CN111351516A - 使用残差故障模式辨识的传感器故障检测和识别 - Google Patents

使用残差故障模式辨识的传感器故障检测和识别 Download PDF

Info

Publication number
CN111351516A
CN111351516A CN201911335586.6A CN201911335586A CN111351516A CN 111351516 A CN111351516 A CN 111351516A CN 201911335586 A CN201911335586 A CN 201911335586A CN 111351516 A CN111351516 A CN 111351516A
Authority
CN
China
Prior art keywords
data
vehicle
processor
data types
values
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911335586.6A
Other languages
English (en)
Inventor
B·T·怀特海德
S·C·李
B·K·鲁普尼克
K·纳杰马巴迪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Boeing Co
Original Assignee
Boeing Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Boeing Co filed Critical Boeing Co
Publication of CN111351516A publication Critical patent/CN111351516A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D43/00—Arrangements or adaptations of instruments
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D3/00—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
    • G01D3/08—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups with provision for safeguarding the apparatus, e.g. against abnormal operation, against breakdown
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P21/00—Testing or calibrating of apparatus or devices covered by the preceding groups
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P21/00—Testing or calibrating of apparatus or devices covered by the preceding groups
    • G01P21/02—Testing or calibrating of apparatus or devices covered by the preceding groups of speedometers
    • G01P21/025—Testing or calibrating of apparatus or devices covered by the preceding groups of speedometers for measuring speed of fluids; for measuring speed of bodies relative to fluids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/0038—Circuits for comparing several input signals and for indicating the result of this comparison, e.g. equal, different, greater, smaller (comparing pulses or pulse trains according to amplitude)
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0055—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots with safety arrangements

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Measuring Fluid Pressure (AREA)

Abstract

使用残差故障模式辨识的传感器故障检测和识别。公开了用于使用残差故障模式辨识的传感器故障检测和识别的***、方法和设备。在一个或更多个实施方式中，一种用于针对载具的传感器故障检测和识别的方法包括利用位于所述载具上的传感器来感测数据。所述方法还包括针对所述数据类型中的每一种对所述数据执行多数表决以针对所述数据类型中的每一种生成单个表决值。另外，方法包括针对所述数据类型中的每一种通过使用所述表决值中的一些来生成估计值。另外，方法包括通过将所述估计值与所述表决值相比较来生成残差。此外，方法包括分析残差的模式以确定数据类型中的哪一种是错误的，以检测并识别由载具上的传感器中的至少一个所经历的故障。

Description

使用残差故障模式辨识的传感器故障检测和识别
技术领域
本公开涉及传感器故障检测和识别。特别地，本公开涉及使用残差故障模式辨识的传感器故障检测和识别。
背景技术
当前，由于结冰堵塞、重水摄入、火山灰堵塞等，飞行器皮托管容易测量失败。当飞机上的大多数皮托管被同时地阻塞时，发生公共模式气动事件(CMPE)。当发生CMPE时，被显示在驾驶舱显示器上的显示空速将被破坏。另外，在某个时间窗口空速被破坏的飞行器飞行控制***可能使飞机偏离其最佳飞行路径。
鉴于上文，需要用于飞行器上的传感器测量故障(例如，空速、攻角、加速度等)的传感器故障检测和识别的改进技术。
发明内容
本公开涉及一种用于使用残差故障模式辨识的传感器故障检测和识别的方法、***和设备。在一个或更多个实施方式中，一种用于针对载具的传感器故障检测和识别的方法包括利用位于所述载具上的传感器来感测数据。在一个或更多个实施方式中，所述数据包括m种数据类型。在至少一个实施方式中，m是大于二的整数。所述方法还包括由至少一个处理器针对所述数据类型中的每一种对所述数据执行多数表决以针对所述数据类型中的每一种生成单个表决值。另外，所述方法包括由至少一个处理器针对所述数据类型中的每一种通过使用所述表决值的至少一些来生成估计值。在一些实施方式中，通过使用n个所述表决值来生成m个估计值，其中，n等于m减去一。另外，所述方法包括由至少一个处理器通过将所述估计值与所述表决值相比较来生成残差。此外，所述方法包括由至少一个处理器分析所述残差的模式以确定所述数据类型中的哪一种是错误的以检测并识别由所述载具上的所述传感器中的至少一个所经历的故障。
在一个或更多个实施方式中，所述数据包括测量数据。在至少一个实施方式中，所述传感器包括以下各项中的至少两(2)种：皮托管、皮托静压管、静压口、静压管、攻角(AOA)解析器和加速度计。在一些实施方式中，所述数据类型包括以下各项中的至少三(3)种：总压力、静压力、攻角(AOA)和加速度。
在至少一个实施方式中，所述载具是空中载具、陆地载具或海上载具。在一些实施方式中，所述空中载具是飞机、无人驾驶空中载具(UAV)或直升机。
在一个或更多个实施方式中，所述方法还包括由至少一个处理器从所述数据的至少一些中去除已知破坏效应。在一些实施方式中，所述已知破坏效应由至少一个处理器通过利用动态压力、马赫数、攻角(AOA)、襟翼位置、起落架位置、剩余推力和/或地面效应项来去除。
在至少一个实施方式中，至少一个处理器通过利用至少一个统计滤波器来生成估计值。在一些实施方式中，至少一个统计滤波器是扩展卡尔曼滤波器(EKF)。
在一个或更多个实施方式中，所述方法还包括由至少一个处理器生成警报信号，该警报信号指示所述数据类型中的哪一种是错误的和/或哪些类型的传感器正在经历故障。在一些实施方式中，所述方法还包括基于包含在所述警报信号中的信息来生成视觉警报和/或听觉警报。
在至少一个实施方式中，所述方法还包括由至少一个处理器生成指示要使用合成数据而不是错误的感测数据的合成数据信号。
在至少一个实施方式中，一种用于针对载具的传感器故障检测和识别的***包括：传感器，位于所述载具上，以感测数据。在一个或更多个实施方式中，所述数据包括m种数据类型。在一些实施方式中，m是大于二的整数。所述***还包括至少一个处理器，该至少一个处理器被配置为：针对所述数据类型中的每一种对所述数据执行多数表决以针对所述数据类型中的每一种生成单个表决值；针对所述数据类型中的每一种通过使用n个所述表决值来生成m个估计值，其中，n等于m减去一；通过将所述估计值与所述表决值相比较来生成残差；并且分析所述残差的模式以确定所述数据类型中的哪一种是错误的，以检测并识别由所述载具上的所述传感器中的至少一个所经历的故障。
在一个或更多个实施方式中，至少一个处理器还被配置为从所述数据的至少一些中去除已知破坏效应。在至少一个实施方式中，至少一个处理器还被配置为通过利用至少一个统计滤波器来生成估计值。在一些实施方式中，至少一个统计滤波器是扩展卡尔曼滤波器(EKF)。在一个或更多个实施方式中，至少一个处理器还被配置为生成警报信号，该警报信号指示所述数据类型中的哪一种是错误的和/或哪些类型的传感器正在经历故障。
在至少一个实施方式中，所述***还包括：至少一个指示灯，该至少一个指示灯用于基于包含在所述警报信号中的信息来生成视觉警报；至少一个显示器，该至少一个显示器用于基于包含在所述警报信号中的所述信息来显示视觉显示警报；和/或至少一个扬声器，该至少一个扬声器用于基于包含在所述警报信号中的所述信息来生成音频警报。
在一个或更多个实施方式中，至少一个处理器还被配置为生成指示要使用合成数据而不是错误的感测数据的合成数据信号。
可在本公开的各种实施方式中独立地实现这些特征、功能和优点，或者可以在其它的实施方式中组合这些特征、功能和优点。
附图说明
关于以下描述、所附权利要求和附图，本公开的这些及其它特征、方面和优点将变得被更好地理解，在附图中：
图1A是示出了根据本公开的至少一个实施方式的可以被所公开的用于针对载具的传感器故障检测和识别的***采用的载具(例如，飞机)的图，其中载具被示出为包括各种不同类型的传感器。
图1B是示出了根据本公开的至少一个实施方式的可以被所公开的用于针对载具的传感器故障检测和识别的***采用的载具(例如，飞机)的图，其中载具被示出为包括用于生成警报的多个单元。
图2A是示出了根据本公开的至少一个实施方式的关于所公开的用于针对载具的传感器故障检测和识别的***的传感器中的一个可以采用的示例性皮托管的图。
图2B是示出了根据本公开的至少一个实施方式的关于所公开的用于针对载具的传感器故障检测和识别的***的传感器中的一个可以采用的示例性静压管的图。
图2C是示出了根据本公开的至少一个实施方式的关于所公开的用于针对载具的传感器故障检测和识别的***的传感器中的一个可以采用的示例性皮托静压管的图。
图3是示出了根据本公开的至少一个实施方式的所公开的用于针对载具的传感器故障检测和识别的***的框图。
图4是示出了根据本公开的至少一个实施方式的图3的合成空中数据和公共模式监视器(CMM)的功能性的细节的框图。
图5示出了根据本公开的至少一个实施方式的用于生成由所公开的用于针对载具的传感器故障检测和识别的***所利用的估计值的等式。
图6A示出了根据本公开的至少一个实施方式的例示针对四种不同类型的传感器数据的感测数据(即测量数据)和所对应的真实值(即真值)的示例性曲线图，其中感测数据都不是错误的。
图6B示出了根据本公开的至少一个实施方式的例示由所公开的用于针对载具的传感器故障检测和识别的***所生成的估计值(即合成值)的示例性曲线图，其中感测数据都不是错误的。
图7A示出了根据本公开的至少一个实施方式的例示针对四种不同类型的传感器数据的感测数据(即测量数据)和所对应的真实值(即真值)的示例性曲线图，其中感测数据类型中的一种(即总压力(PT))是错误的。
图7B示出了根据本公开的至少一个实施方式的例示由所公开的用于针对载具的传感器故障检测和识别的***所生成的估计值(即合成值)的示例性曲线图，其中感测数据类型中的一种(即总压力(PT))是错误的。
图8示出了根据本公开的至少一个实施方式的用于由所公开的用于针对载具的传感器故障检测和识别的***所利用的故障检测逻辑的等式。
图9是示出了根据本公开的至少一个实施方式的残差如何由所公开的用于针对载具的传感器故障检测和识别的***生成的图。
图10是示出了根据本公开的至少一个实施方式的由所公开的用于针对载具的传感器故障检测和识别的***所利用的残差的示例性预期模式的图表。
图11A和图11B一起形成示出了根据本公开的至少一个实施方式的所公开的用于针对载具的传感器故障检测和识别的方法的流程图。
具体实施方式
本文公开的方法和设备提供一种用于使用残差故障模式辨识的传感器故障检测和识别的操作***。在一个或更多个实施方式中，本公开的***通过检测由载具(例如，飞行器)上的故障传感器(例如，皮托管、静压口、AOA解析器和加速度计)所产生的错误的传感器测量数据(例如，总压力、静压力、攻角(AOA)和加速度)来允许实现传感器故障检测和识别。
特别地，本公开的***通过使用统计滤波器(例如，扩展卡尔曼滤波器(EKF))架构来提供多传感器故障检测和识别。具体地，利用统计滤波器(例如，扩展卡尔曼滤波器(EKF))的阵列来计算用于传感器健康状况监视的不同的合成参数(例如，估计值)。另外，***利用残差特性(例如，残差)的模式来实时地识别在载具上已发生了哪些类型的传感器(例如，皮托管、静压口、AOA解析器或加速度计)故障。
本公开的***具有许多益处。首先，***具有通过使用统计滤波器的(例如，EKF的)合成总压力(PT)和静压力(PS)来直接地监视总压力(PT)和静压力(PS)传感器测量结果的能力。其次，***能够提供及时的传感器故障检测，其允许飞行器飞行控制***就在***中已发生了哪种故障而向飞行员提供准确的、可靠的驾驶舱发动机指示和机组人员警报***(EICAS)警告消息并且阻止飞行员执行激进飞机机动。另外，第三，***能够提供准确的传感器故障识别，其允许飞行器飞行控制***通过切换到使用错误测量结果的合成版本来继续操作。
在以下描述中，阐述了许多细节以便提供对***的更彻底描述。然而，对于本领域技术人员而言将显而易见的是，可以在没有这些具体细节的情况下实践所公开的***。在其它情况下，尚未详细地描述众所周知的特征，以免不必要地使***模糊。
可以在本文中按功能和/或逻辑组件及各种处理步骤来描述本公开的实施方式。应该领会的是，可以通过被配置为执行所指定的功能的任何数量的硬件、软件和/或固件组件来实现这样的组件。例如，本公开的实施方式可以采用各种集成电路组件(例如，存储器元件、数字信号处理元件、逻辑元件、查找表等)，其可以在一个或更多个处理器、微处理器或其它控制装置的控制下执行各种功能。另外，本领域技术人员应领会的是，可以与其它组件相结合地实践本公开的实施方式，并且本文描述的***仅仅是本公开的示例实施方式。
为了简洁起见，可能不在本文中详细地描述与传感器有关的常规技术和组件以及***的其它功能方面(以及***的单独的操作组件)。此外，在本文包含的各个图中示出的连接线旨在表示各种元件之间的示例功能关系和/或物理联接。应该注意的是，在本公开的一个或更多个实施方式中可以存在许多替代或附加的功能关系或物理连接。
在各种实施方式中，在飞机中采用所公开的用于传感器故障检测和识别的***。应该注意的是，所公开的用于传感器故障检测和识别的***可以被除如本文所公开的飞机以外的其它载具采用。以下讨论因此是针对飞机的，但不失一般性。
图1A是示出了根据本公开的至少一个实施方式的可以被所公开的用于针对载具110的传感器故障检测和识别的***采用的载具(例如，飞机)110的示意图100，其中载具110被示出为包括各种不同类型的传感器。在此图中，载具110被示出为飞机。然而，在其它实施方式中，关于所公开的***的载具110，可以采用各种不同类型的载具。在一个或更多个实施方式中，关于载具110，所公开的***可以采用空中载具、陆地载具或海上载具。在一个或更多个实施方式中，关于载具110，可以采用各种不同类型的空中载具，包括但不限于飞机(如图1A所示)、无人驾驶空中载具(UAV)或直升机。
另外在此图中，载具110被示出为包括许多不同类型的传感器。这些传感器包括皮托管120、静压口130、攻角(AOA)解析器140和加速度计150。应该注意的是，皮托管120、静压口130和AOA解析器140位于载具(例如，飞机)110的表面上，并且加速度计150位于载具(例如，飞机)110内部。这些传感器感测不同类型的测量数据。例如，皮托管120感测总压力(PT)，静压口130感测静压力(PS)，AOA解析器140感测AOA(α)，并且加速度计150感测加速度(AN)。
另外，应该注意的是，在一个或更多个实施方式中，载具110可以包括数量比所示更多或更少的传感器。例如，载具110被示出为包括三个皮托管120。在其它实施方式中，载具110可以包括比如图1A所示的三个皮托管120更多或更少的皮托管120。
附加地，应该注意的是，载具110可以包括与所示传感器不同类型的传感器。因此，应该理解的是，图1A所示的传感器的类型仅仅是可以被所公开的***采用的传感器的示例类型。因此当利用不同类型的传感器时，将感测到不同类型的传感器测量数据。所公开的***可以利用与本文讨论的传感器测量数据的类型不同类型的传感器测量数据来操作。
图1B是示出了根据本公开的至少一个实施方式的可以被所公开的用于针对载具110的传感器故障检测和识别的***采用的载具(例如，飞机)110的示意图160，其中载具110被示出为包括用于生成警报的多个单元。在此图中，载具110被示出为附加地包括经由电线180连接到扬声器190、显示器191和指示灯192的处理器170。处理器170可以位于载具(例如，飞机)110的电子装置区域(例如，电子装置舱)内；并且扬声器190、显示器(例如，显示屏幕)191和指示灯192可以位于载具110的驾驶员的(例如，飞行员的)区域(例如，驾驶舱)内。
载具110还被示出为附加地包括飞行控制***195。飞行控制***195可以位于载具(例如，飞机)110的电子装置区域(例如，电子装置舱)内。飞行控制***195经由电线197连接到处理器170。
应该注意的是，在其它实施方式中，处理器170可以以无线方式连接到扬声器190、显示器191和指示灯192。另外，在其它实施方式中，如图所示，载具110可以包括多于一个处理器170、多于一个扬声器190、多于一个显示器191和/或多于一个指示灯192。另外，应该注意的是，传感器(例如，皮托管120、静压口130、攻角(AOA)解析器140和加速度计150)可以经由电线和/或以无线方式连接到处理器170。
在所公开的***的操作期间，在载具正在操作的同时，处理器170从载具110上的不同类型的传感器(例如，皮托管120、静压口130、攻角(AOA)解析器140和加速度计150)接收数据(例如，传感器测量数据)。处理器170分析数据并确定所测量的数据类型中的一种(例如，总压力(PT)、静压力(PS)，AOA(α)或加速度(AN))是否是错误的。如果处理器170确定数据类型中的一种是错误的，意味着错误数据的关联传感器已发生故障，则处理器170生成警报信号以向驾驶员(例如，飞行员)报警错误的传感器测量数据和/或传感器故障。警报信号指示哪种类型的数据是错误的(例如，总压力(PT)测量数据是错误的)并且/或者指示哪些类型的传感器正在经历故障(例如，皮托管120正在经历故障(例如，被结冰阻塞))。
在处理器170已生成警报信号之后，处理器170经由电线180(或以无线方式)将警报信号发送到扬声器190、显示器191和/或指示灯192。在一个或更多个实施方式中，一旦扬声器190接收到警报信号，扬声器190就将产生音频警报，其可以是描述错误数据的具体类型和/或已发生故障的传感器的具体类型的警报音和/或口头警报消息。在一些实施方式中，当显示器191接收到警报信号时，显示器191将向驾驶员(例如，飞行员)显示视觉显示警报，该视觉显示警报可以是描述错误数据的具体类型和/或已发生故障的传感器的具体类型的视觉警报符号、颜色和/或文本警报消息。在至少一个实施方式中，在指示灯192接收到警报信号之后，指示灯192将照亮和/或改变光照颜色(例如，将其颜色改变为红色)以在视觉上向载具110的驾驶员(例如，飞行员)报警。
另外，当处理器170确定数据类型中的一种是错误的，意味着错误数据的关联传感器已发生故障时，处理器170生成指示要使用合成数据而不是错误的感测数据的合成数据信号。在处理器170已生成合成数据信号之后，处理器170经由电线197(或以无线方式)将合成数据信号发送到飞行控制***195。一旦飞行控制***195接收到合成数据信号，飞行控制***195就将利用该合成数据而不是错误的感测数据以进行其飞行计算。
图2A是示出了根据本公开的至少一个实施方式的关于所公开的用于针对载具110的传感器故障检测和识别的***的传感器中的一个可以采用的示例性皮托管120的示意图200。在此图中，示出了示例皮托管120。图2A中的皮托管120被示出为在其端部上具有一个开口。皮托压力是从皮托管120获得的。皮托压力是冲压空气压力(即，通过载具运动或灌输到管中的空气所产生的空气压力)的量度，其在理想条件下等于滞止压力(也称为总压力(PT))。皮托管120可以被所公开的***采用来获得总压力(PT)。
皮托管120常常位于飞机的面向前方的机翼或前部上，其中其开口被暴露于相对风。通过使皮托管120位于如下的位置中，即，冲压空气压力被更准确地测量，因为皮托管将不太被飞机的结构扭曲。当空速增加时，冲压空气压力增加，这可通过空速指示器来解释。
图2B是示出了根据本公开的至少一个实施方式的关于所公开的用于针对载具110的传感器故障检测和识别的***的传感器中的一个可以采用的示例性静压管210的示意图250。在此图中，示出了示例静压管210。图2B的静压管210被示出为具有两个开口，这两个开口位于静压管210的顶侧和底侧。类似于静压口130(参见图1A)，静压管210获得静压力(PS)。静压管210和/或静压口130可以被所公开的***采用来获得静压力(PS)。
静压口130(参见图1A)常常是飞行器的机身上的齐平安装孔，并且位于它可访问相对不受干扰的区域中的气流的地方。一些飞行器可以具有单个静压口，而其它飞行器可以具有多于一个静压口。在飞行器有多于一个静压口130的情形下，通常在机身的每侧设有一个静压口。利用此定位，可取得平均压力，这在具体飞行情形下允许实现更准确的读数。另选的静压口130可以位于飞行器的机舱内部作为用于外部静压口130被阻塞时的备用。
图2C是示出了根据本公开的至少一个实施方式的关于所公开的用于针对载具110的传感器故障检测和识别的***的传感器中的一个可以采用的示例性皮托静压管220的示意图230。在此图中，示出了示例皮托静压管220。图2C的皮托静压管220被示出为具有三个开口，这三个开口位于皮托静压管220的端部上并且位于皮托静压管220的顶侧和底侧。皮托静压管220将静压口有效地集成到皮托探头中。它还在直接气流外部并入在探头各侧带有压力采样孔的第二同轴管(或多个管)，以测量静压力(PS)。当飞行器爬升时，静压力(PS)将减小。压力换能器240用于测量总压力(PT)与静压力(PS)之间的差。皮托静压管220可以被所公开的***采用来获得总压力(PT)和静压力(PS)。
图3是示出根据本公开的至少一个实施方式的所公开的用于针对载具110的传感器故障检测和识别的***的框图300。在此图中，示出了由位于载具上的不同类型的传感器所感测到的数据(即，传感器测量结果)。特别地，示出了由皮托管120所感测的总压力(PT)数据310a、由静压口130所感测的静压力(PS)数据310b、由AOA解析器140所感测的攻角(AOA)(α)数据310c以及由加速度计150所感测的加速度(AN)数据310d。
应该注意的是，这些感测数据中的一些包括从多个传感器感测的数据。例如，总压力(PT)数据310a包括由位于载具(例如，飞机)110上的三个单独的皮托管120所感测的数据。在图3中，三个箭头被示出为从总压力(PT)数据310a箭头输出以表示这三条感测数据。
在操作期间，用于总压力(PT)数据310a、静压力(PS)数据310b和攻角(AOA)(α)数据310c的感测数据被输入到静态源误差校正(SSEC)模块320中。应该注意的是，SSEC模块320可以被实现在载具110上的至少一个处理器170内并且/或者由载具110上的至少一个处理器170执行。SSEC模块320通过从感测数据310a、310b、310c中去除已知破坏效应来对感测数据310a、310b、310c执行源校正以生成干净数据测量结果325a、325b、325c。SSEC模块320通过利用包括但不限于动态压力、马赫数、攻角(AOA)、襟翼位置、起落架位置、剩余推力和/或地面效应项的其它数据测量结果来从感测数据310a、310b、310c中去除已知破坏效应。
一旦来自感测数据310a、310b、310c的已知破坏效应已被去除，干净数据测量结果325a、325b、325c就被输入到源选择故障检测(SSFD)模块330a、330b、330c中。SSFD模块330a、330b、330c可以被实现在载具110上的至少一个处理器170内并且/或者由载具110上的至少一个处理器170执行。每个SSFD模块330a、330b、330c对所输入的干净数据测量结果325a、325b、325c执行多数表决以生成单个表决值350a、350b、350c。例如，SSFD模块330a对干净数据测量结果325a执行多数表决以生成单个表决值350a。
另外，在操作期间，加速度(AN)数据310d被输入到故障管理模块340中。故障管理模块340可以被实现在载具110上的至少一个处理器170内并且/或者由载具110上的至少一个处理器170执行。故障管理模块340对加速度(AN)数据310d执行多数表决以生成单个表决值350d。
应该注意的是，在一个或更多个实施方式中，各种不同类型的多数表决算法(例如，博耶-摩尔多数表决算法)可以被SSFD模块330a、330b、330c和故障管理模块340利用来执行多数表决。
在所有单个表决值350a、350b、350c、350d已被生成之后，单个表决值350a、350b、350c、350d被输入到合成空中数据和公共模式监视器(CMM)360中。合成空中数据和CMM 360可以被实现在载具110上的至少一个处理器170内并且/或者由载具110上的至少一个处理器170执行。合成空中数据和CMM 360利用单个表决值350a、350b、350c、350d来生成可信值370a、370b、370c、370d以被用于(例如，被飞行控制***用于)载具110的操作。特别地，合成空中数据和CMM 360利用单个表决值350a、350b、350c、350d来生成总压力(PT)可信值370a、静压力(PS)可信值370b、AOA可信值370c和加速度可信值370d。将在图4、图5、图8、图9和图10的描述中描述合成空中数据和CMM 360的操作细节。
返回参考图3，在已通过合成空中数据和CMM 360生成了可信值370a、370b、370c、370d之后，可信值370a、370b、370c、370d被输入到空中数据计算模块380中。空中数据计算模块380可以被实现在载具110上的至少一个处理器170(其可以是飞行控制***的一部分)内并且/或者由载具110上的至少一个处理器170执行。空中数据计算模块380可以利用可信值370a、370b、370c、370d以用于进行载具(例如，飞机)110的操作(例如，飞行)所需的计算。
图4是示出了根据本公开的至少一个实施方式的图3的合成空中数据和公共模式监视器(CMM)360的功能性的细节的框图400。在此图中，单个表决值350a、350b、350c、350d被输入到合成空中数据和CMM 360中。特别地，针对总压力(PT)350a的表决值、针对静压力(PS)350b的表决值、针对AOA 350c的表决值和针对加速度350d的表决值被输入到合成空中数据和CMM 360中。
在合成空中数据和CMM 360已接收到单个表决值350a、350b、350c、350d之后，针对数据类型中的每一种，估计器410a、410b、410c、410d使用单个表决值350a、350b、350c、350d中的一些来生成估计值(例如，合成值)420a、420b、420c、420d。特别地，针对一种数据类型，每个估计器410a、410b、410c、410d使用针对其它数据类型的单个表决值350a、350b、350c、350d来针对所有数据类型生成估计值420a、420b、420c、420d。
估计器410a、410b、410c、410d使用统计滤波器来生成估计值420a、420b、420c、420d。各种不同类型的统计滤波器可以被估计器410a、410b、410c、410d使用来生成估计值420a、420b、420c、420d，所述各种不同类型的统计滤波器包括但不限于卡尔曼滤波器、扩展卡尔曼滤波器(EKF)、无迹卡尔曼滤波器、频率加权卡尔曼滤波器、固定滞后平滑器、固定间隔平滑器(例如Rauch-Tung-Striebel平滑器、改良的Bryson-Frazier平滑器和最小方差平滑器)、卡尔曼-布西滤波器和混合卡尔曼滤波器。
例如，针对总压力(PT)数据类型，估计器1 410a利用针对静压力(PS)的表决值350b、针对AOA的表决值350c和针对加速度的表决值350d来生成估计值420a(其包括针对总压力(PT)的估计值、针对静压力(PS)的估计值、针对AOA的估计值和针对加速度的估计值)。另外，针对静压力(PS)数据类型，估计器2 410b利用针对总压力(PT)的表决值350a、针对AOA的表决值350c和针对加速度的表决值350d来生成估计值420b(其包括针对总压力(PT)的估计值、针对静压力(PS)的估计值、针对AOA的估计值和针对加速度的估计值)。另外，针对AOA数据类型，估计器3 410c利用针对总压力(PT)的表决值350a、针对静压力(PS)的表决值350b和针对加速度的表决值350d来生成估计值420c(其包括针对总压力(PT)的估计值、针对静压力(PS)的估计值、针对AOA的估计值和针对加速度的估计值)。另外，针对加速度数据类型，估计器4 410d利用针对总压力(PT)的表决值350a、针对静压力(PS)的表决值350b和针对AOA的表决值350c来生成估计值420d(其包括针对总压力(PT)的估计值、针对静压力(PS)的估计值、针对AOA的估计值和针对加速度的估计值)。
在估计器410a、410b、410c、410d已各自生成了估计值420a、420b、420c、420d之后，估计值420a、420b、420c、420d被输入故障检测和隔离逻辑模块430中。故障检测和隔离逻辑模块430通过将估计值420a、420b、420c、420d与表决值350a、350b、350c、350d相比较来生成残差(r1,r2,r3,r4)。在图9的描述中描述残差如何被生成的细节。在残差(r1,r2,r3,r4)被生成之后，故障检测和隔离逻辑模块430分析残差(r1,r2,r3,r4)的模式以确定哪种(若有的话)类型的数据是错误的。在图8示出了示例性故障检测逻辑(即用于检测错误类型的数据的逻辑)，并且在图10示出了残差的示例性预期模式。
在故障检测和隔离逻辑模块430已分析残差(r1,r2,r3,r4)的模式之后，如果故障检测和隔离逻辑模块430确定不存在错误数据，则故障检测和隔离逻辑模块430将简单地输出表决值350a、350b、350c、350d以被用于可信值370a、370b、370c、370d(例如，总压力(PT)可信值370a、静压力(PS)可信值370b、AOA可信值370c和加速度可信值370d)。
然而，如果故障检测和隔离逻辑模块430确定一种数据类型(例如，总压力(PT))是错误的，则故障检测和隔离逻辑模块430将输出针对其它数据类型的表决值350b、350c、350d以被用于针对那些其它数据类型的可信值370b、370c、370d(例如，静压力(PS)可信值370b、AOA可信值370c和加速度可信值370d)。另外，故障检测和隔离逻辑模块430将输出由数据类型的关联估计器(例如，估计器1)410a针对该错误数据类型(例如，总压力(PT))所生成的估计值(合成数据)420a以被用于针对该错误数据类型的可信值370a(例如，总压力(PT)可信值)。
图5示出了根据本公开的至少一个实施方式的用于生成由所公开的用于针对载具110的传感器故障检测和识别的***所利用的估计值的等式。对于这些等式，x是表示针对数据类型的底层状态的向量，并且y是表示针对数据类型的表决值350a、350b、350c、350d的向量。另外，每个
Figure BDA0002330842630000121
是表示由估计器410a、410b、410c、410d中的每一个所生成的估计值420a、420b、420c、420d的向量。特别地，对于这些等式，
Figure BDA0002330842630000131
是由估计器1 410a所生成的估计值，
Figure BDA0002330842630000132
是由估计器2 410b所生成的估计值，
Figure BDA0002330842630000133
是由估计器3 410c所生成的估计值，并且
Figure BDA0002330842630000134
是由估计器4 410d所生成的估计值。另外，对于这些等式，f(例如，f1、f2、f3和f4)表示用于生成估计值420a、420b、420c、420d的统计滤波器(例如，扩展卡尔曼滤波器(EKF))。另外，括号内的变量(例如，PT、PS、α、AN)表示用于生成估计值420a、420b、420c、420d的表决值350a、350b、350c、350d。
例如，对于估计器1 410a(其与总压力(PT)数据类型相关联)，针对静压力(PS)的表决值350b、针对AOA(α)的表决值350c、针对加速度的表决值350d被统计滤波器(f1)(例如，EKF)使用来生成估计值420a。因此，当感测到有m种不同的数据类型时，每个估算器410a、410b、410c、410d将使用n(其等于m减去1(n＝m–1))个表决值350a、350b、350c、350d来生成估计值420a、420b、420c、420d。
图6A示出了根据本公开的至少一个实施方式的例示针对四种不同类型的传感器数据的感测数据(即测量数据)310a、310b、310c、310d和所对应的真实值(即真值)的示例性曲线图600，其中感测数据310a、310b、310c、310d都不是错误的。此图的每个曲线图示出不同类型的感测数据(例如，总压力(PT)、静压力(PS)、AOA和加速度)。如此图中所示，感测数据(即测量值)310a、310b、310c、310d紧密跟随用于该数据的真实值(即真值)，并且因此，无任何类型的数据是错误的。
图6B示出了根据本公开的至少一个实施方式的例示由所公开的用于针对载具110的传感器故障检测和识别的***所生成的估计值(即合成值)420a、420b、420c、420d的示例性曲线图610，其中感测数据310a、310b、310c、310d都不是错误的。在此图中，曲线图的每行例示了由估计器410a、410b、410c、410d中的一个所生成的估计值420a、420b、420c、420d。例如，曲线图的第一行示出了由估计器1 410a所生成的估计值420a，曲线图的第二行示出了由估计器2 410b所生成的估计值420b，曲线图的第三行示出了由估计器3 410c所生成的估计值420c，并且曲线图的第四行示出了由估计器4 410d所生成的估计值420d。
在图6B中，十六个曲线图中的每一个均示出了数据的四条线，每个曲线图的数据的中间线中的一条是针对曲线图的数据类型所生成的估计值420a、420b、420c、420d。每个曲线图的数据的其它中间线是感测数据(即测量值)310a、310b、310c、310d。每个曲线图的数据的上下线表示将估计数据(例如，估计值)420a、420b、420c、420d限定在其内的上下阈值(T)。
图7A示出了根据本公开的至少一个实施方式的例示针对四种不同类型的传感器数据的感测数据(即测量数据)310a、310b、310c、310d和所对应的真实值(即真值)的示例性曲线图，其中感测数据类型中的一种(即总压力(PT))310a是错误的。此图的每个曲线图示出了不同类型的感测数据(例如，总压力(PT)、静压力(PS)、AOA和加速度)。如此图中所示，针对静压力(PS)、AOA和加速度的感测数据(即测量值)310b、310c、310d紧密跟随用于该数据的真实值(即真值)。然而，针对总压力(PT)的感测数据(即测量值)310a不紧密跟随用于该数据类型的真实值(即真值)，并且因此，针对总压力(PT)的感测数据310a是错误的。因此，可推断出感测总压力(PT)的皮托管120正在经历故障(例如，CMPE)。
图7B示出了根据本公开的至少一个实施方式的例示由所公开的用于针对载具110的传感器故障检测和识别的***所生成的估计值(即合成值)420a、420b、420c、420d的示例性曲线图，其中感测数据类型中的一种(即总压力(PT))310a是错误的。在此图中，曲线图的每行例示了由估计器410a、410b、410c、410d中的一个所生成的估计值420a、420b、420c、420d。例如，曲线图的第一行示出了由估计器1 410a所生成的估计值420a，曲线图的第二行示出了由估计器2 410b所生成的估计值420b，曲线图的第三行示出了由估计器3 410c所生成的估计值420c，并且曲线图的第四行示出了由估计器4 410d所生成的估计值420d。
在图7B中，十六个曲线图的每一个均示出了数据的四条线，每个曲线图的数据的中间线中的一条是针对曲线图的数据类型所生成的估计值420a、420b、420c、420d。每个曲线图的数据的其它中间线是感测数据(即测量值)310a、310b、310c、310d。每个曲线图的数据的上下线表示将估计值(例如估计数据)420a、420b、420c、420d限定在其内的上下阈值(T)。
在此图中，针对总压力(PT)数据类型的曲线图(参考曲线图的第一列)展示了所感测的总压力(PT)310a位于下阈值(T)之外。应该注意的是，由于针对总压力(PT)的感测数据310a是错误的，所以由估计器1 420a所生成的估计值420a将被用作针对总压力(PT)的可信值370a。
图8示出了根据本公开的至少一个实施方式的用于由所公开的用于针对载具110的传感器故障检测和识别的***所利用的故障检测逻辑的等式。在此图中，故障检测逻辑规定当且仅当(IFF)：(1)从与该数据类型相关联的估计器产生的残差是小的并且(2)从与其它数据类型相关联的估计器产生的残差是大的时，感测数据类型才是错误的(即关联类型的传感器已发生故障)。例如，当且仅当：(1)从估计器1 410a产生的残差(r1)是小的(即|r1,Ps|<T且|r1,α|<T且|r2,AN|<T)并且(2)从估计器2 410b、估计器3 410c和估计器4 410d产生的残差是大的(即|r2,PT|≥T且|r3,PT|≥T且|r4,PT|≥T)时，针对总压力(PT)的感测数据310a才是错误的(即皮托管120已发生故障)。应该注意的是，T表示预定阈值。另外，应该注意的是，在一个或更多个实施方式中，不同的阈值T值可以被用于不同的残差。
另外，应该注意的是，从估计器1 410a产生的残差是小的，因为估计器1 410a不利用针对总压力(PT)的错误感测数据310a来生成其用于计算残差(r1)的估计值420a。另外，从估计器2 410b、估计器3 410c和估计器4 410d产生的残差是大的，因为这些估计器410b、410c、410d利用针对总压力(PT)的错误感测数据310a来生成其用于计算残差(r2,r3,r4)的估计值420b、420c、420d。
图9是示出了根据本公开的至少一个实施方式的残差如何由所公开的用于针对载具110的传感器故障检测和识别的***生成的示意图900。应该注意的是，此图所示的示例正在使用总共三种类型的数据(例如，总压力(PT)，静压力(PS)和AOA)。在此图中，每个估计器(例如，观察器(OBS)1、OBS 2和OBS 3)910a、910b、910c正在使用来自两种数据类型的表决值来针对所有三种数据类型生成估计值。
例如，与总压力(PT)数据类型相关联的第一估计器(OBS 1)910a利用静压力(PS)表决值(y2)和AOA表决值(y3)来生成(通过使用统计滤波器f1)其估计值
Figure BDA0002330842630000151
另外，与静压力(Ps)数据类型相关联的第二估计器(OBS 2)910b利用总压力(PT)表决值(y1)和AOA表决值(y3)来生成(通过使用统计滤波器f2)其估计值
Figure BDA0002330842630000152
另外，与AOA数据类型相关联的第三估计器(OBS 3)910c利用总压力(PT)表决值(y1)和静压力(PS)表决值(y2)来生成(通过使用统计滤波器f3)其估计值
Figure BDA0002330842630000153
在估计值
Figure BDA0002330842630000154
由估计器910a、910b、910c生成之后，将它们相应的估计值
Figure BDA0002330842630000155
减去表决值y1、y2、y3以生成残差r1、r2、r3。因此，r1等于
Figure BDA0002330842630000156
r2等于
Figure BDA0002330842630000157
并且r3等于
Figure BDA0002330842630000158
图10是示出了根据本公开的至少一个实施方式的由所公开的用于针对载具110的传感器故障检测和识别的***所利用的残差的示例性预期模式的图表1000。与图9类似，此图所示的示例正在使用总共三种类型的数据(例如，总压力(PT)、静压力(PS)和AOA)。在此图中，图表1000的前三行1010对应于第一残差r1，图表1000的后三行1020对应于第二残差r2，并且图表1000的最后三行1030对应于第三残差r3。
图表1000的第二列(f1＝f2＝f3＝0)示出了用于当无任何类型的数据是错误的时的残差的预期模式。由于数据都不是错误的，所以所有残差都应该接近于零，如第二列中所示。
图表1000的第三列(f1≠0，f2＝0，f3＝0)示出了当针对第一数据类型(例如，总压力(PT))的感测数据是错误的时的残差的预期模式。针对第二数据类型和第三数据类型的残差r2、r3(参考1020和1030的行)不会接近于零，因为它们关联的估计值
Figure BDA0002330842630000161
是使用针对第一数据类型(例如，总压力(PT))的表决值y1来生成的。
图表1000的第四列(f1＝0，f2≠0，f3＝0)示出了当针对第二数据类型(例如，静压力(PS))的感测数据是错误的时的残差的预期模式。针对第一数据类型和第三数据类型的残差r1、r3(参考1010和1030的行)不会接近于零，因为它们关联的估计值
Figure BDA0002330842630000162
是使用针对第二数据类型(例如，静压力(PS))的表决值y2来生成的。
图表1000的第五列(f1＝0，f2＝0，f3≠0)示出了当针对第三数据类型(例如，AOA)的感测数据是错误的时的残差的预期模式。针对第一数据类型和第二数据类型的残差r1、r2(参见1010和1020的行)不会接近于零，因为它们关联的估计值
Figure BDA0002330842630000163
Figure BDA0002330842630000164
是使用针对第三数据类型(例如，AOA)的表决值y3来生成的。
图11A和图11B一起形成示出了根据本公开的至少一个实施方式的所公开的用于针对载具的传感器故障检测和识别的方法的流程图。在方法的开始1110处，位于载具上的传感器感测数据(例如，测量数据)1120。在一个或更多个实施方式中，数据包括m种数据类型，并且m是大于二的整数。然后，至少一个处理器从数据1130的至少一些中去除已知破坏效应。至少一个处理器然后针对数据类型中的每一种对数据执行多数表决以针对数据类型中的每一种生成单个表决值1140。
然后，至少一个处理器针对数据类型中的每一种通过使用n个表决值来生成m个估计值1150。在一个或更多个实施方式中，n等于m减去1(即n＝m–1)。至少一个处理器然后通过将估计值与表决值相比较来生成残差1160，然后，至少一个处理器分析残差的模式以确定数据类型中的哪一种是错误的以检测并识别由载具1170上的传感器中的至少一个所经历的故障。
然后，至少一个处理器生成指示数据类型中的哪一种是错误的和/或哪些类型的传感器正在经历故障的警报信号1180。然后基于包含在警报信号中的信息来生成视觉警报(例如，使用指示灯和/或显示器)和/或听觉警报(例如，使用扬声器)1190。然后，生成指示要使用合成数据而不是错误的感测数据的合成数据信号1195。方法在1197处结束。
此外，本公开包括根据以下条款的实施方式：
条款1：一种用于针对载具(110)的传感器故障检测和识别的方法，该方法包括：
利用位于所述载具(110)上的传感器来感测数据，其中，所述数据包括m种数据类型，并且m是大于二的整数；
由至少一个处理器(170)针对所述数据类型中的每一种对所述数据执行多数表决以针对所述数据类型中的每一种生成单个表决值；
由所述至少一个处理器(170)针对所述数据类型中的每一种通过使用n个所述表决值来生成m个估计值，其中，n等于m减去一；
由所述至少一个处理器(170)通过将所述估计值与所述表决值相比较来生成残差；以及
由所述至少一个处理器(170)分析所述残差的模式以确定所述数据类型中的哪一种是错误的以检测并识别由所述载具(110)上的所述传感器中的至少一个所经历的故障。
条款2：根据条款1所述的方法，其中，所述数据包括测量数据。
条款3：根据条款1所述的方法，其中，所述传感器包括皮托管(120)、皮托静压管(220)、静压口(130)、静压管(210)、攻角(AOA)解析器(140)和加速度计(150)中的至少两种。
条款4：根据条款1所述的方法，其中，所述数据类型包括总压力、静压力、攻角(AOA)和加速度中的至少三种。
条款5：根据条款1所述的方法，其中，所述载具(110)是空中载具、陆地载具和海上载具中的一种。
条款6：根据条款5所述的方法，其中，所述空中载具是飞机、无人驾驶空中载具(UAV)和直升机中的一种。
条款7：根据条款1所述的方法，其中，所述方法还包括由所述至少一个处理器(170)从所述数据的至少一些中去除已知破坏效应。
条款8：根据条款7所述的方法，其中，所述已知破坏效应由所述至少一个处理器(170)通过利用动态压力、马赫数、攻角(AOA)、襟翼位置、起落架位置、剩余推力和地面效应项中的至少一个来去除。
条款9：根据条款1所述的方法，其中，所述至少一个处理器(170)通过利用至少一个统计滤波器来生成所述估计值。
条款10：根据条款9所述的方法，其中，所述至少一个统计滤波器是扩展卡尔曼滤波器(EKF)。
条款11：根据条款1所述的方法，其中，所述方法还包括由所述至少一个处理器(170)生成警报信号，该警报信号指示所述数据类型中的哪一种是错误的或哪些类型的传感器正在经历故障中的至少一者。
条款12：根据条款11所述的方法，其中，所述方法还包括基于包含在所述警报信号中的信息来生成视觉警报或听觉警报中的至少一种。
条款13：根据条款1所述的方法，其中，所述方法还包括由所述至少一个处理器(170)生成指示要使用合成数据而不是错误的感测数据的合成数据信号。
条款14：一种用于针对载具(110)的传感器故障检测和识别的***，该***包括：
传感器，位于所述载具(110)上，以感测数据，其中，所述数据包括m种数据类型，并且m是大于二的整数；以及
至少一个处理器(170)，该至少一个处理器(170)针对所述数据类型中的每一种对所述数据执行多数表决以针对所述数据类型中的每一种生成单个表决值，针对所述数据类型中的每一种通过使用n个所述表决值来生成m个估计值，其中，n等于m减去一，通过将所述估计值与所述表决值相比较来生成残差，并且分析所述残差的模式以确定所述数据类型中的哪一种是错误的，以检测并识别由所述载具(110)上的所述传感器中的至少一个所经历的故障。
条款15：根据条款14所述的***，其中，所述传感器包括皮托管(120)、皮托静压管(220)、静压口(130)、静压管(210)、攻角(AOA)解析器(140)和加速度计(150)中的至少两种。
条款16：根据条款14所述的***，其中，所述数据类型包括总压力、静压力、攻角(AOA)和加速度中的至少三种。
条款17：根据条款14所述的***，其中，所述至少一个处理器(170)还通过利用至少一个统计滤波器来生成所述估计值。
条款18：根据条款14所述的***，其中，所述至少一个处理器(170)还生成警报信号，该警报信号指示所述数据类型中的哪一种是错误的或哪些类型的传感器正在经历故障中的至少一者。
条款19：根据条款18所述的***，其中，所述***还包括以下各项中的至少一个：
至少一个指示灯(192)，该至少一个指示灯(192)用于基于包含在所述警报信号中的信息来生成视觉警报；
至少一个显示器(191)，该至少一个显示器(191)用于基于包含在所述警报信号中的所述信息来显示视觉显示警报；或
至少一个扬声器(190)，该至少一个扬声器(190)用于基于包含在所述警报信号中的所述信息来生成音频警报。
条款20：根据条款14的***，其中，所述至少一个处理器(170)还生成指示要使用合成数据而不是错误的感测数据的合成数据信号。
尽管已示出并描述了特定实施方式，然而应该理解的是，以上讨论不旨在限制这些实施方式的范围。虽然已在本文中公开并描述了本发明的许多方面的实施方式和变化，但是这样的公开内容是仅为了说明和例示而提供的。因此，可以在不脱离权利要求的范围的情况下做出各种改变和修改。
在上述方法指示某些事件以某种次序发生的情况下，受益于本公开的本领域普通技术人员会认识到，可以修改排序并且这样的修改与本公开的变化一致。附加地，方法的部分在可能时可以在并行过程中被同时执行，以及被顺序地执行。另外，可以执行方法的更多的步骤或更少的步骤。
因此，实施方式旨在举例说明可以落入权利要求的范围内的另选方案、修改和等同物。
尽管已在本文中公开了某些例示性实施方式和方法，然而根据前面的公开，对于本领域技术人员而言可以显而易见的是，可在不脱离本公开的真实精神和范围的情况下对这样的实施方式和方法做出变化和修改。存在许多其它示例，每个示例仅在细节方面彼此不同。因此，本公开旨在仅在通过所附权利要求以及适用法律的规则和原理所要求的程度上受限制。

Claims (15)

1.一种用于针对载具(110)的传感器故障检测和识别的方法，该方法包括：
利用位于所述载具(110)上的传感器来感测数据，其中，所述数据包括m种数据类型，并且m是大于二的整数；
由至少一个处理器(170)针对所述数据类型中的每一种对所述数据执行多数表决以针对所述数据类型中的每一种生成单个表决值；
由所述至少一个处理器(170)针对所述数据类型中的每一种通过使用n个所述表决值来生成m个估计值，其中，n等于m减去一；
由所述至少一个处理器(170)通过将所述估计值与所述表决值相比较来生成残差；以及
由所述至少一个处理器(170)分析所述残差的模式以确定所述数据类型中的哪一种是错误的，以检测并识别由所述载具(110)上的所述传感器中的至少一个所经历的故障。
2.根据权利要求1所述的方法，其中，所述数据包括测量数据。
3.根据权利要求1所述的方法，其中，所述传感器包括皮托管(120)、皮托静压管(220)、静压口(130)、静压管(210)、攻角AOA解析器(140)和加速度计(150)中的至少两种。
4.根据权利要求1所述的方法，其中，所述数据类型包括总压力、静压力、攻角AOA和加速度中的至少三种。
5.根据权利要求1所述的方法，其中，所述载具(110)是空中载具、陆地载具和海上载具中的一种。
6.根据权利要求5所述的方法，其中，所述空中载具是飞机、无人驾驶空中载具UAV和直升机中的一种。
7.根据权利要求1所述的方法，其中，所述方法还包括由所述至少一个处理器(170)从所述数据的至少一些中去除已知破坏效应。
8.根据权利要求7所述的方法，其中，所述已知破坏效应由所述至少一个处理器(170)通过利用动态压力、马赫数、攻角AOA、襟翼位置、起落架位置、剩余推力和地面效应项中的至少一个来去除。
9.根据权利要求1所述的方法，其中，所述至少一个处理器(170)通过利用至少一个统计滤波器来生成所述估计值。
10.根据权利要求9所述的方法，其中，所述至少一个统计滤波器是扩展卡尔曼滤波器EKF。
11.根据权利要求1所述的方法，其中，所述方法还包括由所述至少一个处理器(170)生成警报信号，该警报信号指示所述数据类型中的哪一种是错误的和哪些类型的传感器正在经历故障中的至少一者。
12.根据权利要求11所述的方法，其中，所述方法还包括基于包含在所述警报信号中的信息来生成视觉警报和听觉警报中的至少一种。
13.根据权利要求1所述的方法，其中，所述方法还包括由所述至少一个处理器(170)生成合成数据信号，所述合成数据信号指示要使用合成数据而不是错误的感测数据。
14.一种用于针对载具(110)的传感器故障检测和识别的***，该***包括：
传感器，该传感器位于所述载具(110)上，以感测数据，其中，所述数据包括m种数据类型，并且m是大于二的整数；以及
至少一个处理器(170)，该至少一个处理器(170)针对所述数据类型中的每一种对所述数据执行多数表决以针对所述数据类型中的每一种生成单个表决值，针对所述数据类型中的每一种通过使用n个所述表决值来生成m个估计值，其中，n等于m减去一，通过将所述估计值与所述表决值相比较来生成残差，并且分析所述残差的模式以确定所述数据类型中的哪一种是错误的，以检测并识别由所述载具(110)上的所述传感器中的至少一个所经历的故障。
15.根据权利要求14所述的***，其中，所述传感器包括皮托管(120)、皮托静压管(220)、静压口(130)、静压管(210)、攻角AOA解析器(140)和加速度计(150)中的至少两种。
CN201911335586.6A 2018-12-21 2019-12-23 使用残差故障模式辨识的传感器故障检测和识别 Pending CN111351516A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/230,938 2018-12-21
US16/230,938 US11385632B2 (en) 2018-12-21 2018-12-21 Sensor fault detection and identification using residual failure pattern recognition

Publications (1)

Publication Number Publication Date
CN111351516A true CN111351516A (zh) 2020-06-30

Family

ID=69185145

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911335586.6A Pending CN111351516A (zh) 2018-12-21 2019-12-23 使用残差故障模式辨识的传感器故障检测和识别

Country Status (5)

Country Link
US (1) US11385632B2 (zh)
EP (1) EP3671130B1 (zh)
JP (1) JP7382222B2 (zh)
CN (1) CN111351516A (zh)
BR (1) BR102019027528A2 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114545907A (zh) * 2022-03-15 2022-05-27 中南大学 一种基于滤波器的飞行控制***的故障检测方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11334057B2 (en) * 2019-01-25 2022-05-17 Waygate Technologies Usa, Lp Anomaly detection for predictive maintenance and deriving outcomes and workflows based on data quality
CN112947391B (zh) * 2021-04-05 2022-04-01 西北工业大学 一种基于tomfir残差的飞行控制***执行器微小故障诊断方法
CN114035543B (zh) * 2021-11-05 2023-12-12 中国空气动力研究与发展中心空天技术研究所 一种飞机受损状态下的自修复控制方法
FR3132398B1 (fr) 2022-02-01 2024-03-08 Safran Aircraft Engines Système de commande d’un dispositif muni d’au moins capteur redondé à détection et isolement des pannes d’un desdits capteurs.
CN114648825B (zh) * 2022-03-18 2024-04-05 成都科洛威尔科技有限公司 一种通用飞机飞行记录及控制综合设备
CN115307670B (zh) * 2022-10-12 2023-01-13 蘑菇物联技术（深圳）有限公司 用于定位中央空调***异常传感器的方法、设备和介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050010389A1 (en) * 2003-07-07 2005-01-13 Airbus France Method and device for monitoring the validity of at least one parameter which is calculated by an anemometeric unit of an aircraft
US20110040430A1 (en) * 2008-04-21 2011-02-17 Bombardier Inc. Integrity monitoring of inertial reference unit
CN102944216A (zh) * 2012-10-29 2013-02-27 中国海洋石油总公司 基于改进表决算法的三冗余船舶动力定位艏向测量方法
CN103499921A (zh) * 2013-09-11 2014-01-08 西安交通大学 变结构模糊***传感器故障诊断方法及其在飞控***的应用
CN103533571A (zh) * 2013-11-07 2014-01-22 东南大学 基于投票策略的容错事件检测方法
CN103970997A (zh) * 2014-05-06 2014-08-06 南昌华梦达航空科技发展有限公司 一种无人直升机传感器故障快速诊断方法
CN106778875A (zh) * 2016-12-21 2017-05-31 南京航空航天大学 一种基于投影与支持向量机的多类分类方法
US20180340795A1 (en) * 2017-05-23 2018-11-29 Airbus Operations S.A.S. Method and device for monitoring and estimating parameters relating to the flight of an aircraft

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8620519B2 (en) * 2005-04-18 2013-12-31 Honeywell International Inc. Kernel-based fault detection system and method
US8204635B2 (en) * 2008-12-16 2012-06-19 Honeywell International Inc. Systems and methods of redundancy for aircraft inertial signal data
FR2988851B1 (fr) * 2012-03-28 2014-04-25 Dassault Aviat Procede de determination d'un etat de credibilite de mesures d'un capteur d'incidence d'un aeronef et systeme correspondant
FR2989500B1 (fr) * 2012-04-12 2014-05-23 Airbus Operations Sas Procede, dispositifs et programme d'ordinateur d'aide a l'analyse de la tolerance aux pannes d'un systeme d'un aeronef, utilisant des graphes d'evenements redoutes
US9128109B1 (en) * 2012-08-20 2015-09-08 The Boeing Company Method and system for detecting errors in indicated air speed
US9213323B2 (en) * 2013-02-12 2015-12-15 The Boeing Company Oscillatory failure common-mode monitor
DE102013012497A1 (de) * 2013-07-26 2015-01-29 Wabco Gmbh Verfahren und elektronische Schaltungsanordnung zur redundanten Signalverarbeitung einer sicherheitsrelevanten Anwendung, Kraftfahrzeugbremssystem und Kraftfahrzeug damit sowie Verwendung einer derartigen elektronischen Schaltungsanordnung
EP3036156B1 (en) * 2013-08-23 2019-05-08 Bombardier Inc. Abnormal aircraft response monitor
US11640178B2 (en) * 2016-12-13 2023-05-02 Acsl Ltd. Unmanned aircraft, device for controlling unmanned aircraft, method for controlling unmanned aircraft, and device for detecting failure of unmanned aircraft
WO2019071327A1 (en) * 2017-10-11 2019-04-18 Embraer S.A. NEURONAL NETWORK SYSTEM HAVING TRAINING BASED ON A COMBINATION OF MODEL AND FLIGHT INFORMATION FOR ESTIMATING AIRCRAFT AIR DATA

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050010389A1 (en) * 2003-07-07 2005-01-13 Airbus France Method and device for monitoring the validity of at least one parameter which is calculated by an anemometeric unit of an aircraft
US20110040430A1 (en) * 2008-04-21 2011-02-17 Bombardier Inc. Integrity monitoring of inertial reference unit
CN102944216A (zh) * 2012-10-29 2013-02-27 中国海洋石油总公司 基于改进表决算法的三冗余船舶动力定位艏向测量方法
CN103499921A (zh) * 2013-09-11 2014-01-08 西安交通大学 变结构模糊***传感器故障诊断方法及其在飞控***的应用
CN103533571A (zh) * 2013-11-07 2014-01-22 东南大学 基于投票策略的容错事件检测方法
CN103970997A (zh) * 2014-05-06 2014-08-06 南昌华梦达航空科技发展有限公司 一种无人直升机传感器故障快速诊断方法
CN106778875A (zh) * 2016-12-21 2017-05-31 南京航空航天大学 一种基于投影与支持向量机的多类分类方法
US20180340795A1 (en) * 2017-05-23 2018-11-29 Airbus Operations S.A.S. Method and device for monitoring and estimating parameters relating to the flight of an aircraft

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
贾彩娟;许晖;: "多模自适应滤波算法的性能改进方法", 火力与指挥控制, no. 05, pages 40 - 42 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114545907A (zh) * 2022-03-15 2022-05-27 中南大学 一种基于滤波器的飞行控制***的故障检测方法
CN114545907B (zh) * 2022-03-15 2023-12-19 中南大学 一种基于滤波器的飞行控制***的故障检测方法

Also Published As

Publication number Publication date
BR102019027528A2 (pt) 2022-04-05
US20200201312A1 (en) 2020-06-25
US11385632B2 (en) 2022-07-12
EP3671130A1 (en) 2020-06-24
JP2020114727A (ja) 2020-07-30
JP7382222B2 (ja) 2023-11-16
EP3671130B1 (en) 2023-06-28

Similar Documents

Publication Publication Date Title
EP3671130B1 (en) Sensor fault detection and identification using residual failure pattern recognition
US11747360B2 (en) Neural network system whose training is based on a combination of model and flight information for estimation of aircraft air data
EP2453245B1 (en) System and method for detecting blocked Pitot-Static Ports
EP3006899B1 (en) Systems and methods for attitude fault detection based on air data and aircraft control settings
US8620495B2 (en) Air data stall protection system
US8930062B2 (en) System and method for detecting and isolating faults in pressure sensing of flush air data system (FADS)
US10858123B2 (en) Methods and systems for detecting data anomalies
CN104931007B (zh) 用于自动估算与航空器的飞行相关的参数的方法和装置
US11472568B2 (en) Prognostic monitoring of complementary air data system sensors
RU2771090C1 (ru) Система и способ обнаружения ошибочных измерений давления в системе воздушных сигналов с невыступающими приемниками давления с использованием эпюр давлений между соседними отверстиями для отбора давления
US20190346279A1 (en) Distributed air data system architecture including acoustic sensors
US7415396B2 (en) Method and device for monitoring the validity of at least one parameter which is calculated by an anemometeric unit of an aircraft
US9146250B2 (en) Methods and systems for displaying backup airspeed of an aircraft
US20190064198A1 (en) Air data system architectures using integrated pressure probes
Accardo et al. Advanced Technique to Detect Air Data System Failure by means of MEMS Inertial Sensors
EP4086637A1 (en) Computation of aircraft airspeed by inclusion of static air temperature
Samara et al. Detection of sensor abrupt faults in aircraft control systems
Prabhu et al. Robust fault detection and diagnosis of primary air data sensors in the presence of atmospheric turbulence
Kılıç Deep Learning-Based Airspeed Estimation System for a Commercial Aircraft: Ticari Uçaklar için Derin Öğrenme Tabanlı Hava Hızı Tahmin Sistemi

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination