一种飞行控制系统的故障诊断方法、装置和存储介质

1.本发明属于飞行控制系统的故障诊断技术领域，尤其涉及一种飞行控制系统的故障诊断方法、装置和存储介质。


背景技术：

2.高可靠性和安全性的飞行控制系统一直是航空器的重要研究方向。飞行控制系统包括飞行控制计算机、执行机构、机载传感器和其他记录计算机。飞行控制计算机是飞行控制系统的核心，它的工作是完成无人机的飞行控制任务和管理机载设备的调度。更重要的是，它能实现资源共享，整合数据和信息，同时也是空中和地面指挥系统的连接枢纽。然而，现在无人机的任务数量和复杂性都在增加。同时，传感器的多数据融合、飞行包线的增加和性能边界对飞行控制计算机的可靠性和安全性提出了更高要求。
3.余度技术是飞行控制计算机实现容错能力的主要手段，在当前计算机复杂的体系结构下，功能愈加强大的同时带来的是系统复杂性的大大增加，因此完备的计算机硬件以及软件是不存在的，而余度技术的出现大大减少了相同部件同时出现故障的概率，以此增加系统的可靠性。
4.目前，分布式架构下的飞行控制计算机主要采用了硬件余度，故障检测，系统重构，故障恢复等一系列容错控制方法，在当前无人机任务日渐复杂，任务环境日渐剧烈的情况下，分布式飞行控制计算机所需资源数目也急剧增加，节点之间的耦合也在加重。因而必须设计更加可靠有效的容错控制方法，才能使得分布式飞行控制计算机的可靠性得到保障。


技术实现要素：

5.发明目的：针对当前复杂无人机输出耦合严重，故障诊断信息利用不足的情况，本发明提出一种飞行控制系统故障诊断方法，可以有效提高无人机输出通道高耦合情况下的故障诊断准确率，并且通过与硬件余度相结合的方法，将故障诊断覆盖面扩大至飞行控制系统中的飞行控制计算机，执行机构以及机载传感器，提高了飞行控制系统的故障诊断准确率与覆盖率。
6.所述方法包括以下步骤：
7.步骤1、(计算机设备)建立无人机对象模型，并利用所述无人机对象模型生成(执行机构和机载传感器的)故障检测滤波器，其中，所述无人机对象模型中包括：三余度中央处理单元、双余度串行接口单元和四余度总线单元；
8.步骤2、采集所述机载传感器的故障检测滤波器输出的残差数据，利用所述残差数据并通过蚁群算法训练一类支持向量机模型，并记录训练得到的最优模型参数；
9.步骤3、飞行控制计算机加载所述故障检测滤波器和所述一类支持向量机模型；
10.步骤4、利用硬件余度并通过所述一类支持向量机模型，进行飞行控制系统的故障诊断；
11.步骤5、利用故障诊断的结果更新系统结构。
12.在步骤1之前，还包括：
13.(计算机设备)构建飞行控制系统的拓扑结构信息，所述拓扑结构信息用于表示所述飞行控制系统的组成部分，所述组成部分包括：飞行控制计算机、执行机构、机载传感系统和机体；
14.其中，所述拓扑结构信息中还包括：飞行控制计算机的分布式结构信息，具体地，所述飞行控制计算机采用分布式结构，包括三余度中央处理单元、双余度串行通信单元和四余度总线单元，三余度中央处理单元与双余度串行通信单元通过四余度总线单元双向连接；
15.其中，所述三余度中央处理单元用于飞行控制系统的控制律解算、逻辑运算与设备管理；所述双余度串行通信单元负责与外部设备通信；所述四余度总线单元负责飞行控制计算机内部的双向通信。
16.步骤1包括：设线性时不变的飞行控制系统动态方程为：
[0017][0018]
式中，u(t)为系统输入向量，y(t)是系统输出向量，a、b、c均为系数矩阵，a∈rn×n，b∈rn×m，c∈r
p
×n，rn×n表示n
×
n的矩阵，rn×m表示n
×
m的矩阵，r
p
×n表示p
×
n的矩阵，u(t)为输入，x(t)为状态矩阵，为x(t)求导后的状态矩阵；
[0019]
设是状态估计向量，是输出估计向量，k是系统增益矩阵，给出系统状态误差e(t)为：
[0020][0021]
对e(t)求导得到进一步得出状态误差方程为：
[0022][0023]
是是求导结果；
[0024]
输出误差ε(t)为：
[0025][0026]
对于执行机构故障：在故障检测滤波器中，如果执行机构i在t时刻发生故障，此时系统输入u(t)为：
[0027]
u(t)＝ud(t)+ein(t)
ꢀꢀ
(5)
[0028]
其中，ud(t)为正常状态下期望的控制输入；ei＝[0
…1…
0]为执行机构i的控制信息方向，n(t)为当前时刻；
[0029]
将式(2)、式(5)代入式(4)中，得到如下更新后的状态误差方程：
[0030][0031]
其中，f为传感器故障矢量：
[0032]
f＝beiꢀꢀ
(7)
[0033]
根据式(6)以及式(4)直接解得：
[0034][0035]
式中，e(0)为系统初始误差，n(τ)为任意的标量时间函数，dτ为微分项；e(t)和ε(t)都分成两个独立项，前一项为系统瞬态解，后一项为系统稳定解，不考虑瞬态问题，只考虑稳定状态下的系统状态：
[0036][0037]
式中es(t)为稳态系统状态误差，εs(t)为稳态输出误差；
[0038]
对于机载传感器故障，在故障检测滤波器中，如果传感器j在t时刻发生故障，此时系统输出为：
[0039]
y(t)＝cx(t)+ejn(t)
ꢀꢀ
(10)
[0040]
式中，ej＝[0
…
0 1 0
…
0]
t
为传感器j的矢量方向，n(t)为当前时刻；
[0041]
将式(2)、式(10)代入式(3)中，得到如下更新后的状态误差方程：
[0042][0043]
其中，f为传感器故障矢量：
[0044]
f＝kejꢀꢀꢀ
(12)
[0045]
将式(10)代入式(4)中，得到：
[0046][0047]
根据式(11)以及式(13)直接解得：
[0048][0049]
式中，e(t)和ε(t)结构一致，都分成两个独立项，前一项为系统瞬态解，后一项为系统稳定解，不考虑瞬态问题，只考虑稳定状态下的系统状态：
[0050][0051]
步骤2包括：
[0052]
步骤2-1，故障检测滤波器中输出n个独立同分布残差向量es＝{e1,e2,
…ei
,
…
,en}，其中ei＝{e1,e2,
…
,ej}为周期i下第i个输出通道的残差矢量，ei是从故障检测滤波器中定期保存的输出通道i下的残差值，i＝1
…
j；
[0053]
将无故障状态下的es作为一类支持向量机模型的训练数据集，并且给出从输入特征空间到高维空间χ的非线性变换φ，其中φ满足φ(ei)∈χ，φ(ei)为映射函数，在χ中建立超平面ω
t
·
φ(e)-ρ＝0，其中，上标t表示矩阵转置，ω为超平面的法向量，ρ为原点到超平面的距离；
[0054]
一类支持向量机模型目标解决如下优化问题：
[0055][0056]
其中，ξi》0为松弛因子；v∈(0,1]表示超平面的分类性能的可信度；
[0057]
在求解式(16)中的二次规划问题时，引入拉格朗日函数l
p
：
[0058][0059]
其中，αi≥0，βi≥0为拉格朗日乘子，ω为超平面的法向量；
[0060]
通过对ω、ξi以及ρ求导，做最小化处理：
[0061][0062][0063][0064]
将式(18)、式(19)、式(20)代入式(17)中，采用高斯核函数k(ei,ej)代替内积(ei,ej)，得到如下优化问题：
[0065][0066][0067]
其中，s.t.全称为subject to，表示受限制于；exp为指数操作，σ为核参数，指α取最小值，αi和αj分别为随着序列i和序列j变化时的拉格朗日乘子；
[0068]
与优化问题相对应的决策函数f(e)为：
[0069]
f(e)＝sgn(ω
t
·
φ(e)-ρ)
ꢀꢀ
(23)
[0070]
sgn()为如下符号函数：
[0071][0072]
步骤2-2，建立蚁群算法优化模型参数：
[0073]
将模型参数中的惩罚参数v以及核参数σ作为待优化参数，进行如下参数优化方法：
[0074]
步骤2-2-1，以参数(v,σ)为每只蚂蚁的位置，初始化蚁群算法中的迭代次数m、蚁群总数n、信息素传递系数rho以及转移概率常数；随机生成每只蚂蚁的初始位置(v,σ)，然后在正常状态的训练集下通过一类支持向量机模型学习对应的正确率模型：
[0075]
t0(i)＝precission(i)
ꢀꢀ
(25)
[0076]
式中，t0(i)为当前蚂蚁所在位置的正确率，precission为抽象后的正确率计算公式；
[0077]
步骤2-2-2，在蚁群算法的主循环中，先找到信息素最大的蚂蚁，保存为t0(bestindex)，然后再根据每只蚂蚁本身的信息素从而确定其下一次转移概率p(i)：
[0078][0079]
设当前的迭代次数为k，标记(v
old
,σ
old
)作为迭代前的蚂蚁位置，其中，v
old
，σ(old)分别为迭代前的惩罚参数v和核参数σ，标记(v
new
,σ
new
)作为迭代后的蚂蚁位置，其中，v
new
，σ(new)分别为迭代后的惩罚参数v和核参数σ；如果转移概率p(i)《p0，则进行局部搜索，v
new
＝v
old
+χ
·
α，σ
new
＝σ
old
+χ
·
α；如果p(i)≥p0，则进行全局搜索，v
new
＝v
old
+χ
·
β，σ
new
＝σ
old
+χ
·
β；其中p0为状态转移因子；α＝1/k为常数数值；χ为搜索范围；β为全局搜索步长；
[0080]
步骤2-2-3，如果所有的蚂蚁都完成了局部或全局搜索迭代，则根据蚁群算法的规则更新每个蚂蚁信息素，其中信息素更新规则为：
[0081][0082]
其中为k+1时刻根据k时刻的信息素更新后的信息素；
[0083]
将更新后的最大信息素作为新一轮的t0(bestindex)，重复步骤2-2-2，直到完成所有的迭代，最后将信息素最大的蚂蚁位置(v
best
,σ
best
)作为一类支持向量机模型ocsvm(one-class support vector machine)的最优模型参数。
[0084]
步骤2中，所述一类支持向量机模型的训练数据为正常状态下故障检测滤波器输出参数数据，通过蚁群算法迭代得出最优模型参数，最优模型参数包括惩罚系数和核参数。
[0085]
步骤2中，所述通过蚁群算法对一类支持向量机模型进行训练，包括蚁群算法参数整定和一类支持向量机参数整定，蚁群算法参数整定和一类支持向量机参数整定为承接关系，不具有耦合性。
[0086]
步骤3中，飞行控制计算机通过功能单元加载所述故障检测滤波器和所述一类支持向量机模型，所述功能单元为双余度串行接口单元。
[0087]
步骤3包括：双余度串行接口单元中加载的故障检测滤波器的输入为三余度中央处理单元控制律解算的执行机构控制数据和双余度串行通信单元采集的机载传感器数据，故障检测滤波器的输出为包含故障信息的残差数据；
[0088]
双余度串行接口单元中配置的一类支持向量机模型的输入为故障检测滤波器输出的包含故障信息的残差数据，输出为双余度串行通信单元故障信息；
[0089]
通过双余度串行通信单元采集的传感器信息和一类支持向量机模型输出结果进行故障诊断，故障诊断覆盖面包括双余度串行接口单元的输入/输出功能接口故障、执行机构和人机载传感器系统故障。
[0090]
另一方面，本发明还提供了一种飞行控制系统的故障诊断装置，包括：
[0091]
无人机对象模型建立模块，用于建立无人机对象模型，并利用所述无人机对象模型生成执行机构和机载传感器的故障检测滤波器，其中，所述无人机对象模型中包括：三余度中央处理单元、双余度串行接口单元和四余度总线单元；
[0092]
一类支持向量机模型建立模块，用于采集所述机载传感器的故障检测滤波器输出的残差数据，利用所述残差数据并通过蚁群算法训练一类支持向量机模型，并记录训练得到的最优模型参数；
[0093]
飞行控制计算机加载所述故障检测滤波器和所述一类支持向量机模型；
[0094]
故障诊断模块，用于利用硬件余度并通过所述一类支持向量机模型，进行飞行控制系统的故障诊断；利用故障诊断的结果更新系统结构。
[0095]
另一方面，本发明还提供了一种存储介质，存储有计算机程序或指令，当所述计算机程序或指令被运行时，实现本发明所述的一种飞行控制系统的故障诊断方法。
[0096]
本发明的有益效果如下：
[0097]
1、采用一类支持向量机作为故障诊断工具，提高了故障信息的利用率，减少了系统高耦合带来的复杂性。
[0098]
2、采用蚁群算法寻找模型最优模型参数，降低了人为影响，提高了模型的准确性。
[0099]
3、提高故障诊断覆盖率，可以有效进行飞行控制计算机中的串行通信单元与机载传感器的故障诊断。
附图说明
[0100]
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
[0101]
图1是飞行控制系统结构示意图。
[0102]
图2是分布式飞行控制计算机结构示意图。
[0103]
图3是飞行控制系统信息流通结构示意图。
[0104]
图4是检测滤波器跟踪结构示意图。5
[0105]
图5是典型故障类型示意图。
[0106]
图6是模型参数优化示意图。
具体实施方式
[0107]
本发明公开了一种以蚁群算法优化一类支持向量机模型参数，并结合飞行控制系统硬件余度的综合故障诊断方法。飞行控制系统的结构如图1所示，主要包含了飞行控制计算机、执行机构、机载传感系统和机体，执行机构接收来及舵机控制器的控制信号，通过控制机体反馈执行机构响应结果给机载传感器，飞行控制计算机接收到传感器信息后按照控制律输出控制结果之舵机控制器。分布式飞行控制计算机如图2所示，在分布式飞行控制计算机中，中央处理单元采用三余度结构，串行通信单元采用双余度结构，总线单元采用四余度结构，图2中，rx表示串行通信单元与外部设备的接收接口，tx表示串行通信单元与外部设备的发送接口，cu为中央处理单元，iu为接口单元。中央处理单元是飞行控制计算机中的核心部件，负责控制律解算和逻辑运算功能；串行接口单元是飞行控制计算机与外界联系的通道，其作用是为飞行控制计算机提供与外界通讯的接口；总线单元是飞行控制计算机内部各功能部件之间通讯的双向交互通道。
[0108]
飞行控制系统信息流通结构如图3所示，从图3可以得知，飞行控制系统的信息交互主要有机载传感器、飞行控制计算机、执行机构、无人机机体以及地面站组成。当无人机
开始执行任务之后，飞行控制计算机就要按固定频率与机载传感器、执行机构以及地面站通信，从而实现对无人机的一个闭环控制。
[0109]
检测滤波器跟踪结构如图4所示，其中，a、b、c均为系数矩阵，u(t)为输入，y(t)为输出，是y(t)是求导，k是系统增益矩阵。典型故障类型如图5所示，分为突变故障、横偏差故障和渐变故障。
[0110]
下面对飞行控制系统故障诊断过程实现的设计进行详细说明。
[0111]
1、故障检测滤波器
[0112]
设线性时不变的飞行控制系统动态方程为：
[0113][0114]
式中，u(t)为系统输入向量，y(t)是系统输出向量，a、b、c均为系数矩阵，a∈rn×n，b∈rn×m，c∈r
p
×n，rn×n表示n
×
n的矩阵，rn×m表示n
×
m的矩阵，r
p
×n表示p
×
n的矩阵，u(t)为输入，x(t)为状态矩阵，为x(t)求导后的状态矩阵。
[0115]
在图4中，观测向量与检测滤波器的输出向量的差值经过设计好的系统增益矩阵后，加入检测滤波器闭环控制中。在该增益矩阵的作用下，检测滤波器将逐步消除初始误差引起的检测滤波器跟踪误差。
[0116]
按照图4给出检测滤波器的观测形式，证明检测滤波器的故障可检测性，图中，是状态估计向量，是输出估计向量，k是系统增益矩阵。
[0117]
给出系统状态误差e(t)为：
[0118][0119]
进一步的，对e(t)求导得到进一步得出状态误差方程为：
[0120][0121]
是是求导结果；
[0122]
输出误差ε(t)为：
[0123][0124]
下面考虑两种故障类型：执行机构故障、机载传感器故障。
[0125]
(1)执行机构故障
[0126]
在所述故障检测滤波器中，考虑执行机构i在t时刻发生故障，此时，系统输入u(t)为：
[0127]
u(t)＝ud(t)+ein(t)
ꢀꢀ
(5)
[0128]
其中，ud(t)为正常状态下期望的控制输入；ei＝[0
…1…
0]为执行机构i的控制信息方向，n(t)为当前时刻；
[0129]
将式(2)、式(5)代入式(4)中，得到如下更新后的状态误差方程：
[0130]
[0131]
其中，f为传感器故障矢量：
[0132]
f＝bei(7)
[0133]
根据式(6)以及式(4)直接解得：
[0134][0135]
式中，e(0)为系统初始误差，n(τ)为任意的标量时间函数，dτ为微分项。e(t)和ε(t)都分成两个独立项，前一项为系统瞬态解，后一项为系统稳定解，这里不考虑瞬态问题，只考虑稳定状态下的系统状态：
[0136][0137]
式中es(t)为稳态系统状态误差，εs(t)为稳态输出误差；
[0138]
(2)机载传感器故障
[0139]
在所述故障检测滤波器中，设定传感器j在t时刻发生故障，此时，系统输出为：
[0140]
y(t)＝cx(t)+ejn(t)
ꢀꢀ
(10)
[0141]
式中，ej＝[0
…
0 1 0
…
0]
t
为传感器j的矢量方向，n(t)为当前时刻。
[0142]
将式(2)、式(10)代入式(3)中，得到如下更新后的状态误差方程：
[0143][0144]
其中，f为传感器故障矢量：
[0145]
f＝kejꢀꢀꢀ
(12)
[0146]
将式(10)代入式(4)中，得到：
[0147][0148]
根据式(11)以及式(13)直接解得：
[0149][0150]
式中，e(t)和ε(t)结构一致，都分成两个独立项，前一项为系统瞬态解，后一项为系统稳定解，这里不考虑瞬态问题，只考虑稳定状态下的系统状态：
[0151][0152]
从式(9)和式(15)中可以得出如下结论：无论是执行机构故障还是传感器故障，其都具有相同的形式，并且外部机载设备故障引起的系统故障仅和其本身故障情况相关，和外部扰动无关。
[0153]
从式(6)以及式(11)中可以看出，图4的线性系统中，故障的可检测性由系统增益矩阵k决定，故障可检测的充分条件为：稳定输出误差ces(t)的输出方向固定；(a-kc)满秩。
[0154]
在上述条件下，如果执行机构故障和传感器故障是可测的，则只需要通过输出误
差ces(t)的方向即能够定位故障位置。
[0155]
2、一类支持向量机模型
[0156]
故障检测滤波器中输出n个独立同分布残差向量es＝{e1,e2,
…ei
,
…
,en}，其中ei＝{e1,e2,
…
,ej}为周期i下第i个输出通道的残差矢量，ei(i＝1
…
j)是从故障检测滤波器中定期保存的输出通道i下的残差值。
[0157]
将无故障状态下的es作为一类支持向量机模型的训练数据集，并且给出从输入特征空间到高维空间χ的非线性变换φ，其中φ满足φ(ei)∈χ，φ(ei)为映射函数，在χ中建立超平面ω
t
·
φ(e)-ρ＝0，其中，上标t表示矩阵转置，ω为超平面的法向量，ρ为原点到超平面的距离。
[0158]
一类支持向量机模型目标解决如下优化问题：
[0159][0160]
其中，ξi》0为松弛因子，它的作用是使得解析超平面具有鲁棒性；v∈(0,1]在优化问题中起到的作用类似于标准支持向量机中的惩罚系数，表示超平面的分类性能的可信度。
[0161]
在求解式(16)中的二次规划问题时，引入拉格朗日函数l
p
：
[0162][0163]
其中，αi≥0，βi≥0为拉格朗日乘子，ω为超平面的法向量。
[0164]
通过对ω、ξi以及ρ求导，做最小化处理：
[0165][0166][0167][0168]
将式(18)、式(19)、式(20)代入式(17)中，采用高斯核函数k(ei,ej)代替内积(ei,ej)，得到如下优化问题：
[0169][0170]
k(ei,ej)＝φ(ei)
·
φ(ej)＝exp(-||e
i-ej||2/σ2)
ꢀꢀ
(22)
[0171]
其中，s.t.全称为subject to，表示受限制于；exp为指数操作，σ为核参数，指α取最小值，αi和αj分别为随着序列i和序列j变化时的拉格朗日乘子。
[0172]
与优化问题相对应的决策函数f(e)为：
[0173]
f(e)＝sgn(ω
t
·
φ(e)-ρ)
ꢀꢀ
(23)
[0174]
sgn()为如下符号函数：
[0175][0176]
3、蚁群算法优化模型参数
[0177]
将模型参数中的惩罚参数v以及核参数σ作为待优化参数，进行图6所示参数优化方法：
[0178]
1)首先，以参数(v,σ)为每只蚂蚁的位置，初始化蚁群算法中的迭代次数m、蚁群总数n、信息素传递系数rho以及转移概率常数。随机生成每只蚂蚁的初始位置(v,σ)，然后在正常状态的训练集下通过一类支持向量机模型学习对应的正确率模型：
[0179]
t0(i)＝precission(i)
ꢀꢀ
(25)
[0180]
式中，t0(i)为当前蚂蚁所在位置的正确率，precission为抽象后的正确率计算公式；
[0181]
2)在蚁群算法的主循环中，先找到信息素最大的蚂蚁，保存为t0(bestindex)，然后再根据每只蚂蚁本身的信息素从而确定其下一次转移概率p(i)：
[0182][0183]
设当前的迭代次数为k，标记(v
old
,σ
old
)作为迭代前的蚂蚁位置，其中，v
old
，σ(old)分别为迭代前的惩罚参数v和核参数σ，标记(v
new
,σ
new
)作为迭代后的蚂蚁位置，其中，v
new
，σ(new)分别为迭代后的惩罚参数v和核参数σ。如果转移概率p(i)《p0，则进行局部搜索，v
new
＝v
old
+χ
·
α，类似的σ
new
＝σ
old
+χ
·
α；如果p(i)≥p0，则进行全局搜索，v
new
＝v
old
+χ
·
β。类似的σ
new
＝σ
old
+χ
·
β。其中p0为状态转移因子，一般取t0(i)为中位数的蚂蚁的转移概率作为p0的数值；α＝1/k为常数数值；χ为搜索范围；β为全局搜索步长。
[0184]
3)如果所有的蚂蚁都完成了局部或全局搜索迭代，则根据蚁群算法的规则更新每个蚂蚁信息素，其中信息素更新规则为：
[0185][0186]
其中为k+1时刻根据k时刻的信息素更新后的信息素；
[0187]
将更新后的最大信息素作为新一轮的t0(bestindex)，重复步骤2)，直到完成所有的迭代。最后将信息素最大的蚂蚁位置(v
best
,σ
best
)作为ocsvm的最优模型参数。
[0188]
4、串行通信单元外部接口故障诊断
[0189]
串行通信单元采用硬件双余度输入和一类支持向量机模型组成多余度故障诊断结构，如表1所示。串行接口单元中配置机载滤波器fil_s(u,y)，经过决策后发送至总线的数据为y
sm
，输入至串行接口单元的机载传感器信号为ys，经串行接口输入为y
sa
、y
sb
，两者组成主从备份模式，配合使用机载滤波器以及一类支持向量机模型故障判断，在串行通信单元中形成四余度结构，并且依据y
sa
、y
sb
和一类支持向量机模型对串行接口单元进行故障判断，如表1所示。
[0190]
表1
[0191][0192]
表中编号1～4表示串行接口单元接收数据相同时，故障检测滤波器的各类输出情况。其中，若两组检测滤波器输出结果不同，则将输出结果为无故障的节点结果作为可靠数据；若两组检测滤波器结果相同且都判别为故障，则传感器故障，交由传感器内部自检测，若判别都为无故障，则系统正常。标号4-8表示串行接口单元接收数据不相同，其中，若两组检测滤波器输出结果不同，则将输出结果为无故障的节点结果作为可靠数据；若两组检测滤波器结果相同且都判别为故障，则认为所有串行接口单元都发生故障，若判别都为无故障，则无法判定，故障单元不明。从结果中表面，除非两个检测滤波器的表决结果都是正确，且输出结果不一致，对该类故障则无法判断。
[0193]
本实施例还提供了一种飞行控制系统的故障诊断装置，包括：
[0194]
无人机对象模型建立模块，用于建立无人机对象模型，并利用所述无人机对象模型生成执行机构和机载传感器的故障检测滤波器，其中，所述无人机对象模型中包括：三余度中央处理单元、双余度串行接口单元和四余度总线单元；
[0195]
一类支持向量机模型建立模块，用于采集所述机载传感器的故障检测滤波器输出的残差数据，利用所述残差数据并通过蚁群算法训练一类支持向量机模型，并记录训练得到的最优模型参数；
[0196]
飞行控制计算机加载所述故障检测滤波器和所述一类支持向量机模型；
[0197]
故障诊断模块，用于利用硬件余度并通过所述一类支持向量机模型，进行飞行控制系统的故障诊断；利用故障诊断的结果更新系统结构。
[0198]
如上所述，根据本技术实施例的装置，可以实现在各种终端设备中，例如分布式计算系统的服务器。在一个示例中，根据本技术实施例的装置可以作为一个软件模块和/或硬件模块而集成到所述终端设备中。例如，该装置可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该装置同样可以是该终端设备的众多硬件模块之一。
[0199]
替换地，在另一示例中，该装置与终端设备也可以是分立的终端设备，并且该装置可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0200]
本实施例还提供了一种计算机可读存储介质，其上存储有计算机程序指令，当所述计算机程序指令被计算装置执行时，可操作来执行如上所述的一种飞行控制系统的故障诊断方法。
[0201]
本发明提供了一种飞行控制系统的故障诊断方法、装置和存储介质，具体实现该
技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。