CN110728007B - 一种基于模型特征的动态故障诊断方法 - Google Patents
一种基于模型特征的动态故障诊断方法 Download PDFInfo
- Publication number
- CN110728007B CN110728007B CN201810678404.4A CN201810678404A CN110728007B CN 110728007 B CN110728007 B CN 110728007B CN 201810678404 A CN201810678404 A CN 201810678404A CN 110728007 B CN110728007 B CN 110728007B
- Authority
- CN
- China
- Prior art keywords
- recursion
- time
- state
- equation
- given
- 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 27
- 238000003745 diagnosis Methods 0.000 title claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 7
- 230000004927 fusion Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract 1
- 230000035945 sensitivity Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
- G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
Abstract
一种基于模型特征的动态故障诊断方法。本发明属于优化方法,具体涉及一种多元信息融合故障检测优化方法。它包括:步骤一:建立滤波器估计模型和递推方程组;步骤二:建立状态递推器;步骤三:进行χ2检验;步骤四:带状态递推器的χ2检验的优化。本发明的有益效果是:本发明提供了一种适用于惯导系统的多元信息融合算法,在进行多信息融合的同时,结合组合导航系统的实际工作情况,以及惯导系统本身高可靠性的特点,减小了对存储空间的要求,同时对硬故障和软故障均能很好的检测,提高了组合导航系统的可靠性。
Description
技术领域
本发明属于故障诊断方法,具体涉及一种基于模型特征的动态故障诊断方法。
背景技术
组合导航系统中,惯性导航系统,特别是高精度惯性导航系统/航姿测量系统自身的可靠性很高,但精度会随时间逐渐下降,因此为了提高惯导系统的长期导航精度,会引入外部辅助导航信息,一般为GPS、DVL等定位、测速设备。这些外部导航信息特性与惯性导航系统不同——长期精度很高,但却容易受到外部环境干扰出现测量误差。如果将包含干扰误差的辅助信息直接引入惯导系统,会严重影响惯导系统精度,引起滤波器振荡,此后几秒至几分钟内(与误差大小及惯导系统滤波器参数有关),惯导系统的精度都会下降。因此为了保证惯导系统能够长时间的正常工作,很重要的一点是提高系统对外部参考信息的诊断和隔离能力。
一般的检测方法对硬故障(突变)具有很好的检测效果,但对于软故障(缓变)则不能及时的识别。
发明内容
本发明的目的是针对现有技术的缺陷,提出一种基于模型特征的动态故障诊断方法。
本发明是这样实现的:一种基于模型特征的动态故障诊断方法,包括下述步骤:
步骤一:针对系统,建立Kalman滤波器估计模型
式中:
Xk——状态变量;第一次由外部给定,以后的计算由上一轮的结果给出;
Φk,k-1——tk-1时刻至tk时刻的一步转移矩阵;由系统给出;
Zk——量测量;由外部给定;
Hk——量测矩阵;由外部给定;
Wk——系统激励噪声序列;由外部给定;
Vk——量测噪声序列;由外部给定;
k——循环次数,
卡尔曼滤波递推方程组如下:
a)状态一步预测:
是Xk的估计,初值是0,以后每个步骤用递推结果
是Xk的一步预测;
b)状态估计:
Kk滤波增益用公式(4)计算
c)滤波增益:
Pk/k-1是Pk的一步预测;
Pk是的均方误差;
d)一步预测均方误差:
Qk是系统方程矩阵,由外部给定;
e)估计均方误差:
Rk量测噪声矩阵,外部给定
步骤二:建立状态递推器
为了检验滤波器估计是否正常,建立一个状态递推器作为基准,状态递推器的状态变量和协方差/>为已知量,用/>表示/>的估计值,通过使用系统的先验模型进行计算,即
步骤三:进行χ2检验
惯导系统中可以一般通过两种途径实现χ2检验:一是通过对新息进行χ2检验实现故障诊断,二是通过对状态进行χ2检验实现故障诊断,
早期多采用新息校验的方法,但是由于滤波器的特性,可直接观测状态的估计结果会跟踪观测量,因此对软故障基本没有诊断能力,硬故障诊断的敏感程度也很大程度取决于滤波器的参数设置,因此目前大多采用状态检验的方法,
状态χ2检验算法计算过程如下所示:
定义
其中为公式7中计算得到的结果,Pk为公式6计算得到的结果;
为公式3计算的结果,/>是公式7计算的结果;
则符合n维χ2分布,其中n为系统状态个数,
根据χ2检验原理
a)当时,无故障;
b)当时,有故障,
通过查表选择εξ的大小,可以确定检验条件的虚警率,
步骤四:解决故障误报率随时间上升问题
整个故障诊断系统初始化后,递推器1和2同时开始工作,χ2检验部分首先与递推器1连接,检测系统是否存在异常,当第一次到达重置时刻,将χ2检验检验部分与递推器2连接,同时重置递推器1,第二次到达重置时刻,χ2检验部分与递推器1连接,同时重置递推器2,这样,如果递推器1在重置时被污染,仍可以通过递推器2检测到异常,到达第二次重置时刻如果未发现异常,说明第一次重置时递推器1没有受到污染,即可以继续使用递推器1,并重置递推器2,之后以此类推,选择合适的重置周期,可以将递推器被污染的可能性降到很小。
本发明的有益效果是:针对惯性组合导航系统,提出了一种信息融合故障诊断方法,能够实时检测系统中出现的故障。通过实际试验测试表明,应用本发明的方法,能够提高系统对故障的检测率,并能够保持组合导航系统在长时间工作的情况的故障检测灵敏度,使组合导航系统始终保持较高的系统可靠性。
具体实施方式
一种基于模型特征的动态故障诊断方法,包括下述步骤:
步骤一:针对系统,建立Kalman滤波器估计模型
式中:
Xk——状态变量;第一次由外部给定,以后的计算由上一轮的结果给出;
Φk,k-1——tk-1时刻至tk时刻的一步转移矩阵;由系统给出;
Zk——量测量;由外部给定;
Hk——量测矩阵;由外部给定;
Wk——系统激励噪声序列;由外部给定;
Vk——量测噪声序列;由外部给定;
k——循环次数,
卡尔曼滤波递推方程组如下:
f)状态一步预测:
是Xk的估计,初值是0,以后每个步骤用递推结果
是Xk的一步预测;
g)状态估计:
Kk滤波增益用公式(4)计算
h)滤波增益:
Pk/k-1是Pk的一步预测;
Pk是的均方误差;
i)一步预测均方误差:
Qk是系统方程矩阵,由外部给定;
j)估计均方误差:
Rk量测噪声矩阵,外部给定
步骤二:建立状态递推器
为了检验滤波器估计是否正常,建立一个状态递推器作为基准,状态递推器的状态变量和协方差/>为已知量,用/>表示/>的估计值,通过使用系统的先验模型进行计算,即
步骤三:进行χ2检验
惯导系统中可以一般通过两种途径实现χ2检验:一是通过对新息进行χ2检验实现故障诊断,二是通过对状态进行χ2检验实现故障诊断。
早期多采用新息校验的方法,但是由于滤波器的特性,可直接观测状态的估计结果会跟踪观测量,因此对软故障基本没有诊断能力,硬故障诊断的敏感程度也很大程度取决于滤波器的参数设置。因此目前大多采用状态检验的方法。
状态χ2检验算法计算过程如下所示:
定义
其中为公式7中计算得到的结果,Pk为公式6计算得到的结果;
为公式3计算的结果,/>是公式7计算的结果;
则符合n维χ2分布,其中n为系统状态个数。
根据χ2检验原理
c)当时,无故障;
d)当时,有故障。
通过查表选择εξ的大小,可以确定检验条件的虚警率。
步骤四:解决故障误报率随时间上升问题
随着滤波时间增长,和有效量测值得不断修正,滤波器的估计值和状态递推器的预测值会逐渐发生偏离,造成误报率上升,这主要是由于状态递推器的模型的不准确性造成的。大部分实际物理系统是一个时变的、非线性系统,在应用滤波理论时进行的线性化处理,仅能保证递推器在短时间(数分钟)内的估计精度,因此解决该问题的根本方法,是保持递推器模型在长时间内的精度。
一个可行的方法,是使用滤波器的状态方程和估计结果,来重置递推器的模型和初值。实际应用中,从故障发生,到从状态估计中检测到异常需要一定的时间,因此在故障发生后但未被检测到时,递推器有可能被已受干扰的滤波器重置为错误的状态(被污染),这样递推器便失去了基准的作用,导致故障检测灵敏度下降。为了解决递推器被污染的问题,采用双递推器法来确保重置过程的正确性。
整个故障诊断系统初始化后,递推器1和2同时开始工作,χ2检验部分首先与递推器1连接,检测系统是否存在异常。当第一次到达重置时刻,将χ2检验检验部分与递推器2连接,同时重置递推器1。第二次到达重置时刻,χ2检验部分与递推器1连接,同时重置递推器2。这样,如果递推器1在重置时被污染,仍可以通过递推器2检测到异常,到达第二次重置时刻如果未发现异常,说明第一次重置时递推器1没有受到污染,即可以继续使用递推器1,并重置递推器2。之后以此类推。选择合适的重置周期,可以将递推器被污染的可能性降到很小。
Claims (1)
1.一种基于模型特征的动态故障诊断方法,其特征在于,包括下述步骤:
步骤一:针对系统,建立Kalman滤波器估计模型
式中:
Xk——状态变量;第一次由外部给定,以后的计算由上一轮的结果给出;
Φk,k-1——tk-1时刻至tk时刻的一步转移矩阵;由系统给出;
Zk——量测量;由外部给定;
Hk——量测矩阵;由外部给定;
Wk-1——系统激励噪声序列;由外部给定;
Vk——量测噪声序列;由外部给定;
k——循环次数,
卡尔曼滤波递推方程组如下:
a)状态一步预测:
是Xk的估计,初值是0,以后每个步骤用递推结果
是Xk的一步预测;
b)状态估计:
Kk滤波增益用公式(4)计算
c)滤波增益:
Pk/k-1是Pk的一步预测;
Pk是的均方误差;
d)一步预测均方误差:
Qk是系统方程矩阵,由外部给定;
e)估计均方误差:
Rk是量测噪声矩阵,外部给定
步骤二:建立状态递推器
为了检验滤波器估计是否正常,建立一个状态递推器作为基准,状态递推器的状态变量和协方差/>为已知量,用/>表示/>的估计值,通过使用系统的先验模型进行计算,即
步骤三:进行χ2检验
状态χ2检验算法计算过程如下所示:
定义
其中为公式(7)中计算得到的结果,Pk为公式(6)计算得到的结果;
为公式(3)计算的结果,/>是公式(7)计算的结果;
则符合n维χ2分布,其中n为系统状态个数,
根据χ2检验原理
a)当时,无故障;
b)当时,有故障,
通过查表选择εξ的大小,可以确定检验条件的虚警率,
步骤四:解决故障误报率随时间上升问题
整个故障诊断系统初始化后,递推器1和2同时开始工作,χ2检验部分首先与递推器1连接,检测系统是否存在异常,当第一次到达重置时刻,将χ2检验部分与递推器2连接,同时重置递推器1,第二次到达重置时刻,χ2检验部分与递推器1连接,同时重置递推器2,这样,如果递推器1在重置时被污染,仍可以通过递推器2检测到异常,到达第二次重置时刻如果未发现异常,说明第一次重置时递推器1没有受到污染,即可以继续使用递推器1,并重置递推器2,之后以此类推,选择合适的重置周期,可以将递推器被污染的可能性降到很小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810678404.4A CN110728007B (zh) | 2018-06-27 | 2018-06-27 | 一种基于模型特征的动态故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810678404.4A CN110728007B (zh) | 2018-06-27 | 2018-06-27 | 一种基于模型特征的动态故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110728007A CN110728007A (zh) | 2020-01-24 |
CN110728007B true CN110728007B (zh) | 2023-11-03 |
Family
ID=69216712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810678404.4A Active CN110728007B (zh) | 2018-06-27 | 2018-06-27 | 一种基于模型特征的动态故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728007B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115200614B (zh) * | 2022-09-16 | 2022-12-23 | 北京路凯智行科技有限公司 | 矿用无人驾驶车辆的导航定位系统的故障定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2964468A1 (fr) * | 2010-09-08 | 2012-03-09 | Sagem Defense Securite | Procede et dispositif de detection et d'exclusion de pannes satellite multiples dans un systeme gnss |
CN105547329A (zh) * | 2016-01-11 | 2016-05-04 | 山东理工大学 | 一种应用于组合导航系统的故障检测方法 |
CN106679693A (zh) * | 2016-12-14 | 2017-05-17 | 南京航空航天大学 | 一种基于故障检测的矢量信息分配自适应联邦滤波方法 |
-
2018
- 2018-06-27 CN CN201810678404.4A patent/CN110728007B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2964468A1 (fr) * | 2010-09-08 | 2012-03-09 | Sagem Defense Securite | Procede et dispositif de detection et d'exclusion de pannes satellite multiples dans un systeme gnss |
CN105547329A (zh) * | 2016-01-11 | 2016-05-04 | 山东理工大学 | 一种应用于组合导航系统的故障检测方法 |
CN106679693A (zh) * | 2016-12-14 | 2017-05-17 | 南京航空航天大学 | 一种基于故障检测的矢量信息分配自适应联邦滤波方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110728007A (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4783394B2 (ja) | センサの故障適応方法 | |
RU2673504C2 (ru) | Определение курса для гибридного навигационного решения на основе магнитно-откалиброванных измерений | |
CN107421534B (zh) | 一种冗余式捷联惯导系统多故障隔离方法 | |
CA2664994C (en) | Hybrid ins/gnss system with integrity monitoring and method for integrity monitoring | |
CN111060133B (zh) | 一种用于城市复杂环境的组合导航完好性监测方法 | |
Jafari et al. | Optimal redundant sensor configuration for accuracy and reliability increasing in space inertial navigation systems | |
KR101106048B1 (ko) | 센서오차의 작동 중 자동교정 방법과 이를 이용한 관성항법장치 | |
Huang et al. | Design of a fault detection and isolation system for intelligent vehicle navigation system | |
US8949027B2 (en) | Multiple truth reference system and method | |
US8566057B2 (en) | Method for self-adjustment of a triaxial acceleration sensor during operation, and sensor system having a three-dimensional acceleration sensor | |
CN110763253A (zh) | 一种基于svr的组合导航系统故障诊断方法 | |
Jurado et al. | Residual‐based multi‐filter methodology for all‐source fault detection, exclusion, and performance monitoring | |
Jurado et al. | Single-filter finite fault detection and exclusion methodology for real-time validation of plug-and-play sensors | |
Gao et al. | Double-channel sequential probability ratio test for failure detection in multisensor integrated systems | |
JP2008014938A (ja) | 衛星ナビゲーション受信機の性能を高めるシステム及び方法 | |
CN110196068B (zh) | 一种极区集中滤波组合导航系统残差向量故障检测与隔离方法 | |
CN110728007B (zh) | 一种基于模型特征的动态故障诊断方法 | |
CN111736194A (zh) | 组合惯性导航系统及导航数据处理方法 | |
CN110779549A (zh) | 一种水下组合导航系统突变型故障诊断方法 | |
CN101949702B (zh) | 使用mems加速度计的gnss pvt质量快速自检方法 | |
US11549924B2 (en) | Methane sensor automatic baseline calibration | |
CN114199236A (zh) | 定位数据处理的方法、装置、电子设备和自动驾驶车辆 | |
Minaretzis et al. | Robust Wavelet Variance-based Approaches for the Stochastic Modeling of Inertial Sensor Measurement Noise | |
Gipson et al. | Resilience for multi-filter all-source navigation framework with integrity | |
US20200363208A1 (en) | Factory-specific inertial measurement unit error model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |