摘 要

无人机传感器作为反映无人机姿态信息的重要部件，其工作状态对于无人机的安全飞行有着重要的意义。本文采用故障诊断技术，判断无人机传感器的异常工作状态，进行故障信号的早期发现，帮助飞行控制器完成故障处理，避免发生恶意事故，从而提高无人机的运行可靠性。

论文主要做了以下工作：

首先，本文对传统故障诊断方法进行了研究，发现传统故障诊断技术对于单一故障能够发挥其作用，对于多故障交互情况无能为力，因此不适合用于无人机传感器的故障诊断中。所以本文采用了智能故障诊断技术。

其次，以速率陀螺传感器为例，对故障类型进行了分类、总结，发现不同故障的能量谱分布有着明显的不同。采用小波包分解技术可以提取不同频段里的能量分布，求取熵值，作为故障分类的依据。

然后，设计了故障诊断系统。本文采用BP神经网络进行无人机传感器故障分类与识别，并使用烟花算法对神经网络进行优化。烟花算法采用一种爆炸式的搜索方式，求解复杂问题，比粒子群算法有着更好的性能。

最后，在matlab中，对无人机陀螺仪传感器进行了故障诊断的研究，验证本方案的合理性和可行性。

研究结果表明：（1）采用小波包分解可以有效地对无人机传感器信号进行提取，小波包能量熵可以作为传感器信号的特征向量；（2）自适应烟花算法可以优化BP神经网络，完成对神经网络的权值和阈值的优化与更新；（3）证明了自适应烟花算法优化的 BP神经网络可以很好的对传感器故障信号进行分类和识别，同时证明了本方案的可行性和优越性。

本文的特色：采用了自适应烟花算法对BP神经网络进行优化，并将其用于故障诊断。

关键词：无人机；传感器故障诊断；小波包分解；BP神经网络；自适应烟花算法

Abstract

UAV sensor as an important part of the information that reflects the UAV status information, its working status for the UAV safe flight has important significance. In this paper, fault diagnosis technology to determine the abnormal operation of UAV sensors, fault signal early detection to help the flight controller to complete the fault, to avoid malicious accidents, thereby improving the safety and reliability of UAVs.

The paper mainly does the following work:

Firstly, this paper studies the traditional fault diagnosis method, and finds that the traditional fault diagnosis technology can play its role for a single fault, and it is not suitable for the fault diagnosis of UAV sensors for multi-fault interaction. So this article uses intelligent fault diagnosis technology.

Secondly, taking the rate gyro sensor as an example, the fault type is classified in detail, and the common fault types are summarized. At the same time, it is found that the energy spectrum distribution of different faults is obviously different. The wavelet packet decomposition technique can extract the energy distribution in different frequency bands and obtain the entropy value as the basis of fault classification.

Then, the fault diagnosis system was designed. In this paper, BP neural network is used to classify and identify the fault of UAV sensors, and the fireworks algorithm is used to optimize the neural network. Fireworks algorithm uses an explosive search method to solve complex problems, than the particle swarm algorithm has a better performance.

Finally, in Matlab, the UAV gyroscope sensor fault diagnosis of the study to verify the rationality and feasibility of the program.

The results show that: (1) wavelet packet decomposition can effectively extract the sensor signal of the UAV, wavelet packet entropy can be used as the eigenvector of the sensor signal; (2) adaptive fireworks algorithm can optimize the BP neural network, (3) It is proved that the BP neural network optimized by the adaptive fireworks algorithm can classify and identify the sensor fault signal well, and prove the feasibility and superiority of the scheme. The

The characteristics of this paper are as follows: The adaptive fireworks algorithm is used to optimize the BP neural network and use it for fault diagnosis.

Key Words: unmanned aerial vehicle; sensor fault diagnosis; wavelet packet decomposition; BP neural network; adaptive fireworks algorithm

目录

第1章 绪论 1

1.1课题研究的目的和意义 1

1.2故障诊断技术研究现状及发展趋势 2

1.3研究的基本内容、拟采用的技术方案及措施 3

1.3.1特征向量提取 3

1.3.2故障信号特征识别 3

第2章 传感器信号特征提取 5

2.1小波分析概述 5

2.1.1小波分解 5

2.1.2 小波包分解 6

2.2 传感器小波包能量熵特征向量提取 7

2.2.1 小波包基函数的确定 7

2.2.2传感器信号小波包能量熵的提取 9

2.3本章小结 11

第3章 BP神经网络及其优化 12

3.1人工神经网络概述 12

3.1.1 人工神经网络发展概况 12

3.1.2 神经网络的基本概念 13

3.2 BP神经网络 16

3.2.1 BP神经网络模型 16

3.2.2 BP网络的算法 17

3.3 BP网络的优化 18

3.3.1烟花算法 18

3.3.2自适应烟花算法 19

3.3.3基于自适应烟花算法的BP神经网络优化 22

3.4本章小结 23

第4章 故障诊断系统搭建及仿真验证 24

4.1故障诊断系统的组成 24

4.2 传感器信号特征向量提取的实现 24

4.2.1无人机传感器的故障类型 24

4.2.2故障特征提取 26

4.3 BP网络的搭建 26

4.4 故障诊断系统的仿真验证 27

4.4.1普通BP神经网络的故障诊断实验 28

4.4.2 自适应烟花算法优化的BP神经网络故障诊断 30

4.5 结果对比 34

4.6 本章小结 35

第5章 结论 36

参考文献 37

致谢 39

附录 40

第1章 绪论

1.1课题研究的目的和意义

无人机，英文缩写为“UAV”，是不载人飞行器，其通过无线遥控和自带的程序控制装置进行控制。无人机的小体积、低成本、易使用等优点，使它在军事方面有着非凡的使用意义，世界各军事国家都非常重视无人机的研究工作。无人机的功能最初以侦察为主，随着发展，军用无人机开始搭载武器，承担轰炸和对地攻击、空对空战斗等任务。可以说，无人机的发展对未来空战有着十分重要的战略意义。很多军事上的技术，都会慢慢转向民用，无人机也不例外。近年来，无人机渐渐开始向民用方向发展，像电力巡检、火警巡检、农业保险（搭载高清相机，评估农作物生长状况）、环境监控、影视拍摄、灾后救援、遥感绘图。

无人机扮演着越来越重要的角色，其飞行的稳定性也就成为一个非常重要的课题。

飞行控制系统是飞机的一个重要组成部分，其可靠性与安全性对于无人机的稳定性起着非常重要的作用。随着现代科学技术的不断提高，同时对于无人机的性能要求越来越高，无人机飞行控制器的稳定性和安全性越来越被重视。无人机故障检测是飞行控制系统的一个重要内容，飞行控制器对检测到的信号进行识别，处理，输出正确的控制，从而避免事故的发生。

在飞行故障中，传感器故障是一个非常常见也是非常典型的部分。传感器在无人机控制系统中，相当于人类的五官，起着非常关键的作用。在飞机飞行过程中，传感器用来测量无人机飞行状态，并把它反馈到飞行控制器中，由飞行控制器对飞机进行动态实时控制。在简单的控制系统中，传感器属于前向通道，其故障信号不能被控制系统消除，从而导致实际状态跟随不了给定的状态，发生飞行事故。当无人机传感器发生故障时，其反馈的飞行状态的全部量或者部分量会表现出与正常状态下不同的特征。通过分析这些特征，比较它们的差异，我们会得到丰富的故障信息。