强噪声下基于混沌技术的高超声速飞行器传感器故障诊断.pdf

第44卷第8 期2023年8 月宇航学报Journal of AstronauticsVol.44No.8August2023强噪声下基于混沌技术的高超声速飞行器传感器故障诊断黄鹏飞，屈剑锋，柴毅，陈小龙，刘切（重庆大学自动化学院，重庆40 0 0 44）摘要：针对高超声速飞行器强非线性和强噪声问题，开展了迎角传感器故障诊断方法研究。基于混沌系统的噪声免疫性质，通过对分数阶混沌系统参数和阶次的设计，提出了一种故障信号特征提取方法，该方法可有效降低强噪声对故障特征提取和故障诊断带来的不利影响；采用结合系统模型和机器学习的高超声速飞行器传感器故障诊断方法，构建了高超声速飞行器迎角传感器故障诊断分类器。仿真结果验证了所提出的分数阶混沌系统在故障特征信号提取方面的有效性，可显著提升故障诊断的准确率。关键词：高超声速飞行器；传感器故障；故障诊断；分数阶系统；混沌系统中图分类号：TP277D0I:10.3873/j.issn.1000-1328.2023.08.009Fault Diagnosis Based on Chaos System under Strong Noise文献标识码：A文章编号：10 0 0-132 8(2 0 2 3)0 8-12 0 3-10HUANG Pengfei,QU Jianfeng,CHAI Yi,CHEN Xiaolong,LIU Qie(School of Automation,Chongqing University,Chongqing 400044,China)Abstract:A study on fault diagnosis methods for angle of attack sensors is made to address the strong nonlinearity andnoise issues of hypersonic aircraft.Based on the noise immunity properties of the chaos system,a fault signal featureextraction method is proposed by designing the parameters and order of the fractional-order chaos system.This method caneffectively reduce the adverse effects of strong noise on fault feature extraction and fault diagnosis.A hypersonic aircraftangle of attack sensor fault diagnosis classifier is constructed using a combination of system models and machine learning forhypersonic aircraft sensor fault diagnosis.The simulation results validate the effectiveness of the proposed fractional-orderchaos system in extracting fault signal features,which can significantly improve the accuracy of fault diagnosis.Key words:Hypersonic vehicle;Sensor fault;Fault diagnosis;Fractional-order system;Chaos system行器传感器极易发生故障。飞行器传感器故障不仅0引言会带来测量偏差，导致监控精度的下降，还会由于系高超声速飞行器指飞行速度大于马赫数5的飞统的耦合、信息的传播等诱发安全事故。因此,研究行器，其超高速度飞行、强机动等特性使其具有极高高超声速飞行器传感器的故障诊断，对保障高超声的军事价值和经济价值。近年来，高超声速飞行器速飞行器的精准控制和安全飞行具有重要意义。超的设计、控制和故障诊断等受到极大关注1-3。高声速飞行器飞行过程是典型的非线性、强耦合过为准确监测和控制高超声速飞行器,其上安装程,且由于飞行环境复杂，飞行测量参数受到较大噪了数量庞大的传感器。然而，由于高超声速飞行带声的污染，这为传感器故障诊断带来极大挑战。来的薄激波层4、熵层和高温气体等效应,以及飞为实现高斯和非高斯噪声下的故障检测，行环境的多变、强干扰、强震荡、过载等因素，使得飞Safaeipour等5提出了一种自适应鲁棒残差估计方收稿日期：2 0 2 3-0 6-2 3；修回日期：2 0 2 3-0 7-0 3基金项目：国家重点研发计划（2 0 2 1YFB1715000）1204法,然而,该方法只考虑了有限功率的噪声。He等6 研究并比较了几种不同飞行器传感器故障检测和诊断方法，但未对非高斯噪声进行讨论,并且所考虑的噪声功率较小。滑模方法被广泛地应用于故障检测和诊断领域7,但这种方案因不直接处理噪声,使得其在强噪声情况下性能有限。Mei等8 采用模糊自适应滑模方法，解决了参数不确定性和空间干扰等因素下的故障估计问题，但该方法没有深人分析强噪声情况下的性能。李娟等9研究了大时滞和噪声下的故障诊断问题，但仅考虑了功率有限的白噪声，缺乏对非理想噪声的研究。罗小元等10 针对噪声统计特性未知情况下的虚假数据检测和估计，提出了一种自适应卡尔曼滤波器，但是噪声功率较大情况未见分析。在工程设计中，通常假设系统中的噪声为高斯噪声,然而在实际中，非高斯噪声11也是广泛存在的,因此,为保证所设计故障诊断算法的鲁棒性12-13,有必要考虑非高斯噪声、强噪声情况下的故障诊断。针对上述问题，本文考虑设计一种可同时处理强高斯噪声和非高斯噪声且无需获取或假设噪声统计特性等信息的方法，以实现强噪声下的传感器故障诊断。混沌系统是一种典型的非线性系统,其确定但不可预测的特殊动力学行为吸引了诸多国内外学者。随着对混沌研究的不断深入，混沌系统在实际工程中的应用也不断被发掘。混沌系统具有初值敏感性和噪声免疫特性，因此其被广泛应用于微弱信号检测中,，如Duffing 混沌系统14。当待测信号作为外部驱动引人系统时，可引起系统相变，通过对系统参数的调节，可在低信噪比下实现信号幅值、周期等信息的检测。与Duffing混沌系统不同,美国气象学家L.O.Lorenz 提出的Lorenz系统是一种自治系统15，它不需要外部信号的激励便可以产生混沌震荡，因而在信号检测领域少见应用。分数阶混沌系统凭借其更加丰富的动力学行为也逐渐得到越来越多的关注16。分数阶混沌系统在故障诊断中的使用刚刚起步，本文针对强高斯和非高斯下噪声故障特征不明显、故障诊断困难的问题,研究基于分数阶混沌系统的信号处理方法和基于机器学习的传感器故障诊断方法。本文的主要创新点包括：1)设计并采用了分数阶混沌系统进行信号处宇航学报理和故障特征提取，可有效降低强高斯噪声和非高斯噪声的影响，且无需获取或假设噪声的概率分布。2)提出了一种利用模型仿真生成故障数据集并结合机器学习模型实现故障诊断的方法。可作为高超声速飞行器故障诊断的预训练模型。本文的组织结构如下：第1节对研究的问题进行了描述，包括高超声速飞行器的模型、所研究的迎角传感器故障类型以及噪声模型等。第2 节对提出的故障诊断方法进行了阐述，分析了分数阶混沌系统的参数对其动力学行为的影响,并介绍了所构建的故障数据集。第3节开展了实验验证，第4节对全文工作进行了总结。1问题描述1.1高高超声速飞行器模型高超声速飞行器飞行过程是典型的非线性过程,其动力学模型为：V=(-D+T,cos-mgsine)/m=(C+T,sin-mgcos0)/(mV)Z=-VsinQ=w,-wy=M,/IyYy式中：V表示高超声速飞行器在平面地球条件下的速度；Z是其质心坐标；和分别为其航迹角和迎角；，是其俯仰角速度；D和C分别表示其所受的阻力和侧向力；T.为其发动机推力；M是其俯仰力矩；I为转动惯量；m为其质量。在一定的飞行状态下，给定飞行速度和高度后，在纵向方向上，将高超声速飞行器模型进行线性化，并将其视作刚体，则高超声速飞行器纵向线性模型为：X(t)=AX(t)+BU(t)Y(t)=CX(t)+DU(t)式中：X(t）=,n,h,为纵向模型系统状态,即高超声速飞行器飞行速度、飞行迎角、迎角角速度、飞行高度和俯仰角；U(t）为系统输入；Y（t）为输出信号；A为系统矩阵；B为输人矩阵；C为输出矩阵；D为直接传递矩阵。飞行器工作条件恶劣，高温、强震动、高过载等使得飞行器易受扰动、噪声第44卷(1)(2)第8 期和传感器故障等影响，这对高超声速飞行器服役的安全性和可靠性带来严峻挑战。迎角传感器（A O A)是极易出现故障的设备1,17，且故障类别具有典型性,因此，本文以迎角传感器为例研究高超声速飞行器传感器故障诊断问题。考虑飞行器飞行存在未知扰动和测量噪声的情况,将系统模型(2)进一步写为18 X(t)=AX(t)+BU(t)+v(t)Y(t)=CX(t)+DU(t)+F,f(t)+v(t)式中：v(t）为随机扰动；(t）表示测量噪声；f(t)表示传感器故障的大小；F，为相应的参数矩阵。同时，采用状态反馈使系统稳定。鉴于高超音速的大迎角飞行特性，将高超声速飞行器迎角的控制目标设置为451.2迎角传感器故障类型1.2.1数据偏离故障超高声速飞行器在飞行过程中存在再入大气层、拉起、大气层内滑翔等多个阶段，不同阶段下飞行器所处环境不同、飞行速度不同，引起机身温度剧烈变化，进而导致迎角传感器可能出现数据偏离故障。数据偏离故障的大小可表示为fi=bju(t-t)式中：b,为偏离量；表示数据偏离故障的出现时间；u(t）为单位阶跃函数。1.2.2卡滞故障当超高声速飞行器飞行速度较低时，人射流温度低于0，使得传感器易发生卡滞故障。设卡滞故障出现时，迎角传感器输出为0。1.2.3增益变化故障超高声速飞行器飞行速度快，在飞行过程中和空气存在剧烈的摩擦,期间会产生大量的热，一方面会引起传感器输出噪声增大，另一方面则会引起增益变化故障，假设增益不变且呈线性增大的趋势,则该故障的大小为fa=d(t-r)式中：d,表示增益变化斜率；是故障出现时间。1.2.4异常值故障由于超高声速飞行器飞行速度快，其风向标的纵横比影响机身周围的局部气流，并引起局部激波，黄鹏飞等：强噪声下基于混沌技术的高超声速飞行器传感器故障诊断为故障诊断带来了极大挑战。(4)2基于分数阶混沌系统的传感器故障诊断方法基于模型的故障诊断方法通常需要根据预测值和实测值之间的残差来分析系统运行状态，但是这种方法依赖精确的数学模型，并且随着系统和设备的运行,需要对模型进行不断更新,这为基于模型的故障诊断带来严峻挑战。基于数据的故障诊断方法无需获取系统的精确模型，并且可从运行数据中挖掘系统运行状态信息。然而，开展高超声速飞行器故障诊断实验的难度大、危险性高，因此实际中往往面临着高超声速飞行器故障数据缺失的情况，为数据驱动的故障诊断方法带来困难。利用模型仿真结果生成高超声速(5)飞行器故障数据集，基于此训练的机器学习模型可作为故障诊断预训练模型，为高超声速飞行器实际故障诊断提供重要基础。当可获取高超声速飞行器实际运行数据时，可更快实现故障诊断模型的更新。1205可能会导致传感器出现异常值故障，该故障大小为kf=M,u(t-i)-u(t-ti)(6)j=1式中：M,表示第j次数据异常值的幅值；亏和分别表示第j次异常值故障的出现时间和恢复时间。1.3非高斯测量噪声模型超高声速飞行器在飞行的过程中，复杂、多变且恶劣的环境为其带来严重的扰动和测量噪声。一般地，测量噪声常考虑高斯噪声，然而，在实际情况下，考虑到复杂的电磁对抗、干扰等，本文考虑了监测信(3)号存在拖尾噪声的情况,其模型为u(t)N(O,g),v(t)(1-p)N(0,o)+p,N(0,10g),te l2(t)(1-p)N(0,o)+paN(0,80o),t=I3lu(t)N(O,g),teI4(7)式中：P1，P2，P3和p4是外部配置概率参数；o为方差；I1，I2，I，和14为相应的区间。拖尾噪声下，迎角传感器的故障信号如图1所示。由于强噪声的存在，故障数据和正常数据之间的相似度较大，且故障信号之间的相似度也较大,这teI11206考虑到运行状态数据会受到强噪声和非高斯噪声的影响，为实现强噪声下的高超声速飞行器迎角传感器故障诊断，本文采用了分数阶混沌系统设计噪声抑制方法和信号特征提取方法。本文所提出的故障诊断框架如图2 所示。传感器输入高超声速输出信号飞行器信号特征机器学习一故障诊断模型提取高超声速仿真信号分数阶混沌飞行器模型系统图2 基于分数阶混沌系统和机器学习模型的高超声速飞行器迎角传感器故障诊断方案Fig.2Fault diagnosis scheme of the AOA sensor based onfractional-order chaos system and machine learning2.1基于分数阶混沌系统的信号特征提取复杂的飞行环境会使得故障信号特征淹没在强噪声中,这是高超声速飞行器故障诊断所面临的主要挑战，从含噪声信号中提取故障信号特征是提高故障诊断准确率的有效手段。为在实际工程中应用宇航学报606040402020中-20-4006040200-20-400第44卷-20一正常状态日一数据偏离故障150100时间/s(a)数据偏离故障一正常状态食一增益变化故障50100时间/s(c)增益变化故障图1拖尾噪声和不同故障模式下迎角传感器输出信号Fig.1 The signals of AOA sensor under heavy-tailed noise and different faults模型一正常状态今一数据卡滞故障-40150200150200结果080604020-20-400混沌系统的噪声免疫性质，以分数阶Lorenz混沌系统为基础,本文利用分数阶系统的稳定性设计了一种可同时处理高斯噪声和非高斯噪声且无需获取或假设其概率密度分布等信息的信号处理方法。Duffing系统需要合适的外部信号激励才能达到混沌状态，因此Duffing系统常常被用于微弱信号检测。然而Duffing系统可检测的信号类型有限,并且在信号检测过程中需要复杂的调节过程，在实时性要求高且待测信号复杂的情况下,基于Duffing系统的信号检测方案受到较大的限制。因此考虑对分数阶Lorenz系统进行改进，使其一方面可接收外部信号，并可在外部待测信号的激励下出现相变，达到混沌状态，以使得系统拥有噪声免疫特性。另一方面则需要其在一定参数的控制下呈现可控的系统相变，实现信号检测。传统的分数阶Lorenz混沌系统的数学模型为oDjx(t)=(y(t)-x(t)oD/y(t)=x(t)(p-z(t)-y(t)loD/z(t)=x(t)y(t)-z(t)50(b)数据卡滞故障一正常状态又一异常值故障150100时间/s(d)异常值故障100时间/s150150200200(8)(13)第8 期式中：oD是分数阶微积分算子；9为分数阶阶次；，,和为系统参数；(t)，(t）和z(t）为分数阶Lorenz混沌系统的三个状态变量。根据Duffing系统的结构和分数阶系统的稳定性，将分数阶Lorenz系统模型改写为oD)(t)=a(y(t)-(t)-oDy(t)=x(t)(b-2(t)+cy(t)loD)2(t)=x(t)y(t)-d(t)-Gr(t)式中：，b，c 和d为系统参数；为控制参数；r(t)为输人信号；G为信号增益。为分析系统动力学行为,令=0，G r(t）=0。令方程左边为0,则可计算得到此时系统平衡点为E,(0,0,0)，E,（Vd(b+c)，/d(b+c),b+c),E,(-/d(b+c),-/d(b+c),b+c）,则系统雅可比矩阵在平衡点E,处的特征值为入1,1=+2ac+4ab+a-c+ac+2ac+4ab+a+c-a入1,2入1,3=-d雅可比矩阵在平衡点E，和E，处的特征值为入2,1=入2,2 =入3,1=入3,2 =/g(d)h(a)(2.33254h(a)-d-c+a3入2,3=入3,3=Vg(d)h(a)(233/254h(a)_ d-c+a3式中：g(d）为d的多项式；h(a）为的多项式;l=/g(d)/2 33/2-h(a)/54。引理1.对于阶次为9 的分数阶系统,若其雅可比矩阵在某平衡点处的所有特征值满足16：larg(入,)|q/2,j=2,3则该平衡点是渐近稳定的,其中，arg（）表示复数的辐角。引理2.对于三维系统,若某平衡点处的雅可比矩阵特征值满足：0，arg(入）|=a r g（，）0，arg（入2）1=larg（）|q/2,则该平衡点为指数1的鞍点1。引理3.对于一个分数阶系统，假设其鞍焦点的某个不稳定特征值为入=o+ei,其中,o和e分别表示其实部和虚部,则使得该分数阶系统存在双涡卷混沌吸(9)引子的必要条件为该鞍焦点处于系统不稳定域16。定理1.对于分数阶系统(9）,若系统参数条件：real(入2,1）=real（入2,2）=real(入3,1）=real(入3,2)0d 0入1,1 入1,2 0入2,3=入3,3 0成立，且分数阶阶次条件：2q为指数2 的鞍点，根据引理1和引理3，当分数阶阶次满足（14)时,则分数阶系统混沌的必要条件不满足，系统处于非混沌状态。证毕。(11)Lyapunov指数描述了系统相空间中差异极小的两条相近轨道随时间分离的速度。它的数学定义为I8x(t)e x p(Lt)/8 x(0)1(15)式中：标量参数Lp表示系统Lyapunov指数。若系统存在正的Lyapunov指数,则说明系统是混沌的。根据定理1,系统参数可以设置为：=7，b=7，c=-2，d=9/4。系统阶次可设置为q=0.96，此时系统（9）的Lyapunov指数为：-6.443，-0.337，-0.2 97,系统（9）为渐近稳定的,其状态如图3所示。(12)采用Lyapunov指数的方法分析外部输人信号Gr(t)对系统动力学行为的影响。令r(t）=1，令信号增益G在区间0,40 内连续变化，系统Lyapunov指数如图4所示。从图4中可以看出，当外部信号的幅值超过某(14)1208宇航学报一x(t)*一82)第44卷-0-100-0-200630001050图3q=0.96时Lorenz系统状态曲线Fig.3The system state signals in time domain when q=0.96+LOLe2L05图4在 Gr(t）激励下的系统Lyapunov指数Fig.4The Lyapunov exponents of the system under theexcitement of signal Gr(t)阈值时，系统的最大Lyapunov指数由负变正，当外部信号的幅值大于某阈值时，系统变为混沌状态。为研究控制参数对系统状态的影响，首先令外部输入信号为Gr(t）=0，再令外部控制参数分别取值：10 0、2 0 0 和30 0，系统状态x（t）在不同参数下的不同状态如图5所示。系统平衡状态和参数的关系可表示为：C(x,y,2,0,Gr(t)=0)=(三x,三y,三,)(16)其中函数C（）表示系统(9)的非线性混沌映射，三，三，和三，分别表示系统三个状态变量达到稳定状态时的值。进一步，根据式（16）可得,改进的分数阶Lorenz系统的系统状态分为两部分，稳定状态和由外部信号激励引起的震荡，即：C(x,y,2,0,Gr(t)=x,y,+L2x,y,以系统状态(t）为例,结合式(16)和式（17），基于分数阶系统（9）的信号检测方案可表示为：50100150时间/s101520G100200时间/s图5在参数影响下的系统状态曲线Fig.5 The system state signals under the influence of f(t)=(t)-三x2.2基于机器学习的故障诊断模型构建由于高超声速飞行器实际运行故障数据获取难度大,因此难以开展基于数据驱动的故障诊断方法研究。在实际中，由于高超声速飞行器运行环境较为复杂,基于模型的故障诊断也面临着诸多局限性。因此，以模型仿真为基础，构建高超声速飞行器故障数据集,并以此构建迎角传感器故障诊断分类器,并25303515040可作为高超声速飞行器故障诊断的预训练模型。所提出的基于混沌系统的信号处理方法能抑制噪声的影响，从而实现故障信号提取的目的，可有效提升故障诊断的准确性。首先利用模型仿真构建高超声速飞行器迎角传感器故障数据集，每种故障类型生成10 0 0 条样本数据，在每种故障类型的样本中随机抽取50 0 个样本注入高斯噪声,其余样本则注人拖尾噪声（7），并使注入高斯噪声样本信号信噪比为Rs=-2，注人拖尾噪声的样本信号信噪比为Rsn=1。采用随机数使得每个样本的故障大小均不相同,分别表现为数据偏离大小不同、增益变化程度不同、异常值大小不等。在每组故障中,设置了三种不同的故障出现时间。对于异常值故障，每个样本设置的异常值出现时间和出现次数均不同。该数据集信息如表1所示。为保证所设计故障诊断算法的实用性，考虑到高超声速飞行器系统的实际算力，本文采用三种机(17)器学习模型构建故障分类器：径向基核函数支持向量机、随机森林和基于AdaBoost集成的决策树。其中支持向量机采用径向基核函数,其模型为200(18)第8 期Table 1 Information of the angle of attack sensor fault datasets故障类型信噪比50100数据150偏离by 1,5故障卡滞故障增益变化故障异常值M;=1,10故障k(st,s2)=exp式中：S,和s2表示样本特征向量；为可调的超参数。设随机森林规模为10 0，它可表示为(20)式中：m为随机森林中决策树的个数；n表示样本数量；P。表示决策树的输出结果；W，表示决权重函数；p表示随机森林的输出结果；s。表示样本s的邻居节点。将AdaBoost集成分类器规模也设置为100,其流程图如图6 所示。黄鹏飞等：强噪声下基于混沌技术的高超声速飞行器传感器故障诊断表1迎角传感器故障数据集信息基础学习器1样本权重2基础学习器2故障大小故障时间/s噪声类型高斯噪声5010015050100故障发生时150传感器输出为0d;为0,1之间的随机数并乘以系数0.0 41209样本权重1输出权重1输出权重2样本集：样本权重10 0-基础学习器10 0 输出权重10 0-2图6 Adaboost算法流程图Fig.6Flowchart of the Adaboost algorithm拖尾噪声-1高斯噪声-25010015050100150501001505010012515017050100125150170Ilsi-S2282强学习器：器3仿真校验为验证所提出基于分数阶混沌系统的信号处理方法的有效性，由于所构建的故障数据集同时包含高斯噪声和非高斯噪声且噪声功率较大，为验证所提出的故障特征提取算法的有效性，本节设置了三拖尾噪声-1高斯噪声-2拖尾噪声-1高斯噪声-2拖尾噪声-1(19)组对照实验：第一组利用原始数据集对机器学习模型进行训练。第二组采用小波方法对原始信号进行滤波处理,并用小波处理后的数据训练机器学习分类器。第三组利用所提出的基于分数阶混沌系统的信号处理方法对原始数据进行故障信号特征提取，再用处理后的样本对机器学习模型进行训练。根据所设计的基于分数阶混沌系统的信号处理方法,考虑到故障信号的幅值大小以及高斯噪声的功率，为实现故障信号特征提取，设置信号增益为G=20,令分数阶混沌系统(9)的控制参数为=200。考虑注人拖尾噪声的样本信号的幅值，设置信号增益为G=20，令分数阶混沌系统（9)的控制参数为=40 0。图6 和图7 展示了一组样本处理前和处理后的结果。从图7 和图8 中可以看出,强噪声的存在不仅会掩盖故障特征，还会使得不同类型故障的样本具有较大的相似性。例如在强噪声下，传感器异常值会被噪声掩盖,在非高斯噪声下,数据偏离故障、增益变化故障和异常值故障等表现出较大的相似性。由于分数阶混沌系统的噪声免疫性，通过所设计的基于分数阶混沌系统的信号特征提取方法，可有效地降低强噪声的影响。按照8:2 的比例将故障样本集随机划分为训练集和测试集,并对机器学习模型进行训练，在原始数据集上，支持向量机、AdaBoost集成模型和随机森林模型在测试集上的总体分类准确率分别为：95.5%、89.25%和95.2 5%。然后采用分解尺度为3的启发式小波阈值函数方法对原始信号进行滤波处理，并用滤波后的数据训练模型，得到的分类器在测试集上的准确率分别为：9 7.5%、9 0.7 5%和9 7.7 5%。1210宇航学报6060404020200*0-20-20原始信号-40处理后信号-6006040200-20-40-600Fig.7The signals to be detected and the extracted fault signals under Gaussian noise604020-20-40-600604020020-40-600Fig.8 The signals to be detected and the extracted fault signals under heavy-tailed noise第44卷原始信号-40处理后信号-60150100时间/s(a)数据偏离故障50100时间/s(c)增益变化故障图7 高斯噪声下待测信号和提取的故障信号原始信号处理后信号50100时间/s(a)数据偏离故障50100时间/s(c)增益变化故障图：拖尾噪声下待测信号和提取的故障信号150原始信号处理后信号150200150200(）/0-20原始信号-40处理后信号-6015020020006040200-20-40-6006040200-20-40-6006040200050(b)数据卡滞故障50100时间/s(d)异常值故障50100时间/s(b)数据卡滞故障50100时间/s(d)异常值故障100时间/s150原始信号处理后信号150200原始信号处理后信号150200原始信号处理后信号150200200第8 期最后利用所提出的基于分数阶混沌系统的信号处理算法对故障样本进行处理，用该数据训练的分类器在测试集上的总体分类准确率分别提升到了：99.5%96.25%和9 8.7 5%。三种模型在各故障类型上的分类准确率（%）和召回率（%）见表2。其中,故障1、故障2、故障3和故障4分别代表数据偏离故障、卡滞故障、增益变化故障和异常值故障。由于卡滞故障(故障2)的故障特征明显,无论在信号处理前和处理后都能得较Table 2 Comparison of the fault diagnosis results before and after signal processing支持向量机故障原始信号小波方法本文方法原始信号小波方法本文方法原始信号小波方法类型准确率/召回率故障180/89故障2100/100故障390/89故障490/904结论针对高超声速飞行器迎角传感器易出现故障且易受强噪声影响的问题,本文提出了一种基于分数阶混沌系统的信号处理方法与一种结合系统模型和机器学习模型的故障诊断方法。以自治的 Lorenz混沌系统为基础，根据分数阶系统稳定性对其分数阶阶次和系统参数进行了设计,并设计了一种信号处理方法，由于分数阶混沌系统的噪声免疫特性,所提出的信号处理方法可用于强高斯噪声和强非高斯噪声下的故障信号提取。基于高超声速飞行器的系统模型构建了飞行器迎角传感器故障样本集，并用于机器学习模型的训练和迎角传感器故障诊断。仿真实验结果表明，所提出的信号处理方法可有效提取信号特征,提升故障诊断准确率。参考文献 1 AI S J,SONG J,CAI G B.A real-time fault diagnosis methodfor hypersonic air vehicle with sensor fault based on the autotemporal convolutional network J.Aerospace Science andTechnology,2021,119:107220.2 陈晓，谭立国，魏毅寅，等考虑状态约束的弹性高超声速飞行器自适应饱和容错控制J宇航学报，2 0 2 1，42（7）：8 50-861.CHEN Yao,TAN Liguo,WEI Yiyin,et al.Adaptive saturated黄鹏飞等：强噪声下基于混沌技术的高超声速飞行器传感器故障诊断表2 信号处理前后的故障诊断结果对比AdaBoost集成模型准确率/准确率/召回率召回率90/9892/100100/100100/10092/9095/9192/9495/941211高的准确率和召回率。其它故障特征较小并难以提取,从而影响该类故障的诊断。通过小波滤波后可提高故障分类的准确率和召回率。在强高斯噪声、非高斯噪声的影响下,增益变化故障、异常值故障和数据偏离故障表现出极大的相似性,采用本文所提出的基于分数阶混沌系统的信号处理方法，可有效提取故障特征,取得了比小波滤波更好的效果,提升了故障诊断准确率。单位：%随机森林本文方法准确率/准确率/召回率召回率84/7686/80100/100100/10073/8682/8693/9594/96fault-tolerant tracking control of flexible hypersonic vehicleconsidering state constraintsJ.Journal of Astronautics,2021,42(7):850 861.3沈毅，李利亮，王振华。航天器故障诊断与容错控制技术研究综述J.宇航学报，2 0 2 0，41（6)：6 47-6 56.SHEN Yi,LI Liliang,WANG Zhenhua.A review of faultdiagnosis and fault-tolerant control techniques for spacecraft J.Journal of Astronautics,2020,41(6):647-656.4黄黄杰，姚卫星高超声速飞行器激波控制减阻技术J.宇航学报，2 0 2 0,41(10)：12 8 0-12 8 7.HUANG Jie,YAO Weixing.Drag reduction of hypersonicvehicles by shock controlJ.Journal of Astronautics,2020,41(10):1280 1287.5 SSAFAEIPOUR H,FOROUZANFAR M,RAMEZANI A.Incipient fault detection in nonlinear non-Gaussian noisy enviro-nmentJ.Measurement,2021,174:109008.6 HHE QZ,ZHANG W G,LU P,et al.Performance comparison ofrepresentative model-based fault reconstruction algorithms foraircraft sensor fault detection and diagnosis J.AerospaceScience and Technology,2020,98:105649.7FENG X X,WANG Y Q.Fault estimation based on sliding modeobserver for Takagi-Sugeno fuzzy systems with digital commu-nication constraintsJ.Journal of the Franklin Institute,2020,357(1):569-588.8MEI Y F,LIAO Y,GONG K J,et al.Fuzzy adaptive slidingmode fault estimation and fixed-time fault-tolerant control forcoupled spacecraft based on SE(3)J.Aerospace Science andTechnology,2022,126:107673.准确率/召回率94/97100/10092/9199/98准确率/召回率93/88100/10087/9294/96准确率/召回率95/92100/10092/9697/97准确率/召回率97/99100/10097/9699/971212【9李娟,赵友刚，于洋，等含大时滞和噪声的网络化控制系统的最优故障诊断J自动化学报，2 0 12，38（5）：8 58-8 6 4.LI Juan,ZHAO Yougang,YU Yang,et al.Optimal faultdiagnosis for networked control systems with large time-delays andnoisesJ.Acta Automatica Sinica,2012,38(5):858-864.10罗小元,潘雪扬，王新宇，等基于自适应Kalman滤波的智能电网假数据注入攻击检测J，自动化学报，2 0 2 2，48（12）：2960-2971.LUO Xiaoyuan,PAN Xueyang,WANG Xinyu,et al.Detectionof false data injection attack in smart grid via adaptive KalmanfilteringJ.Acta Automatica Sinica,2022,48(12):2960-2971.11 ZHU H,ZHANG G R,LI Y F,et al.A novel robust Kalmanfilter with unknown non-stationary heavy-tailed noise J.Automatica,2021,127:109511.12周东华，叶银忠现代故障诊断与容错控制M北京：清华大学出版社，2 0 0 0.13 HE X,WANG Z D,ZHOU D H.Robust fault detection fornetworked systems with communication delay and data missingJ.Automatica,2009,45(11):2634-2639.14 WANG Q B,YANG Y J,ZHANG X.Weak signal detectionbased on Mathieu-Duffing oscillator with time-delay feedback andmultiplicative noiseJ.Chaos,Solitons&Fractals,2020,137:109832.15HUANG P F,CHAI Y,CHEN X L.Multiple dynamics analysisof Lorenz-family systems and the application in signal detectionJ.Chaos,Solitons&Fractals,2022,156:111797.宇航学报16 PETRAS I.Fractional-order nonlinear systems:Modeling,analysis,and simulation M.