飞控Fairchild仙童传感器故障诊断
在无人机飞行控制（飞控）系统中，Fairchild仙童传感器用于测量飞机的飞行状态参数，并反馈至飞行控制计算机中进行飞行控制律解算，从而实现无人机的自动驾驶飞行任务。飞控Fairchild仙童传感器能否正常工作直接影响了无人机的安全可靠飞行，因此对飞控Fairchild仙童传感器进行在线故障诊断具有重要意义。

飞控Fairchild仙童传感器故障诊断
Fairchild主要研究内容和成果如下：首先，在了解现有故障诊断技术基础上，针对飞控系统Fairchild仙童传感器的特点，提出基于神经网络非线性系统辨识原理的故障诊断方法，建立了以垂直陀螺和速率陀螺输出为估计参数的神经网络观测器组，在线估计飞行参数。其次，针对Fairchild仙童传感器故障类型识别问题，采用线性回归的数理统计法，对故障残差信息进行一元线性回归建模分析，完成了Fairchild仙童传感器恒偏差及恒增益两种故障类型的识别；并提出双阈值故障检测法，对Fairchild仙童传感器故障在线检测，通过设置观测时间窗口，对残差序列连续观测，诊断Fairchild仙童传感器工作情况。再次，探讨了神经网络权值调整的基本算法及其改进算法的特点，并一一应用到本文建立的神经网络观测器进行学习，通过对网络收敛速度、网络辨识精度等性能指标的比较。其结果显示，LM算法在收敛速度上均远远高于其他学习算法，且网络估计误差均满足控制系统精度要求。表明LM算法的应用，综合提高了神经网络的收敛速度和估计精度两项指标。在线性zui小方差*信息融合准则下，对两Fairchild仙童传感器系统应用现代时间序列分析方法，基于ARMA新息模型，分别提出了按标量加权，按向量加权（按对角阵加权）和按矩阵加权的*和自校正信息融合Kalman滤波器，其中考虑估计误差的相关性，分别给出了相应的*融合估计的加权公式，且提出了带白色观测噪声的ARMA信号的*和自校正信息融合Wiener滤波器，*和自校正信息融合白噪声Wiener反卷积滤波器，以及*和自校正信息融合Wiener反卷积滤波器。本文提出的方法避免了求解Riccati方程和Diophantine方程，减小在线计算负担。特别可用于解决含有未知模型参数和噪声统计系统的自校正信息融合滤波问题。大量的仿真例子说明了算法的有效性。同时，采用LM算法，研究了不同隐层节点个数的神经网络性能，zui终确定*神经网络结构。zui后，对某型无人机，在matlab/simulink仿真环境下，就不同高度层的纵、横向控制要求，在不同飞行模态下，分别对垂直陀螺和速率陀螺Fairchild仙童传感器卡死、恒偏差、恒增益三种故障进行了故障诊断分析。

飞控Fairchild仙童传感器故障诊断
仿真结果表明：设计的神经网络观测器组可对Fairchild仙童传感器测量的无人机飞行状态参数进行在线估计；通过对故障后的Fairchild仙童传感器输出和网络输出样本线性回归建模分析，实现了Fairchild仙童传感器故障类型的识别；双阈值故障检测方法可有效滤除非故障引起的突变信号，降低虚警率，提高故障诊断可靠性。并利用网络估计值重构控制律反馈输入信号，维持了无人机的继续可靠飞行。