固定翼無人機(jī)縱向控制回路多工況狀態(tài)預(yù)測(cè)

梁少軍，鄭 幸，謝禮鵬，林冬生

(1.陸軍工程大學(xué)軍械士官學(xué)校， 武漢 430075； 2.武漢大學(xué)電氣與自動(dòng)化學(xué)院， 武漢 430072)

在技術(shù)的推動(dòng)與市場(chǎng)的召喚下，無人機(jī)以其零傷亡、效費(fèi)比高、機(jī)動(dòng)靈活、起降方便等諸多優(yōu)點(diǎn)在軍民兩用領(lǐng)域得到了迅速發(fā)展。概括起來，無人機(jī)從軍事應(yīng)用起步，逐步擴(kuò)展到民事領(lǐng)域，以消費(fèi)級(jí)無人機(jī)的身份被大眾熟知[1]。目前工業(yè)級(jí)無人機(jī)正以行業(yè)改革者的姿態(tài)廣泛應(yīng)用于多個(gè)領(lǐng)域，例如：森林防火、資源勘探、農(nóng)林植保、公安消防、電力巡檢、航拍測(cè)繪、快遞投送等[2]。

無人機(jī)按照升力原理不同大致可分為旋翼無人機(jī)、撲翼無人機(jī)和固定翼無人機(jī)[3](Fixed Wing Unmanned Aerial Vehicle,UAV)，后者往往造價(jià)更高且在無人機(jī)大家族中扮演著重要角色，多應(yīng)用于速度快、距離遠(yuǎn)、續(xù)航久的場(chǎng)景，因此在使用時(shí)面臨著更嚴(yán)峻的安全風(fēng)險(xiǎn)。對(duì)UAV狀態(tài)進(jìn)行預(yù)測(cè)分析，及時(shí)了解飛機(jī)自身可靠性，可有效減免損失降低任務(wù)風(fēng)險(xiǎn)，以此具有重要實(shí)用意義和研究?jī)r(jià)值。

國(guó)內(nèi)外眾多學(xué)者就無人機(jī)狀態(tài)預(yù)測(cè)進(jìn)行了深入研究，按照方法不同大體可分為模型的方法和基于統(tǒng)計(jì)的方法兩種。前者，如Xiong等[4]設(shè)計(jì)了基于全局快速動(dòng)態(tài)終端模型控制算法，實(shí)現(xiàn)了無人機(jī)的姿態(tài)跟蹤控制和預(yù)測(cè)。Liu[5]通過動(dòng)力學(xué)特性推導(dǎo)出無人機(jī)姿態(tài)角及對(duì)應(yīng)位置狀態(tài)空間方程,設(shè)計(jì)出了基于模型預(yù)測(cè)控制算法的姿態(tài)角控制器,進(jìn)一步構(gòu)建了軌跡跟蹤控制系統(tǒng)。Wang[6]提出了基于軌跡線性化將無人機(jī)縱向非線性動(dòng)力學(xué)模型轉(zhuǎn)化為線性變參數(shù)模型,總結(jié)了魯棒預(yù)測(cè)控制器的局限性,進(jìn)一步提高了模型預(yù)測(cè)的準(zhǔn)確性。

基于統(tǒng)計(jì)的方法包括擴(kuò)展卡爾曼濾波、無色卡爾曼濾波、粒子濾波、支持向量機(jī)及神經(jīng)網(wǎng)絡(luò)等方法。Zhao等[7]提出一種基于運(yùn)行狀態(tài)識(shí)別的無人機(jī)高斯過程-無味卡爾曼濾波的混合估計(jì)方法，以確定無人機(jī)實(shí)時(shí)狀態(tài)并提高預(yù)測(cè)模型的適應(yīng)性。Koops等[8]提出了一種多傳聲器機(jī)器學(xué)習(xí)數(shù)據(jù)融合方法來精確預(yù)測(cè)多旋翼無人機(jī)在飛行中的上升、懸停、下降狀態(tài)。Zhao等[7]提出了一種基于高斯回歸過程的無味卡爾曼濾波的無人機(jī)狀態(tài)預(yù)測(cè)方法，結(jié)合狀態(tài)識(shí)別機(jī)制提升了預(yù)測(cè)的適宜性。Wang等[9]提出了一種基于粒子濾波的無人機(jī)姿態(tài)估計(jì)算法，通過建立狀態(tài)空間方程，運(yùn)用粒子濾波算法實(shí)現(xiàn)對(duì)無人機(jī)姿態(tài)估計(jì)，最終實(shí)現(xiàn)航跡預(yù)測(cè)。Gao等[10]利用核學(xué)習(xí)相關(guān)向量機(jī)的方法，預(yù)測(cè)電子設(shè)備的未來狀態(tài)，并通過在線數(shù)據(jù)來更新模型，提高了預(yù)測(cè)效率與精度。Wu[11]提出了基于RVFLNN模型RVFLNN短時(shí)軌跡預(yù)測(cè)算法,在利用無人機(jī)歷史軌跡數(shù)據(jù)進(jìn)行訓(xùn)練后,RVFLNN能較好把握無人機(jī)的飛行趨勢(shì),實(shí)現(xiàn)對(duì)無人機(jī)下一采樣時(shí)刻位置信息進(jìn)行精度較高的快速實(shí)時(shí)預(yù)測(cè)。Zhang等[12]提出了基于Elman神經(jīng)網(wǎng)絡(luò)的戰(zhàn)斗機(jī)空戰(zhàn)軌跡預(yù)測(cè)方法，該方法與傳統(tǒng)粒子濾波算法相比預(yù)測(cè)誤差更小、預(yù)測(cè)效果更好。

文獻(xiàn)調(diào)研發(fā)現(xiàn)，盡管眾多學(xué)者使用不同技術(shù)實(shí)現(xiàn)了無人機(jī)狀態(tài)預(yù)測(cè)，但都將飛機(jī)飛行全過程視為一種工況并使用單一模型對(duì)飛機(jī)狀態(tài)進(jìn)行描述。該方法只適用于飛機(jī)處于穩(wěn)態(tài)、準(zhǔn)穩(wěn)態(tài)的特定情況，與UAV實(shí)際飛行情況并不相符。實(shí)際應(yīng)用中僅從典型飛行過程來看，UAV包含起飛、巡航、遂行任務(wù)、返航、回收等多個(gè)階段，且各工況間各傳感器和執(zhí)行機(jī)構(gòu)工作狀態(tài)存在較大差異，可見UAV飛行屬于典型的多工況過程。本文以UAV縱向控制回路狀態(tài)為預(yù)測(cè)目標(biāo)，提出了“聚類分析-模式識(shí)別-回歸預(yù)測(cè)”相結(jié)合的技術(shù)路線。該技術(shù)使用了基于共享近鄰相似性的密度聚類算法，能夠結(jié)合數(shù)據(jù)本身規(guī)律從抽象層面對(duì)無人機(jī)歷史飛行數(shù)據(jù)進(jìn)行合理分組，以算法分組結(jié)果代表各個(gè)工況數(shù)據(jù)。基于各工況數(shù)據(jù)訓(xùn)練工況識(shí)別模型和回歸預(yù)測(cè)模型，前者用于判斷測(cè)試數(shù)據(jù)工況類別，后者用于預(yù)測(cè)測(cè)試數(shù)據(jù)狀態(tài)。通過“分而治之”的數(shù)據(jù)分組與建模策略，進(jìn)一步貼合了UAV多工況特征，有效提高了預(yù)測(cè)準(zhǔn)確度。

1 UAV縱向控制原理與多工況分析

1.1 UAV縱向控制與狀態(tài)表征

UAV具有自駕系統(tǒng)，其核心控制回路包括縱向控制回路、橫向控制回路等。其中縱向控制回路受機(jī)載飛行控制計(jì)算機(jī)控制，飛行控制計(jì)算機(jī)一方面接收機(jī)載數(shù)據(jù)鏈終端送達(dá)的高度調(diào)整指令、姿態(tài)角調(diào)整指令和空速調(diào)整指令，另一方面接收姿態(tài)角傳感器、高度傳感器、發(fā)動(dòng)機(jī)轉(zhuǎn)速傳感器實(shí)時(shí)采集飛機(jī)狀態(tài)信息。飛行控制計(jì)算機(jī)輸出控制指令控制執(zhí)行機(jī)構(gòu)(升降舵機(jī)和油門桿舵機(jī))運(yùn)動(dòng)，改變飛機(jī)狀態(tài)直到負(fù)反饋回路達(dá)到穩(wěn)定，如圖1所示。

從圖1中可以看出，俯仰角(θ)、升降舵偏角(δZ)、缸溫(T)、發(fā)動(dòng)機(jī)轉(zhuǎn)速(V)、高度(H)等5個(gè)傳感器/執(zhí)行機(jī)構(gòu)輸出數(shù)據(jù)可基本表征UAV縱向控制回路工作狀態(tài)，其中高度(H)直觀反映了縱向控制回路的最終狀態(tài)，屬于自變量，故可作為被預(yù)測(cè)變量，其他4個(gè)輸出量的波動(dòng)會(huì)引起高度(H)的變化，屬于因變量，故可作為預(yù)測(cè)變量。本文將以上5個(gè)數(shù)據(jù)的單次采樣構(gòu)成向量，記作x=[θ,δz,T,V,H]∈R5，令采樣次數(shù)為m，則UAV縱向控制回路飛行數(shù)據(jù)構(gòu)成的矩陣可表示為D=[x1,x2,…,xm]T∈Rm×5。

1.2 UAV多工況分析

UAV工況數(shù)據(jù)是飛機(jī)在某種狀態(tài)下的數(shù)據(jù)集合，各工況內(nèi)數(shù)據(jù)高度相似，工況間數(shù)據(jù)差異較大。由于UAV縱向控制回路飛行數(shù)據(jù)為高維數(shù)據(jù)(五維)，無法進(jìn)行直觀展示，本文使用t分布隨機(jī)鄰居嵌入(t-distributed Stochastic Neighbor Embedding，t-SNE)技術(shù)和平行坐標(biāo)可視化技術(shù)探究UAV工況特征。

圖1 UAV縱向控制回路框圖

t-SNE是一種將高維數(shù)據(jù)可視化的流形降維算法，其基本思想是用條件概率表示兩個(gè)數(shù)據(jù)間的相似性，若兩個(gè)數(shù)據(jù)分布相近則相似性高，反之亦然。通過對(duì)比高低維數(shù)據(jù)間的KL散度評(píng)價(jià)降維效果，最終使高維數(shù)據(jù)間的相似性在低維體現(xiàn)出來。故可以通過觀察經(jīng)t-SNE降維的低維數(shù)據(jù)聚成簇的情況推斷數(shù)據(jù)在高維的分布規(guī)律。t-SNE一般包含以下幾個(gè)過程：1) 計(jì)算每?jī)蓚€(gè)高維數(shù)據(jù)點(diǎn)之間的距離；2) 計(jì)算高維數(shù)據(jù)的相似度矩陣；3) 初始化一組低維(二維或三維)數(shù)據(jù)點(diǎn)；4) 迭代更新低維點(diǎn)，最小化高維空間中的高斯分布與低維空間中的t分布之間的KL散度(Kullback-Leibler divergence)。文章第3部分用于算法建模的3 195組訓(xùn)練數(shù)據(jù)(traindata)的二維t-SNE映射圖如圖2所示，從圖2中可以看出低維數(shù)據(jù)聚成大小不等的多個(gè)簇，故推斷原始高維數(shù)據(jù)應(yīng)劃分為多個(gè)工況。

圖2 飛行數(shù)據(jù)二維映射圖

平行坐標(biāo)繪圖法是另外一種將高維數(shù)據(jù)可視化的方法。該方法通過構(gòu)建一種特殊的二維坐標(biāo)系，將高維數(shù)據(jù)轉(zhuǎn)化為該坐標(biāo)系中的折線。該坐標(biāo)系中橫軸為維度，縱軸為幅度，一條連接各維度幅值的折線表示一個(gè)高維數(shù)據(jù)點(diǎn)，折線的走勢(shì)代表高維數(shù)據(jù)的特征。如圖3所示，圖3中折線表示的5維數(shù)據(jù)點(diǎn)為：[θ,δz,T,V,H]=[0.8,0.97,0.05,0.75,0.025]。將多次采樣數(shù)據(jù)對(duì)應(yīng)折線繪制在一張圖上，即可得到該數(shù)據(jù)集對(duì)應(yīng)平行坐標(biāo)圖。圖4展示了訓(xùn)練數(shù)據(jù)(traindata)的平行坐標(biāo)法可視化結(jié)果。觀察可知，折線走勢(shì)復(fù)雜并不呈現(xiàn)統(tǒng)一的變化規(guī)律，故推斷該數(shù)據(jù)集包含多個(gè)工況。

為應(yīng)對(duì)UAV的多工況現(xiàn)象，同時(shí)考慮不依賴先驗(yàn)知識(shí)，后文將使用數(shù)據(jù)挖掘領(lǐng)域的非監(jiān)督聚類分析算法對(duì)UAV工況進(jìn)行分析。

圖3 UAV某次采樣數(shù)據(jù)平行坐標(biāo)可視化折線

圖4 飛行數(shù)據(jù)平行坐標(biāo)可視化折線

2 多工況狀態(tài)預(yù)測(cè)算法

2.1 總體路線

UAV縱向控制回路多工況狀態(tài)預(yù)測(cè)算法分為兩個(gè)階段：離線建模階段與在線預(yù)測(cè)階段。前者完成對(duì)數(shù)據(jù)的聚類分析與ANN、KGPR建模，后者利用離線建模結(jié)果對(duì)測(cè)試數(shù)據(jù)進(jìn)行在線工況識(shí)別與狀態(tài)預(yù)測(cè)。

如圖5所示，在離線建模階段首先使用聚類算法對(duì)UAV縱向控制回路歷史飛行數(shù)據(jù)進(jìn)行分析，得到各工況飛行數(shù)據(jù)及對(duì)應(yīng)工況標(biāo)簽。之后分別將聚類得到的各工況數(shù)據(jù)與對(duì)應(yīng)標(biāo)簽作為神經(jīng)網(wǎng)絡(luò)分類器輸入與輸出數(shù)據(jù)訓(xùn)練ANN工況分類器模型。將聚類得到的各工況數(shù)據(jù)作為KGPR輸入數(shù)據(jù)訓(xùn)練多個(gè)KGPR回歸預(yù)測(cè)模型。

圖5 離線建?？驁D

如圖6所示，在線預(yù)測(cè)階段首先使用離線建模得到的ANN分類器模型對(duì)當(dāng)下在線測(cè)試數(shù)據(jù)所屬工況進(jìn)行辨識(shí)。然后根據(jù)工況辨識(shí)結(jié)果提取對(duì)應(yīng)的KGPR回歸預(yù)測(cè)模型，使用該模型對(duì)當(dāng)下測(cè)試數(shù)據(jù)高度值進(jìn)行預(yù)測(cè)，重復(fù)以上過程即可完成對(duì)測(cè)試數(shù)據(jù)的在線預(yù)測(cè)。

圖6 在線預(yù)測(cè)框圖

2.2 相關(guān)技術(shù)與算法實(shí)現(xiàn)

UAV縱向控制回路多工況狀態(tài)預(yù)測(cè)算法涉及到聚類分析、回歸預(yù)測(cè)、模式識(shí)別等三種技術(shù)。本文結(jié)合UAV數(shù)據(jù)特點(diǎn)，具體使用基于共享近鄰相似性的密度聚類(Similarity of Shared Nearest Neighbor-Density Based Spatial Clustering of Applications with Noise,SSNN-DBSCAN)算法對(duì)UAV飛行數(shù)據(jù)作聚類分析；使用核高斯過程回歸[14](Kernel Gaussian Process Regression,KGPR)算法對(duì)各工況數(shù)據(jù)進(jìn)行回歸建模與預(yù)測(cè)；使用人工神經(jīng)網(wǎng)絡(luò)[15](Artificial Neural Network,ANN)算法對(duì)各工況數(shù)據(jù)進(jìn)行建模和工況辨識(shí)。UAV多工況狀態(tài)預(yù)測(cè)算法的偽代碼為：

Algorithm:predictData= UAV_MC_Predict(testData,trainData,Eps,Minpts,k)Input:(1)trainData:訓(xùn)練數(shù)據(jù)(2)testData:測(cè)試數(shù)據(jù)(3)Eps:DBSCAN算法中鄰域半徑(4)Minpts:DBSCAN算法中核心點(diǎn)近鄰閾值(5)k:SNN算法中近鄰數(shù)量Output:clusterPrdictValue:預(yù)測(cè)輸出的高度值1.%使用SSNN-DBSCAN算法對(duì)訓(xùn)練數(shù)據(jù)聚類分析[clusteredData,clusterID]=SSNN-DBSCAN(trainDa-ta,k,Eps,Minpts)2.%使用聚類結(jié)果及其類標(biāo)訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類器。ANNClassifierModel=trainANN([clusteredData,clusterID])%使用各個(gè)聚類簇?cái)?shù)據(jù)訓(xùn)練多個(gè)KGPR回歸模型3.For i=1:| clusterID |4. KGPRModel(i)=TrainKGPR(clusteredData(i,1:4),clusteredData(i,5))5.End For%對(duì)測(cè)試數(shù)據(jù)中的每個(gè)采樣數(shù)據(jù)進(jìn)行工況識(shí)別,調(diào)取對(duì)應(yīng)GPR模型預(yù)測(cè)高度值6.For i=1:length(testData)7. clusterID=ANNClassifierModel(testData(i,∶))8. selectedTrainedModel=KGPRModel(clusterID)9. clusterPrdictValue(i)=selectedTrainedModel(testData(i,1∶4))10.End For11.testDataValue=testData(∶,5);%測(cè)試數(shù)據(jù)的真實(shí)值12.clusterRMSE=RMSE(testDataValue,clusterPredi-ctValue)%預(yù)測(cè)值與真實(shí)值均方根誤差

2.2.1聚類分析

DBSCAN是一種基于密度聚類的算法，該算法通過引入鄰域半徑(Eps)和近鄰閾值(Minpts)概念將數(shù)據(jù)劃分為核心點(diǎn)、邊界點(diǎn)和離群點(diǎn)，并以核心點(diǎn)為主導(dǎo)構(gòu)建各個(gè)簇。DBSCAN能夠基于數(shù)據(jù)自主推測(cè)聚類個(gè)數(shù)，可發(fā)現(xiàn)任意形狀和大小的簇并且對(duì)噪聲有較強(qiáng)的魯棒性，因此被廣泛應(yīng)用于光譜分析、社會(huì)科學(xué)、生物醫(yī)學(xué)等多個(gè)領(lǐng)域。

DBSCAN算法中以距離描述兩個(gè)數(shù)據(jù)點(diǎn)之間的相似性，常用的距離度量方式為歐氏距離。這種度量方式對(duì)數(shù)據(jù)集的密度和維度敏感，難以適應(yīng)變密度、高維度的UAV數(shù)據(jù)集。因此本文使用共享近鄰相似性(Similarity of Shared Nearest Neighbor,SSNN)度量方式對(duì)經(jīng)典DBSCAN算法進(jìn)行改良，記為SSNN-DBSCAN。

共享近鄰相似性源自共享近鄰距離(Shared Nearest Neighbor Distance,SNND)。SNND首先尋找數(shù)據(jù)集D中P、Q兩點(diǎn)的前k個(gè)近鄰組成的近鄰集，記為Pk與Qk，若P、Q的近鄰集中有SNNDP,Q個(gè)近鄰是共享的，則P、Q點(diǎn)的共享近鄰距離記為SNNDP,Q，即SNNDP,Q=Pk∩Qk。為適應(yīng)距離越近相似度越高的習(xí)慣，這里進(jìn)一步定義共享近鄰相似性概念，并規(guī)定SSNNP,Q=k-SNNDP,Q。

圖7展示了SSNN的變密度適應(yīng)能力，圖7中左側(cè)數(shù)據(jù)集合的密度明顯大于右側(cè)數(shù)據(jù)集合，但兩組數(shù)據(jù)對(duì)“P，Q”與“P′，Q′”的共享近鄰相似度相同(k=9)，即SSNNP,Q=SSNNP′,Q′=6。圖7說明SSNN能夠根據(jù)局部數(shù)據(jù)的分布密度自動(dòng)調(diào)整領(lǐng)域半徑，具備密度縮放能力，適合用來分析具有變密度數(shù)據(jù)分布特征的UAV數(shù)據(jù)。

圖7 SSNN的變密度適應(yīng)能力示意圖

2.2.2回歸預(yù)測(cè)

聚類分析階段已將UAV數(shù)據(jù)D劃分為多個(gè)工況，在此基礎(chǔ)上本文使用MATLAB回歸學(xué)習(xí)工具箱訓(xùn)練多個(gè)UAV回歸預(yù)測(cè)模型。

將各工況飛行數(shù)據(jù)的前4維(θ、δZ、T、V)作為輸入數(shù)據(jù)，第5維(H)作為輸出數(shù)據(jù)，根據(jù)模型優(yōu)劣評(píng)價(jià)標(biāo)準(zhǔn)：均方根誤差(RMSE)、絕對(duì)誤差均值(MAE)、可決系數(shù)(R-Squared)，擇優(yōu)選取適合UAV狀態(tài)預(yù)測(cè)的模型。

2.2.3模式識(shí)別

UAV被有效劃分為多個(gè)工況后，在線故障診斷首先要完成工況匹配。鑒于UAV各維度數(shù)據(jù)與類別標(biāo)簽之間的非線性關(guān)系，本文使用能夠處理多變量輸入與輸出間非線性關(guān)系的多隱層神經(jīng)網(wǎng)絡(luò)分類器對(duì)UAV進(jìn)行工況匹配。

ANN分類器需要先訓(xùn)練再使用，訓(xùn)練ANN分類器需要指定輸入數(shù)據(jù)與輸出類標(biāo)。本文將SSNN-DBSCAN聚類得到的各工況飛行數(shù)據(jù)作為輸入數(shù)據(jù)，對(duì)應(yīng)的工況標(biāo)簽作為輸出數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類器。

使用訓(xùn)練好的分類器對(duì)測(cè)試數(shù)據(jù)進(jìn)行在線測(cè)試，輸出類別標(biāo)簽，將類別標(biāo)簽視為測(cè)試數(shù)據(jù)的工況標(biāo)簽。基于SSNN-DBSCAN的ANN分類器工作流程如圖8所示。

圖8 基于SSNN-DBSCAN的ANN分類器工作流程框圖

3 驗(yàn)證

為驗(yàn)證本文提出的技術(shù)方案，分別取某偵察型UAV執(zhí)行近程、中程、中遠(yuǎn)程、遠(yuǎn)程任務(wù)4種情境下的實(shí)飛數(shù)據(jù)作為測(cè)試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)。

遠(yuǎn)程任務(wù)數(shù)據(jù)包含了最多的數(shù)據(jù)量，各工況數(shù)據(jù)豐富，適合用來做訓(xùn)練數(shù)據(jù)。本文在對(duì)該數(shù)據(jù)進(jìn)行采樣、去除離群值、歸一化、無偏差抽樣后得到了3 195組訓(xùn)練數(shù)據(jù)(trainData)。測(cè)試數(shù)據(jù)分別從近程、中程、中遠(yuǎn)程任務(wù)數(shù)據(jù)中抽樣得到，數(shù)據(jù)量分別為100組、200組、500組。這3種情境能夠較好反映UAV的典型用途，具有一定的代表性。圖9、圖10展示了訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)變量趨勢(shì)曲線。

圖9 訓(xùn)練數(shù)據(jù)變量趨勢(shì)曲線

圖10 測(cè)試數(shù)據(jù)變量趨勢(shì)曲線

為了方便區(qū)分，將本文中提出的方案稱為“多工況模型”，將不區(qū)分工況的常規(guī)技術(shù)稱為“單一模型”。為對(duì)比兩種技術(shù)手段預(yù)測(cè)效果的優(yōu)劣，提出了圖11所示的試驗(yàn)驗(yàn)證技術(shù)路線。圖11中，trainData被復(fù)制為兩份，即trainData1、trainData2。使用trainData1在Matlab2019a回歸學(xué)習(xí)工具箱中訓(xùn)練多個(gè)回歸模型，建模結(jié)果如表2所示。結(jié)合模型評(píng)估指標(biāo)RMSE、R-Squared、MAE，選擇在單一模型下19種模型中建模最優(yōu)的核高斯過程回歸(KGPR)模型分別對(duì)短程、中程、中近程testData進(jìn)行預(yù)測(cè)分析。分別將短程、中程、中近程testData與trainData2代入表1算法，得到多工況模型預(yù)測(cè)結(jié)果。

圖11 試驗(yàn)驗(yàn)證階段技術(shù)路線框圖

表2 回歸模型建模結(jié)果

圖12(a)、圖12(b)、圖12(c)中上圖分別展示了單一模型和多工況模型對(duì)近程、中程、中遠(yuǎn)程testData預(yù)測(cè)結(jié)果與真實(shí)值分布，下圖為預(yù)測(cè)值與真實(shí)值的誤差分布曲線。

圖12 預(yù)測(cè)結(jié)果與誤差分布曲線

從圖12中可以看出，多工況模型預(yù)測(cè)值更逼近真實(shí)值，誤差波動(dòng)更小，相比單一模型有明顯優(yōu)勢(shì)。

表3統(tǒng)計(jì)了兩種模型在3種情境測(cè)試數(shù)據(jù)下的預(yù)測(cè)均方根誤差(RMSE)和平均絕對(duì)誤差(MAE)。由于測(cè)試數(shù)據(jù)為歸一化后數(shù)據(jù)，即分布區(qū)間為[0,1]，因此RMSE與MAE為相對(duì)值。從結(jié)果來看，多工況模型在3種情境下的RMSE與MAE值均小于單一模型對(duì)應(yīng)值，各情境下多工況模型RMSE與MAE均值小于單一模型對(duì)應(yīng)值的1/2。

綜上所述，本文提出的多工況模型比最優(yōu)的單一工況預(yù)測(cè)模型方案更適應(yīng)UAV數(shù)據(jù)多工況特征，能夠取得更好的預(yù)測(cè)效果。

表3 預(yù)測(cè)結(jié)果

4 結(jié)論

本文首先介紹了UAV縱向控制回路控制原理，指出了可以使用5個(gè)傳感器/執(zhí)行機(jī)構(gòu)輸出數(shù)據(jù)表征該回路整體狀態(tài)，解決了數(shù)據(jù)源問題。之后借助兩種高維可視化方法直觀展示了UAV實(shí)飛數(shù)據(jù)的分布規(guī)律，證實(shí)了UAV的多工況特征。為解決多工況下UAV狀態(tài)預(yù)測(cè)難題，提出了基于SSNN-DBSCAN聚類算法自動(dòng)分析UAV工況，基于ANN算法實(shí)現(xiàn)測(cè)試數(shù)據(jù)多工況模式識(shí)別，使用KGPR算法完成狀態(tài)預(yù)測(cè)的技術(shù)路線。相比單一工況預(yù)測(cè)模型本文提出的多工況模型能進(jìn)一步提高預(yù)測(cè)準(zhǔn)確度，更適合UAV數(shù)據(jù)的多工況特征。

本文提出的“聚類分析-模式識(shí)別-回歸預(yù)測(cè)”的技術(shù)路線還可用于其他多工況工業(yè)流程狀態(tài)預(yù)測(cè)中，也可以推廣到多工況故障診斷等場(chǎng)景。