推进系统故障特征提取与状态监测机制

航迹保持控制系统的核心在于对推力矢量或推进器输出进行高精度闭环调节，当推进系统发生退化或突发故障时，传统控制律往往因模型失配导致跟踪误差发散。故障隔离的首要环节依赖于多维传感器数据的实时融合，通常包括电流、电压、温度以及推力反馈信号。通过构建基于卡尔曼滤波或无迹卡尔曼滤波的状态观测器，可以实时估计推进器的实际输出扭矩与标称值之间的残差。这种残差序列并非随机噪声，而是蕴含了故障类型的特征信息，例如电机绕组短路会导致电流响应波形畸变，而机械卡滞则表现为动态响应频率的偏移。

特征提取过程需结合时域与频域分析，以消除环境干扰带来的误报。在时域上，计算残差的均方根误差与峰值因子，能够直观反映故障的剧烈程度；在频域上，利用快速傅里叶变换解析信号频谱，可识别由轴承磨损或叶片不平衡引起的高频谐波分量。这些经过预处理的数据特征随后被输入至故障分类模块，形成从原始信号到故障模式的映射关系。这一阶段的关键在于降低特征空间的维度，避免冗余信息干扰后续的判断逻辑，同时确保在低信噪比环境下仍能保持较高的特征辨识度，为后续的隔离决策提供可靠依据。

基于模型冗余的故障隔离算法设计

故障隔离策略的核心在于区分不同执行器之间的故障影响，通常采用基于模型冗余或物理冗余的方法。在模型冗余框架下，建立推进系统的非线性动力学模型，通过比较模型预测输出与实际传感器测量值的偏差来定位故障源。若采用多模型并行估计架构，即为每种可能的故障模式建立一个对应的辨识模型，通过计算各模型输出与实际系统输出的匹配度，选择匹配度最高的模型作为当前系统状态的估计。这种方法能够有效处理单点故障，但在面对多执行器协同故障时，模型间的耦合效应可能导致隔离结果的不确定性增加。

为了提升隔离的鲁棒性，引入自适应阈值检测机制是必要的。传统的固定阈值容易在工况切换时产生误触发，而自适应阈值则根据当前飞行状态、推力需求及环境扰动水平动态调整。例如，在高机动机动阶段，由于推力波动较大，阈值相应放宽以避免虚警；在稳态巡航阶段，阈值收紧以提高对微小故障的敏感度。此外，结合逻辑判断树或贝叶斯网络，可以将多个传感器的故障指示进行综合推理，排除传感器自身故障导致的误判，确保隔离决策指向真实的推进器部件。这种基于数据驱动与机理模型相结合的方法，能够在复杂工况下实现高精度的故障源定位。

容错控制重构与性能优化策略

一旦故障被成功隔离，控制系统需立即启动容错重构机制，以维持航迹跟踪性能。对于部分失效的推进器，可通过重新分配剩余健康执行器的推力来补偿损失的能力。推力分配问题通常转化为一个带约束的优化问题，目标函数旨在最小化跟踪误差与控制能耗，约束条件则包括执行器的物理极限、故障执行器的零输出限制以及系统动态稳定性要求。利用二次规划或线性规划算法求解该优化问题，可生成新的控制指令分配矩阵，确保剩余推进器工作在高效且安全的区间内。

除了推力重分配，控制律参数的在线自适应调整也是优化策略的重要组成部分。在故障发生后，系统动力学特性发生改变，固定的PID参数或LQR增益可能不再适用。通过引入模型参考自适应控制（MRAC）或滑模变结构控制，使控制器参数能够根据实时误差动态调整，从而增强系统对参数摄动的鲁棒性。同时，考虑到执行器饱和与非线性特性，引入前馈补偿项可以抵消部分已知干扰，进一步提升跟踪精度。这种基于实时状态估计的重构控制策略，能够在故障发生后迅速恢复系统的稳定性，确保航迹保持任务在降级模式下仍能安全完成。