CN105203130B - 一种基于信息融合的船舶组合导航系统故障诊断方法 - Google Patents

一种基于信息融合的船舶组合导航系统故障诊断方法 Download PDF

Info

Publication number
CN105203130B
CN105203130B CN201510676672.9A CN201510676672A CN105203130B CN 105203130 B CN105203130 B CN 105203130B CN 201510676672 A CN201510676672 A CN 201510676672A CN 105203130 B CN105203130 B CN 105203130B
Authority
CN
China
Prior art keywords
mrow
msub
evidence
mtd
fault
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
Application number
CN201510676672.9A
Other languages
English (en)
Other versions
CN105203130A (zh
Inventor
赵玉新
贾韧锋
赵廷
邓雄
邢文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201510676672.9A priority Critical patent/CN105203130B/zh
Publication of CN105203130A publication Critical patent/CN105203130A/zh
Application granted granted Critical
Publication of CN105203130B publication Critical patent/CN105203130B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于信息融合的船舶组合导航系统故障诊断方法。确定舰船组合导航系统的故障识别框架；利用多组传感器输出故障的基本概率赋值，作为诊断故障的证据；计算证据间的冲突系数，证据支持度、确定度、决策度，证据权重；根据证据权重对证据进行加权平均处理，得到加权平均证据；利用冲突系数，改进Dempster融合规则对加权平均证据进行融合，输出最终的融合结果；按照决策规则对最终的融合结果进行判断，输出诊断结果。本发明能够准确地度量证据间冲突，通过证据权重对证据进行加权平均处理，能够降低冲突证据对融合结果的影响，通过冲突系数改进融合规则，能够得到合理的融合结果。

Description

一种基于信息融合的船舶组合导航系统故障诊断方法
技术领域
本发明属于设备故障诊断领域，尤其涉及一种基于信息融合的船舶组合导航系统故障诊断方法。
背景技术
随着航海高新技术的发展，将组合导航系统配置到舰船上已经成为必要的发展趋势。无论从性能上还是从功能上讲，组合导航系统的表现都比单一的导航设备更加完善。即使工作在条件较为苛刻的环境中，组合导航系统提供的位置都较为精确，精度都较高，鲁棒性也很强。正因为组合导航系统拥有如此强大的功能，所以一旦出现故障，造成的后果也是不堪设想的。而故障诊断技术的出现为提高组合导航系统运行的可靠性和导航精度提供了一条新途径。
近年来，随着人工智能技术的发展，越来越多的专家、学者将信息融合技术应用在故障诊断领域。尤其是D-S证据理论以其在不确定信息的表示、度量和融合等方面的优势，在故障诊断领域中得到了广泛应用。在实际的故障诊断中，由于船舶组合导航系统结构的复杂性、运行条件的多样性以及运行环境的不同，会有冲突情况发生，如：基于不同特征诊断的结果有时会有冲突；基于不同位置的传感器获取的诊断结果有时也会有冲突。而D-S证据理论中的Dempster融合规则在证据高冲突情况下，会导致诊断的准确性与合理性下降，难以满足舰船组合导航系统的故障诊断需求。
发明内容
本发明的目的是提供一种能够提高故障诊断准确性的，基于信息融合的船舶组合导航系统故障诊断方法。
一种基于信息融合的船舶组合导航系统故障诊断方法，包括以下步骤，
步骤一：确定船舶组合导航系统的故障识别框架Θ＝{A1,A2,…,An}，Ai代表故障识别框架Θ中的第i个故障，i＝1,2,…,n，n为故障个数；
步骤二：根据故障的发生机理和故障特征，用m组传感器识别故障的特征参数，输出故障的基本概率赋值mj(Ai)，作为诊断故障的证据，j＝1,2,…,m；
步骤三：根据故障的最大基本概率赋值，判断证据间的关系，计算证据间的冲突系数；
(1)当第i条证据和第j条证据的最大基本概率赋值都支持同一故障时，第i条证据和第j条证据之间的冲突系数kij'：
其中，mi(Ai)、mj(Ai)分别表示第i、j条证据中第i个故障Ai的基本概率赋值；
(2)当第i条证据和第j条证据的最大基本概率赋值分别支持不同的故障时，第i条证据和第j条证据之间的冲突系数kij'：
步骤四：根据证据间的冲突系数，计算证据支持度：
其中，SDj表示第j条证据的支持，k为证据个数；
步骤五：用故障的基本概率赋值之和表征证据确定度：
步骤六：用故障的最大基本概率赋值与最小基本概率赋值之差的绝对值表征证据决策度，
DDj＝|max mj(Ai)-min mj(Ai)|
其中，DDj表示第j条证据的决策度，max mj(Ai)、min mj(Ai)分别表示第j条证据中最大基本概率赋值、最小基本概率赋值；
步骤七：根据证据支持度、确定度和决策度，计算证据权重：
步骤八：根据证据权重对证据进行加权平均处理，得到加权平均证据：
步骤九：利用冲突系数kij'，改进Dempster融合规则，并用改进后的Dempster融合规则对加权平均证据融合k-1次，输出最终的融合结果，
步骤十：按照最大的基本概率赋值对应的故障即是船舶组合导航系统当前故障的决策规则，对最终的融合结果进行判断，输出诊断结果。
有益效果
本发明利用最大基本概率赋值判断证据间的关系，根据基本概率赋值定义冲突系数，能够合理、准确地度量证据间的冲突。
通过冲突系数确定的证据支持度，能够准确地表征证据之间的支持度；利用基本概率赋值确定的证据确定度、决策度，能够合理地反映证据自身的实用性。
通过证据权重对证据进行加权平均处理，能够降低冲突证据对融合结果的影响。
通过冲突系数改进Dempster融合规则，克服了Dempster融合规则的不足，能够得到合理的融合结果。
附图说明
图1为本发明的流程图。
图2为基本概率赋值表。
图3为融合结果表。
具体实施方式
下面将结合附图对本发明做进一步详细说明。
本发明所采用的技术方案是一种基于信息融合的舰船组合导航系统故障诊断方法，如图1所示，该方法包括以下步骤：
(1)确定舰船组合导航系统的故障识别框架Θ＝{A1,A2,…,An}，Ai代表故障识别框架Θ中的第i个故障，i＝1,2,…,n，n为故障个数。
(2)根据故障的发生机理和故障特征，用m组传感器识别故障的特征参数，输出故障的基本概率赋值mj(Ai)，作为诊断故障的证据，j代表第j组传感器，也代表第j条证据，j＝1,2,…,m，Ai代表第i个故障，i＝1,2,…,n，n为故障个数。
(3)根据故障的最大基本概率赋值，判断证据间的关系，计算证据间的冲突系数。
1)当第i条证据和第j条证据的最大基本概率赋值都支持同一故障时，用如下公式计算第i条证据和第j条证据之间的冲突系数kij'：
其中，mi(Ai)、mj(Ai)分别表示第i、j条证据中第i个故障Ai的基本概率赋值，n为故障个数，Θ为故障识别框架。
2)当第i条证据和第j条证据的最大基本概率赋值分别支持不同的故障时，用如下公式计算第i条证据和第j条证据之间的冲突系数kij'：
其中，mi(Ai)、mj(Ai)分别表示第i、j条证据中第i个故障Ai的基本概率赋值，Θ为故障识别框架。
(4)根据证据间的冲突系数，计算证据支持度，计算公式如下：
其中，SDj表示第j条证据的支持度，kij'表示第i条证据和第j条证据之间的冲突系数，k为证据个数。
(5)用故障的基本概率赋值之和表征证据确定度，计算公式如下：
其中，CDj表示第j条证据的确定度，mj(Ai)表示第j条证据中第i个故障Ai的基本概率赋值，n为故障个数。
(6)用故障的最大基本概率赋值与最小基本概率赋值之差的绝对值表征证据决策度，计算公式如下：
DDj＝|max mj(Ai)-min mj(Ai)| (5)
其中，DDj表示第j条证据的决策度，max mj(Ai)、min mj(Ai)分别表示第j条证据中最大基本概率赋值、最小基本概率赋值，Ai代表故障识别框架Θ中的第i个故障，i＝1,2,…,n，n为故障个数。
(7)根据证据支持度、确定度和决策度，计算证据权重，计算公式如下：
其中，ωj表示第j条证据的权重，SDj、CDj、DDj分别表示第j条证据的支持度、确定度、决策度，k为证据个数。
(8)根据证据权重对证据进行加权平均处理，得到加权平均证据，计算公式如下：
其中，表示加权平均证据,ωj表示第j条证据的权重，mj(Ai)表示第j条证据中第i个故障Ai的基本概率赋值，j＝1,2,…,k，k为证据个数，i＝1,2,…,n，n为故障个数。
(9)利用冲突系数kij'，改进Dempster融合规则，并用改进后的Dempster融合规则对加权平均证据融合k-1次，k为证据个数，输出最终的融合结果，计算公式如下：
(10)按照最大的基本概率赋值对应的故障即是舰船组合导航系统当前故障的决策规则，对最终的融合结果进行判断，输出诊断结果。
本发明针对舰船组合导航系统故障诊断问题，公开了一种基于信息融合的舰船组合导航系统故障诊断方法。本发明的主要特征在于：确定舰船组合导航系统的故障识别框架；利用多组传感器输出故障的基本概率赋值，作为诊断故障的证据；计算证据间的冲突系数，证据支持度、确定度、决策度，证据权重；根据证据权重对证据进行加权平均处理，得到加权平均证据；利用冲突系数，改进Dempster融合规则对加权平均证据进行融合，输出最终的融合结果；按照决策规则对最终的融合结果进行判断，输出诊断结果。本发明能够准确地度量证据间冲突，通过证据权重对证据进行加权平均处理，能够降低冲突证据对融合结果的影响，通过冲突系数改进融合规则，能够得到合理的融合结果。
本发明提出了一种基于信息融合的舰船组合导航系统故障诊断方法，为了更清楚地描述本发明的实施方案，下面通过一个具体的例子对本发明做出详细说明。
(1)现对一由卫导系统(GPS)和惯导系统(INS)构成的紧组合导航系统进行故障诊断，根据历史故障记录，可知该组合导航系统可能发生的故障有x向陀螺故障A1、y向陀螺故障A2、x向加速度计故障A3、y向加速度计故障A4和GPS接收机故障A5，则该组合导航系统的故障识别框架Θ＝{A1,A2,A3,A4,A5}。
(2)用5组传感器对发生故障的组合导航系统进行监测，输出每个故障Ai的基本概率赋值mj(Ai)，i＝1,2,…,5，j＝1,2,…,5，如图2所示。
(3)根据故障的最大基本概率赋值，判断证据间的关系，计算证据间的冲突系数。
由步骤(2)中的图2可知，
证据1的最大基本概率赋值为m1(A1)＝0.5，即证据1在很大程度上支持故障A1。
证据2的最大基本概率赋值为m2(A2)＝0.9，即证据2在很大程度上支持故障A2。
证据3的最大基本概率赋值为m3(A1)＝0.6，即证据3在很大程度上支持故障A1。
证据4的最大基本概率赋值为m4(A1)＝0.6，即证据4在很大程度上支持故障A1。
证据5的最大基本概率赋值为m5(A1)＝0.6，即证据5在很大程度上支持故障A1。
证据1、证据3、证据4、证据5之间是一致的，根据公式(1)，分别计算出它们之间的冲突系数：
k13′＝0.0625，
k14′＝0.0625，
k15′＝0.0625，
k34′＝0，
k35′＝0，
k45′＝0。
证据1、证据3、证据4、证据5都和证据2不一致，可见证据2是一条冲突证据，根据公式(2)，分别计算出它们之间的冲突系数：
k21′＝0.85，
k23′＝0.9，
k24′＝0.9，
k25′＝0.9。
(4)根据公式(3)，分别计算证据1、证据2、证据3、证据4、证据5的支持度如下：
SD1＝2.9625，
SD2＝0.45，
SD3＝3.0375，
SD4＝3.0375，
SD5＝3.0375。
(5)根据公式(4)，分别计算证据1、证据2、证据3、证据4、证据5的确定度如下：
CD1＝1，
CD2＝1，
CD3＝1，
CD4＝1，
CD5＝1。
(6)根据公式(5)，分别计算证据1、证据2、证据3、证据4、证据5的决策度如下：
DD1＝0.4，
DD2＝0.9，
DD3＝0.5，
DD4＝0.5，
DD5＝0.5。
(7)根据公式(6)，分别计算证据1、证据2、证据3、证据4、证据5的权重如下：
ω1＝0.2194，
ω2＝0.0881，
ω3＝0.2308，
ω4＝0.2308，
ω5＝0.2308。
(8)根据公式(7)，对证据进行加权平均处理，得到加权平均证据如下：
(9)根据公式(8)和公式(9),融合加权平均证据4次，得到融合结果m1,2(Ai)、m1,2,3(Ai)、m1,2,3,4(Ai)、m1,2,3,4,5(Ai)，i＝1,2,…,5，如图3所示。
(10)由步骤(9)中的图3可知，在最终的融合结果中，m1,2,3,4,5(A1)＝0.9936是最大的基本概率赋值，因此该组合导航系统当前的故障是A1，即x向陀螺故障。可见应用本发明的方法可以有效地消除舰船组合导航系统故障诊断中冲突证据对融合结果的影响，提高诊断结果的准确性。

Claims (1)

1.一种基于信息融合的船舶组合导航系统故障诊断方法，其特征在于：包括以下步骤，
步骤一：确定船舶组合导航系统的故障识别框架Θ＝{A1,A2,…,An}，Ai代表故障识别框架Θ中的第i个故障，i＝1,2,…,n，n为故障个数；
步骤二：根据故障的发生机理和故障特征，用m组传感器识别故障的特征参数，输出故障的基本概率赋值mj(Ai)，作为诊断故障的证据，j＝1,2,…,m；
步骤三：根据故障的最大基本概率赋值，判断证据间的关系，计算证据间的冲突系数；
(1)当第i条证据和第j条证据的最大基本概率赋值都支持同一故障时，第i条证据和第j条证据之间的冲突系数kij'：
<mrow> <msup> <msub> <mi>k</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>&amp;prime;</mo> </msup> <mo>=</mo> <mfrac> <mi>n</mi> <mrow> <mn>4</mn> <mi>n</mi> <mo>-</mo> <mn>4</mn> </mrow> </mfrac> <munder> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>A</mi> <mi>i</mi> </msub> <mo>&amp;Element;</mo> <mi>&amp;Theta;</mi> </mrow> </munder> <mo>|</mo> <msub> <mi>m</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>m</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>|</mo> </mrow>
其中，mi(Ai)、mj(Ai)分别表示第i、j条证据中第i个故障Ai的基本概率赋值；
(2)当第i条证据和第j条证据的最大基本概率赋值分别支持不同的故障时，第i条证据和第j条证据之间的冲突系数kij'：
<mrow> <msup> <msub> <mi>k</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>&amp;prime;</mo> </msup> <mo>=</mo> <mfrac> <mn>1</mn> <mn>4</mn> </mfrac> <munder> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>A</mi> <mi>i</mi> </msub> <mo>&amp;Element;</mo> <mi>&amp;Theta;</mi> </mrow> </munder> <mo>|</mo> <msub> <mi>m</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>m</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>|</mo> <mo>+</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mo>;</mo> </mrow>
步骤四：根据证据间的冲突系数，计算证据支持度：
<mrow> <msub> <mi>SD</mi> <mi>j</mi> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mi>i</mi> <mo>&amp;NotEqual;</mo> <mi>j</mi> </mrow> <mi>k</mi> </munderover> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msup> <msub> <mi>k</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>&amp;prime;</mo> </msup> <mo>)</mo> </mrow> </mrow>
其中，SDj表示第j条证据的支持度，k为证据个数；
步骤五：用故障的基本概率赋值之和表征证据确定度：
<mrow> <msub> <mi>CD</mi> <mi>j</mi> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>m</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
步骤六：用故障的最大基本概率赋值与最小基本概率赋值之差的绝对值表征证据决策度，
DDj＝|max mj(Ai)-min mj(Ai)|
其中，DDj表示第j条证据的决策度，maxmj(Ai)、minmj(Ai)分别表示第j条证据中最大基本概率赋值、最小基本概率赋值；
步骤七：根据证据支持度、确定度和决策度，计算证据权重：
<mrow> <msub> <mi>&amp;omega;</mi> <mi>j</mi> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>SD</mi> <mi>j</mi> </msub> <mo>+</mo> <msub> <mi>CD</mi> <mi>j</mi> </msub> <mo>&amp;CenterDot;</mo> <msub> <mi>DD</mi> <mi>j</mi> </msub> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <mrow> <mo>(</mo> <msub> <mi>SD</mi> <mi>j</mi> </msub> <mo>+</mo> <msub> <mi>CD</mi> <mi>j</mi> </msub> <mo>&amp;CenterDot;</mo> <msub> <mi>DD</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>;</mo> </mrow>
步骤八：根据证据权重对证据进行加权平均处理，得到加权平均证据：
<mrow> <mover> <mi>m</mi> <mo>&amp;OverBar;</mo> </mover> <mo>=</mo> <mo>&amp;lsqb;</mo> <msub> <mi>&amp;omega;</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>&amp;omega;</mi> <mn>2</mn> </msub> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msub> <mi>&amp;omega;</mi> <mi>k</mi> </msub> <mo>&amp;rsqb;</mo> <mo>&amp;CenterDot;</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>m</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mrow> <msub> <mi>m</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mo>...</mo> </mtd> <mtd> <mrow> <msub> <mi>m</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>n</mi> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>m</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mrow> <msub> <mi>m</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mo>...</mo> </mtd> <mtd> <mrow> <msub> <mi>m</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>n</mi> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mo>...</mo> </mtd> <mtd> <mo>...</mo> </mtd> <mtd> <mo>...</mo> </mtd> <mtd> <mo>...</mo> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>m</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mrow> <msub> <mi>m</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mo>...</mo> </mtd> <mtd> <mrow> <msub> <mi>m</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>n</mi> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>;</mo> </mrow>
步骤九：利用冲突系数kij'，改进Dempster融合规则，并用改进后的Dempster融合规则对加权平均证据融合k-1次，输出最终的融合结果，
<mrow> <mi>m</mi> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>1</mn> <mo>-</mo> <msup> <msub> <mi>k</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>&amp;prime;</mo> </msup> </mrow> </mfrac> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>B</mi> <mo>&amp;cap;</mo> <mi>C</mi> <mo>=</mo> <msub> <mi>A</mi> <mi>i</mi> </msub> </mrow> </munder> <msub> <mi>m</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>B</mi> <mo>)</mo> </mrow> <msub> <mi>m</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>C</mi> <mo>)</mo> </mrow> </mrow>
<mrow> <mi>m</mi> <msup> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;prime;</mo> </msup> <mo>=</mo> <mfrac> <mrow> <mi>m</mi> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mi>m</mi> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>;</mo> </mrow>
步骤十：按照最大的基本概率赋值对应的故障即是船舶组合导航系统当前故障的决策规则，对最终的融合结果进行判断，输出诊断结果。
CN201510676672.9A 2015-10-13 2015-10-13 一种基于信息融合的船舶组合导航系统故障诊断方法 Active CN105203130B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510676672.9A CN105203130B (zh) 2015-10-13 2015-10-13 一种基于信息融合的船舶组合导航系统故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510676672.9A CN105203130B (zh) 2015-10-13 2015-10-13 一种基于信息融合的船舶组合导航系统故障诊断方法

Publications (2)

Publication Number Publication Date
CN105203130A CN105203130A (zh) 2015-12-30
CN105203130B true CN105203130B (zh) 2018-04-24

Family

ID=54950939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510676672.9A Active CN105203130B (zh) 2015-10-13 2015-10-13 一种基于信息融合的船舶组合导航系统故障诊断方法

Country Status (1)

Country Link
CN (1) CN105203130B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108920426B (zh) * 2018-07-04 2019-08-09 西北工业大学 一种基于幂均算子和ds证据理论的故障诊断方法
CN109974837B (zh) * 2019-04-18 2022-05-20 杭州电子科技大学 一种基于规则推理的船舶结构损伤识别方法
CN110530631B (zh) * 2019-08-21 2021-02-12 贵州大学 一种基于混合分类器的齿轮单类型故障检测方法
CN111445037B (zh) * 2020-03-17 2023-04-07 中国船舶重工集团公司第七0三研究所 一种基于证据理论的汽轮机故障诊断方法、系统及设备
CN111694342B (zh) * 2020-06-12 2023-05-16 中国船舶重工集团公司第七0三研究所 一种基于相似度的工业锅炉故障诊断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104048675A (zh) * 2014-06-26 2014-09-17 东南大学 一种基于高斯过程回归的组合导航系统故障诊断方法
CN104075734A (zh) * 2014-07-01 2014-10-01 东南大学 水下组合导航故障智能诊断方法
CN104408324A (zh) * 2014-12-11 2015-03-11 云南师范大学 基于d-s证据理论的多传感器信息融合方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104048675A (zh) * 2014-06-26 2014-09-17 东南大学 一种基于高斯过程回归的组合导航系统故障诊断方法
CN104075734A (zh) * 2014-07-01 2014-10-01 东南大学 水下组合导航故障智能诊断方法
CN104408324A (zh) * 2014-12-11 2015-03-11 云南师范大学 基于d-s证据理论的多传感器信息融合方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Novel Algorithm for Power Fault Diagnosis based on Wavelet Entropy and D-S Evidence Theory;Fu Ling et al.;《IEEE Conference Publications：2008 43rd International Universities Power Engineering Conference》;20081231;1-4 *
An improved conflicting evidence combination approach based on a new supporting probability distance;Cholsok Yu et al.;《Expert Systems with Applications》;20150302;第42卷;5139-5149 *
水下潜器多传感器信息融合的不确定性分析;张涛等;《中国惯性技术学报》;20131231;第21卷(第6期);753-757 *

Also Published As

Publication number Publication date
CN105203130A (zh) 2015-12-30

Similar Documents

Publication Publication Date Title
CN105203130B (zh) 一种基于信息融合的船舶组合导航系统故障诊断方法
JP4783394B2 (ja) センサの故障適応方法
CN102722722B (zh) 基于逻辑推理和故障辨识的混合故障检测诊断方法
CN103776654B (zh) 多传感器信息融合的故障诊断方法
CN103970997B (zh) 一种无人直升机传感器故障快速诊断方法
CN104850889B (zh) 一种飞机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法
US20150148997A1 (en) Method for fusing data from sensors using a consistency criterion
US11364923B2 (en) Failure detection and response
CN104848873A (zh) 传感器数据融合的方法
US20090276136A1 (en) Method for calculating confidence on prediction in fault diagnosis systems
CN103197663B (zh) 一种故障预测方法及系统
CN108427400B (zh) 一种基于神经网络解析冗余的飞机空速管故障诊断方法
CN111060133A (zh) 一种用于城市复杂环境的组合导航完好性监测方法
CN108344580B (zh) 一种自动驾驶汽车的自检方法和装置
CN103344963B (zh) 一种基于激光雷达的鲁棒航迹推算方法
KR102252189B1 (ko) 머신 러닝을 이용한 고장 진단 관리 시스템 및 방법
CN107229238B (zh) 仲裁冗余控制系统中的冲突输出的方法
CN110893862B (zh) 用于确保自主行驶系统的故障安全功能的装置和方法
CN101672657B (zh) 基于多余度惯性测量信息的故障判断方法
CN116519021A (zh) 一种惯性导航系统故障诊断方法、系统及设备
CN110203254B (zh) 列车定位系统中卡尔曼滤波器的安全检测方法
CN102735435B (zh) 一种基于相关性模型的动量轮故障可诊断性确定方法
CN112990329B (zh) 一种系统异常诊断方法和装置
CN117226846A (zh) 用于变电站设备维护机器人的控制方法及系统
CN115993077B (zh) 复杂路况运输情况下惯导系统优选决策方法及系统

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