CN111680875B - 基于概率基线模型的无人机状态风险模糊综合评价方法 - Google Patents

Abstract

本发明公开了一种基于概率基线模型的无人机状态风险模糊综合评价方法，包括：利用无人机历史正常状态的CM数据训练并构建无人机综合评价指标体系的多个指标的概率基线模型；获取无人机飞行时对应无人机综合评价指标体系的多个指标的实时CM数据，并利用所构建的无人机综合评价指标体系的多个指标的概率基线模型，分别计算多个指标的实时CM数据的量化风险指示；利用所计算的量化风险指示，对无人机状态风险进行动态模糊综合评价。

Description

基于概率基线模型的无人机状态风险模糊综合评价方法

技术领域

本发明涉及一种无人机状态风险评价方法，特别涉及基于概率基线模型的无人机状态风险模糊综合评价方法。

背景技术

无人机是航空工业中快速发展的组成部分之一，其已应用于各种民用和商业领域，如作物和基础设施管理，紧急情况管理，搜索和救援等。因此，确保无人机的飞行安全对于保障其任务能力和安全性至关重要，而业界对于研究和改进无人机的风险评估技术也有着日益增长的迫切需求。

为了准确评估无人机飞行风险从而有效避免安全问题的发生，近年来，业界已经开展了一些关于无人机风险评价方法的研究[3]。考虑人口密度、庇护所和地面障碍等因素，文献[4]提出了一种基于风险图的无人机风险评价方法并将其用无人机的路径规划。类似地，考虑到飞行环境因素，文献[2]提出了一种基于高斯过程模型的无人机飞行风险评价方法，并通过路径积分公式求取最小风险路径。除了上述结合路径规划的无人机风险评价方法外，结合碰撞理论的无人机风险评价也受到了广泛的关注。例如，利用方位角和碰撞芯角时间率，文献[6]提出了一种简化模型度量无人机的碰撞概率。此外，以飞行速度、飞行方向以及相关环境因素为输入，文献[7]构建了更复杂的确定性模型来计算无人机的安全飞行界限，从而避免潜在的冲突。

上述方法从不同角度为无人机风险评价提供了多种思路。然而，这些无人机飞行风险评价方法均未考虑无人机自身的状态信息：他们往往将复杂的无人机系统简化为飞行环境中的一个质点，并假设其永远处于正常状态或简单地用某些预定义的故障率表示无人机状态，这导致得到的无人机风险评价结果准确性较低。由于建模过于理想化，忽略了无人机状态信息的相应风险评估结果可能会不准确。主要原因在于：1)风险评价模型过于理想化，忽略了对飞行安全有重要影响的无人机自身状态信息；2)无人机包含多种关键分系统、单机以及海量状态监测数据，对于这种复杂的实际条件，缺少定量、有效的数据分析方法以及系统、综合的风险评价理论。

发明内容

本发明目的在于，面向海量的无人机状态监测(CM)数据，提出一种基于概率基线模型的无人机状态风险模糊综合评价方法。

实现上述发明目的的一种基于概率基线模型的无人机状态风险模糊综合评价方法包括：

利用无人机历史正常状态的CM数据训练并构建无人机综合评价指标体系的多个指标的概率基线模型；

获取无人机飞行时对应无人机综合评价指标体系的多个指标的实时CM数据，并利用所构建的无人机综合评价指标体系的多个指标的概率基线模型，分别计算多个指标的实时CM数据的量化风险指示；

利用所计算的量化风险指示，对无人机状态风险进行动态模糊综合评价；

其中，所述CM是指“状态监测”。

优选地，所述利用无人机历史正常状态的状态监测数据训练并构建无人机综合评价指标体系的多个指标的概率基线模型包括；

利用时域统计函数提取每个指标的多维风险敏感特征；

通过主成分分析法对所提取的每个指标的多维风险敏感特征进行降维处理，剔除冗余组分，得到每个指标的降维特征序列；

利用四分位点阈值法剔除每个指标的降维特征序列中的野值，得到用于训练每个指标的概率基线模型的每个训练特征序列；

利用所述每个训练特征序列分别训练相应模型，得到所述无人机综合评价指标体系的多个指标的概率基线模型。

优选地，所述无人机综合评价指标体系的多个指标包括：飞控子系统的俯仰控制和翻滚控制；舵机子系统的襟翼、方向舵和升降机；发动机子系统的气路和滑油；电气子系统的主发电机和28V电池；以及着陆子系统的起落架。

优选地，所述利用时域统计函数提取每个指标的多维风险敏感特征包括：

对于多个指标中的每个指标，从无人机历史正常状态的CM数据中选取能够有效反映其风险状况的CM数据作为指标敏感参数，将其组合为每个指标敏感参数集合；

通过对每个指标敏感参数集合进行时域统计特征提取，得到每个指标的多维风险敏感特征。

优选地，所述对每个指标敏感参数集进行时域统计特征提取包括：对所述每个指标敏感参数集合中的每个指标敏感参数分别计算均值、标准差值以及均方根值。

优选地，所述得到每个指标的多维风险敏感特征包括：将每个指标敏感参数分别计算均值、标准差值以及均方根值进行组合，形成一个特征向量，以作为多维风险敏感特征。

优选地，利用所述每个训练特征序列分别训练相应模型包括：用所述每个训练特征序列训练相应的高斯混合模型，对其进行定量地表征；将训练好的高斯混合模型作为相应指标的概率基线模型。

优选地，获取无人机飞行时对应于无人机综合评价指标体系的多个指标的实时CM数据包括：

采集无人机飞行时的实时CM数据；

利用时域统计函数从采集的无人机飞行时的实时CM数据提取每个指标的多维风险敏感特征；

通过主成分分析法对所提取的每个指标的多维风险敏感特征进行降维处理，剔除冗余组分，得到每个指标的降维特征序列；

利用四分位点阈值法剔除每个指标的降维特征序列中的野值，得到对应于无人机综合评价指标体系的多个指标的实时特征数据。

优选地，利用所构建的无人机综合评价指标体系的多个指标的概率基线模型，分别计算多个指标的实时CM数据的量化风险指示包括：

将所得到的对应于无人机综合评价指标体系的每个指标的实时CM数据进行特征变换，得到实时特征数据，将其输入到对应指标的概率基线模型，输出对应指标的实时量化风险指示。

优选地，利用所计算的量化风险指示，对无人机状态风险进行动态模糊综合评价包括：

根据每个指标的实时CM数据的量化风险指示，对预先计算的初始权重进行动态、自适应地调整，量化风险指示较大的指标将获得更高的动态权重；

使用隶属度函数将多个指标的实时CM数据的量化风险指示转化为概率形式的隶属度向量；

利用动态权重和局部隶属度向量，开展各层级指标的模糊综合运算，最终得到无人机整体状态风险的隶属度表征。

本发明的有益技术效果在于：

(1)提出的概率基线模型，可对无人机CM数据的历史常态分布进行自适应地建模表征，进而将实时的CM数据转化为具有概率意义的量化风险指示，从而以数据驱动的方式实现无人机状态信息的有效利用与状态风险的准确度量。

(2)采用的动态模糊综合评价模型，可结合实时计算的量化风险指示，通过变权因子对指标权重进行自适应地动态调整，从而及时发掘无人机早期的轻微状态风险；此外，通过基于隶属度函数的模糊运算，可以概率形式完成无人机状态风险的综合评价，从而在不确定条件下为相关决策制定提供更合理的信息支持。

(3)提出的基于概率基线模型的无人机状态模糊综合评价方法，提供了一套有效整合定性无人机逻辑组成知识与定量无人机状态信息的方法流程，可在多型号无人机乃至类似复杂系统中有效推广使用。

附图说明

图1是本发明的基于概率基线模型的无人机状态风险模糊综合评价方法的示意图；

图2是本发明的异常注入数据示意图；

图3是本发明的特征提取、降维处理、野值剔除示意图；

图4是本发明的概率基线模型与多异常状态特征空间示意；

图5是本发明的量化风险指示与动态权重调整示意图；

图6是本发明的使用静态权重的无人机整体状态风险量化表征以及隶属度向量；

图7是本发明的使用动态权重的无人机整体状态风险量化表征以及隶属度向量。

具体实施方式

在无人机飞行阶段，该方法可以为无人机的状态风险提供实时的量化指标，从而为无人机的安全飞行提供保障。由于无人机组成复杂，难以利用精确数学模型直接度量其状态风险，本发明采用分级评价的策略：首先将复杂无人机系统分解为多级评价指标体系，再采用数据驱动方法分析各局部指标的CM数据并量化其风险，最终通过模糊综合运算得到概率隶属度形式的无人机整体状态风险。该方法可有效挖掘复杂无人机海量CM数据中的状态信息，为其提供实时、量化的状态风险指示，为无人机飞行安全以及相关决策制定提供有力的信息支持。

本发明提出的基于概率基线模型的无人机状态风险模糊综合评价方法，具体通过以下步骤实现：

步骤一、建立无人机综合评价指标体系。结合无人机关键分系统及单机的逻辑组成与功能定位，建立无人机风险评价的多级指标体系。同时，利用序关系法定义各级指标间的初始权重，并对指标风险等级进行划分，以此支持后续的隶属函数设计以及风险隶属向量的生成。

步骤二、离线阶段，利用无人机历史正常状态的状态监测数据训练并构建各局部指标的概率基线模型。对于步骤一中指标体系的各局部指标，选取其历史正常状态下的CM数据。首先，利用时域统计函数提取其多维风险敏感特征；其次，通过主成分分析法对其进行降维处理从而剔除冗余组分；随后，利用四分位点阈值法剔除降维特征序列中的野值从而提升数据质量，最终，使用高斯混合模型对上述特征空间分布进行无监督拟合，从而将正常状态下各局部指标的数据分布特点嵌入、表征在模型参数空间内，该参数空间即为概率基线。

步骤三、在线阶段，利用训练完毕的概率基线模型计算实时CM数据的量化风险指示。各局部指标的状态风险体现为实时CM数据分布偏离历史常态CM数据分布，对此利用概率基线模型的偏离似然度量化这种数据分布差异，并将其作为实时CM数据的量化风险指示。

步骤四、对无人机状态风险进行动态模糊综合评价。首先，根据由各局部指标数据实时计算的量化风险指示，利用变权因子对其初始权重进行动态、自适应地调整，量化风险指示较大的指标将获得更高的动态权重；其次，使用隶属度函数将这些局部指标的QRI转化为概率形式的隶属度向量；最终，根据动态权重和局部隶属度向量，开展各层级指标的模糊综合运算，最终得到无人机整体状态风险的隶属度表征。

下面将结合附图和实施例对本发明作进一步的详细说明。

图1是本发明的方法流程图，如图1所示，所述方法包括以下步骤：

步骤一、评价指标体系构建

为了更加有效地对具有众多关键分系统及单机的复杂无人机进行状态风险评价，首先构建其评价指标体系，具体地包括评价指标体系构建、初始权重定义以及风险等级划分。

步骤101、评价指标体系构建

无人机是具有多种子系统和单机的复杂系统，其在飞行期间的总体状态受其各组件的实时状态综合影响。因此，首先将无人机飞行状态设置为评价指标体系的一级指标；接着，根据飞行期间无人机的逻辑组成结构和组件功能定位，将五个关键的无人机子系统设置为二级指标：其分别是飞行控制子系统、转向器子系统、发动机子系统、电气子系统以及着陆子系统；在此基础上，将这些子系统的十个重要组件设置为三级指标：其分别是俯仰控制、翻滚控制、襟翼、舵、升降机、气路、滑油、主发电机、28V电池以及起落架；最后，对于每个三级指标u_ij，本发明选取能有效反映其风险状况的CM参数作为指标敏感参数，并将其组合为指标敏感参数集

其中E表示敏感CM参数的数量，

表示某个携带风险相关信息的敏感CM参数。由此，本发明构建了无人机状态风险评价的三级指标体系，其详细信息如表1所示。

表1无人机风险评价指标体系

步骤102、初始权重定义

定义指标初始权重是无人机状态风险评估中的另一个关键步骤，其决定各局部指标影响无人机总体状态风险的程度。本发明采用序关系法定义指标体系的初始权重，该方法不需要层次分析法中的一致性检查，因此更适合于复杂指标体系的权重计算。使用序关系法定义初始权重集的过程主要包括3个步骤：指标重要性排序、指标相对重要度分配以及权重计算。

步骤102-1、指标重要性排序

对指标体系中同一层次的指标集u₁,u₂,...,u_i,...,u_n-1,u_n，按照指标间相对重要程度对指标集进行降序排列，记为

其中

表示排序后的指标i较之排序后的指标j相对更重要或同等重要。

步骤102-2、指标相对重要度分配

对经过重要性排序后的相邻两指标

与

其相对重要度ri定义为：

r_i＝W_i-1/W_i

其中，W_i-1与W_j分别表示经排序后第i-1与第i项指标的权重，r_i为上述两指标间的相对重要度。相对重要性度的赋值与评价规则如表2所示。

表2指标相对重要度规则说明

步骤102-3、指标权重计算

对上述指标间相对重要度进行连乘运算，可得：

设置k＝2，对连乘结果进行k到n求和，可得：

由于规定所有指标权重之和为1，因此可做如下推导：

由上述推导公式可知，基于已赋值的指标相对重要度r_i，可推导出最后的指标权重：

类似地，基于最后指标权重W_n，可逐此推出其余指标权重：

W_n-1＝r_nW_n

利用上述序关系法，可获得对指标体系中任意一层指标集的初始权重。

步骤103、风险等级定义

除定义初始权重集外，风险等级是通过模糊语言对风险评价结果的分级表示，可以表示为V＝(v₁,v₂,...,v_k,...,v_K)，其中K是风险等级的数量。在本发明中，本发明定义K＝4，其具体表示为：健康、亚健康、危险以及失效。该风险等级设定将作为后续隶属度函数设计的参考基础，并将决定最终模糊风险向量的物理意义以及表达形式。

步骤二、离线概率基线模型构建

实时CM数据分布与历史常态CM数据分布间的差异反映了无人机对应指标的状态风险，对此需要对各指标CM数据的历史常态分布进行量化的表征。本发明中，本发明离线地使用无人机历史常态CM数据构建此概率基线模型，以实现对CM基线状态的定量表征。具体地，包含特征提取、降维压缩、野值剔除与概率基线模型构建。

步骤201、时域统计特征提取

特征提取是数据挖掘中的必要操作，其可从原始数据中提取有用信息，达到突出数据本征特性特并提高后续分析性能的目的。考虑到无人机的数据特性，本发明对无人机各参数提取了3个时域统计特征：均值(M)，标准差值(Std)和均方根值(RMS)，以构造无人机各敏感CM参数的特征空间。

给定一个包含L个采样点的CM参数时间序列，上述三个时域统计特征分别表示如下：

通过时域统计特征提取，对一个包含E敏感参数的集合

本发明将得到一个3E×1的特征向量F_ij，其可表示为：

步骤202、降维压缩处理

在特征提取的基础上，本发明对得到的特征向量进行降维压缩处理，从而消除冗余特征并提高算法性能。

本发明中，主成分分析法被用来对每个指标的特征向量进行降维压缩，其由于良好的性能与较低的计算复杂度而得到了最广泛的应用。通过主成分分析法，本发明得到了降维后的特征向量

O＜3E，其中，

也被称为主成分，它包含了原始特征向量中的大部分有效信息。

步骤203、野值剔除

特征序列中存在的异常值会损害无人机状态风险评价的效果。对此，本发明利用基于四分位数阈值的野值剔除法来消除异常值。对于指标u_ij，给定其降维后尺寸为N×O的特征矩阵

其中

是具有N点的第o维的特征序列。对于每个特征序列

其中超过阈值区间

的点将被判定为野值，其中分别是下阈值

和上阈值

其计算方式定义如下：

其中，

与

分别是特征序列

的下四分位点与上四分位点，c是阈值系数。经过野值剔除后，新的特征矩阵

将被用来训练概率基线模型。

步骤204、概率基线模型构建

以指标u_ij为例，给定由其历史常态下的CM数据提取的特征矩阵

本发明通过训练一个高斯混合模型对其进行定量地表征，训练完毕的高斯混合模型将作为该指标的概率基线模型。

通过高斯混合模型，历史正常状态下CM数据的分布能以M个高斯组分加权求和的形式来量化表征，一个有限数量的混合模型可以表示如下：

其中，

是混合模型比例系数，

即其系数和为1。每个高斯混合分量的概率密度p(x|θ_m)都是一个高斯概率密度函数，并且每个分量都由参数集θ_m＝(μ_m,S_m)表示，其中μ_m是均值矢量，σ_m是协方差矩阵。上述参数最终组成了参数向量集φ＝(π₁,...,π_m；θ₁,...,θ_m)。

在训练阶段，本发明利用期望最大化算法将下属似然函数极大化，来拟合模型最优参数向量集

当似然函数

收敛到一个局部最优，本发明即获得最优参数向量集

此时的高斯混合模型将作为概率基线模型，其实现了对指标u_ij的基线状态特征空间分布的量化表征。

步骤三、在线量化风险指示生成

离线阶段训练的概率基线模型量化表征了各指标CM参数数据的基线状态分布。对此，在线阶段，将各指标实时的CM参数数据输入概率基线模型，模型可输出0-1的偏离似然作为指标的实时量化风险指示。具体地，包含特征提取、降维压缩、野值剔除与模型训练。

步骤301、时域统计特征提取

与步骤201类似，此处不再赘述。

步骤302、降维压缩处理

与步骤202类似，此处不再赘述。

步骤303、野值剔除

与步骤203类似，此处不再赘述。

步骤304、量化风险指示生成

在线阶段，给定从各指标的实时CM数据转换而来的特征向量

本发明通过对应的概率基线模型计算其模型概率密度

此概率密度量化表征了各指标实时状态数据分布与其历史状态数据分布之间的差异。指标的实时CM数据越近于基线状态下CM数据样本，则其归一化概率密度

接近1；指标的实时CM数据越偏离于基线状态下CM数据样本，则其归一化概率密度

将越接近0。为了与风险表示习惯一致，本发明使用运算

将归一化概率密度

转化为偏离似然Q_ij，并以此作为反映每个指标实时风险的量化风险指示。

对指标集u_i＝(u_i1,u_i2,...,u_ij,...,u_in)中的每个指标重复上述操作，本发明最终可以得到对应的量化风险指示集合

步骤四、动态模糊综合评价

为了及时捕获指标早期异常状态下的轻微风险，并实现无人机总体状态风险的综合评价。本发明使用动态模糊综合评价方法，利用得到的三级指标实时量化风险指示逐级地进行过综合评价。具体地，包含基于变权因子的动态权重调整、隶属度矩阵运算、无人机整体状态风险模糊综合评价。

步骤401、基于变权因子的动态权重调整

为了捕获早期异常状态下的轻微风险，首先以实时度量的量化风险指示

为依据，通过变权因子对相应的初始权重集W_i＝(w_i1,w_i2,...,w_ij,...,w_in)进行动态调整。该动态权重调整的过程可以表示为：

其中，w_ij是指标u_ij的初始权重，Q_ij是指标u_ij的实时量量化风险指示，

是经由变权因子动态调整的新权重

α是范围在0-1间的变权敏感系数(即变权因子)，其用于调整指标权重对实时量化风险指示的敏感度。变权敏感系数α越接近0，则更大的新权重会被分配给那些量化风险指示出现明显变化的指标，这使得轻微的局部风险将更容易反映在无人机总体状态风险中；相反，变权敏感系数α越接近1，权重调整对各指标实时的量化风险指示变化就越不敏感；当变权敏感系数α等于1时，基于变权因子的动态权重将退化为静态权重，这意味着指标实时量化风险指示的任何变化都不会引起新的权重调整。

步骤402、隶属度矩阵运算

为了在不确定条件下生成具有概率意义的风险评价结果，需要对各指标的实时量化风险指示Q_ij进行隶属度向量

计算，隶属度向量表征了指标实时风险隶属于各风险等级的概率。

本发明使用具有较平滑概率曲线形态的rigid-type隶属度函数计算其隶属度向量，参考步骤103的风险等级设定，对隶属度函数进行如下设置：

其中，Q_ij为给定指标u_ij的一个实时的量化风险指示，k₁-k₆是各风险等级的隶属边界，

为指标u_ij的隶属度向量，其中，隶属度向量中的元素数量与风险等级数量相同，其量化表征了当前的指标u_ij属于各风险等级的概率对指标集中其余指标重复上述操作，可以得到指标集u_i＝(u_i1,u_i2,...,u_ij,...,u_in)的隶属度矩阵R_i：

R_i＝[r_i1,r_i2,...,r_ij,...,r_in]^T

步骤403、无人机总体状态风险模糊综合评价

使用权重集和对应的风险隶属度矩阵逐级加权运算，本发明可以实现无人机总体状态风险的模糊综合评价。以上过程可以表示为：

其中，B_i＝(b_i1,b_i2，..,b_ik,...,b_iK)是一级综合评价的模糊风险向量，这也是支持下一级综合评估的新的隶属度向量。逐级重复上述操作，本发明将获得无人机总体状态模糊风险向量，该向量以反映了无人机整体处于各风险等级的概率，以量化的方式完成了无人机状态风险的模糊评价。。

实例说明

本案例采用某型无人机真实状态监控数据对上述方法进行测试。对每个敏感CM参数，本发明使用25个在无人机正常状态下采集的时间序列样本

以支持概率基线模型构建，其中每个时间序列样本采样点数被设为L＝5000。

同时，为了测试本发明对无人机不同程度风险状态的评价的有效性。本发明对2个三级指标(气路u₃₁、28V蓄电池u₄₁)下属的4个敏感CM参数(缸头温度

缸头温度

28V电池电压

28V电池电压

)，各选取5个时间序列样本，分别注入了4种程度递增的异常(衰退状态Ⅰ-Ⅳ)，从而更加直观地展示本发明风险评价的效果。

具体地，以叠加高斯随机序列的方式向常态敏感CM参数时间序列注入异常。以敏感CM参数

的某时间序列样本

为例，故障注入过程如下所示：

其中，

是经过故障注入后的时间序列样本，

是由L个高斯分布

采样随机数组成的异常序列。其中

分别为时间序列样本

的均值与方差，而c₁、c₂分别为均值、方差异常系数。本发明中，本发明分别设置4组异常系数(0.1,0.1)、(0.2,0.2)、(0.3,0.3)、(0.4,0.4)，以仿真4种程度递增的异常状态数据。图2展示了三级指标气路u₃₁下属的两个CM参数(28V电池电压

28V电池电压

)的某段常态时间序列与经过故障注入的异常时间序列。

由步骤101所述，本发明使用序关系法对各级指标进行初始权重定义。根据无人机逻辑组成与功能设定，本发明首先对5个二级指标的相对重要度进行了排序：飞控子系统>舵机子系统>发动机子系统>电气子系统>着陆子系统，上述两两指标间的相对重要度被设定为(1.2,1.1,1.0,1.3)。由此，如步骤101-1至步骤101-3所述计算过程，本发明得到了二级指标集的初始权重W＝(0.254,0.212,0.193,0.193,0.148)。同时，设定各二级指标下属的三级指标对于各二级指标同等重要，即其相对重要度均为1。类似地，如步骤101-1至步骤101-3所述计算过程本发明得到了对应5个三级指标集的初始权重：W₁＝(0.500,0.500),W₂＝(0.333,0.333,0.333),W₃＝(0.500,0.500),W₄＝(0.500,0.500)and W₅＝(1.000)。

在定义了指标体系的初始权重后，本发明使用各指标历史常态下的CM数据构建概率基线模型，并利用此概率基线模型输出各指标实时CM数据的量化风险指示。对此，如步骤201-203所述，需要首先进行时域特征提取、降维压缩和野值剔除操作，以获取CM数据的特征空间。具体地，主成分分析法中的降维维度设置为2、将野值剔除中的阈值系数设置为1.41、各高斯混合模型中的超参数(高斯模型的数量和协方差类型)通过交叉验证的网格搜索自动获得。图3展示了三级指标气路u₃₁下属的两个CM参数(28V电池电压

28V电池电压

)的特征提取、降维压缩与野值剔除效果。

如图3所示，本发明首先从三级指标气路u₃₁下属的2个敏感CM参数数据中提取到了6维特征向量，这些特征从不同方面凸显了CM数据的本证状态特性；在此基础上，经过降维压缩与野值剔除，本发明很好地剔除了特征空间中的离群野值，并得到了2维的特征向量，这些特征向量将被输入到高斯混合模型中以支持概率基线模型的构建。对此，其利用历史常态特征数据构建的概率基线模型以及不同异常状态下的特征数据分布被展示在图4中。

如图4所示，构建的概率基线模型以归一化概率密度等高线的形式被展示出来，可以看到概率基线模型很好地表征了历史常态下的特征空间。此外，如图4中三角标识特征分布所示，不同异常程度下的特征分布与常态特征分布间的距离也随之不断增加，这种分布偏离可通过概率基线模型的量化风险指示来定量表征。

对其他三级指标重复上述操作，可得到对应的全部三级量化风险指示集合QRI₁＝(Q₁₁,Q₁₂)、QRI₂＝(Q₂₁,Q₂₂,Q₂₃)、QRI₃＝(Q₃₁,Q₃₂)、QRI₄＝(Q₄₁,Q₄₂)和QRI₅＝(Q₅₁)。根据这些量化风险指示集合，对应的三级初始权重集将通过变权因子被动态调整并转化为新的权重集合

基于这些三级新权重集与对应的三级量化风险指示集，本发明可以通过加权运算

得到二级量化风险集Q_i。根据这些二级量化风险指示，可通过类似的方式对二级权重集W＝(w₁,w₂,w₃,w₄,w₅)进行动态调整得到新的权重集

二级权重集的动态调整过程如图5所示。

如图5所示，随着相应量化风险指示的增长，2个经过异常注入的二级指标的权重也随之呈现出连续的增长。由此可见，基于变权因子的动态权重调整表现出了对指标异常变化良好的敏感性，这有益于发现早期异常状态下局部指标的轻微风险。

使用各级的动态权重以及对应的量化风险指示，本发明可以逐级地进行模糊综合评价并最终获得无人机整体状态风险的风险隶属向量。本发明中，隶属度函数的隶属边界超参数被设置为k₁＝0.1、k₂＝0.3、k₃＝0.4、k₄＝0.6、k₅＝0.7和k₆＝0.9。对此，使用静态权重和动态权重得到的无人机整体状态风险模糊综合评价结果被分别展示于图6、图7。

由图所示，结合实时的量化风险指示，随着注入异常程度的增加，使用本发明方法评价得到的无人机整体状态风险隶属于第四级风险等级(失效)的概率亦随之不断增大，较之基于静态权重的模糊综合评价结果更具合理性，因此证明了本发明方法对局部指标异常具有更高的灵敏度，可及时捕捉并判定无人机的早期异常状态。

尽管上文对本发明进行了详细说明，但是本发明不限于此，本技术领域技术人员可以根据本发明的原理进行各种修改。因此，凡按照本发明原理所作的修改，都应当理解为落入本发明的保护范围。

Claims (8)

1.一种基于概率基线模型的无人机状态风险模糊综合评价方法，包括：

利用无人机历史正常状态的CM数据和时域统计函数提取每个指标的时域统计特征，得到多维风险敏感特征，所述CM数据是状态监测数据；

通过主成分分析法对所提取的每个指标的多维风险敏感特征进行降维处理，剔除冗余组分，得到每个指标的降维特征序列；

利用四分位点阈值法剔除每个指标的降维特征序列中的野值，得到用于训练每个指标的概率基线模型的每个训练特征序列；

利用所述每个训练特征序列分别训练相应的高斯混合模型，得到所述无人机综合评价指标体系的多个指标的概率基线模型；

获取无人机飞行时对应无人机综合评价指标体系的多个指标的实时CM数据，并利用通过训练所得到的无人机综合评价指标体系的多个指标的概率基线模型，分别计算多个指标的实时CM数据的量化风险指示；

利用所计算的量化风险指示，对无人机状态风险进行动态模糊综合评价，包括：

根据每个指标的实时CM数据的量化风险指示，对预先计算的初始权重进行动态、自适应地调整，量化风险指示较大的指标将获得更高的动态权重；

使用隶属度函数将多个指标的实时CM数据的量化风险指示转化为概率形式的隶属度向量；

利用动态权重和局部隶属度向量，开展各层级指标的模糊综合运算，最终得到无人机整体状态风险的隶属度表征。

2.根据权利要求1所述的基于概率基线模型的无人机状态风险模糊综合评价方法，其中，所述无人机综合评价指标体系的多个指标包括：飞控子系统的俯仰控制和翻滚控制；舵机子系统的襟翼、方向舵和升降机；发动机子系统的气路和滑油；电气子系统的主发电机和28V电池；以及着陆子系统的起落架。

3.根据权利要求1或2所述的基于概率基线模型的无人机状态风险模糊综合评价方法，其中，所述利用无人机历史正常状态的CM数据和时域统计函数提取每个指标的时域统计特征，得到多维风险敏感特征包括：

对于多个指标中的每个指标，从无人机历史正常状态的CM数据中选取能够有效反映其风险状况的CM数据作为指标敏感参数，将其组合为每个指标敏感参数集合；

通过对每个指标敏感参数集合进行时域统计特征提取，得到每个指标的多维风险敏感特征。

4.根据权利要求1或2所述的基于概率基线模型的无人机状态风险模糊综合评价方法，其中，所述对每个指标敏感参数集进行时域统计特征提取包括：

对所述每个指标敏感参数集合中的每个指标敏感参数分别计算均值、标准差值以及均方根值。

5.根据权利要求4所述的基于概率基线模型的无人机状态风险模糊综合评价方法，其中，所述得到每个指标的多维风险敏感特征包括：

将对每个指标敏感参数分别计算得到的均值、标准差值以及均方根值进行组合，形成一个特征向量，以作为多维风险敏感特征。

6.根据权利要求1所述的基于概率基线模型的无人机状态风险模糊综合评价方法，其中，利用所述每个训练特征序列分别训练相应模型包括：

用所述每个训练特征序列训练相应的高斯混合模型，对其进行定量地表征；

将训练好的高斯混合模型作为相应指标的概率基线模型。

7.根据权利要求1所述的基于概率基线模型的无人机状态风险模糊综合评价方法，其中，获取无人机飞行时对应于无人机综合评价指标体系的多个指标的实时CM数据包括：

采集无人机飞行时的实时CM数据；

利用时域统计函数从采集的无人机飞行时的实时CM数据提取每个指标的多维风险敏感特征；

通过主成分分析法对所提取的每个指标的多维风险敏感特征进行降维处理，剔除冗余组分，得到每个指标的降维特征序列；

利用四分位点阈值法剔除每个指标的降维特征序列中的野值，得到对应于无人机综合评价指标体系的多个指标的实时特征数据。

8.根据权利要求1所述的基于概率基线模型的无人机状态风险模糊综合评价方法，其中，利用所构建的无人机综合评价指标体系的多个指标的概率基线模型，分别计算多个指标的实时CM数据的量化风险指示包括：

将所得到的对应于无人机综合评价指标体系的每个指标的实时CM数据进行特征变换，得到实时特征数据，将其输入到对应指标的概率基线模型，输出对应指标的实时量化风险指示。

Images