变结构模糊系统传感器故障诊断方法及其在飞控系统的应用

摘要

本发明提供一种变结构模糊系统传感器故障诊断方法及其在飞控系统的应用，无需建立飞控系统传感器的精确解析模型，利用变结构模糊系统的全局逼近能力建立传感器预测模型，基于真实模型与预测模型之间的误差对一个或者多个传感器故障进行检测、识别与包容，保证飞控系统正常工作；同时变结构模糊系统能够根据所采集到的传感器数据实时在线配置模糊规则库，使得故障诊断方法不仅具有容错性而且具有实时性以及自适应性。

说明书

技术领域

本发明涉及变结构模糊系统的传感器故障诊断方法及其在飞控系统传感器故障诊断中的应用。

背景技术

传感器是飞控系统的基础部件之一，主要用于测量飞机的飞行状态、姿态信息等，因此传感器输出信号的质量关系到整个系统性能的好坏程度。传感器的任何故障都可能导致飞行控制系统需要的反馈信号来源中断，对飞行控制性能产生不利影响，所以传感器的可靠性一直是现代飞机飞行控制系统需要解决的关键问题。目前已形成了多种传感器故障检测和诊断的方法如硬件冗余法、解析冗余法、基于信号处理的方法和基于知识的方法等。硬件冗余方法的原理是采用多个相同的传感器测量同一物理量，以产生和分析残差，将残差与取决于传感器精度的阈值相比较识别出传感器故障。该方法主要是利用多数表决原则来识别传感器故障，是最早的故障诊断方法。硬件冗余方法具有设计简单，检测速度快，可靠性高，不依赖于模型等优点，但这种方法若单独使用只适用于具有物理冗余的系统中，且费用高，需要占用的体积大、重量、成本大幅增加。解析冗余法利用计算机的快速集中处理能力，利用系统数学模型和输入输出关系，设计观测器估计出系统期望输出，与系统实际输出值相比较构造残差信号，通过分析残差信号进行故障诊断。优点是硬件成本低，占用空间小；缺点是需要精确地建立飞行器动力学模型。由于飞行器具有时变、多变量、强耦合、高度非线性动力学特性，到目前为止还难以精确建立飞行器的飞行动力学模型，使得基于解析模型的故障诊断方法失效。基于信号处理的方法通常利用信号模型，如相关函数、频谱、自回归滑动平均等，直接分析可测信号，提取诸如方差、幅值、频率等特征值，从而检测故障的发生。其理论基础是数理统计与随机过程。此方法主要用于诊断对象的解析模型难以建立，但系统的一些状态或者输出参数可以测量的系统，自适应能力强，但基于信号处理的方法前提是需要对故障机理进行透彻的分析和研究，判断出测量信号有哪些具体特征能够最显著地反映出故障特性。基于知识的方法是借助于诊断对象的综合信息，利用领域专家的诊断知识或总结出的故障模式，建立相应的诊断系统，避免了对系统模型的过分依赖，在知识的层次上，以知识处理技术为基础，实现了符号处理与数值处理的统一，通过在概念和处理方法上的知识化实现系统的故障诊断。在传感器故障诊断领域应用中，基于知识的方法包括基于专家系统的方法、基于神经网络的方法和基于模糊系统的方法。基于专家系统的诊断方法是根据领域专家丰富的实践经验，专家分析问题和解决问题的思路建立知识库，设计一个计算机程序模拟专家的推理和决策过程进行故障诊断。专家系统主要由知识库、推理机、综合数据库、人机接口及解释模块等部分组成。专家系统的规则易于修改，可以像人类专家一样工作，是理想的取代人类专家进行故障诊断的工具，但由于专家知识的表示难度大和系统缺乏自学自完善的能力等缺点，造成知识获取的局限性。神经网络系统具有并行处理机制，它可以通过学习获得外界的信息，并且将信息分布存储于各个神经元之间的连接权值上；因此，神经网络可以完成输入模式到输出模式的复杂非线性映射，因而在飞控系统传感器故障诊断领域应用最为广泛。尽管神经网络的自学习功能可以解决传感器故障问题，但是神经网络由于有黑箱的弱点，即它没有能力对神经网络为什么给出一种这样或那样的决策做出恰当的解释，许多研究者因此而拒绝使用它，倾向于使用模糊系统。因为模糊系统能够解决神经网络的黑箱问题，它利用一系列模糊或定性知识去逼近一个非线性函数，其推理方式比较类似于人的思维模式。模糊系统也不需要知道被控对象的数学模型，适当运用隶属函数和模糊规则进行模糊推理，符合人类的自然思维过程，构造简单，能够解决神经网络的黑箱问题。虽然模糊系统在理论上有很突出的优势，但其在飞控传感器故障诊断应用研究中相对比较滞后。主要的原因是如何建立合适的模糊规则库，现有的方法是利用现场操作人员或有关专家的经验、知识去建立模糊规则库，模糊规则库一旦建立，很难进行更改，即系统的自学习能力较差。对于机载传感器这类复杂系统若采用试验与试凑方法建立模糊规则和隶属函数，将会造成设计和调试时间过长，满足不了实时性要求。

发明内容

本发明的目的在于提供一种变结构模糊系统传感器故障诊断方法及其在飞控系统的应用。

为达到上述目的，本发明采用了以下技术方案。

1）利用变结构模糊系统建立观测器：在传感器没有故障发生时，在线实时采集传感器的测量数据作为学习样本，然后通过在线训练学习建立变结构模糊系统的模糊规则库，同时利用模糊系统的函数逼近能力，得到传感器的模型；

2）假定传感器的数目为M，分别建立相应的M个观测器FN_i,i=1,...,M，观测器FN_i的输出值是单个传感器输出信号的估计值；在建立观测器FN_i的同时，建立主观测器MFN，主观测器MFN的输出值是所有M个传感器输出信号的估计值；

3）在每一个采样时刻，计算主观测器MFN输出值和M个传感器实际测量值之间的误差平方和MErr，若MErr小于等于预设阈值M_T，则表明所有传感器工作正常，否则，判定有传感器可能出现故障；

4）在判定有传感器可能出现故障后，停止主观测器所对应的在线训练学习，然后计算M个观测器FN_i输出值和对应的传感器实际测量值之间的误差平方FErr_i，若误差平方FErr_i均小于等于预设阈值M_Ti，则表明所有传感器工作正常；否则，如果第i个传感器对应的误差平方大于预设阈值M_Ti，表明第i个传感器可能出现故障，其它传感器工作正常；

5）当判定第i个传感器可能出现故障后，停止对应的第i个观测器FN_i所对应的在线训练学习，并对第i个传感器持续观测N个采样时刻，计算N个采样时刻下所述第i个观测器FN_i的输出值和所述第i个传感器的实际测量值之间的误差平方和，若累加的误差平方和持续超过阈值M_Ci，则判定第i个传感器发生了故障；否则，判定第i个传感器无故障，处在正常工作状态，并继续第i个观测器FN_i以及主观测器所对应的在线训练学习；

6）在判定第i个传感器出现故障后，将第i个传感器的输出用相应的第i个观测器FN_i的输出替代，将第i个观测器FN_i的输出一方面反馈给飞控系统，另一方面输入到主变结构模糊系统作为学习数据，继续主观测器所对应的在线训练学习，进行传感器的故障检测。

模糊规则的增加或者删除是根据模糊规则对模糊系统输出的贡献程度决定的，当根据每一个学习样本新得到的模糊规则对模糊系统输出的贡献程度大于预先设定的阈值e_g，则将得到的模糊规则加入模糊规则库；若小于等于预先设定的阈值e_g，则模糊规则库中模糊规则数目不增加，然后利用扩展卡尔曼滤波算法更新与目前时刻的学习样本具有最近距离的模糊规则中的参数，参数更新后，计算所述与目前时刻的学习样本具有最近距离的模糊规则对模糊系统输出的贡献程度，若所述与目前时刻的学习样本具有最近距离的模糊规则对模糊系统输出的贡献程度小于设定的阈值e_p，则从模糊规则库中删除。

所述通过在线训练学习建立变结构模糊系统的模糊规则库的具体步骤为：

步骤1：在建模开始时刻，模糊规则库为空，第一个模糊规则的前件和后件参数根据传感器采样数据建立；

步骤2：采样下一时刻传感器数据，计算模糊系统输出；

步骤3：计算模糊规则的添加规则：

$>E_{\inf }(N_h+1)=\left|e_n\right|\frac{{\left(1.8\kappa \right||x_n-{\mu }_{\mathrm{nr}}|\left|\right)}^{N_x}}{\underset{k=1}{\overset{N_h+1}{\Sigma }}{\left(1.8{\sigma }_k\right)}^{N_x}}$>

其中，E_inf(N_h+1)为根据学习样本新得到的模糊规则对模糊系统输出的贡献程度，e_n为n时刻输出误差，即观测器输出值和对应传感器的实际测量值之间的误差，μ_nr为最邻近输入数据x_n的模糊规则的中心值，σ_k为第k个模糊规则的宽度，N_x是输入变量的维数，N_h为已构建的模糊规则条数，κ表示相邻模糊规则的重叠率，若添加规则满足要求：E_inf(N_h+1)>e_g，且||x_n-μ_nr||>ε_n，e_g为模糊规则增加阈值，ε_n为n时刻输入数据与模糊规则中心最近距离的阈值，则对应的新的模糊规则加入到现有的模糊规则库中，对应的新的模糊规则的前件和后件参数根据当前时刻传感器采样数据建立；

步骤4：如果添加规则不满足要求，利用扩展卡尔曼滤波算法更新与目前时刻的输入数据具有最近距离的模糊规则中的前件和后件参数；

步骤5：当参数更新后，计算模糊裁减规则：

$>E_{\inf }\left(\mathrm{nr}\right)=\left|a_{\mathrm{nr}}\right|\frac{{\left(1.8{\sigma }_{\mathrm{nr}}\right)}^{N_x}}{\underset{k=1}{\overset{N_h}{\Sigma }}{\left(1.8{\sigma }_k\right)}^{N_x}}$>

其中，E_inf(nr)为与目前时刻的学习样本具有最近距离的模糊规则对模糊系统输出的贡献程度，a_nr为最邻近x_n的模糊规则的后件参数，σ_nr为最邻近x_n的模糊规则的宽度，如果满足要求：E_inf(nr)<e_p，e_p为模糊规则裁减阈值，则将与目前时刻的输入数据x_n具有最近距离的模糊规则从模糊规则库中删除，并且调整整个模糊系统对应的参数个数；

步骤6：重复步骤2-5，当判定传感器可能出现故障时，在线训练学习过程结束。依据第i个传感器的输入与输出数据，建立第i个传感器的变结构模糊系统；依据全部传感器的输入与输出数据，建立同时估计M个传感器输出信号的主变结构模糊系统。

上述变结构模糊系统传感器故障诊断方法在飞控系统传感器故障诊断中的应用。

预设阈值M_T、M_Ti以及M_Ci需要根据不同问题设定，其取值可以采用常规的方法确定，例如by trial-and-error。

本发明的有益效果体现在：

本发明所述变结构模糊系统传感器故障诊断方法，无需建立传感器的精确解析模型，利用变结构模糊系统的全局逼近能力建立传感器预测模型，基于真实模型与预测模型之间的误差对一个或者多个传感器故障进行检测、识别与包容，可以保证系统（例如，飞控系统）正常工作；同时变结构模糊系统能够根据所采集到的传感器数据实时在线配置模糊规则库，使得故障诊断方法不仅具有容错性而且具有实时性以及自适应性，且具有较高的故障诊断准确性。

附图说明

图1是变结构模糊系统传感器故障诊断原理图；

图2是飞控系统p,q,r传感器故障诊断原理图；

图3是传感器故障信号图；

图4是p,q,r传感器实际输出值与变结构模糊系统估计值的结果图；

图5是变结构模糊系统模糊规则变化结果图。

具体实施方式

下面结合附图对本发明作进一步说明。

飞控系统的一种变结构模糊系统传感器故障诊断方法，具体介绍如下：

假定传感器的数目为M，参见图1，模块S01，利用变结构模糊系统建立飞行器传感器的模型，变结构模糊系统由下列一系列模糊规则构成：

规则k：

$>\mathrm{if}\left(\begin{array}{ccc}{x}_1& \mathrm{is}& A_{1k}\end{array}\right)...\left(\begin{array}{ccc}{x}_{N_x}& \mathrm{is}& A_{N_{x}k}\end{array}\right),\mathrm{then}\left(\begin{array}{ccc}{\hat{y}}_1& \mathrm{is}& a_{1k}\end{array}\right)...\left(\begin{array}{ccc}{\hat{y}}_{N_y}& \mathrm{is}& a_{N_{y}k}\end{array}\right)$>

其中a_jk(j=1,2,...,N_y;k=1,2,...,N_h)是规则k的后件参数，为常值；N_x是输入变量的维数；N_y是输出变量的维数；A_ik(i=1,2,...,N_x)是规则k中输入变量x_i的隶属度值，由高斯函数计算得到：

$>A_{\mathrm{ik}}\left(x_i\right)=\exp (-\frac{{(x_i-{\mu }_{\mathrm{ik}})}^2}{{\sigma }_k^2}),k=\mathrm{1,2},...,N_h$>

其中N_h为高斯函数个数，与模糊规则数相等；μ_ik是第k个高斯函数的第i个中心值，与模糊规则的中心值一致；σ_k是第k个高斯函数的宽度值，与模糊规则的宽度值一致。

假设在n时刻，采集到的传感器数据为（x_n,y_n），其中x_n作为模糊系统的输入，y_n作为模糊系统的输出期望值，并且假定模糊规则数目为N_h；变结构模糊系统的建模过程以及模糊规则根据传感器数据进行配置的具体实现方法如下：

第一步：计算系统输出

$>{\hat{y}}_n=\frac{\underset{k=1}{\overset{N_h}{\Sigma }}{a}_k{R}_k\left(x_n\right)}{\underset{k=1}{\overset{N_h}{\Sigma }}{R}_k\left(x_n\right)}$>

$>R_k\left(x_n\right)=\exp (-\frac{1}{{\sigma }_k^2}{\left|\right|x_n-{\mu }_k\left|\right|}^2)$>

式中a_k为第k个规则的后件参数，为常值；R_k为第k个规则的隶属度值；μ_k为第k个高斯函数的中心向量值；σ_k为第k个高斯函数的宽度值。

第二步：计算模糊准则添加所需要的参数值

ε_n=max{ε_max×γⁿ,ε_min}

$>e_n=y_n-{\hat{y}}_n$>

式中ε_n为n时刻输入数据与模糊规则中心最近距离的阈值，ε_max,ε_min为ε_n的最长和最短距离，γ为衰减因子（通常γ=0.99-0.999）。

第三步：计算模糊规则添加准则：

$>E_{\inf }(N_h+1)=\left|e_n\right|\frac{{\left(1.8\kappa \right||x_n-{\mu }_{\mathrm{nr}}|\left|\right)}^{N_x}}{\underset{k=1}{\overset{N_h+1}{\Sigma }}{\left(1.8{\sigma }_k\right)}^{N_x}}>e_g$>

||x_n-μ_nr||>ε_n

第四步：若第三步模糊规则添加准则成立，第N_h+1模糊规则将被加入现有的模糊规则库中，并且新规则的参数初始值设定为：

$>\left(\begin{array}{c}{a}_{N_h+1}=e_n\\ {\mu }_{N_h+1}=x_n\\ {\sigma }_{N_h+1}=k\left|\right|x_n-{\mu }_{\mathrm{nr}}\left|\right|\end{array}\right)$>

第五步，若第三步模糊规则添加准则不成立，则用扩展卡尔曼滤波算法调整与目前n时刻的输入数据x_n具有最近距离的模糊规则中的参数a_nr,μ_nr,σ_nr。

令θ_nr=[a_nr,μ_nr,σ_nr]，首先计算系统输出对每个参数的梯度值：

$>{\stackrel{·}{a}}_{\mathrm{nr}}=\frac{\partial {\hat{y}}_n}{\partial a_{\mathrm{nr}}}=\frac{\partial {\hat{y}}_n}{\partial R_{\mathrm{nr}}}\frac{\partial R_{\mathrm{nr}}}{\partial a_{\mathrm{nr}}}=\frac{R_{\mathrm{nr}}}{\underset{k=1}{\overset{N_h}{\Sigma }}{R}_k}$>

$>{\stackrel{·}{\mu }}_{\mathrm{nr}}=\frac{\partial {\hat{y}}_n}{\partial {\mu }_{\mathrm{nr}}}=\frac{\partial {\hat{y}}_n}{\partial R_{\mathrm{nr}}}\frac{\partial R_{\mathrm{nr}}}{\partial {\mu }_{\mathrm{nr}}}=\frac{a_{\mathrm{nr}}-{\hat{y}}_n}{\underset{k=1}{\overset{N_h}{\Sigma }}{R}_k}\frac{\partial R_{\mathrm{nr}}}{\partial {\mu }_{\mathrm{nr}}}$>

$>{\stackrel{·}{\sigma }}_{\mathrm{nr}}=\frac{\partial {\hat{y}}_n}{\partial {\sigma }_{\mathrm{nr}}}=\frac{\partial {\hat{y}}_n}{\partial R_{\mathrm{nr}}}\frac{\partial R_{\mathrm{nr}}}{\partial {\sigma }_{\mathrm{nr}}}=\frac{a_{\mathrm{nr}}-{\hat{y}}_n}{\underset{k=1}{\overset{N_h}{\Sigma }}{R}_k}\frac{\partial R_{\mathrm{nr}}}{\partial {\sigma }_{\mathrm{nr}}}$>

$>\frac{\partial R_{\mathrm{nr}}}{\partial {\mu }_{\mathrm{nr}}}=2R_{\mathrm{nr}}\frac{x_n-{\mu }_{\mathrm{nr}}}{a_{\mathrm{nr}}^2}$>

$>\frac{\partial R_{\mathrm{nr}}}{\partial {\sigma }_{\mathrm{nr}}}=2R_{\mathrm{nr}}\frac{{\left|\right|x_n-{\mu }_{\mathrm{nr}}\left|\right|}^2}{{\sigma }_{\mathrm{nr}}^3}$>

然后令利用扩展卡尔曼滤波算法更新参数：

$>K_n=P_{n-1}{B}_n{[R_n+B_n^T{P}_{n-1}{B}_n]}^{-1}$>

θ_n=θ_n-1+K_ne_n

$>P_n=[I_{Z\times Z}-K_n{B}_n^T]P_{n-1}+q{I}_{Z\times Z}$>

其中P_n为扩展卡尔曼滤波的协方差矩阵，θ_n为参数向量，R_n为增益矩阵，I_Z×Z为单位矩阵，Z为已构建模糊规则的总参数维数，q为常量，通常取1，当新的模糊规则被添加时，P_n的维数增加为：

$>\left(\begin{array}{cc}{P}_{n-1}& 0\\ 0& I_{z_1\times z_1}\end{array}\right)$>

其中Z₁为新添加的模糊规则中的参数维数。

第六步，由于在模糊规则库中，仅仅对与输入数据x_n具有最近距离的模糊规则的参数进行了更新，所以将对这个模糊规则进行剪裁判定，若这个规则的贡献度小于设定的剪裁阈值e_p，说明这个规则对模糊系统的输出作用很小，可以被移除，移除规则如下：

$>E_{\inf }\left(\mathrm{nr}\right)=\left|a_{\mathrm{nr}}\right|\frac{{\left(1.8{\sigma }_{\mathrm{nr}}\right)}^{N_x}}{\underset{k=1}{\overset{N_h}{\Sigma }}{\left(1.8{\sigma }_k\right)}^{N_x}}<e_p$>

第七步，若上式满足，这条最近距离的规则将从规则库中移除，规则数目减为N_h-1，同时减小扩展卡尔曼滤波算法中参数的维数。

第八步，继续采集无故障传感器的第n+1时刻的数据（x_n+1,y_n+1）作为变结构模糊系统的学习样本，学习步骤重复第一步到第七步过程。

参见图1，模块S02，利用变结构模糊系统预测模型与真实测量数据，进行故障诊断，具体实现方法如下：

第一步，在n时刻，利用主变结构模糊系统观测器MFN的估计值和实际测量值之间的误差平方和进行故障检测，

$>\mathrm{MErr}\left(n\right)=\underset{i=1}{\overset{M}{\Sigma }}{(y_i\left(n\right)-{\mathrm{MFN}}_i\left(n\right))}^2$>

其中y_i(n)为第i个传感器在n时刻测量值，MFN_i(n)为主变结构模糊系统观测器对第i个传感器在n时刻测量值的估计。当MErr的值在此时刻超过预先定义的阈值时，则判定传感器故障正在或已经发生。

第二步，在判定有传感器故障发生后，停止主变结构模糊系统（主观测器所对应）的学习训练过程。计算M个变结构模糊系统观测器FN_i的估计值和实际测量值之间的误差平方，进行故障识别，

FErr_i(n)=(y_i(n)-FN_i(n))²

其中FN_i(n)为第i个变结构模糊系统观测器对第i个传感器在n时刻测量值的估计。当FErr_i的值超过预先定义的阈值时，则判定第i个传感器可能产生故障。

第三步：在判定第i个传感器可能发生故障后，停止第i个变结构模糊系统（对应第i个观测器FN_i）的学习训练过程。同时为了避免误报故障，对系统持续观测N个步长的时间，N通常取25，计算N个步长下的变结构模糊系统观测器的估计值和实际测量值之间的误差平方和；

$>\mathrm{FErr}{N}_i=\underset{j=1}{\overset{N}{\Sigma }}{(y_i\left(j\right)-{\mathrm{FN}}_i\left(j\right))}^2$>

若误差平方累加和持续超过阈值，说明第i个传感器发生了故障。

第五步：判定第i个传感器发生故障后，将该传感器输出用相应的第i个变结构模糊系统观测器的输出替代，一方面反馈给飞控系统，另一方面输入到主变结构模糊系统作为学习数据，继续主变结构模糊系统的学习过程，进行传感器的故障检测；

本发明方法适用于不同类型飞行器以及不同飞行阶段下不同传感器的故障诊断，下面将以某一典型飞机在自动着陆过程中，惯性导航系统中陀螺仪发生故障的情形作为实例对本发明做详细的说明，参见图2。陀螺仪主要用于测量飞行器姿态角速度，包括滚转角速度p、俯仰角速度q以及偏航角速度r，因此在故障诊断模块中，包含三个变结构模糊系统观测器模块FNp,FNq,FNr，分别用于输出p,q,r单个传感器的估计值；同时包含一个变结构模糊系统主观测器模块MFN，用于输出p,q,r的估计值。

当飞机在600m的高度水平飞行，方向与跑道水平线方向垂直（由东到西），飞行速度为83m/s时，故障诊断模块开始工作，p,q,r传感器随着控制信号的改变而发生相应的变化，得到飞行姿态角速度的实际输出值，四个变结构模糊系统利用自学习能力，在线采集p,q,r的数值，启动自身的学习过程，构建完备的模糊规则库，在线跟踪学习p,q,r的变化，逼近陀螺仪正常的工作状态。从故障模块开始工作的每一时刻，诊断单元1计算MErr的值，并于设定的阈值M_T=20进行比较；假定传感器p发生了偏差为20deg/s的突变故障，故障发生时间在诊断模块工作后的100秒时间，如图3所示。当学习过程持续到100秒时，诊断单元1诊断出MErr>M_T，则检测出p,q,r传感器有故障，停止变结构模糊系统主观测器MFN的学习过程；诊断单元2-4开始工作分别计算FErr_p、FErr_q和FErr_r，并于设定的阈值M_Tp=10、M_Tq=10和M_Tr=2进行比较；诊断单元2诊断出FErr_p>M_Tp，诊断单元3诊断出FErr_q<M_Tq，诊断单元4诊断出FErr_r<M_Tr，则故障辨识单元启动，识别传感器p可能发生故障，停止变结构模糊系统观测器模块FNp的学习过程。在故障辨识单元启动后，继续采集步长为N=25的测量数据，并于设定的阈值M_Cp=25进行比较，诊断出FErrN>M_Cp，判断p传感器失效，滚转角速度传感器输出值由FNp变结构模糊系统输出代替，并且反馈给控制器，提供正确的飞行姿态数值。

参见图4，在100秒之前，变结构模糊系统根据传感器数据进行在线学习，并且很快地学习到了传感器输出信号。在100秒时，传感器p实际输出在这一刻有着很大的跳变，诊断出故障的幅值以及变化时间，并在故障发生后用训练好的FNp继续逼近传感器系统，用FNp的估计输出值替代故障信号反馈到飞控系统，而q和r的信号仍然由传感器q和传感器r提供；参见图5，变结构模糊系统的模糊规则数起始为零，随着输入数据，在线训练，构造模糊规则库，当对应观测状态值发生改变时，模糊规则也随之自适应的增加和剪裁，当训练完成之后，模糊规则库构建完成，当对应的传感器p发生故障时，用训练好的模糊规则对原系统进行逼近，从而得到系统观测值。

本发明针对模糊系统在实时解决传感器故障诊断问题时，模糊规则难于确定的问题，提供一种模糊规则能够根据在线采集到的传感器数据进行实时配置的变结构模糊系统故障诊断方法并且应用在飞控系统的传感器故障问题中。