基于Apriori方法的電力巡檢無人機(jī)渦環(huán)狀態(tài)識(shí)別

吳文斌，陳伯建，許軍，黃友聰，張偉豪，韓騰飛，張頂立，葉思源，李誠龍

（1.國(guó)網(wǎng)福建省電力有限公司電力科學(xué)研究院，福建福州，350000；2. 國(guó)網(wǎng)福建省電力有限公司檢修分公司，福建福州，350000；3.中國(guó)民用航空飛行學(xué)院，四川廣漢，618307)

0 引言

隨著無人機(jī)技術(shù)的發(fā)展成熟，以多旋翼無人機(jī)和固定翼旋翼復(fù)合型垂直起降無人機(jī)日益廣泛應(yīng)用于電力桿塔和風(fēng)力發(fā)電機(jī)巡檢場(chǎng)景[1]，受限于起降場(chǎng)地，上述兩類無人機(jī)絕大部分作業(yè)均采用多旋翼氣動(dòng)布局構(gòu)型進(jìn)行垂直起降[2]。但在垂直下降過程中，作為欠驅(qū)動(dòng)系統(tǒng)的多旋翼構(gòu)型無人機(jī)油門工作點(diǎn)降低，控制力矩減弱，在過快垂直下降過程中容易出現(xiàn)飄擺和抖動(dòng)，綜合多篇文獻(xiàn)的分析，我們可知導(dǎo)致這種原因的情況是無人機(jī)在下降過程中進(jìn)入到了渦環(huán)效應(yīng)[3]。根據(jù)文獻(xiàn)[4]的表述，當(dāng)多旋翼氣動(dòng)布局的無人機(jī)下降速度達(dá)到4m/s以后，一樣也會(huì)進(jìn)入到渦環(huán)狀態(tài)，但由于空中風(fēng)場(chǎng)無法預(yù)判，即使在所謂的安全邊界區(qū)域內(nèi)進(jìn)行下降無人機(jī)也會(huì)因?yàn)樵庥鲲L(fēng)切變而改變垂向和縱向的相對(duì)速度，從而使無人機(jī)實(shí)質(zhì)性進(jìn)入到渦環(huán)狀態(tài)當(dāng)中。因此通過對(duì)無人機(jī)飛行后黑匣子所記錄的姿態(tài)數(shù)據(jù)進(jìn)行分析，我們希望能夠找到一種可用于辨識(shí)無人機(jī)渦環(huán)狀態(tài)的方法，以利于飛行器及時(shí)進(jìn)行識(shí)別并完成改出。

1 旋翼渦環(huán)狀態(tài)

要進(jìn)行渦環(huán)狀態(tài)的辨識(shí)，首先需要明確什么是多旋翼渦環(huán)狀態(tài)。要知道多旋翼構(gòu)型無人機(jī)本身是一個(gè)欠驅(qū)動(dòng)、不穩(wěn)定系統(tǒng)[6]，需要飛行控制系統(tǒng)通過位姿估測(cè)系統(tǒng)獲得狀態(tài)反饋后對(duì)飛行器進(jìn)行平衡控制。而在多旋翼無人機(jī)快速下降過程中，旋翼吹出的下洗氣流會(huì)在翼尖位置上翻，重新吸入螺旋槳，這會(huì)在槳葉盤面區(qū)域出現(xiàn)一個(gè)個(gè)非定常狀態(tài)的氣泡空間，這一現(xiàn)象的直接結(jié)果是槳葉面產(chǎn)生的升力出現(xiàn)非線性偏離槳葉轉(zhuǎn)速，使得多旋翼每個(gè)旋翼上產(chǎn)生的拉力出現(xiàn)劇烈波動(dòng)。如圖所示，通過實(shí)驗(yàn)，高正等人對(duì)直升機(jī)主旋翼渦環(huán)邊界進(jìn)行了繪制。如圖1所示，橫軸為航空器橫向相對(duì)空速歸一化，縱軸為航空器垂直方向相對(duì)空速，左側(cè)弧線圈內(nèi)區(qū)域?yàn)椴煌潭葴u環(huán)區(qū)域。如圖2所示，該圖給出了不同垂直下降速度下槳葉區(qū)域氣流包線。

圖1 渦環(huán)邊界條件示意圖

圖2 不同下降速度條件下渦環(huán)狀態(tài)空氣流動(dòng)圖

2 多旋翼無人機(jī)數(shù)據(jù)記錄儀中渦環(huán)狀態(tài)

無人機(jī)在飛行過程中黑匣子會(huì)對(duì)飛行器狀態(tài)參數(shù)進(jìn)行存儲(chǔ)，機(jī)載導(dǎo)航設(shè)備更新率可以達(dá)到100Hz，如下圖所示，飛控計(jì)算機(jī)通過數(shù)據(jù)總線將組合導(dǎo)航計(jì)算得到的各個(gè)位姿數(shù)據(jù)進(jìn)行實(shí)時(shí)存儲(chǔ)，而本工作中渦環(huán)狀態(tài)的辨識(shí)需要用到其中部分?jǐn)?shù)據(jù)：包括時(shí)間戳、體坐標(biāo)系下三軸速度(Vx,Vy,Vz)和三軸姿態(tài)角(Roll,Pitch,Yaw)，以及控制器中橫滾俯仰和偏航三個(gè)通道的輸出。

如圖3所示，我們將一次飛行過程中無人機(jī)實(shí)際遭遇渦環(huán)狀態(tài)的歷史數(shù)據(jù)曲線繪制出來，左側(cè)綠色矩形框內(nèi)區(qū)域?yàn)闊o人機(jī)進(jìn)入到渦環(huán)狀態(tài)的姿態(tài)及垂直速度，右側(cè)圖片為將這一塊兒區(qū)域放大后的俯仰姿態(tài)曲線和垂向速度曲線，紅色為設(shè)定值，藍(lán)色為實(shí)際狀態(tài)值跟蹤曲線。可以看到，當(dāng)無人機(jī)在連續(xù)垂直下降過程中，由于風(fēng)場(chǎng)影響，在中間某一段區(qū)域內(nèi)進(jìn)入到了持續(xù)性輕度渦環(huán)狀態(tài)，這一過程中，姿態(tài)曲線出現(xiàn)跟蹤特點(diǎn)差，波動(dòng)幅度大等特性，垂向速度也不穩(wěn)定，波動(dòng)最大峰值超過了設(shè)定值15%。

圖3 渦環(huán)狀態(tài)區(qū)域及對(duì)應(yīng)姿態(tài)等狀態(tài)表現(xiàn)

如圖3所示，我們將一次飛行過程中無人機(jī)實(shí)際遭遇渦環(huán)狀態(tài)的歷史數(shù)據(jù)曲線繪制出來，左側(cè)綠色矩形框內(nèi)區(qū)域?yàn)闊o人機(jī)進(jìn)入到渦環(huán)狀態(tài)的姿態(tài)及垂直速度，右側(cè)圖片為將這一塊兒區(qū)域放大后的俯仰姿態(tài)曲線和垂向速度曲線，紅色為設(shè)定值，藍(lán)色為實(shí)際狀態(tài)值跟蹤曲線。可以看到，當(dāng)無人機(jī)在連續(xù)垂直下降過程中，由于風(fēng)場(chǎng)影響，在中間某一段區(qū)域內(nèi)進(jìn)入到了持續(xù)性輕度渦環(huán)狀態(tài)，這一過程中，姿態(tài)曲線出現(xiàn)跟蹤特點(diǎn)差，波動(dòng)幅度大等特性，垂向速度也不穩(wěn)定，波動(dòng)最大峰值超過了設(shè)定值15%。

3 基于Aproi方法的渦環(huán)狀態(tài)辨識(shí)

3.1 Apriori方法介紹

Apriori是挖掘產(chǎn)生布爾關(guān)聯(lián)規(guī)則所需頻繁項(xiàng)集的基本算法，能從數(shù)據(jù)中挖掘出潛在關(guān)聯(lián)關(guān)系[5]。通過這種數(shù)據(jù)挖掘方法，我們希望能找到無人機(jī)多旋翼下降模態(tài)下狀態(tài)參數(shù)與渦環(huán)狀態(tài)的強(qiáng)關(guān)系模式，而這樣的關(guān)系模式可以用于后續(xù)我們?cè)陲w行器實(shí)時(shí)飛行中自動(dòng)的辨識(shí)出航空器進(jìn)入渦環(huán)狀態(tài)的算法開發(fā)。常用的頻繁項(xiàng)級(jí)評(píng)估標(biāo)準(zhǔn)有支持度、置信度和提升度幾個(gè)維度。具體用數(shù)學(xué)可以表達(dá)為：

式子（1）表示的是X,Y同時(shí)出現(xiàn)的項(xiàng)集在總的采樣中出現(xiàn)的頻率，通常情況下支持度高是頻繁項(xiàng)集的必要不充分條件，式子（2）為置信度計(jì)算方法，它表示一個(gè)數(shù)據(jù)出現(xiàn)后另外一個(gè)數(shù)據(jù)出現(xiàn)的概率。式子（3）為提升度的計(jì)算方法，表示在含有Y的條件下，同時(shí)含有X的概率與X總體發(fā)生的概率之比。提升度體現(xiàn)了X和Y之間的關(guān)聯(lián)關(guān)系, 提升度大于1則X?Y是有效的強(qiáng)關(guān)聯(lián)規(guī)則， 提升度小于等于1則X=Y是無效的強(qiáng)關(guān)聯(lián)規(guī)則。一個(gè)特殊的情況，如果X和Y獨(dú)立，則有Lift(X?Y) =1，因?yàn)榇藭r(shí)P(X|Y)=P(X)。

Apriori方法用到了兩個(gè)基本定理。

定理1：如果一個(gè)項(xiàng)集是頻繁的，那么其所有的子集（subsets）也一定是頻繁的。

定理2：如果一個(gè)項(xiàng)集是非頻繁的，那么其所有的超集（supersets）也一定是非頻繁的。

3.2 基于Apriori算法的渦環(huán)狀態(tài)事件集合模型

基于上述Apriori算法和無人機(jī)進(jìn)入渦環(huán)狀態(tài)的大量歷史黑匣子數(shù)據(jù)，我們提出了一種基于關(guān)聯(lián)規(guī)則Apriori算法的渦環(huán)狀態(tài)辨識(shí)方法。首先對(duì)黑匣子歷史數(shù)據(jù)進(jìn)行預(yù)處理，將飛行數(shù)據(jù)以秒為單位片段化，將每一秒內(nèi)所有采樣的姿態(tài)、控制通道等信息求平均作為這一秒內(nèi)無人機(jī)事件計(jì)算的原始數(shù)據(jù)。

圖4 Apriori改進(jìn)方法基本流程

例如，發(fā)現(xiàn)某個(gè)事件片段上飛機(jī)橫滾角變化的方差大于其整個(gè)飛行過程中橫滾角方差平均值一半以上，即認(rèn)為飛機(jī)為晃動(dòng)厲害情況，對(duì)應(yīng)事件5。

表1 事件編號(hào)及其對(duì)應(yīng)事件

對(duì)前面數(shù)據(jù)中提取的項(xiàng)進(jìn)行關(guān)聯(lián)挖掘，首先從項(xiàng)集里面生成L1及對(duì)應(yīng)支持度。并生成C2項(xiàng)集。將L2篩選后保留的項(xiàng)銅鼓連接生成C34，這一步我們對(duì)原始Apriori算法進(jìn)行了改進(jìn)，能夠產(chǎn)生包含3個(gè)或4個(gè)元素的項(xiàng)集。計(jì)算出對(duì)應(yīng)項(xiàng)集支持度如圖5所示。

圖5 對(duì)C1第一層數(shù)據(jù)集篩選示例

因?yàn)闇u環(huán)效應(yīng)通常情況下是在快速垂直下降過程中發(fā)生的，我們挑選出滿足支持度閾值且包含3這一項(xiàng)的事件項(xiàng)集，并將這些項(xiàng)集支持度除以事件3發(fā)生的支持度以得到其提升度，結(jié)果如表2所示。

圖6 改進(jìn)Apriori算法直接生成變長(zhǎng)度數(shù)據(jù)集

表2 事件關(guān)聯(lián)度挖掘結(jié)果

4 結(jié)果分析

上述結(jié)果為min_confidence = 0.5時(shí)，事件3發(fā)生時(shí)導(dǎo)出的強(qiáng)關(guān)聯(lián)規(guī)則。從上述數(shù)據(jù)結(jié)果分析可知，多旋翼布局飛機(jī)快速下降過程中，橫滾姿態(tài)角和偏航姿態(tài)角都會(huì)出現(xiàn)大幅晃動(dòng)，說明飛機(jī)快速下降時(shí)有進(jìn)入渦環(huán)狀態(tài)的情況發(fā)生，這與實(shí)際認(rèn)知相符。旋翼飛機(jī)在包含[1]快速前飛的情況下，即前飛下滑方式。如項(xiàng)集[1,3,5],[1,3,7],[1,3,5,7]。項(xiàng)集的關(guān)聯(lián)置信度明顯低于[3,5,7]。說明前飛有助于緩解下降過程中飛機(jī)進(jìn)入渦環(huán)狀態(tài)的程度。而單純的垂直下降即只含有[3,5,7]具有更高的置信度，飛機(jī)僅垂直快速下降的過程中，更容易進(jìn)入渦環(huán)狀態(tài)。

5 結(jié)束語

本文基于數(shù)據(jù)挖掘方法中Apriori算法實(shí)現(xiàn)了對(duì)多旋翼氣動(dòng)布局無人機(jī)連續(xù)下降過程中渦環(huán)狀態(tài)的分析和辨識(shí)工作，通過對(duì)最后頻繁項(xiàng)集結(jié)果的比較分析，可以印證在多旋翼下降過程中，水平姿態(tài)角和航向角度同時(shí)大幅震蕩最容易發(fā)生在多旋翼快速垂直下降階段遭遇渦環(huán)狀態(tài)時(shí)。基于該模型，后續(xù)我們可以設(shè)計(jì)出用于航空器機(jī)載實(shí)時(shí)進(jìn)行判別進(jìn)入渦環(huán)狀態(tài)的算法模型，為無人機(jī)電力巡檢過程中發(fā)現(xiàn)渦環(huán)狀態(tài)并及時(shí)采取措施改出提供有力支撐。