本發明公開了一種用于無人機飛控系統故障檢測的數據聚類降維方法，屬于無人機故障檢測的技術領域。
背景技術：
近年，無人機綜合管理系統中納入了“故障預測與健康管理技術（phm）”的概念，因此急需提高無人機安全管理的信息化水平及智能化水平。無人機安全管理的核心部分——安全監控和異常預警，能夠對無人機的健康狀態進行全面監控，對提高無人機安全性能、保障維修效率、降低壽命周期具有重要意義。無人機的飛行控制系統作為無人機的核心部件，由多種傳感器、網絡鏈路、執行裝置等子系統組成。飛控傳感器測量飛機的實時飛行狀態參數并把數據反饋至飛行控制計算機，飛行控制計算機解算飛行控制律從而完成無人機自動駕駛的飛行任務，但是飛控系統因其工作環境較為復雜極易發生故障。
目前國內外有關高校及科研院所的研究人員對無人機飛控系統傳感器輸出數據狀態異常、硬件故障檢測做了廣泛的研究。西北工業大學的劉慧霞團隊針對飛行控制系統(fcs)的精確數學模型獲取困難的問題提出了uav-pca算法，該算法將基于特征方向的故障診斷法和方差敏感自適應閾值的故障檢測法與傳統的主元分析法（pca）相結合，提高了傳感器故障檢測的速度和準確性并且降低了暫態過程的虛警率；南京航空航天大學高云紅教授團隊針對小型無人機機動性較強、故障較多且不易實時檢測等特點，將最小二乘支持向量機（ls_svm）與主元分析法（pca）相結合以實現故障的檢測與隔離；北京航空航天大學鐘麥英教授團隊提出了一種基于小波變換與等價空間相結合的無人機作動器故障診斷方法；此外，國防科學技術大學等科研單位也對無人機故障檢測等多個方面進行了研究。這一系列的研究為無人機飛控系統的故障檢測奠定了理論基礎與技術基礎。
國外對無人機飛控系統故障檢測的研究主要有：abbaspour等提出了一種新的在線檢測策略來檢測無人機系統中傳感器和執行器的故障；freddi等建立了一種直升機的縮小模型，然后線性化該模型以設計未知輸入觀測器，由未知輸入觀測器診斷故障，基于該模型的無人駕駛飛行器故障診斷系統為無人機故障診斷提供了有效解決方案；hansen等基于單一且簡單的飛機空氣動力學模型提出了一種主動檢測和隔離故障的系統（smac-fdi），該系統能夠有效地檢測和隔離諸如小型（無人機）飛行器飛控系統中的故障；guillermoheredia等提出了一種提高無人機（uav）傳感器故障檢測與識別（fdi）可靠性的方法；之后guillermoheredia又和horstecker等提出了一種基于冗余分析的小型自主直升機傳感器的故障檢測和診斷系統。
根據目前的研究內容及其理論方法，我們可以得出故障檢測的核心算法主要包括模型法(modelbased)、知識經驗法（knowledgebased）和數據驅動法(datadriven)這三大類。相比于模型法和知識經驗法，數據驅動的故障診斷法以其快速靈活的特性在無人機故障檢測中更具應用潛力。然而，針對無人機飛控系統傳感器眾多、數據維度較高、在實際處理過程中比較復雜的特點，數據驅動的故障診斷法存在局限性，因此，設法降低大規模數據的維度并且使得這些數據反映出一定的規律性或特殊的分類性同時不會丟失有用信息是數據驅動的故障診斷法需要解決的難題。
聚類降維是有效進行數據驅動法的重要部分。南京航空航天大學的張道強教授團隊提出了一種基于半監督降維的聚類算法，首先用半監督降維方法將原始數據降維，降維后進行半監督聚類處理，提升了算法的聚類性能；中山大學的王和勇等針對局部線性嵌入算法（lle）計算速度和近鄰點數k選取的問題，提出了基于聚類和改進距離的局部線性嵌入算法，不僅提高了降維速度而且拓展了參數k的選取范圍；大連理工大學的馬洪連教授團隊提出了一種基于界標等距映射(l-isomap)降維的快速模糊聚類算法，針對fcm算法在迭代過程中計算量大以及在高維特征分析中效率低下甚至可能導致"維數災難"的問題，結合l-isomap算法提高了算法在特征向量維數較高情況下的實時性與有效性；西安電子科技大學的支曉斌等提出了一種基于模糊fisher準則的自適應降維模糊聚類算法，對高維數據和低維數據都有較好的分類性能；napoleon等提出了一種基于k均值聚類算法的高維數據集降維方法，用主成分分析法和線性變換法來降維，首先計算初始質心，然后應用k均值聚類算法；kumar提出了一種結合組合隨機投影（rp）和模糊k均值聚類（fkm）的算法來減少數據的維數，相比原有的svd、rp-svd方法，該方法不僅達到了更好或相似的效果而且簡化了計算；kannan等提出了一種基于數據離散化相關模型的數據簡化算法，該算法以有效的方式將連續屬性離散化，然后從一大組屬性中選擇相關屬性，并對所有特征的聚類精度進行性能評估進而獲得一組數量較少的特征；indhumathi等提出了一種通過主成分分析來聚類降維高維數據的方法，該法通過主成分分析進行降維，然后對不存在質心初始化的簡化數據進行平分k均值聚類。這一系列的研究為聚類降維問題奠定了基礎。
總體來說，國內外文獻提供了包括主成分分析、線性判別分析、自適應降維算法、局部保持投影、局部線性嵌入、拉普拉斯映射等多種聚類降維的方法，這些聚類降維方法在電力系統、工業制造、信息處理、文字處理等方面都有廣泛的應用，但各自又或多或少地存在一些問題，如：對初始點選擇具有敏感性、計算耗時長、處理非線性數據能力差。由于飛控系統故障檢測要處理的數據多且部分參數存在動態相關性，這些方法不能滿足飛控系統故障檢測的動態性和實時性要求，需要針對具體的應用環境進行改進。因此，在考慮傳感器輸出數據間的實時動態相關性時，如何通過構建動態屬性相關的數組并對數據進行聚類降維以降低運算量從而提高故障檢測的及時性是亟待解決的關鍵問題。
技術實現要素：
本發明的發明目的是針對上述背景技術的不足，提供了一種用于無人機飛控系統故障檢測的數據聚類降維方法，通過建立飛控數據與飛行動態特征的相關性模型檢驗各類飛控數據在不同飛行動態特征下的實時動態相關性，在滿足飛控系統故障檢測動態性和實時性要求的前提下實現了飛控數據的聚類降維處理，解決了現有聚類降維方法不能滿足飛控系統故障檢測的動態性和實時性要求的技術問題。
本發明為實現上述發明目的采用如下技術方案：
一種用于無人機飛控系統故障檢測的數據聚類降維方法，采集飛控系統在當前時刻的輸出數據，預處理當前時刻的輸出數據以實現對當前時刻輸出數據的初步分類，由各類輸出數據和飛行動態特征的相關性模型動態檢驗各類輸出數據在當前飛行動態特征下的實時動態相關性進而結合選擇的聚類閾值對各類輸出數據進行聚類，對聚類結果進行聚類評估并在聚類結果未通過聚類評估時調整聚類閾值重新進行聚類，對通過聚類評估的聚類結果進行降維處理。
進一步地，用于無人機飛控系統故障檢測的數據聚類降維方法中，由各類輸出數據和飛行動態特征的相關性模型動態檢驗各類輸出數據在當前飛行動態特征下的實時動態相關性進而結合選擇的聚類閾值對各類輸出數據進行聚類的具體方法為：在當前飛行動態特征下計算當前時刻各類輸出數據之間的皮爾森相關系數，比較當前飛行動態特征下當前時刻各類輸出數據的皮爾森相關系數與聚類閾值得到聚類結果，采用滑動窗口更新各類輸出數據得到下一時刻各類輸出數據，檢驗下一時刻各類輸出數據在下一時刻飛行動態特征下的實時動態相關性。
進一步地，用于無人機飛控系統故障檢測的數據聚類降維方法中，采用如下方法對聚類結果進行聚類評估：計算評估類內部耦合特性的聚類密集性以及評估類間分離特性的聚類臨近性，對聚類密集性計算值以及聚類臨近性計算值加權求和得到聚類評估結果。
進一步地，用于無人機飛控系統故障檢測的數據聚類降維方法中，飛控系統在當前時刻的輸出數據包括三軸陀螺儀、gps、三軸加速度計、氣壓計測量的數據。
進一步地，用于無人機飛控系統故障檢測的數據聚類降維方法中，采用主成分分析法對通過聚類評估的聚類結果進行降維處理。
本發明采用上述技術方案，具有以下有益效果：通過挖掘不同飛行動態特征下不同飛控數據的相關性建立飛控數據與飛行動態特征的相關性模型，由相關性模型檢驗各類飛控數據在不同飛行動態特征下的實時動態相關性，在滿足飛控系統故障檢測動態性和實時性要求的前提下實現了飛控數據的聚類降維處理，具有速度快、計算量小、實用性強的特點。
附圖說明
圖1為用于無人機飛控系統故障檢測的降維方法的流程圖。
具體實施方式
下面結合附圖對發明的技術方案進行詳細說明。
本發明提出的用于無人機飛控系統故障檢測的數據聚類降維方法如圖1所示，具體包括如下4個步驟。
1）數據預處理
采集飛控系統輸出的數據，包括三軸陀螺儀、gps、三軸加速度計、氣壓計等數據，對各傳感器動態特性進行分析，顧及并行運算的各傳感器輸出數據的運算速度分析飛控系統輸出數據的類型、數量，對不同數據的類型進行抽取，移除數據中的孤立點并去除數據噪聲。
2）相關性分析
對不同的運動狀態（包括靜態、平飛、盤旋、上升、下降等多種姿態）進行標號。如將靜態標為狀態1，將平飛標為狀態2，將盤旋標為狀態3。在每種運動狀態下分別計算不同傳感器輸出數據之間的皮爾森相關系數進而挖掘不同傳感器輸出的不同類型數據在各種環境下的相關性。每當傳感器輸出一組新的數據時就剔除滑動窗口中最舊的數據并將新數據添加至窗口末端，依據更新后的傳感器輸出數據估計在當前運動狀態下傳感器輸出數據的實時動態相關性，通過控制滑動窗口的長度來控制每次計算的數據量進而實現基于皮爾森相關系數的實時動態快速相關性的檢驗，根據皮爾森相關系數的計算結果設定相應閾值，對皮爾森相關系數大于一定閾值的若干組數據進行聚類。
3）聚類評估
通過計算聚類綜合質量對完成的聚類進行評估，即通過計算聚類密集性來評估類內部耦合特性，通過計算聚類臨近性來評估類間分離特性，將二者加權求得聚類結果并進行打分。根據評估結果調節聚類的閾值，若聚類綜合質量小于設定值，則重新劃定閾值進行聚類，反之則符合要求，從而得到一個最優的聚類結果。
4）數據降維
針對得到的滿足聚類評估要求的聚類結果，采用主成分分析法（pca）對每一類中的各組數據進行降維處理，得到每個類中線性組合的主成分，從而降低故障檢測時的運算量，提高運算速度，并為之后故障檢測閾值的劃定建立數據基礎。
綜上，本發明提出的數據聚類降維方法，針對飛機不同的運動狀態實時計算各傳感器輸出數據的相關性進而構建動態屬性相關的數組，再對動態屬性相關的數組進行聚類降維，該方法既能滿足飛控故障檢測的動態性要求又能滿足實時性要求，此外，該方法還降低了故障檢測的運算量，具有速度快、計算量小、實用性強的特點。