[论文解读] Implementation of real-time moving horizon estimation for robust air data sensor fault diagnosis in the RECONFIGURE benchmark

Yiming Wan, Tamás Keviczky|arXiv (Cornell University)|Jun 4, 2016

Fault Detection and Control Systems被引用 3

一句话总结

本论文提出了一种实时移动有限时域估计（MHE）方法，用于在RECONFIGURE基准测试中对空速和迎角传感器进行鲁棒故障诊断，采用带有风速边界约束的MHE公式，以增强故障敏感性，同时保持对扰动的鲁棒性。该方法在各种飞行条件下实现了低于1秒的故障检测延迟，VCAS估计误差低于1.85 kts，AOA估计误差低于0.82 deg，通过使用空中客车SAO图形符号库的工业兼容实现方式进行了验证。

ABSTRACT

This paper presents robust fault diagnosis and estimation for the calibrated airspeed and angle-of-attack sensor faults in the RECONFIGURE benchmark. We adopt a low-order longitudinal model augmented with wind dynamics. In order to enhance sensitivity to faults in the presence of winds, we propose a constrained residual generator by formulating a constrained moving horizon estimation problem and exploiting the bounds of winds. The moving horizon estimation problem requires solving a nonlinear program in real time, which is challenging for flight control computers. This challenge is addressed by adopting an efficient structure-exploiting algorithm within a real-time iteration scheme. Specific approximations and simplifications are performed to enable the implementation of the algorithm using the Airbus graphical symbol library for industrial validation and verification. The simulation tests on the RECONFIGURE benchmark over different flight points and maneuvers show the efficacy of the proposed approach.

研究动机与目标

• 解决三重冗余空速传感器中同时发生多个故障的检测与隔离问题，该问题超出了三重表决方法的处理能力。
• 在存在风扰动的情况下提升故障敏感性，同时不损害鲁棒性。
• 在飞行控制计算机上实现计算密集型的约束MHE故障诊断方法，使用工业标准图形符号库。
• 在高保真度RECONFIGURE基准中，针对多种飞行点和机动动作验证该方法。
• 在空中客车合规环境中实现先进优化型故障诊断方法的工业级验证与确认（V&V）。

提出的方法

• 将约束残差生成器建模为移动有限时域估计（MHE）问题，引入风动力学边界以增强故障敏感性。
• 采用内点序列二次规划（IP-SQP）策略，在固定迭代次数的实时迭代方案中求解非线性规划问题，以实现可预测的计算成本。
• 采用结构利用型Riccati方法，高效求解每个时间步的线性化Karush-Kuhn-Tucker（KKT）系统。
• 应用特定的算法近似与简化，以实现使用空中客车SAO图形符号库的实现，该库不支持原生矩阵运算模块。
• 每样本采用固定迭代次数，以确保实时可行性，接受次优解以换取计算速度。
• 将风状态估计集成到MHE框架中，即使空速传感器失效也能保持可观测性。

实验结果

研究问题

• RQ1 约束MHE公式是否能在保持对风扰动鲁棒性的同时，提升对同时发生的AOA与VCAS传感器故障的故障敏感性？
• RQ2 如何在计算资源有限的飞行控制计算机上实现实时计算密集型非线性规划的MHE？
• RQ3 在RECONFIGURE基准中，基于MHE的故障诊断在真实风场与故障特性下，可实现多高的故障检测延迟与估计误差？
• RQ4 基于MHE的故障诊断方法是否可成功使用空中客车SAO图形符号库实现，以支持工业级V&V？
• RQ5 在强风切变及多种故障类型（如偏差、振荡、失控）下，该方法性能如何？

主要发现

• 在所有故障场景中，迎角的最大绝对估计误差（AEE）为0.82 deg，校准空速（VCAS）的最大绝对估计误差为1.85 kts，仅在场景2-F中例外，该场景中所有三个VCAS传感器均失效。
• 检测延迟大多低于0.45 s，最长延迟0.92 s出现在场景6-F，这是由于在避免误报与检测速度之间存在权衡。
• 在场景7-F中，尽管存在强风切变（峰值幅度30.87 kts），该方法仍保持了满意的故障检测与估计性能。
• SAO实现的实时计算成本为每样本5.8 ms，证实了其在飞行控制计算机上部署的可行性。
• 在场景2-F中，VCAS估计误差过高（最大74.36 kts），原因是所有三个VCAS传感器失效，导致水平风速不可观测。
• 该方法在除多个VCAS传感器失效外的所有场景中均成功隔离了故障传感器，并保持了低估计误差，凸显了传感器冗余对风速可观测性的关键作用。