CN104267410A - 机载完好性监测中多故障的排除方法和装置 - Google Patents

Abstract

本发明实施例提供一种机载完好性监测中多故障的排除方法和装置，该方法包括：在RAIM最小二乘残差法检测出有故障后，获取伪距残差矢量和卫星本地观测矩阵；根据所述伪距残差矢量、所述卫星本地观测矩阵和预先获取的故障个数小于或等于最大故障个数的所有故障模式矩阵，采用极大似然准则确定每个故障个数对应的最匹配模式，所述每个故障个数对应的最匹配模式为所述故障个数的所有故障模式下似然函数最大的故障模式；依次比较相邻卫星故障个数对应的最匹配模式，获取故障识别结果，能够兼容一个至多个故障卫星的识别，有效提高对于多卫星的故障排除方法的兼容性和检测结果的可靠性。

Description

机载完好性监测中多故障的排除方法和装置

技术领域

本发明实施例涉及卫星导航领域，尤其涉及一种机载完好性监测中多故障的排除方法和装置。

背景技术

接收机自主完好性监测(英文：Receiver Autonomous Integrity Monitoring，简称：RAIM)是卫星导航中的一项关键技术，在以卫星导航系统作为主用导航系统的应用场景中，RAIM必须具有故障检测和排除(英文：Fault Detectionand Exclusion，简称FDE)功能，在RAIM检测出故障发生后，要进行故障识别，把引起定位失效的卫星从导航定位解中排除。因此，RAIM故障排除技术对保证卫星导航定位结果的可靠性具有重要作用，多故障的排除方法近年来成为研究热点。

传统上只考虑单一卫星发生故障的假设，随着中国北斗导航系统投入使用，未来多星座导航的发展，为RAIM支持更高要求的航空运行提供了发展契机，多颗卫星同时发生故障的概率将不能被忽略，现有技术中，对于多个卫星同时发生故障的卫星的方式方法包括：多次迭代单故障排除方法、双故障排除方法，伪距一致性比较法(英文：Range Consensus Algorithm，简称：RANCO)和多假设解分离法(英文：Multiple Hypothesis Solution Separation，简称：MHSS)。

其中，双故障排除方法通过遍历剔除两颗卫星，利用剔除后的剩余卫星子集计算卡方检测统计量，寻找使检测统计量最小的卫星组合来识别故障卫星，但这种方法仅针对双故障的假设，往往与实际中故障发生的个数并不相符，尤其对于较易出现的单故障情况，该方法没有考虑与单故障情况的兼容问题，针对此提出利用对卫星子集做故障检测的方式来确定故障的个数，所提出的方法只考虑了故障个数不超过双故障的情况，无法兼容三故障及以上的情况。RANCO方法通过计算全部4颗卫星的子集与门限值进行比较来判断故障卫星，MHSS方法通过计算全部卫星子集的水平保护级，选择使保护级最小的卫星组合，任何不利于保护级减小的卫星都将被踢除。

然而，上述几种方法，或由于对故障卫星数量的不兼容，或因为门限由经验值确定，或因为卫星数量较大时计算量较大等原因，导致现有技术中的对于多卫星的排除方法的兼容性较差且得到的结果可靠性低。

发明内容

本发明实施例提供一种机载完好性监测中多故障的排除方法和装置，以解决现有技术中由于对故障卫星数量的不兼容，或因为门限由经验值确定，或因为卫星数量较大时计算量较大等原因，导致的对于多卫星的排除方法的兼容性较差且得到的结果可靠性低的问题。

本发明实施例第一方面提供一种机载完好性监测中多故障的排除方法，包括：

在RAIM最小二乘残差法检测出有故障后，获取伪距残差矢量和卫星本地观测矩阵；

根据所述伪距残差矢量、所述卫星本地观测矩阵和预先获取的故障个数小于或等于最大故障个数的所有故障模式矩阵，采用极大似然准则确定每个故障个数对应的最匹配模式，所述每个故障个数对应的最匹配模式为所述故障个数的所有故障模式下似然函数最大的故障模式；

依次比较相邻卫星故障个数对应的最匹配模式，获取故障识别结果。

本发明实施例第二方面提供一种机载完好性监测中多故障的排除装置，包括：

获取模块，用于在RAIM最小二乘残差法检测出有故障后，获取伪距残差矢量和卫星本地观测矩阵；

处理模块，用于根据所述伪距残差矢量、所述卫星本地观测矩阵和预先获取的故障个数小于或等于最大故障个数的所有故障模式矩阵，采用极大似然准则确定每个故障个数对应的最匹配模式，所述每个故障个数对应的最匹配模式为所述故障个数的所有故障模式下似然函数最大的故障模式；

比较模块，用于依次比较相邻卫星故障个数对应的最匹配模式，获取故障识别结果。

本发明实施例提供的机载完好性监测中多故障的排除方法和装置，通过在RAIM最小二乘残差法检测出有故障后，根据伪距残差矢量、卫星本地观测矩阵和预先获取的故障个数小于或等于最大故障个数的所有故障模式矩阵，采用极大似然准则确定每个故障个数对应的最匹配模式，并依次比较相邻卫星故障个数对应的最匹配模式，获取故障识别结果，能够兼容一个至多个故障卫星的识别，有效提高对于多卫星的故障排除方法的兼容性和检测结果的可靠性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明机载完好性监测中多故障的排除方法实施例一的流程图；

图2为本发明机载完好性监测中多故障的排除方法实施例二的流程图；

图3为本发明机载完好性监测中多故障的排除方法一实例的流程图；

图4为本发明机载完好性监测中多故障的排除方法一实例的差分统计量门限设计示意图；

图5为本发明机载完好性监测中多故障的排除装置实施例一的结构示意图；

图6为本发明机载完好性监测中多故障的排除装置实施例二的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明机载完好性监测中多故障的排除方法实施例一的流程图，如图1所示，该机载完好性监测中多故障的排除方法的具体步骤为：

S101：在RAIM最小二乘残差法检测出有故障后，获取伪距残差矢量和卫星本地观测矩阵。

在本实施例中，在对终端设备进行定位后，使用RAIM的最小二乘残差法检测出该星座系统有故障，则需要对定位获取的观测信息进行提取，主要获取RAIM故障检测过程中产生的伪距残差矢量和卫星本地观测矩阵，用于后续故障识别步骤的输入。

S102：根据所述伪距残差矢量、所述卫星本地观测矩阵和预先获取的故障个数小于或等于最大故障个数的所有故障模式矩阵，采用极大似然准则确定每个故障个数对应的最匹配模式，所述每个故障个数对应的最匹配模式为所述故障个数的所有故障模式下似然函数最大的故障模式。

在本实施例中，需要预先获取所有可能的故障个数对应的所有的故障模式，例如：接收输入的最大故障个数n_fault，并产生种故障模式T；其中，n为所述可见卫星的个数，且n大于5；n_fault大于或等于1，且小于或等于n-5；每个所述故障模式T为行数为n、列数为故障个数的矩阵，且每一列只有一个元素为1，每一行只有一个元素为1，其他元素全部为0。

具体的，若总共有n个可见卫星，那么故障个数为1时，就有种故障模式，故障个数为2时，就有种故障模式，一般情况下最大故障个数n_fault是小于或等于n-5的，否则无法进行故障识别，进而无法获得可的定位结果。

然后根据所述伪距残差矢量、所述卫星本地观测矩阵以及每个故障个数对应的故障模式，采用极大似然准则确定每个故障个数对应的最匹配模式。

S103：依次比较相邻卫星故障个数对应的最匹配模式，获取故障识别结果。

在本实施例中，通过该故障识别结果可以知道所有故障卫星的位置，以便后续实际应用中进行调整。

本实施例提供的机载完好性监测中多故障的排除方法，通过在RAIM最小二乘残差法检测出有故障后，根据伪距残差矢量、卫星本地观测矩阵和预先获取的故障个数小于或等于最大故障个数的所有故障模式矩阵，采用极大似然准则确定每个故障个数对应的最匹配模式，并依次比较相邻卫星故障个数对应的最匹配模式，获取故障识别结果，能够兼容一个至多个故障卫星的识别，有效提高对于多卫星的故障排除方法的兼容性和检测结果的可靠性。

图2为本发明机载完好性监测中多故障的排除方法实施例二的流程图，在上述图1所示的实施例的基础上，如图2所示，该机载完好性监测中多故障的排除方法的在实际应用中的具体步骤为：

S201：在RAIM最小二乘残差法检测出有故障后，获取伪距残差矢量和卫星本地观测矩阵。

S202：根据所述伪距残差矢量，将所述卫星本地观测矩阵H采用 $H=U\left[\begin{array}{c}R\\ 0\end{array}\right]=\left[U_1{U}_2\right]\left[\begin{array}{c}R\\ 0\end{array}\right]=U_{1}R$ 进行QR分解，获取奇偶矢量并计算获取所述奇偶矢量p的概率密度分布函数。

在本实施例中，H为n×4维站心坐标系下的所述卫星本地观测矩阵；U₁为n×4维分解酉矩阵的前四列；U₂为n×(n-4)维分解酉矩阵的第5列至第n列；R为4×4维分解矩阵的前四行；0为(n-4)×4维零矩阵；w为伪距残差矢量。

由于伪距残差各分量间并不完全相互独立，这里通过把观测空间变换到奇偶空间中来消除残差分量间的不独立性。

S203：根据所述故障模式矩阵和所述概率密度分布函数，采用极大似然准则获取每个故障模式下的似然函数值。

S204：将每个故障个数对应的多个故障模式中似然函数值最大故障模式作为所述故障个数对应的最匹配模式。

在本实施例中，对于似然函数计算，利用极大似然准则计算所有故障模式下的识别统计量，对于相同故障个数下的模式，提取似然函数最大的故障模式作为该故障个数假设下的最匹配模式。

S205：根据第一故障个数时对应的最匹配模式和第二故障个数对应的最匹配模式，构造差分统计量，并根据预先获取的误识别概率计算比较门限，比较所述差分统计量与所述比较门限的大小，若所述差分统计量小于所述比较门限，则输出所述第一故障个数对应的最匹配模式作为第一故障模式，若所述差分统计量大于所述比较门限，则输出所述第二故障个数对应的最匹配模式作为第一故障模式，将所述第一故障模式与第三故障个数对应的最匹配模式按照上述步骤重复执行，直至比较完成所有的故障个数对应的最匹配模式，将最终获取的第一故障模式作为所述故障识别结果。

在本实施例中，所述第二故障个数大于所述第一故障个数，第三故障个数大于第二故障个数。

具体的，如果第一轮比较故障个数为1和故障个数为2的故障模式，比较的结果：故障个数为1的故障模式作为第一故障模式，则第二轮进行故障个数为1的故障模式和故障个数为3的故障模式比较。

对于本排除方法的故障个数判断，利用上述步骤S204得到的不同故障个数假设下的最匹配模式，构造差分统计量，进行故障个数的判断。依次比较两个相邻故障个数下的最匹配模式，根据误识别概率计算比较门限。如果差分统计量小于门限，则输出比较双方故障个数较小的故障模式；如果差分统计量大于门限，则输出比较双方故障个数较大的故障模式，如此依次比较，直到完成所有故障模式的比较，将输出故障模式作为故障识别结果。

S206：根据最终故障识别结果，将所有故障卫星剔除，并采用除所述故障卫星之外的其他可见卫星对终端设备进行定位。

在本实施例中，将检测出来的故障识别结果中的故障卫星进行剔除，然后对终端设备进行重新定位，获得最终的定位结果。

本实施例提供的机载完好性监测中多故障的排除方法，通过在RAIM最小二乘残差法检测出有故障后，获取每个故障个数对应的所有故障模式，并根据伪距残差矢量、卫星本地观测矩阵和所有故障模式，采用极大似然准则确定本次检测中每个故障个数对应的最匹配模式，依次比较相邻卫星故障个数对应的最匹配模式，获取故障识别结果，并使用该故障识别结果指导提出所有的故障卫星，然后使用提出后的星座系统重新对终端设备进行定位，检测过程中能够兼容一个至多个故障卫星的识别，并且剔除故障卫星后，重新获取的定位结果可靠性更高。

在上述图1和图2所示的实施例的基础上，下面特举一实例对本发明提供的机载完好性监测中多故障的排除方法进行详细的说明，如下：

图3为本发明机载完好性监测中多故障的排除方法一实例的流程图；如图3所示，图中详细示出了改机载完好性监测中多故障的排除方法在实际应用中的流程，具体步骤如下：

S301：故障检测报警。

S302：观测信息提取。

在本实施例中，观测信息提取，在使用RAIM最小二乘残差法检测出故障后，提取RAIM故障检测过程中产生的伪距残差矢量和卫星本地观测矩阵作为故障排除算法的输入。

其中伪距残差矢量w为n×1的列向量，n为可见卫星的个数。

卫星本地观测矩阵H为n×4的矩阵，n为可见卫星的个数。

S303：输入最大故障数。

在本实施例中，将所有的n个可见卫星中可能出现的最大的故障个数n_fault进行输入。

S304：产生故障模式矩阵。

在本实施例中，接收输入的最大故障个数n_fault，并产生种故障模式T；n为所述可见卫星的个数，且n大于5；n_fault大于或等于1，且小于或等于n-5；每个所述故障模式T为行数为n、列数为故障个数的矩阵，且每一列只有一个元素为1，每一行只有一个元素为1，其他元素全部为0。

其中，故障模式矩阵中，1代表该位置发生了故障，0代表该位置没有发生故障。

则对应于故障个数为1时，T为n×1的矩阵，n行中的任何一个元素都可以是1，则一共有种情况，类似的对应于故障个数为2时，T为n×2的矩阵，n行中的任何两行都有一个元素为1，则一共有种情况，依次类推。

S305：采用极大似然准则，计算每个故障个数的所有故障模式的似然函数值。

在本实施例中，RAIM卫星定位模型采用GPS线性化模型，如公式(1)所示，

z＝Hx+ε+b      (1)，

其中，z为n×1维原始伪距减去卫星位置在用户到卫星方向上的投影；H为n×4维站心坐标系下的所述卫星本地观测矩阵；x为4×1维待估计的矢量，包括三维位置和时间信息；ε为n×1维随机观测噪声，服从0均值，方差为σ²的高斯分布；b为n×1维卫星故障的列向量。

由于伪距残差各分量间并不完全相互独立，这里把观测空间变换到奇偶空间中消除残差分量间的不独立性。将本地观测矩阵H进行QR分解为：

$H=U\left[\begin{array}{c}R\\ 0\end{array}\right]=\left[U_1{U}_2\right]\left[\begin{array}{c}R\\ 0\end{array}\right]=U_{1}R---\left(2\right)$

其中，H为n×4维站心坐标系下的所述卫星本地观测矩阵；U₁为n×4维分解酉矩阵的前四列；U₂为n×(n-4)维分解酉矩阵的第5列至第n列；R为4×4维分解矩阵的前四行；0为(n-4)×4维零矩阵；

w表示伪距残差矢量，则定义(n-4)维的奇偶矢量为：

奇偶矢量的协方差为Cov(p)＝σ²I_n-4，奇偶矢量的期望为奇偶矢量p服从如下所示的联合高斯分布，

$p\left(p\right|b)=\frac{1}{{\left(2\mathrm{\π}{\mathrm{\σ}}^2\right)}^{m-4/2}}\exp [-\frac{1}{2}{(p-U_2^{T}b)}^T(p-U_2^{T}b)]---\left(4\right),$

引入故障模式T，则故障矢量可表示为b＝T·λ，其中λ为列向量，λ中的元素代表故障偏差大小，λ中元素的个数为卫星故障的个数。对各个故障模式下的偏差大小做极大似然估计，p(p|b)的指数部分可展开为：

$-\frac{1}{2}{(p-U_2^{T}b)}^T(p-U_2^{T}b)=-\frac{1}{2}{(p-U_2^T\mathrm{T\λ})}^T(p-U_2^T\mathrm{T\λ})---\left(5\right),$

将公式(5)对λ求导，令导数等于0，由于带入式中可可化简为，

2T^TSz-2T^TSTλ＝0      (6)，

因此，可求得λ的最大似然估计为将λ的最大似然估计值带入奇偶矢量的概率密度函数中，并且S为对称幂等阵，即S＝S²，S＝S^T，可得似然函数为：

f(T)＝w^TT(T^TST)^-1T^Tw      (7)，

其中S＝I_n-H(H^TH)^-1H^T，I_n为单位矩阵。计算故障个数分别为1～n_fault时的所有模式T对应的识别统计量，分别取故障个数为1～n_fault时似然函数最大的模式，记为

S306：获取每个故障个数下似然函数值最大的故障模式作为最匹配模式

S307：依次比较相邻卫星故障个数对应的最匹配模式，获取故障识别结果。

在本实施例中，利用上述步骤得到的不同故障个数假设下的最匹配模式，构造差分统计量，进行故障个数的判断。依次比较两个相邻故障个数下的最匹配模式，根据误识别概率计算比较门限。如果差分统计量小于门限，则输出比较双方故障个数较小的故障模式；如果差分统计量大于门限，则输出比较双方故障个数较大的故障模式，如此依次比较，直到完成所有故障模式的比较，输出故障模式。

图4为本发明机载完好性监测中多故障的排除方法一实例的差分统计量门限设计示意图，如图3和图4所示，按照故障个数分别为1～n_fault对应的模式，依次进行模式的两两比较。假设比较的模式为T_i和T_i+1(i＝1～(n_fault-1))，记录T_i+1中与T_i不相同的列的个数为n_diff，对应的不相同的列分别为提取n_diff个模式矩阵使得 ${\mathrm{TT}}_j=\left[\begin{array}{cc}{T}_i& l_j\end{array}\right](j=1~n_{\mathrm{diff}}).$ 构造差分统计量 ${\mathrm{diff}}_i=\underset{j}{\max }(f\left(T_i\right)-f\left({\mathrm{TT}}_j\right)),$ 可以证明，若l_j中元素为1的行对应的卫星实际上没有发生故障时，则差分统计量服从中心化的卡方分布，且自由度为1。

若l_j中元素为1的行对应的卫星发生了故障，则差分统计量服从非中心化的卡方分布，且自由度为1，如图4所示。

中心卡方概率密度曲线表示了l_j中元素为1的行对应的卫星没有故障存在时差分统计量服从的分布，非中心卡方密度函数曲线则表示了l_j中元素为1的行对应的卫星有故障存在时差分统计量服从的分布。门限右方中心卡方密度函数曲线下方区域的面积，即图中p_FI所指区域代表误识别率的大小。门限左方非中心卡方密度函数曲线下方区域的面积，即图中p_MI所指区域代表漏识别率的大小。

因此可以设定误识别率参数，根据中心化自由度为1的卡方分布计算门限Thres，Thres＝inv(χ²(1-p_FI,1))  (8)，

其中，p_FI指误识别概率，

若diff_i＜Thres，则输出模式T_i，之后继续比较T_i和T_i+2。

若diff_i＞Thres，则输出模式T_i+1，之后继续比较T_i+1和T_i+2。

直到完成所有故障模式的比较，将最后获取的故障模式作为故障识别结果。

S308：根据最终故障识别结果，将所有故障卫星剔除，并采用除所述故障卫星之外的其他可见卫星对终端设备进行定位

在本实施例中，将上一步输出的故障模式中元素为1的行序号记录下来，并在卫星观测矩阵H中把对应的行剔除，用踢除后的观测矩阵，进行最小二乘的位置估计，获得最终的定位结果。

$\tilde{x}={\left({\stackrel{\‾}{H}}^T\stackrel{\‾}{H}\right)}^{-1}{\stackrel{\‾}{H}}^T\stackrel{\‾}{z}---\left(9\right)$

其中，为用户的估计位置4维坐标，为余下卫星的原始伪距减去卫星位置在用户到卫星方向上的投影。

本实施例提供的机载完好性监测中多故障的排除方法，通过在RAIM最小二乘残差法检测出有故障后，获取每个故障个数对应的所有故障模式，并根据伪距残差矢量、卫星本地观测矩阵和所有故障模式，采用极大似然准则确定本次检测中每个故障个数对应的最匹配模式，依次比较相邻卫星故障个数对应的最匹配模式，获取故障识别结果，并使用该故障识别结果指导提出所有的故障卫星，然后使用提出后的星座系统重新对终端设备进行定位，检测过程中能够兼容一个至多个故障卫星的识别，并且剔除故障卫星后，重新获取的定位结果可靠性更高。

图5为本发明机载完好性监测中多故障的排除装置实施例一的结构示意图，如图5所示，该机载完好性监测中多故障的排除装置50，包括：获取模块51、处理模块52和比较模块53。其中，获取模块51，用于在RAIM最小二乘残差法检测出有故障后，获取伪距残差矢量和卫星本地观测矩阵；处理模块52，用于根据所述伪距残差矢量、所述卫星本地观测矩阵和预先获取的故障个数小于或等于最大故障个数的所有故障模式矩阵，采用极大似然准则确定每个故障个数对应的最匹配模式，所述每个故障个数对应的最匹配模式为所述故障个数的所有故障模式下似然函数最大的故障模式；比较模块53，用于依次比较相邻卫星故障个数对应的最匹配模式，获取故障识别结果。

本实施例提供的机载完好性监测中多故障的排除装置，用于执行图1所示的方法实施例的技术方案，其实现原理和技术效果类似，通过在RAIM最小二乘残差法检测出有故障后，根据伪距残差矢量、卫星本地观测矩阵和预先获取的故障个数小于或等于最大故障个数的所有故障模式矩阵，采用极大似然准则确定每个故障个数对应的最匹配模式，并依次比较相邻卫星故障个数对应的最匹配模式，获取故障识别结果，能够兼容一个至多个故障卫星的识别，有效提高对于多卫星的故障排除方法的兼容性和检测结果的可靠性。

图6为本发明机载完好性监测中多故障的排除装置实施例二的结构示意图，如图6所示，在上述图5所示的实施例的基础上，该装置50还包括定位模块54，用于根据最终故障识别结果，将所有故障卫星剔除，并采用除所述故障卫星之外的其他可见卫星对终端设备进行定位。

可选的，所述处理模块52根据所述伪距残差矢量、所述卫星本地观测矩阵和预先获取的故障个数小于或等于最大故障个数的所有故障模式矩阵，采用极大似然准则确定每个故障个数对应的最匹配模式之前，所述处理模块52还用于：

接收输入的最大故障个数n_fault，并产生种故障模式T；

其中，n为所述可见卫星的个数，且n大于5；n_fault大于或等于1，且小于或等于n-5；每个所述故障模式T为行数为n、列数为故障个数的矩阵，且每一列只有一个元素为1，每一行只有一个元素为1，其他元素全部为0。

可选的，所述处理模块52具体用于：

根据所述伪距残差矢量，将所述卫星本地观测矩阵H采用 $H=U\left[\begin{array}{c}R\\ 0\end{array}\right]=\left[U_1{U}_2\right]\left[\begin{array}{c}R\\ 0\end{array}\right]=U_{1}R$ 进行QR分解，获取奇偶矢量并计算获取所述奇偶矢量p的概率密度分布函数；其中，H为n×4维站心坐标系下的所述卫星本地观测矩阵；U₁为n×4维分解酉矩阵的前四列；U₂为n×(n-4)维分解酉矩阵的第5列至第n列；R为4×4维分解矩阵的前四行；0为(n-4)×4维零矩阵；w为伪距残差矢量；

根据所述故障模式矩阵和所述概率密度分布函数，采用极大似然准则获取每个故障模式下的似然函数值；

将每个故障个数对应的多个故障模式中似然函数值最大故障模式作为所述故障个数对应的最匹配模式。

可选的，所述比较模块53具体用于：

根据第一故障个数时对应的最匹配模式和第二故障个数对应的最匹配模式，构造差分统计量，并根据预先获取的误识别概率计算比较门限，比较所述差分统计量与所述比较门限的大小，若所述差分统计量小于所述比较门限，则输出所述第一故障个数对应的最匹配模式作为第一故障模式，若所述差分统计量大于所述比较门限，则输出所述第二故障个数对应的最匹配模式作为第一故障模式，将所述第一故障模式与第三故障个数对应的最匹配模式按照上述步骤重复执行，直至比较完成所有的故障个数对应的最匹配模式，将最终获取的第一故障模式作为所述故障识别结果；

优先的，所述第二故障个数大于所述第一故障个数，第三故障个数大于第二故障个数，且所述第二故障个数与所述第一故障个数的差值为1，所述第三故障个数与所述第二故障个数的差值为1，即按照相邻的故障个数依次进行比较。

本实施例提供的机载完好性监测中多故障的排除装置，用于执行图1至图4任一所示的方法实施例的技术方案，其实现原理和技术效果类似，在此不再赘述。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种机载完好性监测中多故障的排除方法，其特征在于，包括：

在RAIM最小二乘残差法检测出有故障后，获取伪距残差矢量和卫星本地观测矩阵；

根据所述伪距残差矢量、所述卫星本地观测矩阵和预先获取的故障个数小于或等于最大故障个数的所有故障模式矩阵，采用极大似然准则确定每个故障个数对应的最匹配模式，所述每个故障个数对应的最匹配模式为所述故障个数的所有故障模式下似然函数最大的故障模式；

依次比较相邻卫星故障个数对应的最匹配模式，获取故障识别结果。

2.根据权利要求1所述的方法，其特征在于，则所述依次比较相邻卫星故障个数对应的最匹配模式，获取故障识别结果之后，还包括：

根据最终故障识别结果，将所有故障卫星剔除，并采用除所述故障卫星之外的其他可见卫星对终端设备进行定位。

3.根据权利要求2所述的方法，其特征在于，所述根据所述伪距残差矢量、所述卫星本地观测矩阵和预先获取的故障个数小于或等于最大故障个数的所有故障模式矩阵，采用极大似然准则确定每个故障个数对应的最匹配模式之前，所述方法还包括：

接收输入的最大故障个数n_fault，并产生种故障模式T；

其中，n为所述可见卫星的个数，且n大于5；n_fault大于或等于1，且小于或等于n-5；每个所述故障模式T为行数为n、列数为故障个数的矩阵，且每一列只有一个元素为1，每一行只有一个元素为1，其他元素全部为0。

4.根据权利要求3所述的方法，其特征在于，所述根据所述伪距残差矢量、所述卫星本地观测矩阵和预先获取的故障个数小于或等于最大故障个数的所有故障模式矩阵，采用极大似然准则确定每个故障个数对应的最匹配模式，包括：

根据所述伪距残差矢量，将所述卫星本地观测矩阵H采用 $H=U\left[\begin{array}{c}R\\ 0\end{array}\right]=\left[U_1{U}_2\right]\left[\begin{array}{c}R\\ 0\end{array}\right]=U_{1}R$ 进行QR分解，获取奇偶矢量并计算获取所述奇偶矢量p的概率密度分布函数；其中，H为n×4维站心坐标系下的所述卫星本地观测矩阵；U₁为n×4维分解酉矩阵的前四列；U₂为n×(n-4)维分解酉矩阵的第5列至第n列；R为4×4维分解矩阵的前四行；0为(n-4)×4维零矩阵；w为伪距残差矢量；

根据所述故障模式矩阵和所述概率密度分布函数，采用极大似然准则获取每个故障模式下的似然函数值；

将每个故障个数对应的多个故障模式中似然函数值最大故障模式作为所述故障个数对应的最匹配模式。

5.根据权利要求4所述的方法，其特征在于，所述依次比较相邻卫星故障个数对应的最匹配模式，获取故障识别结果，包括：

根据第一故障个数时对应的最匹配模式和第二故障个数对应的最匹配模式，构造差分统计量，并根据预先获取的误识别概率计算比较门限，比较所述差分统计量与所述比较门限的大小，若所述差分统计量小于所述比较门限，则输出所述第一故障个数对应的最匹配模式作为第一故障模式，若所述差分统计量大于所述比较门限，则输出所述第二故障个数对应的最匹配模式作为第一故障模式，将所述第一故障模式与第三故障个数对应的最匹配模式按照上述步骤重复执行，直至比较完成所有的故障个数对应的最匹配模式，将最终获取的第一故障模式作为所述故障识别结果；

其中，所述第二故障个数大于所述第一故障个数，所述第三故障个数大于所述第二故障个数。

6.一种机载完好性监测中多故障的排除装置，其特征在于，包括：

获取模块，用于在RAIM最小二乘残差法检测出有故障后，获取伪距残差矢量和卫星本地观测矩阵；

处理模块，用于根据所述伪距残差矢量、所述卫星本地观测矩阵和预先获取的故障个数小于或等于最大故障个数的所有故障模式矩阵，采用极大似然准则确定每个故障个数对应的最匹配模式，所述每个故障个数对应的最匹配模式为所述故障个数的所有故障模式下似然函数最大的故障模式；

比较模块，用于依次比较相邻卫星故障个数对应的最匹配模式，获取故障识别结果。

7.根据权利要求6所述的装置，其特征在于，还包括：

定位模块，用于根据最终故障识别结果，将所有故障卫星剔除，并采用除所述故障卫星之外的其他可见卫星对终端设备进行定位。

8.根据权利要求7所述的装置，其特征在于，所述处理模块根据所述伪距残差矢量、所述卫星本地观测矩阵和预先获取的故障个数小于或等于最大故障个数的所有故障模式矩阵，采用极大似然准则确定每个故障个数对应的最匹配模式之前，所述处理模块还用于：

接收输入的最大故障个数n_fault，并产生种故障模式T；

其中，n为所述可见卫星的个数，且n大于5；n_fault大于或等于1，且小于或等于n-5；每个所述故障模式T为行数为n、列数为故障个数的矩阵，且每一列只有一个元素为1，每一行只有一个元素为1，其他元素全部为0。

9.根据权利要求8所述的装置，其特征在于，所述处理模块具体用于：

根据所述伪距残差矢量，将所述卫星本地观测矩阵H采用 $H=U\left[\begin{array}{c}R\\ 0\end{array}\right]=\left[U_1{U}_2\right]\left[\begin{array}{c}R\\ 0\end{array}\right]=U_{1}R$ 进行QR分解，获取奇偶矢量并计算获取所述奇偶矢量p的概率密度分布函数；其中，H为n×4维站心坐标系下的所述卫星本地观测矩阵；U₁为n×4维分解酉矩阵的前四列；U₂为n×(n-4)维分解酉矩阵的第5列至第n列；R为4×4维分解矩阵的前四行；0为(n-4)×4维零矩阵；w为伪距残差矢量；

根据所述故障模式矩阵和所述概率密度分布函数，采用极大似然准则获取每个故障模式下的似然函数值；

将每个故障个数对应的多个故障模式中似然函数值最大故障模式作为所述故障个数对应的最匹配模式。

10.根据权利要求9所述的装置，其特征在于，所述比较模块具体用于：

根据第一故障个数时对应的最匹配模式和第二故障个数对应的最匹配模式，构造差分统计量，并根据预先获取的误识别概率计算比较门限，比较所述差分统计量与所述比较门限的大小，若所述差分统计量小于所述比较门限，则输出所述第一故障个数对应的最匹配模式作为第一故障模式，若所述差分统计量大于所述比较门限，则输出所述第二故障个数对应的最匹配模式作为第一故障模式，将所述第一故障模式与第三故障个数对应的最匹配模式按照上述步骤重复执行，直至比较完成所有的故障个数对应的最匹配模式，将最终获取的第一故障模式作为所述故障识别结果；

其中，所述第二故障个数大于所述第一故障个数，所述第三故障个数大于所述第二故障个数。