境扰动时触发, 属于不可控变迁, 根据前面总结出的规律, 建立相应状态的传感器读数组合表作为变迁触发的条件判断, 见表 2。变迁t3在传感器读数不符合t2的触发条件时开启, 表明对应环境扰动已消除。

图 3 飞行过程Petri net模型
表 1 库所含义表
库所 含义
P1 开启诊断装置
P2 大气扰动子系统
P3 伺服子系统
P4 大气扰动
P5 俯仰通道故障
P6 偏航通道故障
P7 滚转通道故障
P8 升降舵故障
P9 俯仰通道RCS故障
P10 方向舵故障
P11 偏航通道RCS故障
P12 差动舵故障
P13 滚转通道RCS故障
P14 发生大气扰动
P15 发生伺服故障
表 2 变迁触发条件与传感器读数的对应关系
触发的变迁 传感器测量情况
纵向通道状态量 横侧向通道状态量 升降舵偏角 方向舵偏角 差动舵偏角
t2 异常 异常 异常 异常 异常
t4 异常 正常 异常 正常 正常
t6 正常 异常 正常 异常 正常
t8 正常 异常 正常 正常 异常

伺服系统子模块, 考虑舵面故障和推力器故障2大类。对于舵面故障主要考虑升降舵故障、方向舵故障和差动舵故障。推力器故障按照其产生的力矩所在的通道考虑纵向通道推力器故障和横、侧向通道推力器故障。建立的伺服系统子模块的Petri net模型如图 3中b所示, 用一个七元组Nb=(Pb, Tb, Fb, Wb, Mb0, Mb, t)表示, 其中:Pb={P3, P5, P6, P7, P8, P9, P10, P11, P12, P13}, Tb={t4, t5, t6, t7, t8, t9, t10, t11, t12, t13, t14, t15}, Pb中各库所的含义见表 1, 变迁t4t6t8触发条件见表 2, 变迁t5t7t9分别在传感器读数不符合t4t6t8的触发条件时开启, 表明对应通道的伺服故障已消除。变迁t10~t15的触发由安装在发动机上的压力传感器决定, t10t12t14分别表示压力传感器读数正常, t11t13t15表示压力传感器读数异常。

2.2.2 整个飞行系统的Petri net诊断模型

将环境扰动和伺服系统2个子模块的Petri net模型组合在一起, 构成整个飞行器完整的诊断模型, 如图 3所示。当飞行器开启自动诊断装置时, 模型中库所P1的托肯值自动置1并且触发变迁t1。变迁t17t18是局部故障恢复后启动的变迁, 使整个系统重新进行诊断, 其中变迁t17在变迁t3触发后自动触发, 变迁t18在变迁t5t7t9触发后自动触发。变迁t16在库所P14P15中有托肯时自动触发, 表明一次诊断结束, 进入下一个循环。由建立的petri网可以求出, 整个网络按照如下的状态转移方程进行传递

(13)

式中,u(k)=[t1, t2, …t18], 是由变迁组成的系统触发序列, 当变迁ti触发时, ti=1, 否则ti=0;A如下式所示

当开启诊断装置后, 系统对各个库所的值进行实时监测, 并将对应结果输出到计算机中, 至此完成对各类型事件的检测。

2.3 基于Petri net的飞行器异常诊断模型的构建步骤

建立飞行器基于Petri net的异常事件诊断系统的步骤如下:

步骤1 分析不同故障对飞行器的影响关系模型和对状态的影响规律;

步骤2 根据分析的规律结合Petri net建立飞行器异常事件诊断系统;

步骤3 整个诊断系统以各状态量的传感器读数为输入, 用于判断各变迁是否触发, 考虑到控制性能等引起的状态扰动, 设定1为阈值, 若传感器测得的状态量数据与理想值的偏差大于阈值时, 则对应状态量出现异常。

步骤4 当开启诊断系统时, 库所P1自动置1, 作为Petri net推理的初始状态M0, 且系统启动后实时对各库所的库所状态进行监测, 对照表 1将计算得到的托肯值为1的库所对应的含义输出到计算机中;

步骤5 整个网络的推演由状态转移方程式(11) 进行推导; 即根据第k步的状态M(k)(k=0, 1, 2, …)和输入的传感器读数索引点火序列tk1~tkn, 由状态转移方程求出标识M(k+1), 即系统下一步的状态;

步骤6 判断t18t19t20中是否有变迁触发, 如果有证明诊断过程进行了一个周期, 即将进入下一个循环, 此时执行步骤8, 否则执行步骤7;

步骤7 K=K+1, 转到步骤5;

步骤8 K=0, 进行下一个循环判断。

3 仿真校验

对某高速飞行器再入段进行数值仿真, 飞行器在高度H0=120 km, 经度λ=110.74°, 纬度B=35.75°处以速度V0=2 289.6 m/s, 攻角α=40°再入, 经再入飞行和TEAM段, 降落至高度H=2.5 km, 经度λ为111.81°, 纬度B=30.8°的着陆场。给飞行器注入大气扰动和升降舵故障进行仿真对比, 以表征故障的库所P4~P14作为输出统计量, 注入大气扰动仿真计算得到的库所托肯值如表 3所示, 注入升降舵故障仿真计算得到的库所托肯值如表 4所示。

表 3 大气扰动下的库所托肯仿真值
库所 P5 P6 P7 P8 P9 P10 P11 P12 P13 P14 P15
托肯 0 0 0 0 0 0 0 0 0 1 0
表 4 升降舵故障下的库所托肯仿真值
库所 P5 P6 P7 P8 P9 P10 P11 P12 P13 P14 P15
托肯 1 0 0 1 0 0 0 0 0 0 1

表 3可以看出, 当发生大气扰动时, 通过计算得到库所P14托肯值为1, 输出其在表 1中对应的含义:“发生大气扰动”。当发生升降舵故障时, 通过计算得到库所P5P8P15托肯值为1, 输出其在表 1中对应的含义:“俯仰通道故障”、“升降舵故障”、“发生伺服故障”, 不仅得出具体故障同时反映出了故障的类型和所在的通道。

4 结论

高超声速飞行器在飞行过程中经常会遇到环境扰动和伺服故障2大类问题而引起状态异常。本文针对2类事件难以诊断和区别的问题, 设计了一套基于Petri net的异常事件在线自主诊断系统, 该系统以各状态量传感器读数为输入, 以诊断出的事件类型为输出, 利用Petri net状态转移方程的矩阵运算实现整个系统的推理。最后利用C++应用软件对不同类型事件激励下的飞行过程进行仿真, 仿真证明系统可以准确的诊断出引起状态异常的事件类型。该理论方法的研究还可以为飞行控制系统发生状态异常后的控制行为决策提供可靠的依据。

参考文献
[1] Ali Zolghadri. Advanced Model-Based FDIR Techniques for Aerospace Systems: Todaychallenges and Opportunities[J]. Aerospace Sciences, 2012, 53(2012): 18-29.
[2] 陈帅均. 基于专家系统的飞行器评估系统研究[D]. 合肥: 中国科学院光电技术研究所, 2014
Chen Shuaijun.Study on Aerocraft Assessment System Based on Expert System[D]. Hefei, The Institute of Optics and Electrics, Chinese Academy of Sciences, 2014 (in Chinese)
[3] Li G F, Liu Y, Zhang F L. Study on Fault Diagnosis of Special Vehicle Based on Expert System[C]//CSCE, 2015: 1183-1188
[4] 孙健, 章卫国, 宁东方. 基于神经网络的飞控系统故障诊断[J]. 测控技术, 2008, 27(5): 65-68.
Sun Jian, Zhang Weiguo, Ning Dongfang. Fault-Diagnosis System of Flight Cntrol System Based on Neural Network[J]. Measurement Technology, 2008, 27(5): 65-68. (in Chinese)
[5] Aiz I A, Khorasani K. Neural Network-Based Actuator Fault Diagnosis for Attitude Control Subsystem of an Unmanned Space Vehicle[C]//International Joint Conference, Canada, 2006: 16-21
[6] 郭博. 基于神经网络和故障树的运载火箭故障诊断系统的研究[D]. 成都: 电子科技大学, 2010
Guo Bo. Research on Fault Diagnosis System of launch Vehicle Based on Neural Network and Fault Tree[D].ChenDu, University of Electronic Science and Technology of China, 2010 (in Chinese)
[7] 金亮亮. 基于故障树的航天器故障诊断专家系统研究[D]. 南京: 南京航空航天大学, 2008
Jing Liangliang. Study on Spacecraft Fault Diagnosis Expert System Based on Fault Tree[D]. Nanjing, Nanjing University of Aeronautics and Astronautics, 2008 (in Chinese)
[8] Li S N, Yuan H W, Lü J X, Cui Y. Application of Object-Oriented Petri Net Model in Fault Rehearsal of Aircarft Independent Electrical Power System[C]//中国控制与决策会议, 2013: 4200-4204
[9] Suhua Hsieh, Shih Yingjer. Automated Guided Vehicle Systems and Their Petri-Net Properties[J]. Intelligent Manufacturing, 1992, 3(6): 379-390. DOI:10.1007/BF01473533
[10] Ryosuke Nakamura, Kenji Sawada, Seiichi Shin, Kenji Kumagai. Model Reformulation for Conflict-Free Routing Problems Using Petri Net and Deterministic Finite Automaton[J]. Artificial Life and Robotics, 2015, 20(3): 262-269. DOI:10.1007/s10015-015-0215-z
[11] Abdul-Kader H, El-Kholy W. Modeling of Updating Moving Object Database Using Timed Petri Net Model[J]. International Arab Journal of Information Technology, 2010, 7(1): 79-85.
[12] Jiang Z, Zuo M Z, Fung R Y Y, Tu P T. Peformance Modeling of Complex Dynamic Production Systems Using Temporised Object-Oriented Petri Nets with Changeable Structure[J]. International Journal of Advanced Manufacturing Technology, 2000, 16(16): 521-536.
[13] Wang William, Jaw Link, Wang Jim. Petri Net Based Modeling Approach for Fault Affected UAV Subsystems Reconfiguration[C]//AIAA Intelligent Systems Technical Conference, 2013
[14] Qu Y Z, Li L X, Chen Y B, Dai Y P. An Optimal Design Approach for Fault-Tolerant Petri Net Controllers Using Arc Weights Minimization[J]. IEEE Trans on Systems Man and Cybernetics Part A: System Humans, 2012, 42(5): 1301-1308. DOI:10.1109/TSMCA.2011.2178827
[15] Zhang P, Zhao S W, Wang Y K. The Research of Aircraft Fault Diagnosis Based on Adaptive FPN[C]//IEEE Control & Decision Conference, 2009: 5252-5255
[16] Zhang Y, Wen F, Chung C Y. A Fuzzy Petri Net Based Approach for Fault Diagnosis in Power Systems Considering Temporal Constraints[J]. Electrical Power & Energy Systems, 2016, 78(10): 215-224.
[17] 郭亚中, 左洪福, 王华伟. 基于Petri网的民航飞机故障诊断工作流模型[J]. 系统工程与电子技术, 2006, 28(12): 1837-1840.
Guo Yazhong, Zuo Hongfu, Wang Huawei. Research on Workflow Model of Fault Diagnosis of the Civil Aircraft Using Petri Net[J]. Systems Engineering and Electronics, 2006, 28(12): 1837-1840. DOI:10.3321/j.issn:1001-506X.2006.12.017 (in Chinese)
[18] Trigos M A, Barrientos A, Cerro J D. Systematic Process for Building a Fault Diagnoser Based on Petri Nets Applied to a Helicopter[J]. Mathematical Problems in Engineering, 2015(2015): 1-13.
[19] 赵汉元. 飞行器再入动力学和制导[M]. 长沙: 国防科技大学出版社, 1997: 474-479.
Zhao Hanyuan. Aircraft Reentry Dynamics and Guidance[M]. Changsha: National University of Defense Technology Press, 1997: 474-479. (in Chinese)
[20] 程璞, 张鹏宇, 吴小华, 等. 阵风条件下高超声速飞行器动力学建模与分析[J]. 飞行力学, 2014, 32(5): 413-417.
Cheng Pu, Zhang Pengyu, Wu Xiaohua. Flight Dynamics Modeling and Analysis of Hypersonic Flight Vehicle in Wind Gusts[J]. Flight Dynamics, 2014, 32(5): 413-417. (in Chinese)
Design of Abnormal Event Diagnosis System Based on Petri Net for High-Speed Vehicle
Hu Weijun, Wang Huan, Zhou Jun     
Institute of Precision Guidance and Control, Northwestern Polytechnical University, Xi'an 710068, China
Abstract: High-speed vehicle adopt different control strategies for different fault events in the event of external environment disturbance and servo failure event leading to state instability. In order to enable the vehicle to identify the type of event that causes the abnormal state autonomously, and accordingly call the corresponding processing strategy, this paper proposes a decision system based on decision network for vehicle anomaly diagnosis. Based on the Petri net method, the abnormal event diagnosis system of the vehicle is constructed. By analyzing the influence of the different event on the flight state, the system can make the vehicle autonomously locate the event types that cause the abnormal state quickly by using the matrix reasoning ability of Petri net, with sensor reading of each state quantity as input and event type as output, provides the basis for the follow-up control behavior. Finally, a RLV reentry section is taken as an example. After the various types of faults are injected into it, the correctness of the event diagnosis system is verified by C++ software. The result proves that the diagnosis system can diagnose and distinguish different types of events correctly.
Key words: Petri net     environment disturbance     servo failure     matrix reasoning     online positioning    
西北工业大学主办。
0

文章信息

呼卫军, 王欢, 周军
Hu Weijun, Wang Huan, Zhou Jun
高速飞行器Petri net异常事件诊断系统设计
Design of Abnormal Event Diagnosis System Based on Petri Net for High-Speed Vehicle
西北工业大学学报, 2017, 35(4): 553-560.
Journal of Northwestern Polytechnical University, 2017, 35(4): 553-560.

文章历史

收稿日期: 2016-10-07

相关文章

工作空间