CN104848873B - 传感器数据融合的方法 - Google Patents
传感器数据融合的方法 Download PDFInfo
- Publication number
- CN104848873B CN104848873B CN201510086861.0A CN201510086861A CN104848873B CN 104848873 B CN104848873 B CN 104848873B CN 201510086861 A CN201510086861 A CN 201510086861A CN 104848873 B CN104848873 B CN 104848873B
- Authority
- CN
- China
- Prior art keywords
- sensor
- interested
- measurement result
- parameter
- estimation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 230000004927 fusion Effects 0.000 title abstract description 3
- 238000005259 measurement Methods 0.000 claims abstract description 148
- 230000002159 abnormal effect Effects 0.000 claims abstract description 68
- 238000001514 detection method Methods 0.000 claims description 62
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000006870 function Effects 0.000 description 14
- 230000007717 exclusion Effects 0.000 description 7
- 238000012512 characterization method Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004599 local-density approximation Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C23/00—Combined instruments indicating more than one navigational value, e.g. for aircraft; Combined measuring devices for measuring two or more variables of movement, e.g. distance, speed or acceleration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D3/00—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
- G01D3/08—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups with provision for safeguarding the apparatus, e.g. against abnormal operation, against breakdown
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D43/00—Arrangements or adaptations of instruments
- B64D43/02—Arrangements or adaptations of instruments for indicating aircraft speed or stalling conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
公开一种传感器数据融合的方法。本发明涉及根据分别由多个传感器(C1,C2,C3,C4)提供的参数特别是飞行器的飞行参数的测量结果(y1,y2,y3,y4)来合并参数的测量结果的方法。该方法包括步骤:针对每个传感器(C1;C2;C3;C4),计算离差(T1;T2;T3;T4),离差(T1;T2;T3;T4)与由该传感器提供的测量结果(y1;y2;y3;y4)与根据由其他传感器提供的测量结果而计算的参数的估计之间差的绝对值成比例;将每个离差与对应的阈值(Td1;Td2;Td3;Td4)进行比较;基于该比较,使用所确定总的虚警概率来确定传感器之一是否存在异常;合并测量结果以提供参数的最终估计()。
Description
技术领域
本发明涉及对来自传感器的测量结果进行合并的领域,更具体地涉及对飞行器的飞行参数进行估计。
背景技术
飞行器配备有大量的传感器,从而使得测量飞行器的飞行参数(速度、姿势、位置、高度等)成为可能,并且更一般地使得测量飞行器在每个时刻的状态成为可能。
这些飞行参数然后由航空电子系统,特别地由自动驾驶系统、飞行计算机(飞行控制计算机系统)、飞行器控制与指导系统(飞行指导系统)、飞行器的最关键系统来使用。
由于这些系统的重要性,传感器是冗余的,即,多个传感器提供同一个参数的测量结果。这些不同的测量结果然后通过测量结果合并方法被处理以提供参数的最合理的可能估计。参数的估计例如是分别由不同传感器提供的多个测量结果的平均值或中间值。参数的估计也被称为“合并值”,或“估计值”。
为了改善对参数的估计,测量结果合并方法一般包括搜索传感器之一的可能异常,以避免考虑由表现异常的传感器提供的异常测量结果。
例如,已知以下测量结果合并方法,该测量结果合并方法在每个时刻包括以下步骤:
计算由不同的传感器提供的测量结果的中间值;
关于以所述中间值为中心的预定宽度的公差带来布置由传感器提供的测量结果;
排除位于该公差带外的测量结果;
根据剩余的测量结果估计参数的值。
关于公差带布置测量结果的步骤实现了对传感器之一的可能异常进行搜索,该异常通过异常测量结果的提供来揭露。
这样的测量结果合并方法的一个缺点是:该方法不能可靠地确定虚警(falsealarm)概率,即,尽管传感器没有表现出任何这样的异常,但仍认为传感器表现异常的概率。
本发明的一个目的是提出用于合并传感器测量结果的方法,更特别地用于估计飞行器的飞行参数,使得可以可靠地确定虚警概率的方法。
发明内容
此目的通过以下方法来实现:根据分别由多个传感器提供的参数具体为飞行器的飞行参数的测量结果来合并该参数的测量结果。
根据本发明的方法包括以下步骤及子步骤:
1)搜索称为感兴趣传感器的至少两个传感器之一的可能异常,包括以下子步骤:
1a)针对每个感兴趣传感器,计算所谓的检测离差,所述检测离差与由该感兴趣传感器提供的测量结果和根据由其他感兴趣传感器提供的测量结果而计算的参数的估计之间的差的绝对值成比例;
1b)将每个检测离差与对应的预定阈值进行比较;
1c)基于比较结果,利用所确定的总的虚警概率来确定感兴趣传感器之一是否存在异常;以及
2)合并由感兴趣传感器提供的测量结果以提供参数的被称为最终估计的估计。
每个感兴趣传感器在没有异常的情况下与该感兴趣传感器所提供的测量结果的总误差的正态律特性相关联。该正态律被标记为N(μi;σi),其中σi是标准离差,μi是平均数。
yi标记由感兴趣传感器i提供的测量结果,并且标记根据由其他感兴趣传感器(即排除感兴趣传感器i)提供的测量结果而计算的参数的估计。
与感兴趣传感器i有关的检测离差被标记为Ti,并且根据本发明,应用以下:
如果x是参数的实际值,则当所有的感兴趣传感器正确地操作时:
V1i=(yi-x)是感兴趣传感器i所提供的测量结果与参数的实际值之间的差。这是由感兴趣传感器i提供的测量结果的误差。因此其是在感兴趣传感器i无异常的情况下通过平均数为μi、标准离差为σi以及方差为的被标记为N(μi;σi)的正态律所限定的随机变量。该正态律根据每个传感器i的误差特性来确定。
是从由除了传感器i以外的感兴趣传感器提供的测量结果获得的估计与参数的实际值之间的差。这是从由除了传感器i以外的感兴趣传感器提供的测量结果所获得的估计的误差。因此其是在这些感兴趣传感器没有异常的情况下通过平均数为μ-i、方差为的被标记为N(μ-i;σ-i)的正态律所限定的随机变量。该正态律根据每个传感器i的误差特性来确定。
方差取决于差的值,j≠i,并且取决于计算的方法。平均数μ-i取决于不同的μj的值,j≠i,并且取决于计算的方法。
对于每个传感器,该传感器所提供的测量结果的总误差的正态律特性有利地被调整为中心正态律,以免计算平均数μ-i。
因为V1i仅根据由感兴趣传感器i提供的测量结果而计算,并且V2i仅根据由所有其他感兴趣传感器j≠i提供的测量结果而计算,所以V1i和V2i是独立的随机变量。它们的协方差为零,使得在感兴趣传感器没有异常的情况下,变量V3i=V1i+V2i通过方差等于的正态律来限定。该方差用来标记。实际上,由于V1i和V2i是独立的随机变量,所以V3i的方差等于V1i的方差和V2i的方差之和。
随机变量V1i和V2i独立的事实还意味着:随机变量V3i由平均数μTi等于平均数μi和μ-i的和的正态律来限定。
因此变量V3i可以在感兴趣传感器无异常的情况下通过方差等于并且平均数等于μTi=μi+μ-i的被标记为N(μTi;σTi)的正态律来限定。
根据此正态律,可以从其推导与检测离差Ti相关联的预定阈值的值,以区分感兴趣传感器之一表现异常的情况与感兴趣传感器没有表现异常的情况。该阈值与用PFAi标记的虚警概率相关联,该虚警概率对应于以下概率:尽管感兴趣传感器没有表现出异常,但是根据检测离差Ti与阈值Td的比较结果认为感兴趣传感器表现出异常的概率。
虚警概率PFAi与检测离差Ti相联系,但是不一定与传感器i自身相联系。其可以是表现异常的另一个传感器。
下文中,详细描述的示例。本领域技术人员能够容易地根据|V3i|与Ti之间的比例因子来修改该示例(参见等式(1))。
假设在时刻t仅传感器之一会表现出异常。
使用以下标记法:
H0是以下假设,根据该假设所有感兴趣传感器正确地操作;
H1是以下假设,根据该假设感兴趣传感器之一表现异常;以及
Tdi是预定阈值(与检测离差Ti相联系)的值,使得Ti≥Tdi暗示假设H1被接受(假设H0被拒绝)。
应当注意,知道离差Ti超过了检测阈值Tdi是不重要的,因为从其不能推论出它是表现异常的感兴趣传感器i。因此,分别与离差Ti相联系的多个假设H1i不被区分。
则,虚警概率与当假设H0成立时拒绝假设H0的概率对应。该虚警概率可以根据检测离差Ti来表达:
PFAi=P(Ti≥Tdi|Ti~N(μTi;σTi));
其中是与律N(μTi;σTi)对应的概率密度;
其中是律N(μTi;σTi)的分布函数。
使得判决阈值Tdi通过以下来限定:
换言之,设置虚警概率PFAi的期望值,然后推导检测离差Tdi的预定阈值的值,从而将所有感兴趣传感器正确地操作的情况与感兴趣传感器之一表现异常的情况分离开。
分别与和感兴趣传感器有关的检测离差Tj对应的其他判决阈值Tdj,j≠i,可以按照相同的方式被限定。
然后,每个判决阈值Tdj根据虚警概率PFAj来限定,该虚警概率PFAj与以下概率对应:当感兴趣传感器未表现出异常时,根据检测离差Tj与阈值Tdj的比较结果认为该感兴趣传感器表现出异常的概率。
实际上,通过将每个检测离差与其对应的判决阈值进行比较来测试该检测离差。如果这些测试中至少之一表明感兴趣传感器之一表现出异常,则根据其推论假设H1成立。
被标记为PFA的总的虚警概率是与每个检测离差相关联的虚警概率的和:
M是感兴趣传感器的数量 (4)
因此可以看出,由于使用由独立随机变量yi和限定的判决准则,可以知道与以下诊断相关联的总的虚警概率:根据该诊断,所有的感兴趣传感器正常地操作,或者根据该诊断,感兴趣传感器之一表现异常。因此提出了提供参数的最终估计的严格表征的测量结果合并方法。
具体实施方式的详细说明提供了关于本发明的实现的另外细节,特别是对于表征传感器的误差的正态律的确定、变量V1i和V2i的确定等。
根据本发明的第一实施方式,所述方法包括搜索两个感兴趣传感器之一的可能异常,以及合并由这两个感兴趣传感器提供的测量结果,以提供参数的估计,称为最终估计。
根据本发明的第二实施方式,所述搜索可能异常实现搜索至少三个感兴趣传感器之一的可能异常,并且当针对感兴趣传感器之一确定出现异常时还包括以下子步骤:
1d)识别表现异常的感兴趣传感器,测量结果合并步骤实现由以下提供的测量结果的合并:
在确定出所述感兴趣传感器之一无异常的情形下:感兴趣传感器;
在确定出某个感兴趣传感器存在异常:除了该表现异常的感兴趣传感器以外的感兴趣传感器。
根据本发明的该第二实施方式,测量结果合并步骤可以提供参数的估计,该参数的估计根据由于以下提供的该参数的测量结果而计算:
在预定时间期间的每个测量时刻确定出某个感兴趣传感器存在异常的情形下:除了该表现异常的感兴趣传感器以外的感兴趣传感器,以及
在其他情形下:感兴趣传感器。
优选地,针对每个感兴趣传感器,所述检测离差与所述差的绝对值除以中心正态律的标准离差成比例,所述中心正态律的标准离差表征在感兴趣传感器无异常的情况下由所述感兴趣传感器提供的测量结果与由其他感兴趣传感器提供的测量结果而计算的所述参数的估计之间的差。
针对每个检测离差,预定阈值有利地根据期望虚警概率来确定,期望虚警概率与以下概率对应:尽管感兴趣传感器之一不存在异常,但根据该检测离差确定该异常仍然存在的概率。
识别表现异常的感兴趣传感器的步骤优选地包括:
1d1)针对每个感兴趣传感器,由除所关注的感兴趣传感器以外的其他感兴趣传感器提供的该参数的测量结果来计算参数的估计。
1d2)针对每个适当地计算的估计,计算残余值,残余值取决于由所述其他感兴趣传感器提供的所述测量结果与所述估计之间的距离;以及
1d3)搜索最小残余值,与最小残余值相关联的所排除的感兴趣传感器是表现异常的感兴趣传感器。
参数的每个估计可以是各自由感兴趣传感器提供的测量结果的加权平均。
参数的每个估计可以是分别由感兴趣传感器提供的测量结果的加权平均,感兴趣传感器提供的每个测量结果通过正态律的方差的倒数被加权,该正态律的方差表征在该感兴趣传感器无异常的情况下与所述感兴趣传感器有关的总测量误差。
参数的最终估计可以是分别由感兴趣传感器提供的测量结果的加权平均,感兴趣传感器所提供的每个测量结果通过以下系数被加权,所述系数使得由用于计算最终估计的感兴趣传感器的异常引入的关于最终估计的最大误差的值最小化。
根据本发明的方法有利地包括以下新步骤:通过将考虑用于提供所述最终估计的感兴趣传感器认作新的感兴趣传感器来搜索可能异常。
作为变型,根据本发明的方法可以包括以下新步骤:通过将考虑用于提供所述最终估计的感兴趣传感器以及先前被识别为表现异常的至少一个感兴趣传感器认作新的感兴趣传感器来搜索可能异常。
优选地,根据本发明的方法包括计算最终估计的准确度误差,包括以下步骤:
确定正态律,该正态律表征当考虑用于最终估计的感兴趣传感器不存在异常时与最终估计相关联的总的测量误差;
设置以下概率的值:与最终估计相关联的总测量误差的绝对值大于要被确定的阈值;
从其推出被称为最终估计的准确度误差的所述阈值的值。
根据本发明的方法针对每个感兴趣传感器包括以下步骤:
设置错误检测的概率,所述错误检测的概率共用于所有感兴趣传感器,对应于以下概率:尽管异常存在于感兴趣传感器之一,但是仍然确定该异常不存在于所关注的感兴趣传感器上;以及
从其推出最小可检测偏差的值,该值对应于由感兴趣传感器的异常引入的关于感兴趣传感器所提供的测量结果的最小偏差,并且使得可以使用所设置的错误检测的概率来确定感兴趣传感器之一存在异常。
计算最终估计的完整度误差则可以包括以下步骤:
针对用于计算最终估计的每个感兴趣传感器,通过所述感兴趣传感器的故障计算与引入到最终估计中的误差成比例的指标,该故障通过与最小可检测偏差对应的偏差来表征;
确定被称为最终估计的完整度误差的最大指标。
附图说明
在参考附图阅读示例性实施例的描述的基础上将更好地理解本发明,示例性实施例纯粹以说明目的并且以非限制性目的给出,附图中:
图1示意性地示出了本发明的应用环境;
图2示出了确定由传感器提供的测量结果的误差的正态律特性的示例;
图3示意性地示出了根据本发明的一种实施方式的用于合并测量结果的方法;
图4示意性地示出了根据本发明的一种实施方式的方法的步骤,该方法使得可以识别表现异常的感兴趣传感器;
图5示意性地示出了根据本发明的一种实施方式的方法的步骤,该方法使得可以确定估计的准确度误差;
图6示意性地示出了根据本发明的一种实施方式的方法的步骤,该方法使得可以确定估计的完整度误差;
图7示意性地示出了总的虚警概率和总的错误检测概率;
图8示意性地示出了根据本发明的一种实施方式的方法的步骤,该方法实现了用于搜索感兴趣传感器的可能异常的至少两个连续步骤;以及
图9示出了根据本发明的方法的示例性实现。
具体实施方式
下文中将描述通过由不同传感器获得的参数的多个测量结果来实现的参数估计。
本发明更具体地适用于飞行器的飞行参数的估计,该飞行参数例如为飞行器的速度、飞行器的姿势、飞行器的加速度、飞行器的角旋转速度、飞行器的轨迹角度、飞行器的方位角或甚至飞行器的位置等。其还可以应用于飞行器内部或飞行器附近的温度或压力的估计。然而,本发明不限于这样的应用,而是可以应用于必须合并来自多个传感器的测量结果的许多技术领域。
“传感器”在此处应当被理解为表示能够直接测量所关注的参数的物理传感器,而且还表示可以包括一个或更多个物理传感器以及信号处理装置从而可以根据由这些物理传感器提供的测量结果来提供参数的估计的系统。类似地,“该参数的测量结果”将描述来自物理传感器的原始测量结果或通过对原始测量结果进行更加复杂或较不复杂的信号处理而获得的测量结果。
每个传感器例如是IRS(“惯性参考系统”)惯性传感器、AHRS(“姿势&方位参考系统”)惯性传感器、卫星(例如,GNSS、GPS或伽利略)定位传感器、传统ADR(“大气数据基准”)风力测定传感器、ADR光雷达激光风力测定传感器、转速计式角度传感器、基于角度传感器的转速计或里程表、光学传感器(相机)、传统的RA(“无线电高度计”)高度传感器、RA光雷达激光高度传感器、无线电定位传感器(例如,VOD、DME、ADF、无线电Nav型)、无线电着陆传感器(例如,ILS或MLS)、卫星着陆传感器(例如,SLS、GLS)。
图1示出了具有标记的本发明的应用环境,所述标记将在下文中使用。
要估计的参数是x(t),被标记为x以简化标记法。
在每个时刻,传感器C1、C2、C3、C4分别获取参数x的测量结果y1(t)、y2(t)、y3(t)和y4(t)。然后它们将这些测量结果提供给数据合并模块100。
为了简化标记法,在下文中将这些测量结果简单地标记为y1、y2、y3和y4。
这些传感器可以是同一类型或不同类型。至少两个传感器被提供。无论如何,有利地,优先选用三个或更多个传感器。
在下文中并且按照非限制性方式,将采用4个传感器的示例:两个IRS传感器C1、C2,以及两个AHRS传感器C3、C4。参数x在此处对应于作为滚动角和俯仰角的姿势角度。
数据合并模块100接收测量结果y1、y2、y3和y4作为输入。数据合并模块包括存储器101,存储器101接收分别与传感器C1、C2、C3、C4相关联的预定阈值Td1、Td2、Td3、Td4。根据测量结果y1、y2、y3和y4以及预定阈值Td1、Td2、Td3、Td4,数据合并模块提供参数x的估计简单地标记为在下文中将在合并模块的输出处提供的参数x的估计称为“最终估计”。
根据本发明的方法通过包括电子装置以及计算装置和/或软件装置的数据合并模块100来实现。数据合并模块包括例如微控制器。
根据本发明的方法更一般地在包括传感器C1、C2、C3、C4和与这些传感器数据通信的数据合并模块100的组件中被实现。
数据合并模块100一般地与至少一个系统通信,此处为两个航空电子系统S1和S2以在每个时刻将最终估计发送给它们。航空电子系统例如是导航系统、自动驾驶系统、收集要发送给飞行员的数据的系统、引擎控制系统、飞行控制系统等。
在实现根据本发明的方法之前,校准步骤将能够被实现以用于:针对每个传感器确定当该传感器正常地操作时由该传感器提供的测量结果的总误差的正态律特性。该正态律根据传感器的误差的表征来确定。
为了简化计算,会将它们优选地简化为中心正态律。仍可以通过中心正态律来表征传感器。例如,如果传感器表现出测量结果偏差,则该偏差简单地必须被减去以返回至中心律。
图2示出了这样的中心正态律的确定的示例。
在传感器Ci正常操作的情形下,假定以下:
yi=x+ei (5)
其中yi是传感器Ci的测量结果,x是参数的实际值,并且ei是传感器Ci的总的测量结果误差。
例如,假设误差ei包括特定于传感器的测量结果误差emes_i以及该传感器相对于飞行器的坐标系的安装误差eins_i。可以根据情况设想其他误差源,例如在测定风力传感器的情况下的空气动力误差。
误差emes_i通过具有平均数μmes_i、标准离差σmes_i的正态律(也称为高斯定律)来限定。该正态律被标记为N(μmes_i;σmes_i)。
标准离差σmes_i的值已知(例如,对于IRS传感器为0.05°以及对于AHRS传感器为0.5°),以及已知对μmes_i的值进行划界的间隔(例如,对于IRS传感器为[-0.05°;0.05°],以及对于AHRS传感器为[-0.5;0.5°])。
误差eins_i由被标记为μins_i的简单偏差来限定。该误差取决于传感器的安装缺陷以及取决于如飞行阶段中机身变形等其他现象。例如,μins_i∈[-0.05°;0.05°]适用于IRS传感器并且适用于AHRS传感器。
因此总的误差ei通过标准离差为σmes_i、平均数为μmes_T=μmes_i+μins_i的正态律来限定。因此,总的误差ei的平均数对于IRS传感器以间隔[-0.1°;0.1°]来划界以及对于AHRS传感器以[-0.55;0.55°]来划界。
为了不管总的测量结果误差的实际分布如何均使得与根据本发明的方法对应的算法保持有效,作出了保守假设,即,确定了以下中心正态律:该中心正态律提供了与平均数μmes_i+μins_i的可能的不同值对应的不同中心正态律之间的权衡。总的测量结果误差的上界因此被找到。
该权衡示出在图2中。
曲线21表示标准离差为σmes_i并且平均数为min(μmes_T),即平均数μmes_T的最小值,的正态律。
曲线22表示标准离差为σmes_i并且平均数为average(μmes_T),即平均数μmes_T的平均值,的正态律。
曲线23表示标准离差为σmes_i并且平均数为max(μmes_T),即平均数μmes_T的最大值,的正态律。
曲线24表示标准离差为σi并且平均数μi=0的正态律,其包括曲线21、22和23。因此其是被标记为N(0;σi)的中心正态律,其标准离差以能够获得下述中心正态律的方式来限定:提供与平均数μmes_i+μins_i的可能的不同值对应的不同正态律之间的权衡。例如,σi=0.1°适用于IRS传感器,并且σi=0.8°适用于AHRS传感器。
σi的值(0.1°和0.8°)在此处从理论上并且更具体地根据图2所示出的那样来确定。
对此,按照以下方式来绘制高斯曲线(标记为24):相对于特定误差值(对于AHRS近似为2°并且对于IRS近似为0.2°)进而相对于特定概率值总是在两个极值高斯曲线之上(标记为21和23)。
可以使用其他理论方法,例如,用于基于例如卡尔曼滤波器的对误差进行实时估计的方法。
σi的值还可以例如通过飞行中测试来实际地确定。
σi的值0.1°和0.8°被用作示例。然而,这些值在给定的所关注的传感器类型(IRS或AHRS)以及在飞机中的安装的情况下是现实的。
图3示意性示出了根据本发明的一种实施方式的测量结果合并方法。
假设由传感器获取参数的测量结果的初级步骤。
从传感器C1、C2、C3、C4中选择被称为感兴趣传感器的传感器,在感兴趣传感器中将找出可能的故障传感器(即,表现异常的一个传感器)。选择至少三个感兴趣传感器。
例如,初始假设所有的感兴趣传感器正常地操作,尽管其中之一会变得表现异常。则感兴趣传感器是4个传感器C1、C2、C3、C4。
针对每个传感器C1、C2、C3、C4,计算各自的离差T1、T2、T3、T4的值(分别为步骤301、302、303和304)。
检测离差Ti与由传感器i提供的测量结果和参数的估计之间的差的绝对值成比例,参数的估计根据由其他感兴趣传感器提供的测量结果来计算(参见公式(1))。该差被称为有用差。
在此处详细描述的示例中,检测离差Ti等于该有用离差除以对在感兴趣传感器无异常的情况下的有用差进行表征的正态律的标准离差:
如先前所详细描述的,变量在感兴趣传感器无异常的情况下通过方差等于的正态律来限定。变量V3i对应于中心正态律,其可以根据与总测量结果误差相关联的方差来确定,所述总测量结果误差与每个感兴趣传感器相关联。
认为,传感器的总测量结果误差各自由中心正态律表征,以使得V3i在感兴趣传感器无异常的情况下通过中心正态律来限定。
分母σTi使得检测离差Ti最终能够针对每个感兴趣传感器i通过方差等于1的被标记为N(0;1)的同一个简化中心正态律来限定。
因此,如在等式(6)中限定的检测离差特别地有利,因为其使得所有的检测离差Ti可以通过同一个中心正态律即简化的中心正态律来限定。
然后,每个检测离差T1、T2、T3、T4分别与对应的预定阈值Td1、Td2、Td3、Td4进行比较(分别为步骤311、312、313和314)。
在步骤32期间,基于上述比较结果来确定感兴趣传感器之一是否存在异常。特别地,如果至少一个检测离差T1,T2,T3,T4大于或等于相应的Td1,Td2,Td3,Td,则推断感兴趣传感器之一表现异常。因此在此阶段本发明开始检测影响感兴趣传感器之一的故障或干扰。
因此步骤30i、31i和32一起形成搜索感兴趣传感器之一的可能异常的步骤。
应当注意,如果Ti≥Tdi,则这并不一定表示感兴趣传感器i出现故障,因为Ti的值不但取决于yi而且还取决于通过由除了感兴趣传感器i以外的感兴趣传感器提供的测量结果所确定的下面给出能够识别表现异常的感兴趣传感器的步骤。
如先前所呈现的,当检测离差由正态律N(μTi;σTi)限定时,对应的预定阈值是(参见等式(3))。
在此处所呈现的示例中,每个检测离差由简化的中心正态律N(0;1)限定。因此,针对每个检测离差,预定阈值是优选地,期望虚警概率PFAi被设置以便对于分别与传感器i相关联的所有检测离差均是相同。
因此,预定阈值Tdi对于与传感器i相关联的每个检测离差而言是相同的。因此,如在等式(6)中给出的检测离差的定义是特别有利的,因为其使得可以针对根据本发明的所有检测离差Ti来考虑单个预定阈值Td。该方法被大大地简化。如果Ti≥Td,则这意味着:接受如在“发明内容”部分中给出的假设H1,即感兴趣传感器之一正表现异常(不必是传感器i)。
假设在实现根据本发明的方法之前就确定了预定阈值Tdi。然而,可以使根据本发明的方法包括针对每个检测离差确定预定阈值的步骤。在该情况下,可以将以下提供给合并模块100:
与每个检测离差相关联的期望虚警概率;以及
对在感兴趣传感器没有表现异常的情况下的每个检测离差进行表征的中心正态律。
根据本发明而实现的所有估计有利地被加权平均。每个传感器具有相关联的特定加权系数。
所谓的中间估计优选地被加权平均以使得与感兴趣传感器的测量结果相关联的加权系数等于以下正态律的方差的倒数:该正态律表征在该感兴趣传感器无异常的情况下与该感兴趣传感器有关的总测量结果误差。该估计被称为“最小二乘法”。
则,根据由除了感兴趣传感器i以外的感兴趣传感器提供的测量结果的x的估计被定义如下:
M是感兴趣传感器的数量,并且(方差的倒数)。
换言之,目的是最小化以下准则:
其中其等价于求解
必要时,可以确定σ-i的值。例如,在通过最小二乘法来估计的情况下,应用以下:
最小二乘法,即系数等于方差的倒数的加权平均,是已知的最小化测量结果与测量结果的估计之间的差的最佳方法,因为最小二乘法最小化均方差。因此最小二乘法提供最准确的可能估计。
根据本发明的方法然后包括测量合并步骤33。步骤33对应于参数x的被称为“最终估计”的估计的计算。
在参考附图示出的示例中,有4个感兴趣传感器。
如果在步骤32的结束处断定没有感兴趣传感器表现异常,则最终估计考虑由所有感兴趣传感器提供的测量结果。
如果在步骤32的结束处断定感兴趣传感器之一表现异常,并且然后该传感器被识别为传感器i,则最终估计考虑由除了传感器i以外的所有传感器提供的测量结果。可以认为排除了表现异常的感兴趣传感器,以使得该感兴趣传感器所提供的测量结果不会被考虑用于计算最终估计。系统特别是航空电子系统的针对传感器的故障和干扰的公差因此被增强,因为系统接收了不受这些故障和干扰影响的最终估计。
在仅有两个感兴趣传感器的情况下(未呈现),即使确定了传感器之一表现异常,最终估计仍考虑由所有传感器提供的测量结果。
因此最终估计在每个时刻由于实时地排除被识别为表现异常的传感器而成为“最合理的可能估计”。
有利地,在给定时刻t,并且在排除了故障传感器之后,不再努力排除第二个故障传感器。在时刻t+1处则会考虑进行对可能的第二故障传感器的排除。实际上,两个传感器精确地在同一时刻t出现故障的概率几乎为零。据此,在每个时刻t存在至多一个故障传感器的假设是可信的。该假设包括两个传感器的故障在时间上稍微交错的情况,例如一个传感器在时刻t出现故障而另一个传感器在时刻t+1处出现故障。
最终估计优选地是通过最小二乘法的估计:
如上面所指出的,最小二乘法提供了最佳准确度。在适当时,将可以实现其他类型的加权平均,即用被标记为w′j的其他系数来替代例如,该系数w′j将可以提高最终估计的完整度(对其准确度不利)。系数w′j的值必须通过验证其有效性来被确定。在下文中详细描述这样的确定的一个示例(新系数w′I、w′A)。
因此,除了最终估计以外的估计优选地是通过最小二乘法的估计,而最终估计能够是加权系数被设置成优先考虑除了最大准确度以外的准则的加权平均。
根据本发明的测量结果合并方法是集中合并,其中,不同的测量结果按照集中方式被处理(不同于一些数据被预处理的级联合并)。
根据本发明的测量结果合并方法还是瞬时合并,其中,每个计算考虑仅在同一个时刻t的测量结果(不同于递归合并)。
所实现的计算是简单的,因此快速地执行并且消耗很少的计算资源。
图4示意性地示出了根据本发明的一种实施方式的方法的步骤,使得当确定出感兴趣传感器之一存在异常时可以识别表现异常的该感兴趣传感器。
针对每个感兴趣传感器,分别根据由其他感兴趣传感器{y2,y3,y4}、{y1,y3,y4}、{y1,y2,y4}和{y1,y2,y3}提供的参数的测量结果来计算估计 和这些是分别被标记为401、402、403和404的步骤。
每个估计例如通过最小二乘法来计算:如上面所指出的,最小二乘法提供了以下优点:提供了最佳准确度。
针对每个适当地计算的估计,残余值r1、r2、r3和r4分别被计算,其取决于估计与由所述其他感兴趣传感器提供的每个测量结果之间的距离。
在此处,距离描述了两个值之间的正差。残余值特别地依赖于:
估计与由所述其他感兴趣传感器提供的每个测量结果之间的差的绝对值;或
估计与由所述其他感兴趣传感器提供的每个测量结果之间的差的平方。
在图4中,残余值ri被标记为ri,并且测量结果yi被标记为yi。
残余值例如是所述估计与由所述其他感兴趣传感器提供的测量结果之间的均方根离差。例如应用以下:
这涉及分别被标记为411、412、413和414的步骤。
基于通过最小二乘法的估计并且基于均方根离差除以方差σj 2的计算结果的该残余值是用于使得在排除受异常影响的传感器时出错的概率最小化的最佳方法。
如果适当,将能够实现对残余值的其他计算,实现其他加权系数。
然后求解作为绝对值的最小残余值(步骤42)。如果ri是与感兴趣传感器i相关联的残余值,则表现异常的感兴趣传感器是与该最小残余值相关联的感兴趣传感器。
在图4表示的示例中,r2是最小残余值,因此C2是表现异常的感兴趣传感器(与估计相关联的传感器,自身与感兴趣传感器C2相关联)。
因此,本发明提供了用于自动检测和识别影响传感器的故障的装置。
图5示意性地示出了根据本发明的方法的步骤,该方法使得可以确定被称为RP0的最终估计的准确度误差。
最终估计的准确度误差,也称为“无故障的保护半径”,其在“考虑了源于未表现出异常的传感器的测量结果”的假设下,来指定计算参数的最终估计时的误差。
在下文中将描述通过最小二乘法的最终估计的示例,即,加权系数等于方差的倒数的加权平均。
确定以下正态律,该正态律表征与参数的估计相关联的总的测量结果误差(在被考虑用于最终估计的感兴趣传感器无异常的情况下)。给定通过最小二乘法的估计,与该估计关联的总测量结果误差eT通过以下来限定:
D是被考虑用于计算的感兴趣传感器的数量,ek是与传感器k相联系的总的测量结果误差,并且(其中,σk是对在传感器k无异常的情况下传感器k的总的测量误差进行表征的中心正态律的标准离差)。
在适当时,系数wk由与传感器k相关联的加权系数替代并且被用于以该方法实现的最终估计。在下文中,在这三个感兴趣传感器是一个IRS和两个AHRS的示例中,通过示例详细地描述了新加权系数的确定。
从其推论出eT遵循标准离差为σT的被标记为N(0;σT)的中心正态律,其中
为了确定该正态律,规定:数据合并模块100的存储器101包括针对可用的每个传感器i的不同σi值。
然后设置总测量结果误差eT的绝对值要大于待确定的阈值ε的期望概率γ的值。换言之,1-γ是误差eT包括在精确度范围[-ε;+ε]中的概率。
例如,选择γ=5.10-2(相对于2σ的误差),或γ=10-3(相对于3σ的误差),或γ=10-5(相对于4σ的误差)。
该条件因此被公式化为:
P(-ε≤eT≤+ε)=1-γ (10)
从其推论出,阈值ε的值是最终估计的准确度的误差并且还指示无故障的保护半径RP0(步骤50)。
应用以下:
其中是定律N(0;σT)的概率密度。
因此:
其中是与概率密度相关联的分布函数使得:
图6示意性地示出了根据本发明的方法的步骤,该方法使得可以确定最终估计的完整度误差。
最终估计的完整度的误差,也称作“有故障的保护半径”,其表示在“测量结果被考虑在内的传感器之一表现异常”的假设下计算参数的估计的误差。其具体是在识别和排除故障传感器之前最终估计的误差。
针对每个检测离差,设置单一错误检测概率PMD。
错误检测概率对应于以下概率:尽管传感器i=j上存在异常,但根据检测离差Ti与阈值Tdi之间的比较结果却确定该异常不存在。
针对每个感兴趣传感器j,由此推导出由感兴趣传感器j的异常而引入到其所提供的测量结果中的最小偏差值bmin j,使得可以使用如所设置的错误检测概率来检测异常的存在。这些步骤分别被标记为601、602、603和604,并且使得可以确定最小可检测偏差bmin1、bmin2、bmin3和bmin4。
bmin j的确定执行以下步骤:针对每个检测离差Tj,确定当感兴趣传感器j表现异常时检测离差Tj所遵循的正态律。
在时刻t,传感器上的异常通过测量结果相对于预期测量结果的离差来表明。因此,在感兴趣传感器j出现故障时,该故障在测量结果yj中引入偏差bj:
yj=x+ej+bj (13)
为了简化该计算,继续以下示例:根据该示例,在无异常的情况下,每个传感器表现出通过中心正态律表征的误差。
如上面(等式(2))定义的变量V3j是遵循平均数为bj且被标记为N(bj,σj)的正态律的变量V1j以及总是遵循中心正态律N(0,σ-j)的变量V2j的和。
给定(Tj如等式(6)中所定义),从其推出Tj遵循平均数为且被标记为的非中心简化正态律。本领域技术人员能够容易地针对Tj的其他定义来确定Tj所遵循的正态律,使得:
如前所述,使用以下标记:
H0是以下假设:根据该假设所有的感兴趣传感器正确地操作;
H1是以下假设:根据该假设感兴趣传感器之一表现异常;以及
Tdi是预定阈值的值(与检测离差Ti相联系),以使得Ti≥Tdi暗示假设H1被接受(并且假设H0被拒绝)。
则,错误检测概率与以下概率对应:尽管假设H1成立,但仍拒绝假设H1。
为了计算bmin j,特别地认为,错误检测概率与Tj相联系并且与传感器j相联系,并且对应于以下概率:尽管假设H1成立并且与传感器j相关,但仍拒绝假设H1。换言之,尽管传感器i=j表现出异常,但针对任意i仍验证Ti≤Tdi的概率,即,对应的检测离差由正态律表征。为了简化计算,假设
因此,通过设置PMD的值并且已知Td的值,可以计算bmin j。按照相同的方式,可以计算所有的不同bmin i。
为了确定正态律有利地规定,数据合并模块100的存储器101包括σi的对于每个可用传感器i的不同值。
每个步骤601、602、603和604之后分别为计算指标Id1、Id2、Id3和Id4的步骤611、612、613和614。指标Id1、Id2、Id3和Id4分别与由感兴趣传感器C1、C2、C3和C4的故障(未被检测)而引入到最终估计中的误差对应,该故障通过与最小可检测偏差对应的偏差来表征。
在步骤62中,与被标记为RP1的、最终估计的完整度误差对应的最大指标被求解。最终估计的完整度的误差,也被称作“有故障的保护半径”,其表示在“所使用的传感器受到未被先前所描述的方法检测到的故障影响”的假设下,计算参数的最终估计的误差。
因此,针对用于计算最终估计的每个感兴趣传感器j,有以下对应:
检测离差Tj,
最小可检测偏差bmin j,以及
指标Idj,其对应于由感兴趣传感器j的故障引入到最终估计中的误差,该故障通过所述最小可检测偏差来表征。
最终估计在此处通过最小二乘法来产生。与这样的估计相联系的总测量结果误差eT通过来定义(参见等式(9))。指标Idi则具有值:
换言之,指标Idi等于最小可检测偏差bmin i除以与用于计算参数的最终估计的每个感兴趣传感器相关联的中心正态律的方差的倒数之和,所述最小可检测偏差bmin i通过与对应于感兴趣传感器i的中心正态律的方差的倒数相等的加权系数来进行加权。
在适当时,系数wk、wi分别由与用于在该方法中实现的最终估计的传感器k、i相关联的加权系数替代。
例如,假设4个感兴趣传感器由2个IRS传感器和2个AHRS传感器形成,应用以下(指标I对应于IRS传感器并且指标A对应于AHRS传感器):
和
则:RP1=max(IdI,IdA)
可以看出,如果多个感兴趣传感器通过同一中心正态律表征,则用于确定所有指标Idi所需的计算数量减小。该意见与遍及文本所描述的所有处理操作有关。
有利地规定,数据合并模块100的存储器101包括σi的对于每个可用传感器i的不同值。
在一些情况下,在根据本发明实现的估计中,特别地在参数x的最终估计中调节与每个测量结果相关联的加权系数是有利的。
实际上,如果通过最小二乘法做出估计,则与每个感兴趣传感器对应的权重与其方差成反比。
因此,由具有低方差的感兴趣传感器所提供的测量结果强烈地影响最终估计的值。换言之,赋予具有低方差的感兴趣传感器的置信度很高。
缺点是:如果感兴趣传感器出现故障,则只要尚未排除该感兴趣传感器,最终估计的误差就会高。换言之,最终估计的完整度误差高(故障时保护半径)。
可以想到,对赋予感兴趣传感器的权重进行调节,以减小最终估计的完整度的误差。这反映在最终估计的准确度的误差的增加上,通过减小完整度误差来补偿该缺点。
特别地,可以按照获得最小完整度误差的方式来限定加权系数。换言之,求解以下加权系数:其最小化由用于计算最终估计的感兴趣传感器的故障而引入到最终估计中的最大误差的值。
例如,在感兴趣传感器包括2个AHRS传感器和1个IRS传感器的情况下,IRS传感器是误差遵循具有低标准离差的中心正态律的传感器。如果估计由最小二乘法做出,则与用于估计的IRS传感器相关联的权重高。因此,在该IRS传感器故障的情况下,只要该传感器没有被排除,则估计的误差就高。
因此,如先前定义的与IRS传感器相关联的指标Idi取非常高的值,并且限定估计的完整度的误差。相比存在2个IRS传感器和2个AHRS传感器的情况而言,在存在单个IRS传感器和2个AHRS传感器的情况下,当与该IRS传感器相关联的最小可检测偏差较高时,该完整度误差都较高。
因此针对该IRS传感器以及针对这两个AHRS传感器,求解2个新的加权系数w′I、w′A,其最小化了由感兴趣传感器的故障引入到最终估计中的最大误差。
应用以下:
和
使IdI和IdA中的最大值最小化的对(w′I,w′A)被求解。
然后,这些加权系数使得可以定义以下估计:该估计使得可以获得最小完整度误差(最大完整度):
其中y1是IRS传感器的测量结果,yA1是第一AHRS传感器的测量结果并且yA2是第二AHRS传感器的测量结果。
应当注意,这样的估计表现出相比通过最小二乘法的估计而言准确度误差较高。
换言之,最终估计是权重不是方差的加权平均。较低的权重被分配给IRS。检测该IRS的未来异常的能力因此被优先考虑,尽管出现参数的最终估计的准确度轻微恶化。
以示意性方式,图7示出了总的虚警概率和总的错误检测概率。
曲线71表示当被考虑用于估计的所有感兴趣传感器正常操作时与总体估计的测量结果误差对应的中心正态律。
曲线73表示当被考虑用于估计的传感器之一表现异常时与总体估计的测量结果误差对应的正态律。
水平直线72在曲线73下方,线72的左边限定了表示错误检测概率的区域。线72还在曲线71下方,线72的右边限定了表示总的虚警概率的区域。
图8示意性地示出了根据本发明的测量结果合并方法的步骤,该方法实现了搜索感兴趣传感器的可能异常的至少两个连续步骤。
感兴趣传感器用Ci标记。
合并模块针执行被标记为814的监视功能,其配置成在每个时刻t搜索感兴趣传感器Ci之一的可能异常。当感兴趣传感器之一被识别为表现异常时,监视功能814还可以确定表现异常的感兴趣传感器CP。
排除功能804使得可以从感兴趣传感器组中排除传感器CP。
合并模块(参见图1)考虑了除了可能被排除的传感器CP以外的感兴趣传感器Ci来计算时刻t处参数x的最终估计(功能834被称为测量组合功能或测量结合功能或测量合并功能)。
合并模块还计算与最终估计相关联的时刻t处的准确度误差RP0以及时刻t处的完整度误差RP1(被标记为824的功能)。这些不同值被提供给系统特别是航空电子系统。有利地规定,合并模块仅当存在有至少3个可用的感兴趣传感器时才计算准确度误差RP0和完整度误差RP1。
对于实际感兴趣的识别功能和排除功能,有利地总是具有至少三个感兴趣传感器。优选地规定,当存在有不多于两个可用的感兴趣传感器时,不执行识别和排除功能。可以提供向系统发送消息以通知飞行器的飞行员或维护中心的步骤,该消息用信号通知以下事实:被考虑用于最终估计的感兴趣传感器不多于2个。
只要确定了感兴趣传感器CP表现异常,则就可以立即进行排除。作为变型,排除可以取决于排除确认时间。在该情况下,如果在排除确认时间期间的每个时刻处传感器CP被识别为表现异常,则排除传感器CP。可以提供以下步骤:向系统发送传感器CP的标识符以通知飞行器的飞行员或维护中心传感器CP正出现故障。
在排除传感器Cp的情况下,不再考虑将其用于计算参数x的最终估计以及该最终估计的准确度误差和完整度误差。此外,在该排除之后,监视功能会监视剩余的感兴趣传感器。在传感器的连续故障的情况下可以提供多个连续排除。
先前被识别为表现异常的传感器可以被重新加入到感兴趣传感器Ci的组。如果排除功能没有使新的传感器被排除,这意味着所有的传感器再次正常地操作。因此可以检查在每个时刻考虑最大数量的正常操作的传感器。该特征与对被识别为表现异常的传感器进行维护的步骤组合在一起是特别有利的。优选地,因为多个传感器可能在同一时间复原至正常状态,所以被识别为表现异常的所有传感器重新加入。按照与排除传感器相同的方式,可以提供重新加入确认时间。在重新加入确认时间期间的每个时刻,如果传感器不被认为表现异常,则该传感器再次被考虑用于计算参数x的最终估计。
当不超过2个感兴趣传感器可用并且在这两个感兴趣传感器之一检测到了异常的存在时,则人们对先前被识别为表现异常的传感器的重新加入会更感兴趣。在该情况下,表现异常的感兴趣传感器不能被识别然后排除。然而,可以重新加入感兴趣传感器以便最终具有至少3个感兴趣传感器,从而使得可以识别并且排除表现异常的感兴趣传感器。
可以将排除规定为立即发生,并且将重新加入规定为与重新加入确认时间相联系,以避免在异常情形限制下的任何不稳定性。
如上面已经指出的,假设在每个时刻t处,至多有一个传感器故障。在给定时刻t处并且在排除了故障传感器之后,在计算最终估计之前不再试图排除第二传感器。然后,在时刻t+1处执行对可能的第二故障传感器的排除。
根据本发明的测量结果合并方法提供了以下优点:使得能够对所产生的最终估计进行严格表征。实际上可以容易地确定最终估计的准确度误差和/或完整度误差。此外,与最终估计相联系的虚警概率被认为是与所计算的完整度误差相联系的错误检测概率。每个系统将能够根据其需求(例如在准确度和/或完整度方面)使用或不使用在时刻t处提供的最终估计。
由于对故障传感器的排除以及对最终估计的严格表征,容易地获得明确地表现出低准确度误差和/或低完整度误差的估计。需要某个水平的准确度和/或完整度的系统将能够使用这些最终估计。因此,本发明增加了可以提供给这些系统的最终估计的可用性。然后,可以通过提供明确地表现出高准确度(低准确度误差)和/或高完整度(低完整度误差)的最终估计来构思新的功能。
由于最终估计的准确度和/或完整度被控制,所以再无必要过分标定(overdimension)所使用的传感器的数量和/或技术复杂度。
图9示出了根据本发明的方法的基于实际飞行数据的示例性实现。
横坐标轴与时间对应。纵坐标轴与俯仰角的度数值对应。
感兴趣传感器是2个IRS传感器和2个AHRS传感器。
曲线91表示由第一IRS传感器测量的值,其表现出由在时间t=4000与t=4200之间的斜坡形式的偏差来表征的故障。
曲线92表示由第二IRS传感器测量的值,其表现出由根据时间t=4150计算的恒定偏差来表征的故障。
其他曲线非常靠近并且表示由2个AHRS传感器测量的值、实际值以及使用根据本发明的方法而估计的值,该方法通过最小二乘法以及搜索、识别和排除表现故障的传感器来实现估计。
可以看出,即使当IRS传感器之一出现故障并且甚至当2个IRS传感器连续出现故障,所估计的值仍与实际值保持得非常近。
Claims (16)
1.一种根据分别由多个传感器提供的参数的测量结果来合并所述参数的测量结果的方法,其特征在于所述方法包括以下步骤及子步骤:
1)搜索被称为感兴趣传感器的至少两个传感器之一的可能异常,包括以下子步骤:
1a)针对每个感兴趣传感器,计算检测离差,所述检测离差与由所述感兴趣传感器提供的测量结果和根据由其他感兴趣传感器提供的测量结果而计算的所述参数的估计之间的差的绝对值成比例;
1b)针对每个感兴趣传感器,将所述感兴趣传感器各自的检测离差与对应的预定阈值进行比较;
1c)基于所述比较的结果,使用确定的总的虚警概率来确定感兴趣传感器之一存在或不存在异常;以及
2)合并由感兴趣传感器提供的测量结果以提供所述参数的被称为最终估计的估计。
2.根据权利要求1所述的方法,其特征在于,搜索两个感兴趣传感器之一的可能异常以及合并由所述两个感兴趣传感器提供的测量结果,以提供所述参数的被称为最终估计的估计。
3.根据权利要求1所述的方法,其特征在于,搜索可能异常实现搜索至少三个感兴趣传感器之一的可能异常,并且当确定所述感兴趣传感器之一存在异常时还包括以下子步骤:
1d)识别表现异常的感兴趣传感器,所述测量结果合并步骤实现对由以下提供的测量结果的合并:
在确定出所述感兴趣传感器之一无异常的情形下,所述感兴趣传感器;
在确定出一个感兴趣传感器存在异常的情形下,除了表现异常的感兴趣传感器以外的感兴趣传感器。
4.根据权利要求3所述的方法,其特征在于,所述测量结果合并步骤提供所述参数的估计,所述参数的估计根据由以下提供的参数的测量结果而计算:
在预定时间期间的每个测量时刻确定出一个感兴趣传感器存在异常的情形下,除了表现异常的感兴趣传感器以外的感兴趣传感器;以及
在其他情形下,所述感兴趣传感器。
5.根据权利要求1至4中任一项所述的方法,其特征在于,针对每个感兴趣传感器,所述检测离差与所述差的绝对值除以中心正态律的标准离差的结果成比例,所述中心正态律表征在感兴趣传感器无异常的情况下由所述感兴趣传感器提供的测量结果与由其他感兴趣传感器提供的测量结果所计算的所述参数的估计之间的差。
6.根据权利要求1至4中任一项所述的方法,其特征在于,针对每个检测离差,根据期望虚警概率来确定所述预定阈值,所述期望虚警概率与以下概率对应:尽管感兴趣传感器之一的异常不存在,但是根据所述检测离差仍确定所述异常存在的概率。
7.根据权利要求3所述的方法,其特征在于,识别表现异常的感兴趣传感器的步骤包括:
1d1)针对每个感兴趣传感器,由除所关注的感兴趣传感器以外的其他感兴趣传感器提供的所述参数的测量结果来计算所述参数的估计;
1d2)针对每个适当计算的估计,计算残余值,所述残余值取决于由所述其他感兴趣传感器提供的测量结果与所述估计之间的距离;以及
1d3)搜索最小残余值,与所述最小残余值相关联的被排除的感兴趣传感器是表现异常的感兴趣传感器。
8.根据权利要求1至4中任一项所述的方法,其特征在于,所述参数的每个估计是分别由感兴趣传感器提供的测量结果的加权平均。
9.根据权利要求8所述的方法,其特征在于,所述参数的每个估计是分别由感兴趣传感器提供的测量结果的加权平均,由感兴趣传感器提供的每个测量结果通过正态律的方差的倒数来加权,所述正态律表征在所述感兴趣传感器无异常的情况下与所述感兴趣传感器有关的总的测量结果误差。
10.根据权利要求8所述的方法,其特征在于,所述参数的最终估计是分别由感兴趣传感器提供的测量结果的加权平均,由感兴趣传感器提供的每个测量结果通过以下系数来加权:所述系数使得由用于计算所述最终估计的感兴趣传感器的异常而引入的关于所述最终估计的最大误差的值最小化。
11.根据权利要求1至4中任一项所述的方法,其特征在于,通过将被考虑用于提供所述最终估计的感兴趣传感器认作新的感兴趣传感器来实现搜索可能异常的新步骤。
12.根据权利要求3所述的方法,其特征在于,通过将被考虑用于提供所述最终估计的感兴趣传感器以及先前被识别为表现异常的至少一个感兴趣传感器认作新的感兴趣传感器来实现搜索可能异常的新步骤。
13.根据权利要求8所述的方法,其特征在于,计算所述最终估计的准确度误差包括以下步骤:
确定正态律,所述正态律表征在被考虑用于所述最终估计的感兴趣传感器无异常的情况下与所述最终估计相关联的总的测量结果误差;
设置以下概率的值:与所述最终估计相关联的总的测量误差的绝对值大于要确定的阈值的概率;
从所述概率的值推导出被称为所述最终估计的准确度误差的、所述阈值的值。
14.根据权利要求8所述的方法,其特征在于,针对每个感兴趣传感器:
设置错误检测概率,所述错误检测概率共用于所有感兴趣传感器,并且与以下概率对应:尽管感兴趣传感器之一存在异常,但是仍确定所关注的感兴趣传感器不存在该异常的概率;以及
从错误检测概率推出最小可检测偏差的值,所述最小可检测偏差与由所述感兴趣传感器的异常引入到由所述感兴趣传感器提供的测量结果中的最小偏差对应,并且使得能够使用所设置的错误检测概率来确定感兴趣传感器之一存在异常。
15.根据权利要求14所述的方法,其特征在于,计算所述最终估计的完整度误差包括以下步骤:
针对用于计算所述最终估计的每个感兴趣传感器,计算与因所述感兴趣传感器的故障而被引入到所述最终估计中的误差成比例的指标,所述故障通过与所述最小可检测偏差对应的偏差来表征;
确定被称为所述最终估计的完整度误差的最大指标。
16.根据权利要求1至4中任一项所述的方法,其特征在于,所述参数是飞行器的飞行参数。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1451290A FR3017705B1 (fr) | 2014-02-18 | 2014-02-18 | Procede de fusion de donnees de capteurs. |
FR1451290 | 2014-02-18 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104848873A CN104848873A (zh) | 2015-08-19 |
CN104848873B true CN104848873B (zh) | 2019-08-16 |
Family
ID=50549147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510086861.0A Active CN104848873B (zh) | 2014-02-18 | 2015-02-17 | 传感器数据融合的方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10041808B2 (zh) |
CN (1) | CN104848873B (zh) |
FR (1) | FR3017705B1 (zh) |
Families Citing this family (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3000196B1 (fr) * | 2012-12-21 | 2015-02-06 | Airbus Operations Sas | Dispositif de mise a disposition de valeurs de parametres de navigation d'un vehicule |
DE102014211168A1 (de) * | 2014-06-11 | 2015-12-17 | Continental Teves Ag & Co. Ohg | Verfahren und System zur Verifizierung von Messdaten |
EP3390967B1 (de) * | 2015-12-18 | 2019-08-21 | Bayer Aktiengesellschaft | Verfahren zum überwachen von mindestens zwei redundanten sensoren |
CN105825720B (zh) * | 2016-04-11 | 2018-03-30 | 成都民航空管科技发展有限公司 | 一种有效减少短期飞行冲突告警虚警的优化方法 |
CN107543540B (zh) * | 2016-06-27 | 2020-05-15 | 杭州海康机器人技术有限公司 | 一种飞行设备的数据融合和飞行模式切换方法及装置 |
US11062533B2 (en) * | 2016-08-05 | 2021-07-13 | Siemens Energy, Inc. | Universal high redundancy sensor interface for low cost sensing |
IT201600098423A1 (it) * | 2016-09-30 | 2018-03-30 | Modelway S R L | Procedimento di progettazione di un sensore virtuale, relativo sensore virtuale, sistema e prodotti informatici |
DE102017201548A1 (de) * | 2017-01-31 | 2018-08-02 | Siemens Aktiengesellschaft | Verfahren zum Bereitstellen von Messwerten einer technischen Anlage, technisches System und Verfahren zum Betreiben des technischen Systems |
US10373474B2 (en) * | 2017-03-09 | 2019-08-06 | Keithley Instruments, Llc | Auto setting of alarm limits |
FR3066755B1 (fr) * | 2017-05-23 | 2019-06-07 | Airbus Operations | Procede et dispositif de surveillance et d'estimation de parametres relatifs au vol d'un aeronef. |
CN107749072B (zh) * | 2017-09-21 | 2021-01-19 | 黄仁杰 | 一种适用于坡面测量的无人机航拍图像校准方法 |
US20190108760A1 (en) * | 2017-10-10 | 2019-04-11 | Honeywell International Inc. | System and method for developing and maintaining temperature-compensated altitude information |
CN108762306A (zh) * | 2018-06-22 | 2018-11-06 | 深圳市科比特航空科技有限公司 | 一种无人机和无人机的传感系统 |
DE102018122054A1 (de) * | 2018-09-10 | 2020-03-12 | Wabco Gmbh | Querlenkverfahren und Querlenkvorrichtung für das Bewegen eines Fahrzeugs in eine Zielposition, und Fahrzeug dafür |
FR3091777B1 (fr) * | 2019-01-11 | 2020-12-18 | Thales Sa | Méthode de détermination d’un rayon de protection d’un système de navigation basé sur la vision |
CN109978010B (zh) * | 2019-04-10 | 2021-03-05 | 广东省气象探测数据中心 | 多雨量传感器融合方法 |
DE102019209293A1 (de) * | 2019-06-26 | 2020-12-31 | Infineon Technologies Ag | Erzeugung eines Ausgangssignalwerts aus Sensorsignalwerten von zumindest drei redundanten Sensoren |
EP4049049A4 (en) * | 2019-10-24 | 2023-11-22 | Services Pétroliers Schlumberger | SENSOR STATE DETERMINATION BASED ON INDEPENDENT FUNDAMENTAL FREQUENCY MEASUREMENTS |
CN111225440A (zh) * | 2019-11-22 | 2020-06-02 | 三一重工股份有限公司 | 一种协同定位方法、装置和电子设备 |
US11762446B2 (en) * | 2019-12-20 | 2023-09-19 | The Provost, Fellows, Foundation Scholars and the other members of Board, of the College of the Holy and Undivided Trinity of Queen Elizabeth near Dublin | Method and system for energy aware scheduling for sensors |
CN111323069B (zh) * | 2020-03-23 | 2021-08-24 | 清华大学 | 一种基于深度强化学习的多传感器在线标定方法及系统 |
CN111505663B (zh) * | 2020-04-22 | 2023-11-17 | 智慧航海(青岛)科技有限公司 | 一种改进优化的智能船舶目标定位数据融合方法 |
CN111736626B (zh) * | 2020-06-22 | 2022-05-17 | 中国人民解放军国防科技大学 | 一种平稳弹道数据处理方法 |
FR3113518B1 (fr) * | 2020-08-24 | 2022-08-26 | Arianegroup Sas | Procédé de détermination de panne pour un ensemble de capteurs |
US11789110B2 (en) | 2020-09-03 | 2023-10-17 | Honeywell International Inc. | Fault detection, exclusion, isolation, and re-configuration of navigation sensors using an abstraction layer |
CN112801171B (zh) * | 2021-01-25 | 2024-07-26 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 传感器虚警识别方法、装置、计算机设备及存储介质 |
GB2603530B (en) * | 2021-02-09 | 2023-03-15 | Rolls Royce Plc | Computer-implemented methods, apparatus, computer programs, and non-transitory computer readable storage mediums for determining a value of a parameter |
CN113109511A (zh) * | 2021-03-29 | 2021-07-13 | 天地(常州)自动化股份有限公司 | 具有自对比功能的甲烷传感器及其测量值冗余处理方法 |
CN113357765B (zh) * | 2021-05-21 | 2022-07-19 | 青岛海尔空调器有限总公司 | 用于检测室内温度的方法、装置和智能空调 |
CN114018238B (zh) * | 2021-10-21 | 2024-05-07 | 中国电子科技集团公司第五十四研究所 | 一种横向与纵向联合的多源传感器数据可用性评估方法 |
CN114719897A (zh) * | 2022-03-09 | 2022-07-08 | 郑州永邦测控技术有限公司 | 一种基于LoRa技术的加油站用油罐监测系统及其工作方法 |
US11875615B2 (en) * | 2022-04-29 | 2024-01-16 | Toyota Research Institute, Inc. | Odometry noise model fitting from fleet-scale datasets |
CN114708718A (zh) * | 2022-06-07 | 2022-07-05 | 东方电气风电股份有限公司 | 风力发电机组温度集群管控方法、装置、设备及介质 |
CN115331488B (zh) * | 2022-10-13 | 2022-12-27 | 湖南省通用航空发展有限公司 | 通用航空器的数据处理方法 |
CN115358352B (zh) * | 2022-10-20 | 2023-01-13 | 蘑菇物联技术(深圳)有限公司 | 用于定位异常传感器的方法、设备和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5661735A (en) * | 1994-12-27 | 1997-08-26 | Litef Gmbh | FDIC method for minimizing measuring failures in a measuring system comprising redundant sensors |
CN101807047A (zh) * | 2010-03-19 | 2010-08-18 | 北京航空航天大学 | 基于模糊奇偶方程及ar模型的非线性系统故障预测方法 |
CN102176159A (zh) * | 2011-02-28 | 2011-09-07 | 哈尔滨工业大学 | 一种基于状态观测器和等价空间的卫星姿控系统故障诊断装置及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7130772B2 (en) * | 2004-04-07 | 2006-10-31 | United Technologies Corporation | Method and apparatus for estimating a parameter based on a plurality of redundant signals |
KR100964793B1 (ko) * | 2007-05-03 | 2010-06-21 | 중앙대학교 산학협력단 | 센서의 고장 검출 및 분리 방법 그리고 이를 이용한 센서의고장 적응 방법 |
-
2014
- 2014-02-18 FR FR1451290A patent/FR3017705B1/fr active Active
-
2015
- 2015-02-16 US US14/623,085 patent/US10041808B2/en active Active
- 2015-02-17 CN CN201510086861.0A patent/CN104848873B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5661735A (en) * | 1994-12-27 | 1997-08-26 | Litef Gmbh | FDIC method for minimizing measuring failures in a measuring system comprising redundant sensors |
CN101807047A (zh) * | 2010-03-19 | 2010-08-18 | 北京航空航天大学 | 基于模糊奇偶方程及ar模型的非线性系统故障预测方法 |
CN102176159A (zh) * | 2011-02-28 | 2011-09-07 | 哈尔滨工业大学 | 一种基于状态观测器和等价空间的卫星姿控系统故障诊断装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
US20150233730A1 (en) | 2015-08-20 |
FR3017705A1 (fr) | 2015-08-21 |
US10041808B2 (en) | 2018-08-07 |
FR3017705B1 (fr) | 2017-07-07 |
CN104848873A (zh) | 2015-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104848873B (zh) | 传感器数据融合的方法 | |
CN104677379B (zh) | 用于使用一致性准则融合来自传感器的数据的方法 | |
JP4783394B2 (ja) | センサの故障適応方法 | |
US9396441B1 (en) | Multilevel constraint-based randomization adapting case-based learning to fuse sensor data for autonomous predictive analysis | |
CN103884339B (zh) | 配置运载工具导航参数值的设备 | |
US9922568B2 (en) | Aircraft flight management unit and method of monitoring such a unit | |
US11822049B2 (en) | Lightning threat information-providing apparatus, lightning threat information-providing method, and program | |
JP2002520625A (ja) | Gps信号障害隔離モニタ | |
US9741252B2 (en) | Flight management system and method for monitoring flight guidance instructions | |
RU2684899C2 (ru) | Наземная система и способ расширения возможностей обнаружения чрезмерных вариаций задержки сигналов с помощью коррекции по четности | |
EP3581968A1 (en) | Signal fault detection for global navigation satellite system using multiple antennas | |
CN108089210A (zh) | 一种惯性信息辅助raim检测方法 | |
CN111353450B (zh) | 一种基于异构电磁感知信息融合的目标识别系统和方法 | |
US9658339B2 (en) | Method for integrity monitoring of satellite measurements | |
US20130253859A1 (en) | Systems and methods for signal selection and fault detection | |
JP2019215334A (ja) | 電離圏及び対流圏擾乱を検出するマルチ周波数モニタ | |
CN114152958B (zh) | 一种基于多数据源的机载卫星导航欺骗式干扰检测方法 | |
CN108507590B (zh) | 定速评估方法及系统、车载终端 | |
US10861259B2 (en) | Method for testing the integrity of the avionics of an aircraft, associated device and computer program product | |
KR102572546B1 (ko) | 단일 주파수 수신기에서 다중 채널에서 발생하는 신호의 차이를 감지하는 장치 및 방법 | |
US20200002011A1 (en) | System and method for improved pilot situational awarenesss | |
US11337034B1 (en) | Staggered examination of non-trusted receiver information | |
CN110476084A (zh) | 用于监控校正服务系统的参考站的完整性的方法、校正服务系统、用于运行卫星辅助导航系统的方法以及卫星辅助导航系统 | |
CN114089383A (zh) | 定位、导航和授时(pnt)系统的故障检测、遏制、隔离和响应架构 | |
CN106205219B (zh) | 基于多雷达信息的融合的航空器监测方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |