固定翼無人機(jī)多工況聚類及識(shí)別研究

盧俊鋼，張世榮，梁少軍，楊 毅

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

1 引言

無人機(jī)具有易開發(fā)、成本低、靈活性強(qiáng)等特點(diǎn)，近年來在軍事、民用領(lǐng)域得到了長足發(fā)展和廣泛應(yīng)用。其中，固定翼無人機(jī)(Fixed-Wing Unmanned Aerial Vehicles，F(xiàn)W-UAVs)集成技術(shù)先進(jìn)、造價(jià)高、系統(tǒng)復(fù)雜，一般應(yīng)用于速度快、距離遠(yuǎn)和續(xù)航久的場景。FW-UAV的性能會(huì)隨著運(yùn)行時(shí)間增加逐漸衰退，導(dǎo)致故障發(fā)生率增高。FW-UAV一旦因故障墜毀會(huì)導(dǎo)致較大的經(jīng)濟(jì)損失甚至引發(fā)軍事、政治和社會(huì)影響。故使用故障預(yù)測和健康管理技術(shù)提升無人機(jī)設(shè)備的可靠性與可用性具有重要意義，眾多學(xué)者圍繞此問題進(jìn)行了大量深入研究。

FW-UAV的設(shè)備復(fù)雜性、任務(wù)規(guī)劃多變性和環(huán)境多樣性導(dǎo)致其工作狀態(tài)反復(fù)切換，呈現(xiàn)多工況特征，這給基于數(shù)據(jù)的故障預(yù)測和健康管理帶來諸多挑戰(zhàn)。因此，有必要對(duì)無人機(jī)的多工況問題進(jìn)行研究。從數(shù)據(jù)挖掘角度看，F(xiàn)W-UAV的多工況分析是典型的數(shù)據(jù)分組問題，可以使用聚類算法解決，在線數(shù)據(jù)分類則屬于模式識(shí)別問題。常見的聚類算法有層次聚類、密度聚類和譜聚類等。目前已經(jīng)出現(xiàn)了基于相似性(距離)、基于神經(jīng)網(wǎng)絡(luò)和基于機(jī)器學(xué)習(xí)等方法的模式識(shí)別，并被廣泛應(yīng)用于工業(yè)、軍事等領(lǐng)域。例如，張俊楠等將支持向量機(jī)與二叉樹結(jié)構(gòu)相結(jié)合對(duì)分布式光纖擾動(dòng)傳感系統(tǒng)的擾動(dòng)模式進(jìn)行了有效識(shí)別。別鋒鋒等利用ICEEMDAN算法提取了往復(fù)泵的故障特征，并使用GRNN神經(jīng)網(wǎng)絡(luò)進(jìn)行故障識(shí)別，有效提高了識(shí)別準(zhǔn)確度。王爍等基于反向傳播神經(jīng)網(wǎng)絡(luò)對(duì)多因素作用下破片對(duì)靶板的侵徹毀傷模式進(jìn)行了有效識(shí)別。劉凡等利用小波包分解提取了電力變壓器的多維度能量特征，進(jìn)而使用近鄰算法實(shí)現(xiàn)局部放電超高頻信號(hào)的模式識(shí)別。張陽陽等使用概率神經(jīng)網(wǎng)絡(luò)對(duì)齒輪箱典型故障進(jìn)行了有效識(shí)別。

以上方法在不同領(lǐng)域應(yīng)用收到了較好效果，但無法直接應(yīng)用于FW-UAV工況分析。主要原因在于：含類標(biāo)的FW-UAV數(shù)據(jù)很難獲取，導(dǎo)致監(jiān)督模式識(shí)別算法無法應(yīng)用；FW-UAV數(shù)據(jù)鏈傳輸速率快，在線數(shù)據(jù)量大，對(duì)工況識(shí)別算法時(shí)效性要求高。為解決以上問題，本文將聚類分析與模式識(shí)別算法相結(jié)合，采用組合算法來實(shí)現(xiàn)無人機(jī)多工況的高效分析。擬提出一種基于分組的非監(jiān)督密度聚類(Group-based DBSCAN，G-DBSCAN)算法，在不依賴數(shù)據(jù)工況類標(biāo)基礎(chǔ)上實(shí)現(xiàn)多工況分析；并將提出一種基于多維度分解的快速工況識(shí)別算法(Pattern Recognition based on Dimensional Decomposition，PRDD)，PRDD將進(jìn)一步與聚類算法深度融合以實(shí)現(xiàn)FW-UAV在線數(shù)據(jù)工況識(shí)別的快速性和準(zhǔn)確性。

2 FW-UAV多工況分析

FW-UAV執(zhí)行任務(wù)的全流程包含起飛、巡航、遂行任務(wù)、返航、回收等多個(gè)階段，屬于典型的多工況過程，若將其簡單處理為一個(gè)工況，則會(huì)因模型失配降低故障預(yù)測、故障診斷、剩余壽命預(yù)測等數(shù)據(jù)驅(qū)動(dòng)算法的準(zhǔn)確率。

這里以某FW-UAV實(shí)際飛行數(shù)據(jù)集中縱向控制回路與速度控制回路相關(guān)數(shù)據(jù)為例，展示其多工況特征并說明工況分析的必要性。FW-UAV縱向控制回路與速度控制回路均是閉環(huán)反饋回路，相關(guān)的變量包括俯仰角、升降舵偏角、發(fā)動(dòng)機(jī)缸溫、發(fā)動(dòng)機(jī)轉(zhuǎn)速和高度共5維數(shù)據(jù)。圖1為某飛行時(shí)間段該5維數(shù)據(jù)歸一化后的飛行曲線。從圖1可以看出，隨著時(shí)間推移曲線幅值波動(dòng)較大且各維度數(shù)據(jù)呈現(xiàn)非線性關(guān)系，無法從直觀角度辨識(shí)工況。為進(jìn)一步分析無人機(jī)工況特征，下一節(jié)將基于數(shù)據(jù)分布特征，提出一種密度聚類算法對(duì)其進(jìn)行多工況分析。

圖1 FW-UAVs某飛行時(shí)間段飛行曲線

3 多工況分析與識(shí)別算法

3.1 工況聚類

DBSCAN作為基于密度的聚類算法，能夠在數(shù)據(jù)集中找出具有不同大小和形狀的簇，對(duì)噪聲有較強(qiáng)的魯棒性，能基于數(shù)據(jù)自主推測聚類個(gè)數(shù)。DBSCAN的主要參數(shù)為掃描半徑和核心點(diǎn)最小數(shù)據(jù)量Min，算法將數(shù)據(jù)集中的樣本點(diǎn)分為核心點(diǎn)、邊界點(diǎn)和離群點(diǎn)3類。在DBSCAN算法中定義了兩點(diǎn)之間3種特殊關(guān)系：直接密度可達(dá)、密度可達(dá)以及密度相連。經(jīng)典DBSCAN算法將原始數(shù)據(jù)集中的所有樣本點(diǎn)視為潛在的核心點(diǎn)逐個(gè)掃描，若確認(rèn)為核心點(diǎn)則將與其密度相連的所有數(shù)據(jù)點(diǎn)視為同一類。以下提出了一種基于分組的DBSCAN算法，它將數(shù)據(jù)分布特性融入經(jīng)典DBSCAN算法，旨在提高算法的效率。

對(duì)于數(shù)據(jù)集中的給定點(diǎn)，∈，令，表示點(diǎn)和之間的距離，，()表示點(diǎn)到其第個(gè)最近鄰點(diǎn)()的距離。在距離基礎(chǔ)上進(jìn)一步定義分組核心點(diǎn)、分組離群點(diǎn)和分組待定點(diǎn)。

1) 分組核心點(diǎn)：對(duì)于給定點(diǎn)∈，若，(Min)≤，則將該點(diǎn)標(biāo)記為分組核心點(diǎn)。這就意味著點(diǎn)與其第Min個(gè)最近鄰點(diǎn)的距離小于。

2) 分組離群點(diǎn)：對(duì)于給定點(diǎn)∈，若，(Min)>2，則將該點(diǎn)標(biāo)記為分組離群點(diǎn)。

3) 分組待定點(diǎn)：給定點(diǎn)∈，當(dāng)<，(Min)≤2時(shí)，將其標(biāo)記為分組待定點(diǎn)。顯然，邊界點(diǎn)以及離群點(diǎn)都有可能是待定點(diǎn)，因此還需進(jìn)一步采取策略進(jìn)行識(shí)別。

使用基于KD樹的最近鄰搜索算法獲取數(shù)據(jù)集中的每個(gè)點(diǎn)到其第Min個(gè)最近鄰點(diǎn)的距離，并將得到的距離值以升序進(jìn)行排序，就可以得到距離曲線(Min-th distance Curve，MC)，如圖2所示。

圖2 樣本點(diǎn)到其第MinPts個(gè)最近鄰點(diǎn)的距離曲線

令、、分別表示分組核心點(diǎn)、分組待定點(diǎn)以及分組離群點(diǎn)。以圖3(a)為例，此時(shí)Min=3，所有核心點(diǎn)、、、、均屬于。因?yàn)?span id="j5i0abt0b" class="subscript">，(3)=，>2，故點(diǎn)屬于，而另外2個(gè)真實(shí)離群點(diǎn)與被臨時(shí)收集在中。此例說明包含了所有的核心點(diǎn)，包含了部分的真實(shí)離群點(diǎn)，而包含了邊界點(diǎn)和離群點(diǎn)。其中中的離群點(diǎn)并不參與最終的聚類結(jié)果，因此可以被直接剔除以提高算法效率。由于核心點(diǎn)將決定最終聚類的形狀、大小以及數(shù)量，因此可以對(duì)使用經(jīng)典DBSCAN算法，并設(shè)置Min=1，以獲得聚類結(jié)果，如圖3(b)所示。由于已經(jīng)獲得了數(shù)據(jù)間的距離矩陣，聚類結(jié)果獲取時(shí)可直接調(diào)用該矩陣以進(jìn)一步提高算法效率。

圖3 2種方法的聚類結(jié)果示意圖

(1)

輸入:

(1):原始數(shù)據(jù)集

(2):掃描半徑

(3) Min:核心點(diǎn)最小數(shù)據(jù)量

輸出:

(1)、、:分組核心點(diǎn)、待定點(diǎn)、離群點(diǎn)類標(biāo)

方法:

(1) 初始化=，=，=

(2) 使用基于KD樹的最近鄰搜索獲取MC曲線及距離矩陣

(3) for中每個(gè)點(diǎn)

if≤then=∪

else if<≤2then=∪

else=∪

end if

end for

(4) 將中的所有點(diǎn)都標(biāo)記為噪聲

(5) 執(zhí)行DBSCAN算法(，，1)來獲得每個(gè)核心點(diǎn)的簇ID

end if

end for

3.2 工況識(shí)別

前一節(jié)使用G-DBSCAN算法對(duì)FW-UAV原始數(shù)據(jù)完成聚類分析后，會(huì)將原始數(shù)據(jù)集分為若干個(gè)簇，并標(biāo)以不用的類標(biāo)，即完成數(shù)據(jù)分組。本文將密度聚類算法與工況識(shí)別深度結(jié)合，充分利用已完成聚類的核心點(diǎn)信息，融合主成分分析法，提出一種基于多維度分解的模式識(shí)別算法(PRDD)，完成新數(shù)據(jù)的聚類類標(biāo)模式識(shí)別。

該算法首先將聚類獲得的核心點(diǎn)數(shù)據(jù)以及新數(shù)據(jù)使用主成分分析法(principal component analysis，PCA)降維，以提高運(yùn)算效率，進(jìn)而對(duì)兩類數(shù)據(jù)進(jìn)行維度分解，通過判斷各個(gè)維度上新數(shù)據(jù)一定鄰域內(nèi)核心點(diǎn)數(shù)據(jù)的分布情況，結(jié)合邏輯運(yùn)算粗略推定新數(shù)據(jù)周邊有無核心點(diǎn)。之后根據(jù)核心點(diǎn)數(shù)量以及與新數(shù)據(jù)的真實(shí)距離準(zhǔn)確識(shí)別測試數(shù)據(jù)的類標(biāo)。

輸入：

(1): G-DBSCAN中的核心點(diǎn)矩陣

(2): G-DBSCAN中的核心點(diǎn)類標(biāo)矩陣

(3): 測試數(shù)據(jù)，即新數(shù)據(jù)

(4): G-DBSCAN算法中鄰域半徑

輸出：

(1):新數(shù)據(jù)的多工況識(shí)別類標(biāo)

方法：

(1) 基于實(shí)現(xiàn)、的降維

(2) 初始化類標(biāo)矩陣

(3) for中每個(gè)點(diǎn)do

創(chuàng)建的鄰近點(diǎn)集合，并初始化

for中每個(gè)點(diǎn)do

將加入鄰近點(diǎn)集合

end if

end for

end for

if=then

標(biāo)記為噪聲點(diǎn)

else if()==1 then僅一個(gè)核心點(diǎn)

if ‖-‖≤then‖·‖為二范數(shù)計(jì)算

else 標(biāo)記為噪聲點(diǎn)

end if

else 從中剔除與距離大于的核心點(diǎn)

if=then

標(biāo)記為噪聲點(diǎn)

else if()==1 then

else if()>1 then

if中所有核心點(diǎn)類標(biāo)相同 then

end if

end if

end if

end for

以上算法相比較于傳統(tǒng)模式識(shí)別算法具有以下優(yōu)勢(shì)：

1) 無額外參數(shù)。該算法僅需輸入G-DBSCAN算法(或是其他以密度聚類為核心的算法)的掃描半徑，因此可擺脫部分機(jī)器學(xué)習(xí)算法中所存在的超參數(shù)調(diào)節(jié)困擾；

2) 無需建模。該算法在深度研究密度聚類算法的基礎(chǔ)上，從維度分解以及數(shù)學(xué)規(guī)律層面對(duì)新數(shù)據(jù)進(jìn)行工況識(shí)別，無需依靠訓(xùn)練數(shù)據(jù)進(jìn)行建模，故也不存在模型過擬合、欠擬合以及陷入局部最優(yōu)的問題；3) 開銷小。該算法充分利用維度分解的便利性，在各個(gè)維度上分別執(zhí)行查找運(yùn)算，之后通過邏輯判斷將待處理范圍縮小后再運(yùn)行計(jì)算開銷較大的距離運(yùn)算。與其他基于相似性/距離、基于神經(jīng)網(wǎng)絡(luò)和基于機(jī)器學(xué)習(xí)的模式識(shí)別方法相比，本算法具有顯著的計(jì)算優(yōu)勢(shì)。

4 驗(yàn)證

4.1 無人機(jī)多工況分析平臺(tái)

工況聚類和在線工況識(shí)別是無人機(jī)故障診斷和健康管理的前提，多工況分析平臺(tái)設(shè)計(jì)如圖4所示，該平臺(tái)可進(jìn)一步服務(wù)于無人機(jī)故障診斷和健康管理系統(tǒng)。圖4中，機(jī)載飛行控制計(jì)算機(jī)采集飛機(jī)俯仰角、升降舵偏角、高度、發(fā)動(dòng)機(jī)缸溫和轉(zhuǎn)速狀態(tài)信息，并編碼形成遙測數(shù)據(jù)通過數(shù)據(jù)鏈發(fā)送至地面設(shè)備。地面設(shè)備接收并處理遙測信息，在對(duì)遙測數(shù)據(jù)清洗和采樣后存入歷史飛行數(shù)據(jù)庫。終端設(shè)備封裝了G-DBSCAN算法以及PRDD工況識(shí)別算法，執(zhí)行多工況聚類與識(shí)別算法運(yùn)算。以下首先以獲得的實(shí)飛數(shù)據(jù)為例進(jìn)行算法驗(yàn)證。

圖4 無人機(jī)多工況分析平臺(tái)框圖

4.2 FW-UAV的工況分析與識(shí)別

利用圖4所示分析平臺(tái)獲取了FW-UAV的實(shí)飛數(shù)據(jù)集，以下取某次飛行數(shù)據(jù)用于算法驗(yàn)證。從數(shù)據(jù)集中選取數(shù)據(jù)量=500的數(shù)據(jù)樣本，數(shù)據(jù)維度=5(飛行數(shù)據(jù)曲線見圖1)。首先使用PCA算法降至二維，并設(shè)置G-DBSCAN算法參數(shù)Min=8，=007，算法首先得到飛行采樣數(shù)據(jù)MC曲線。根據(jù)MC曲線縱軸距離值與的關(guān)系可將飛行采樣數(shù)據(jù)劃分為分組核心點(diǎn)、分組待定點(diǎn)和分組離群點(diǎn)。如圖5所示，圖中縱軸距離值小于等于的區(qū)間聚集了所有的分組核心點(diǎn)，在與2區(qū)間聚集了待定點(diǎn)數(shù)據(jù)，在大于2的區(qū)間收集了分組離群點(diǎn)，這一結(jié)果與3.1算法描述一致。

本文算法測試環(huán)境為Matlab 2020b，終端設(shè)備配置為主頻2.2 GHz，內(nèi)存16 G。根據(jù)G-DBSCAN算法步驟，圖6(a)、圖6(b)和圖6(c)為使用分組策略所獲取的3種不同數(shù)據(jù)的聚類結(jié)果。圖6(a)為算法篩選出的離群數(shù)據(jù)。圖6(b)為篩選得到的分組核心點(diǎn)數(shù)據(jù)在重新設(shè)定Min=1之后執(zhí)行經(jīng)典DBSCAN算法所獲得的聚類結(jié)果，從圖中可以看出分組核心點(diǎn)被聚為5類，由于分組核心點(diǎn)聚類結(jié)果表征了聚類的大致分布結(jié)構(gòu)，因此可以斷定最終聚類結(jié)果將被分為5類，且邊界點(diǎn)將分布在此5類核心點(diǎn)數(shù)據(jù)簇的邊緣。在圖6(c)中，分組待定點(diǎn)中的邊界點(diǎn)被劃分到各核心點(diǎn)組成的簇中，而離群點(diǎn)被單獨(dú)標(biāo)記。此過程將針對(duì)分組待定點(diǎn)的聚類分析過程轉(zhuǎn)化為了聚類類標(biāo)識(shí)別過程，提升了算法效率。匯總以上結(jié)果即可得到算法最終聚類結(jié)果，如圖6(d)所示。圖6(e)為傳統(tǒng)DBSCAN算法聚類結(jié)果，對(duì)比G-DBSCAN算法，后者在保證了不影響原有聚類效果的前提下，平均運(yùn)行時(shí)間從0.021 27 s減少到0.006 3 s，有效提高了算法的效率。

圖5 無人機(jī)飛行數(shù)據(jù)的MC曲線

圖6 FW-UAVs飛行數(shù)據(jù)聚類結(jié)果示意圖

綜上，G-DBSCAN算法能更快獲取到聚類核心點(diǎn)，無需重復(fù)遍歷原始數(shù)據(jù)集，結(jié)合后續(xù)模式識(shí)別算法將有效提高整體技術(shù)路線運(yùn)行效率。

從已完成聚類分析的數(shù)據(jù)集中提取核心點(diǎn)矩陣及其對(duì)應(yīng)的類標(biāo)矩陣，同時(shí)從該數(shù)據(jù)集中分別隨機(jī)選取20、35、50的數(shù)據(jù)制成測試數(shù)據(jù)20、35、50用于PRDD工況識(shí)別算法的驗(yàn)證。首先使用PCA算法將核心點(diǎn)矩陣及3組測試數(shù)據(jù)降至2維，并將降維后的、20、35、50以及參數(shù)(聚類時(shí)設(shè)置的參數(shù))輸入PRDD算法，結(jié)果如圖7所示。該算法在3種測試數(shù)據(jù)集下的識(shí)別率均達(dá)到100%。

圖7 3種測試數(shù)據(jù)集下的識(shí)別結(jié)果示意圖

為了進(jìn)一步檢驗(yàn)該算法的優(yōu)劣，選取了幾類常見的模式識(shí)別算法進(jìn)行比較：加權(quán)近鄰算法(weighted-nearest neighbor，WKNN)、反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural network，BPNN)、概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural network，PNN)以及支持向量機(jī)(support vector machine，SVM)。從數(shù)據(jù)集中隨機(jī)選取80%作為上述算法的訓(xùn)練數(shù)據(jù)，剩余20%作為測試數(shù)據(jù)，使用上述算法分別對(duì)無人機(jī)工況進(jìn)行識(shí)別，并將識(shí)別結(jié)果與PRDD算法的結(jié)果列表。如表1所示。

表1 不同模式識(shí)別算法的識(shí)別結(jié)果

由表1可知：文章所提算法在識(shí)別準(zhǔn)確率和運(yùn)行時(shí)間方面較其他算法具有明顯優(yōu)勢(shì)，進(jìn)一步驗(yàn)證了算法的有效性和實(shí)用性。

5 結(jié)論

提出了“聚類分析-模式識(shí)別”相結(jié)合的多工況識(shí)別技術(shù)路線。聚類分析階段從數(shù)據(jù)挖掘角度分析FW-UAV飛行數(shù)據(jù)，使用非監(jiān)督改進(jìn)型密度聚類算法G-DBSCAN解決了FW-UAV工況劃分難題，與工況識(shí)別緊密結(jié)合，融合主成分分析法，提出了基于多維度分解的快速工況識(shí)別算法。在已有聚類核心點(diǎn)類標(biāo)的基礎(chǔ)上，充分利用維度分解的計(jì)算便利性，通過執(zhí)行查找和組合邏輯運(yùn)算減小了計(jì)算開銷，并進(jìn)一步進(jìn)行精確識(shí)別。相比較于傳統(tǒng)模式識(shí)別算法，能夠在保持較高工況識(shí)別準(zhǔn)確率的同時(shí)有效提高算法效率。