CN110763253A - 一种基于svr的组合导航系统故障诊断方法 - Google Patents

Abstract

本发明涉及导航领域，特别涉及一种基于SVR的组合导航系统故障诊断方法。本发明通过残差χ²检验法实现组合导航系统的故障判定，在检测出故障的情况下，根据INS的历史数据使用SVR预测器实现INS的状态预测，以预测的状态估计与INS递推的状态之差与给定阈值进行对比来诊断INS是否发生故障。本方法在组合导航系统发生故障的情况下，能够准确地识别故障部件，进行有效的系统隔离和重构，保障组合导航系统的精度和可靠性。本发明在不增加硬件传感器的情况下，通过对INS/DVL/USBL故障检测器的构建，为保证水下航行器长航时高精度定位提供了新的解决方案。

Description

一种基于SVR的组合导航系统故障诊断方法

技术领域

本发明涉及导航领域，特别涉及一种基于SVR的组合导航系统故障诊断方法。

背景技术

随着人类对于海洋资源开发的不断深入，海洋环境下勘察、作业等需求也随之增加。水下航行器在水下能够自主航行，进行环境勘测，并进行水下作业，已经成为人类海洋开发的重要工具。目前水下航行器所要完成的任务已经越来越复杂，其对工作时长方面的要求也越来越高。相对于单一的导航方式，组合导航具有更高的精度和可靠性，但随着系统规模的增大，其故障发生率也越来越高。

目前，INS/DVL/USBL组合导航是较为成熟的水下组合导航方式，也是使用最广泛的方式。但对与该组合方式的故障诊断方法仍存在许多不足，主要在于：

对于该组合导航系统而言，常用的故障检测方法是χ²检验法，由于惯性器件的测量误差状态通过平台误差角逐渐影响到速度误差和位置误差，然后作用到滤波器的量测值上，而同时，滤波器也在根据滤波量测值的变化不断地对系统状态的估计值进行修正，并且修正的方向朝着减小滤波测量值与滤波一步预测测量值之差的方向进行，因此，虽然系统状态产生很大的估计误差，但残差却维持在一个很小的数值上，导致χ²检测法对由惯性器件等非直接作用于滤波量测值的状态变量引起的故障不是很敏感。因此，残差χ²检测法无法分辨造成故障的特定原因，只实时地确定一个滤波器输出的有效性,对系统级的故障检测比较有效。

同时，以专利“一种针对组合导航中DVL的混合处理办法(CN106840150A)”为例，对故障诊断的处理方法，都是以INS为参考系统，假设INS无故障的条件下进行的。当检测出故障时，一般认为是DVL或USBL发生故障，但如果故障发生在INS中，势必会导致错误的融合结果，影响后续的滤波过程，造成无效导航，甚至导致机器丢失的情况。

发明内容

本发明的目的在于提供可在组合导航系统中子系统出现故障时，在不排除INS故障的情况下，准确地识别出出现故障的传感器，并进行隔离重构，保证长航时INS/DVL/USBL组合导航系统在时效期间的导航精度，增加系统的鲁棒性的一种基于SVR的组合导航系统故障诊断方法。

本发明的目的是这样实现的：

一种基于SVR的组合导航系统故障诊断方法，包括以下步骤：

步骤1：初始化滤波器参数，计算滤波器残差；

步骤2：采用基于残差的χ²检验法检验系统是否出现故障；

步骤3：若检验到系统未出现故障，则DVL、USBL作为辅助导航系统对INS导航误差进行实时修正，INS/DVL与INS/USBL子系统通过卡尔曼滤波进行信息融合，然后将融合结果分别输入主滤波器中进行最终融合，得到导航参数；在对子系统进行的融合计算时，得到对INS下一时刻状态的递推预测，以INS各个时刻的参数输出作为SVR预测器的输入，对SVR预测器进行训练，使SVR预测器能够对INS的状态进行预测；若检验到系统出现故障，则执行步骤4；

步骤4：将当前INS的参数输出，输入到SVR预测器中，计算SVR预测器的预测值与当前时刻INS的卡尔曼滤波递推值之间的差值，将得到的差值与给定的阈值进行比较；若差值大于阈值，则判断INS发生故障，以SVR预测器的预测值作为输出，代替INS无效值；若差值小于阈值，则INS无故障，执行步骤5；

步骤5：判断是否DVL故障；若DVL未发生故障，则判定USBL故障。

本发明还可以包括：

所述的步骤3中SVR预测器的训练方法具体为：

对于给定的非线性时间序列{x₁,x₂,...,x_t}，根据已知的历史数据x_t预测x_t+1，建立映射f:R^m→R，满足

其中，m是预测嵌入维数；

根据SVM预测模型结构，对K时刻存储的历史窗口数据序列{L_K-N,L_K-N+1,...,L_K-1}进行相空间重构，从而获得数据之间的关系；将数据序列转化为矩阵形式，并将其作为支持向量回归的学习样本，采用3阶预测模型，构建支持向量回归的学习样本如下：

其中，L为INS的输出；根据学习样本求解回归函数系数

和偏置量b，则下一步预测方程为：

其中，

本发明的有益效果在于：

(1)本发明对常规的基于残差的χ²检测法进行改进；针对传统χ²检验法只能检测出故障但无法准确识别故障子系统的不足，构建基于支持向量机的回归预测模型，据系统模型输出和预测模型输出之差辅助进行惯导的故障诊断，从而识别系统的故障源；

(2)本发明对常规以INS为参考系统的方式进行改进，将INS出现故障的情况考虑进可能情况中，通过SVR预测器对INS输出数据进行预测，当INS出现故障时，可以代替INS输出数据；

(3)本发明在INS/DVL/USBL导航系统工作时，可以实时对系统工作状况进行监测，当系统出现故障时，可快速诊断，并进行隔离重构，保证系统的稳定性及鲁棒性；

(4)本发明通用性好，可广泛用于长航时水下航行器中。

附图说明

图1为INS/DVL/USBL组合导航系统工作流程图。

图2为SVM预测模型结构图。

图3为INS/DVL/USBL组合导航故障诊断示意图。

图4(a)为采用本发明处理后纬度输出诊断仿真的采样集图。

图4(b)为采用本发明处理后INS正常时SVR的预测值结果对比图。

图4(c)为采用本发明处理后INS正常时SVR的预测值与卡尔曼递推值的对比图。

图4(d)为采用本发明处理后加速度计x轴加0.1g误差后SVR预测值结果对比图。

图4(e)为采用本发明处理后加速度计x轴加0.1g误差后SVR预测值与卡尔曼递推值对比图。

具体实施方式

一种基于SVR的组合导航系统故障诊断方法，包括以下步骤：

步骤1：初始化滤波器参数，计算滤波器残差；

步骤2：采用基于残差的χ²检验法检验系统是否出现故障；

步骤3：若检验到系统未出现故障，则DVL、USBL作为辅助导航系统对INS导航误差进行实时修正，INS/DVL与INS/USBL子系统通过卡尔曼滤波进行信息融合，然后将融合结果分别输入主滤波器中进行最终融合，得到导航参数；在对子系统进行的融合计算时，得到对INS下一时刻状态的递推预测，以INS各个时刻的参数输出作为SVR预测器的输入，对SVR预测器进行训练，使SVR预测器能够对INS的状态进行预测；若检验到系统出现故障，则执行步骤4；

步骤4：将当前INS的参数输出，输入到SVR预测器中，计算SVR预测器的预测值与当前时刻INS的卡尔曼滤波递推值之间的差值，将得到的差值与给定的阈值进行比较；若差值大于阈值，则判断INS发生故障，以SVR预测器的预测值作为输出，代替INS无效值；若差值小于阈值，则INS无故障，执行步骤5；

步骤5：判断是否DVL故障；若DVL未发生故障，则判定USBL故障。

所述的步骤3中SVR预测器的训练方法具体为：

对于给定的非线性时间序列{x₁,x₂,...,x_t}，根据已知的历史数据x_t预测x_t+1，建立映射f:R^m→R，满足

其中，m是预测嵌入维数；

根据SVM预测模型结构，对K时刻存储的历史窗口数据序列{L_K-N,L_K-N+1,...,L_K-1}进行相空间重构，从而获得数据之间的关系；将数据序列转化为矩阵形式，并将其作为支持向量回归的学习样本，采用3阶预测模型，构建支持向量回归的学习样本如下：

其中，L为INS的输出；根据学习样本求解回归函数系数

和偏置量b，则下一步预测方程为：

其中，

下面结合附图进行详细说明。

实施1：如图1所示，该组合导航系统适用于长航时、长航程、高精度的水下航行器工作需求，主要由惯导系统(INS)、多普勒计程仪(DVL)、超短基线定位系统(USBL)组成。INS可以检测水下航行器的实时航向和姿态，DVL可以监测水下航行器运行的绝对速度，USBL能够将空间准确位置坐标传递到水下航行器上。DVL、USBL作为辅助导航系统对INS导航误差进行实时修正。同时使用故障检测器对系统进行实时检测与诊断，保证系统能平稳有效运行。当INS/DVL/USBL组合导航系统工作时，引入基于残差的χ²检验法对系统工作状态进行判断。在系统工作良好时，DVL、USBL作为辅助导航系统对INS导航误差进行实时修正，INS/DVL与INS/USBL子系统通过卡尔曼滤波进行信息融合，然后将融合结果分别送入主滤波器中进行最终融合，得到导航参数。在对子系统进行的融合计算时，可以得到对INS下一时刻状态的递推预测，同时，以INS各个时刻的参数(速度、位置、姿态)输出作为SVR预测器的输入对其进行训练，使其能够对INS的状态进行预测。当系统出现故障时，使用SVR预测器基于INS历史数据做出的预测值与当前时刻INS的递推值作差，将得到的差值与给定的阈值进行比较，判断INS是否出现故障。若出现故障则以SVR预测器的预测值作为输出，代替INS无效值。若INS无故障，则再分别对DVL及USBL进行故障检测，从而使得在组合导航系统发生故障的情况下，能够准确地识别故障部件，进行有效的系统隔离和重构，保障组合导航系统的精度和可靠性。

实施2：如图2所示，对基于INS历史数据的SVR预测器的训练方法为：

以INS输出的纬度位置L为例，对于给定的非线性时间序列{x₁,x₂,...,x_t}，根据已知的历史数据x_t预测x_t+1，则可以建立映射f:R^m→R，满足

其中，m是预测嵌入维数。

根据SVM预测模型结构，对k时刻存储的历史窗口数据序列{L_K-N,L_K-N+1,...,L_K-1}进行相空间重构，从而获得数据之间的关系。将数据序列转化为矩阵形式，并将其作为支持向量回归的学习样本，采用3阶预测模型，构建支持向量回归的学习样本如下：

根据学习样本求解回归函数系数和偏置量b，则下一步预测方程为：

其中，

对INS进行故障检测的方法在于：

同样以INS输出纬度位置L为例，根据得到的INS预测纬度Lpre与INS当前递推得到的纬度L_k之差判定INS是否故障。故障判定原则如下：

其中，T₁为设定的阈值。

实施3：如图3所示，当INS发生故障时，利用INS的预测值INSpre对INS当前的递推状态INScur进行重置，即INS_cur＝INS_pre；当INS无故障时，若DVL出现故障时可屏蔽INS/DVL子系统，使用INS/USBL子系统进行组合导航定位；若USBL出现故障可屏蔽INS/USBL子系统，使用INS/DVL进行组合导航定位；若DVL、USBL同时故障，则短时间内可仅使用INS进行导航定位。基于此，通过对故障传感器的隔离和对组合导航系统的重构，保障了水下机器人导航定位的精度和可靠性。

实施4：如图4(a)至图4(e)所示为采用本发明处理后纬度输出诊断仿真图，图4(a)为采样集，图4(b)与图4(c)为INS正常时SVR预测值与卡尔曼递推值对比，图4(d)与图4(e)为对加速度计x轴加0.1g误差后，SVR预测值与卡尔曼递推值对比。本发明的可行性可以通过如下仿真加以验证：INS/DVL/USBL组合导航系统；设置水下航行器初始位置为：纬度：L＝108.9097°，经度为λ＝34.2460°，地球自转角速度为ω_ie＝7.2921158e-5rad/s；陀螺仪常值漂移0.03°/h，加速度计常值漂移为10^-4g，INS输出频率为10hz，仿真时间为500s。对INS实行纬度回归预测，INS正常时提取100个训练样本，根据训练结果预测500-700s的INS纬度输出结果。

综上所述，本发明涉及导航领域，特别涉及一种基于SVR的组合导航系统故障诊断方法。本发明通过残差χ²检验法实现组合导航系统的故障判定，在检测出故障的情况下，根据INS的历史数据使用SVR预测器实现INS的状态预测，以预测的状态估计与INS递推的状态之差与给定阈值进行对比来诊断INS是否发生故障。本方法使得当组合导航系统发生故障的情况下，能够准确地识别故障部件，进行有效的系统隔离和重构，保障组合导航系统的精度和可靠性。本发明在不增加硬件传感器的情况下，通过对INS/DVL/USBL故障检测器的构建，为保证水下航行器长航时高精度定位提供了新的解决方案。

Claims (2)

1.一种基于SVR的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1：初始化滤波器参数，计算滤波器残差；

步骤2：采用基于残差的χ²检验法检验系统是否出现故障；

步骤3：若检验到系统未出现故障，则DVL、USBL作为辅助导航系统对INS导航误差进行实时修正，INS/DVL与INS/USBL子系统通过卡尔曼滤波进行信息融合，然后将融合结果分别输入主滤波器中进行最终融合，得到导航参数；在对子系统进行的融合计算时，得到对INS下一时刻状态的递推预测，以INS各个时刻的参数输出作为SVR预测器的输入，对SVR预测器进行训练，使SVR预测器能够对INS的状态进行预测；若检验到系统出现故障，则执行步骤4；

步骤4：将当前INS的参数输出，输入到SVR预测器中，计算SVR预测器的预测值与当前时刻INS的卡尔曼滤波递推值之间的差值，将得到的差值与给定的阈值进行比较；若差值大于阈值，则判断INS发生故障，以SVR预测器的预测值作为输出，代替INS无效值；若差值小于阈值，则INS无故障，执行步骤5；

步骤5：判断是否DVL故障；若DVL未发生故障，则判定USBL故障。

2.根据权利要求1所述的一种基于SVR的组合导航系统故障诊断方法，其特征在于：所述的步骤3中SVR预测器的训练方法具体为：

对于给定的非线性时间序列{x₁,x₂,...,x_t}，根据已知的历史数据x_t预测x_t+1，建立映射f:R^m→R，满足

其中，m是预测嵌入维数；

根据SVM预测模型结构，对K时刻存储的历史窗口数据序列{L_K-N,L_K-N+1,...,L_K-1}进行相空间重构，从而获得数据之间的关系；将数据序列转化为矩阵形式，并将其作为支持向量回归的学习样本，采用3阶预测模型，构建支持向量回归的学习样本如下：

其中，L为INS的输出；根据学习样本求解回归函数系数

和偏置量b，则下一步预测方程为：

其中，

Images