CN110889227B - 一种基于多传感器信息融合的飞机燃油测量方法 - Google Patents
一种基于多传感器信息融合的飞机燃油测量方法 Download PDFInfo
- Publication number
- CN110889227B CN110889227B CN201911193869.1A CN201911193869A CN110889227B CN 110889227 B CN110889227 B CN 110889227B CN 201911193869 A CN201911193869 A CN 201911193869A CN 110889227 B CN110889227 B CN 110889227B
- Authority
- CN
- China
- Prior art keywords
- measurement
- sensor
- data
- aircraft fuel
- calculating
- 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
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明属于飞机燃油测量技术领域,公开了一种基于多传感器信息融合的飞机燃油测量方法,其特征在于:利用差值原理求飞机燃油质量的方法,在多传感器测量数据融合阶段,构建求取不同油面角下各传感器测量数据置信度的规则和信息融合规则,对冲突证据进行权重分配,实现油量测量。本发明的有益效果是:本发明充分考虑飞机飞行中油面角数据的强时变性;同时对多传感器系统中各传感器在不同油面角下的测量误差进行离线分析,获得不同测量条件下各传感器的权重分配,实现了飞机燃油质量测量,在线测量结果的精度高。
Description
技术领域
本发明涉及飞机燃油测量技术领域,具体的说,是一种基于多传感器信息融合的飞机燃油测量方法。
背景技术
飞机燃油测量技术中,传感器以采用电容式传感器为主,超声波传感器、磁致伸缩传感器、和光纤式传感器等由于其测量技术发展不够成熟应用并不广泛。现有的采用电容式传感器测量飞机燃油方法主要有基于解析法、查表法的方法。其中,基于解析法的飞机燃油测量方法虽然取得了一定的应用效果,但由于飞机油箱外形曲线复杂,需要利用重积分进行任意油面角下油箱体积计算,基于解析法改进的方法需对姿态误差进行分析和补偿,进一步加大了计算量,尤其针对多传感器,油量测量算法的时间复杂度急剧增加,限制了其的应用范围。
多传感器信息融合方法(Multi-Sensor Information Fusion)能够利用多传感器的多源信息和数据,通过对数据的自动分析和综合,获得对检测环境的一致性解释较高的测量结果,提高传感器系统的智能化。其中,以D-S证据理论(Dempster-Shafer EvidentialTheory)为代表的数据融合方法,需要的先验数据比概率推理理论中的参数更直观和容易获得,且能够有效综合不同专家的知识或信息源的数据,广泛应用于故障检测、信息融合和专家系统等领域。然而,多源证据间解释不完全一致时,会出现证据冲突,直接影响融合结果的准确性。
发明内容
本发明的目的在于提供一种基于多传感器信息融合的飞机燃油测量方法,充分考虑飞机飞行中油面角数据的强时变性;同时对多传感器系统中各传感器在不同油面角下的测量误差进行离线分析,获得不同测量条件下各传感器的权重分配,实现了飞机燃油质量测量,在线测量结果的精度高。
本发明通过下述技术方案实现:
一种基于多传感器信息融合的飞机燃油测量方法,利用差值原理求飞机燃油质量的方法,在多传感器测量数据融合阶段,构建求取不同油面角下各传感器测量数据置信度的规则和信息融合规则,并对冲突证据进行重新分配,实现油量测量。
进一步地,为了更好的实现本发明,具体包括以下步骤:
步骤S1:将飞机燃油测量历史数据沿传感器方向展开得二维矩阵并进行标准化处理得到标准化后的数据集,并记录历史训练数据的均值与标准差;
步骤S2:基本概率计算;
步骤S3:权重分配;
步骤S4:在线油量质量计算。
进一步地,为了更好的实现本发明,所述步骤S1具体是指:将飞机燃油测量历史数据X(I×J×K)沿传感器方向展开得二维矩阵Xk(I×J),然后对Xk(I×J)做采样时间方向上的标准化处理得到标准化后的数据集并记录历史训练数据的均值mean(Xk)与标准差std(Xk);其中:I为样本点个数,J为变量个数,K为传感器个数;计算方式为:
sj为数据集采样时间方向上第j个变量的标准差;
进一步地,为了更好的实现本发明,所述步骤S2具体包括以下步骤:
步骤S22:计算测量误差的绝对值,得到方程式(3);
步骤S23;计算不同传感器误差比,得到方程式(4);
步骤S24:计算每个传感器的基本概率,得到方程式(5);
式中,mi(Jo×k)为第k个传感器测量值的基本概率分配。
进一步地,为了更好的实现本发明,所述步骤S3具体包括以下步骤:
步骤S31:计算平均证据ma;
ma=[a1,a2,···,aK] (6)
步骤S32:定义冲突证据mc;
mc(al)<a;mi(al)≠max(mc[a1,a2,···,an]) (7)
式中,a=max(a1,a2,···,an)为主焦元;l为主焦元对应的标号;
步骤S33:定义修正系数wc;
步骤S34:权重分配;
进一步地,为了更好的实现本发明,步骤S4具体是指:计算油量;
本发明与现有技术相比,具有以下优点及有益效果:
(1)本发明充分考虑飞机飞行中油面角数据的强时变性;同时对多传感器系统中各传感器在不同油面角下的测量误差进行离线分析,获得不同测量条件下各传感器的权重分配,实现了飞机燃油质量测量,在线测量结果的精度高;
(2)本发明充分考虑了飞机飞行中油面角数据的强时变性,利用D-S证据融合方法对多传感器测量数据进行综合,同时考虑了多传感器系统中各传感器在不同油面角下的测量误差,实现了飞机燃油质量测量,提高了测量结果的可靠性和精度;
附图说明
图1为本发明的工作流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合实施例对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例1:
本发明通过下述技术方案实现,如图1所示,一种基于多传感器信息融合的飞机燃油测量方法,利用差值原理求飞机燃油质量的方法,在多传感器测量数据融合阶段,构建求取不同油面角下各传感器测量数据置信度的规则和信息融合规则,重新分配冲突证据的权重,实现油量测量。
需要说明的是,通过上述改进,针对利用查表法求飞机燃油质量的方法,首先将飞机燃油油面角数据进行数据标准化;然后利用计算标准化后数据对应油面角下各传感器燃油质量的测量误差;最后引入基于多传感器信息融合理论,提出一种基于D-S证据融合的飞机燃油测量方法,通过各传感器的油量测量误差,构建计算不同油面角下各传感器测量信息置信度的规则和多传感器测量信息融合规则,进而实现飞机燃油测量。本方法充分考虑了飞机飞行中油面角数据的强时变性,能够有效测量飞机燃油质量,测量精度高。
实施例2:
本实施例在上述实施例的基础上做进一步优化,如图1所示,进一步地,为了更好的实现本发明,具体包括以下步骤:
步骤S1:将飞机燃油测量历史数据X(I×J×K)沿传感器方向展开得二维矩阵Xk(I×J),然后对Xk(I×J)做采样时间方向上的标准化处理得到I为样本点个数,J为变量个数,K为传感器个数,并记录历史训练数据的均值mean(Xk)与标准差std(Xk),为后续步骤提供数据基础;
步骤S2:基本概率计算;获得K个传感器对各自测量数据的支持程度。
步骤S3:权重分配;对K个传感测量数据中的冲突证据进行处理,获得解释较一致的证据。
步骤S4:在线油量质量计算。利用重新分配的权重,综合K个传感器的测量信息,实现油量测量。
需要说明的是,通过上述改进,针对利用差值原理求飞机燃油质量的方法,在多传感器测量数据融合阶段,构建求取不同油面角下各传感器测量数据置信度的规则和信息融合规则,重新分配冲突证据的权重,实现油量测量;,利用D-S证据融合方法对多传感器测量数据进行综合,同时考虑了多传感器系统中各传感器在不同油面角下的测量误差,实现了飞机燃油质量测量,提高了测量结果的可靠性。
本实施例的其他部分与上述实施例相同,故不再赘述。
实施例3:
本实施例在上述实施例的基础上做进一步优化,如图1所示,进一步地,为了更好的实现本发明,所述步骤S1具体是指:将飞机燃油测量历史数据X(I×J×K)沿传感器方向展开得二维矩阵Xk(I×J),然后对Xk(I×J)做采样时间方向上的标准化处理得到标准化后的数据集并记录历史训练数据的均值mean(Xk)与标准差std(Xk);其中:I为样本点个数,J为变量个数,K为传感器个数;计算方式为:
sj为数据集采样时间方向上第j个变量的标准差;
进一步地,为了更好的实现本发明,所述步骤S2具体包括以下步骤:
步骤S22:计算测量误差的绝对值,得到方程式(3);
步骤S23;计算不同传感器误差比,得到方程式(4);
步骤S24:计算每个传感器的基本概率,得到方程式(5);
式中,mi(Jo×k)为第k个传感器测量值的基本概率分配,即K个传感器对各自测量数据的支持程度。
进一步地,为了更好的实现本发明,所述步骤S3具体是指,引入D-S证据融合方法,且对冲突证据进行权重分配,包括以下步骤:
步骤S31:计算平均证据ma;
ma=[a1,a2,···,aK] (6)
步骤S32:定义冲突证据mc;
mc(al)<a;mi(al)≠max(mc[a1,a2,···,an]) (7)
式中,a=max(a1,a2,···,an)为主焦元;l为主焦元对应的标号;
步骤S33:定义修正系数wc;
步骤S34:权重分配;
进一步地,为了更好的实现本发明,步骤S4具体是指:计算油量;
本实施例的其他部分与上述实施例相同,故不再赘述。
实施例4:
本实施例本发明的具体应用实施例:
在某型飞机一油箱中含两个传感器,飞行历史数据集中,选取油面角A(°)、油面角B(°)、燃油质量(kg)三个关键变量,如表1所示,表1为飞机飞行过程燃油测量的关键变量。采样周期为1S,采集100个数据点。即I=100,J=3,K=2。
编号 | 变量名称 |
1 | 油面角A |
2 | 油面角B |
3 | 燃油质量 |
表1
随机取其中90个数据点作为训练数据,10个数据点作为测试数据。表2为每个数据点燃油质量测量结果的误差。
测试数据点 | 本发明方法(kg) | 查表方法(kg) |
1 | 5.4786 | 4.6892 |
2 | -1.8528 | -1.9687 |
3 | 0.5747 | 2.6789 |
4 | 0.7147 | 2.3698 |
5 | 0.6605 | 4.8892 |
6 | 2.5694 | 10.2451 |
7 | -6.9841 | -15.3249 |
8 | 0.5978 | 2.1456 |
9 | 3.6821 | 9.4750 |
10 | -4.2158 | -10.4567 |
表2
需要说明的是,通过上述改进,通过表2可以看出,本发明的测量方法相比现有的查表方法,测量的精度更高。
本实施例的其他部分与上述实施例相同,故不再赘述。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (1)
1.一种基于多传感器信息融合的飞机燃油测量方法,其特征在于:利用差值原理求飞机燃油质量的方法,在多传感器测量数据融合阶段,构建求取不同油面角下各传感器测量数据置信度的规则和信息融合规则,并对冲突证据进行重新分配,实现油量测量;具体包括以下步骤:
步骤S1:将飞机燃油测量历史数据沿传感器方向展开得二维矩阵并进行标准化处理得到标准化后的数据集,并记录历史训练数据的均值与标准差;
步骤S2:基本概率计算;
步骤S3:权重分配;对K个传感测量数据中的冲突证据进行处理,获得解释一致的证据;
步骤S4:在线油量质量计算;
所述步骤S1具体是指:将飞机燃油测量历史数据X(I×J×K)沿传感器方向展开得二维矩阵Xk(I×J),然后对Xk(I×J)做采样时间方向上的标准化处理得到标准化后的数据集并记录历史训练数据的均值mean(Xk)与标准差std(Xk);其中:I为样本点个数,J为变量个数,K为传感器个数;计算方式为:
其中:xj为数据集采样时间方向上第j个变量的均值;
sj为数据集采样时间方向上第j个变量的标准差;
x~j为标准化后的数据;
所述步骤S2具体包括以下步骤:
步骤S21:计算标准化后的数据集中的油量的测量误差,得到方程式(2);
式中,为油箱油量质量理论值;
步骤S22:计算测量误差的绝对值,得到方程式(3);
步骤S23;计算不同传感器误差比,得到方程式(4);
步骤S24:计算每个传感器的基本概率,得到方程式(5);
式中,mi(Jo×k)为第k个传感器测量值的基本概率分配;
所述步骤S3具体包括以下步骤:
步骤S31:计算平均证据ma;
ma=[a1,a2,···,aK](6);
步骤S32:定义冲突证据mc;
mc(al)<a;mi(al)≠max(mc[a1,a2,···,an])(7);
式中,a=max(a1,a2,···,an)为主焦元;l为主焦元对应的标号;
步骤S33:定义修正系数wc;
步骤S34:权重分配;
步骤S4具体是指:计算油量;
式中,为油量计算结果;m=m1+m2+···+mK;为标准化后各传感器的在线测量数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911193869.1A CN110889227B (zh) | 2019-11-28 | 2019-11-28 | 一种基于多传感器信息融合的飞机燃油测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911193869.1A CN110889227B (zh) | 2019-11-28 | 2019-11-28 | 一种基于多传感器信息融合的飞机燃油测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110889227A CN110889227A (zh) | 2020-03-17 |
CN110889227B true CN110889227B (zh) | 2023-05-05 |
Family
ID=69749356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911193869.1A Active CN110889227B (zh) | 2019-11-28 | 2019-11-28 | 一种基于多传感器信息融合的飞机燃油测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889227B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778847A (zh) * | 2016-12-02 | 2017-05-31 | 河南大学 | 基于对数函数衡量证据冲突的融合方法 |
CN206648709U (zh) * | 2017-03-30 | 2017-11-17 | 中国航空工业集团公司西安飞机设计研究所 | 一种飞机用燃油测量系统及具有其的飞机 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5251482A (en) * | 1990-07-16 | 1993-10-12 | Hughes Aircraft Company | Low frequency acoustic fuel sensor |
US6157894A (en) * | 1997-12-23 | 2000-12-05 | Simmonds Precision Products, Inc. | Liquid gauging using sensor fusion and data fusion |
LV13255B (en) * | 2004-10-08 | 2005-02-20 | Imants Keiss | Method and fuel level gauge |
CN100552668C (zh) * | 2007-11-19 | 2009-10-21 | 清华大学 | 基于压力和声波信息融合的泄漏检测定位方法 |
CN100510655C (zh) * | 2007-12-25 | 2009-07-08 | 北京航空航天大学 | 飞行器油量测量误差修正方法 |
CN104296829A (zh) * | 2014-09-30 | 2015-01-21 | 四川泛华航空仪表电器有限公司 | 基于机体坐标系的油位测量方法 |
CN105064993B (zh) * | 2015-08-06 | 2018-01-09 | 北京航空航天大学 | 一种基于电导探针阵列信息融合的垂直井含水率测量方法 |
CN106525174A (zh) * | 2015-09-10 | 2017-03-22 | 中国农业机械化科学研究院 | 联合收获机及其油耗在线监测装置、系统和监测方法 |
CN106485325B (zh) * | 2016-10-11 | 2018-10-30 | 天津大学 | 基于复杂网络和深度学习的两相流多元信息融合法及应用 |
CN106650785B (zh) * | 2016-11-09 | 2019-05-03 | 河南大学 | 基于证据分类和冲突衡量的加权证据融合方法 |
CN107145693B (zh) * | 2017-06-27 | 2020-12-18 | 中国航空工业集团公司沈阳飞机设计研究所 | 飞机不规则油箱油量的动态测量方法 |
CN108801387B (zh) * | 2018-05-21 | 2020-04-03 | 郑州大学 | 一种基于学习模型的飞机油箱剩余油量测量系统和方法 |
CN109060066B (zh) * | 2018-07-12 | 2020-10-09 | 沈阳航空航天大学 | 一种基于多传感器的航空燃油油量测量方法 |
CN110378732B (zh) * | 2019-07-18 | 2023-01-06 | 腾讯科技(深圳)有限公司 | 信息显示方法、信息关联方法、装置、设备及存储介质 |
CN110458248B (zh) * | 2019-09-18 | 2022-08-30 | 华北电力大学(保定) | 基于多测点振动信号的变压器异常状态检测方法 |
-
2019
- 2019-11-28 CN CN201911193869.1A patent/CN110889227B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778847A (zh) * | 2016-12-02 | 2017-05-31 | 河南大学 | 基于对数函数衡量证据冲突的融合方法 |
CN206648709U (zh) * | 2017-03-30 | 2017-11-17 | 中国航空工业集团公司西安飞机设计研究所 | 一种飞机用燃油测量系统及具有其的飞机 |
Also Published As
Publication number | Publication date |
---|---|
CN110889227A (zh) | 2020-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113108764B (zh) | 一种溃坝过程安全监测、预警与影响评估方法 | |
CN111680870B (zh) | 目标运动轨迹质量综合评估方法 | |
US11231342B2 (en) | Four-dimensional imaging method for structural damage based on time-invariant characteristic signal | |
CN113341389B (zh) | 一种基于最大似然估计的微波散射计风场反演方法及系统 | |
CN110161543B (zh) | 一种基于卡方检验的部分粗差抗差自适应滤波方法 | |
CN112050832B (zh) | 一种航空星敏感器大气折射误差修正方法 | |
CN107870001A (zh) | 一种基于椭球拟合的磁力计校正方法 | |
CN110533726B (zh) | 一种激光雷达场景三维姿态点法向量估计修正方法 | |
CN106526593A (zh) | 基于sar严密成像模型的子像素级角反射器自动定位方法 | |
CN110889862B (zh) | 一种网络传输攻击环境中多目标跟踪的组合测量方法 | |
Yong et al. | Unmanned aerial vehicle sensor data anomaly detection using kernel principle component analysis | |
CN105631191A (zh) | 一种获取卫星效能的方法及系统 | |
CN111353450A (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 | |
CN115308386A (zh) | 一种基于cygnss卫星数据的土壤盐分反演方法和系统 | |
CN113419280B (zh) | 基于改进椭圆拟合的叠前裂缝密度估算方法 | |
CN109190647B (zh) | 一种有源无源数据融合方法 | |
CN110889227B (zh) | 一种基于多传感器信息融合的飞机燃油测量方法 | |
CN114037017B (zh) | 基于误差分布拟合的数据融合方法 | |
CN114519262B (zh) | 基于改进gm(1,1)模型的空中目标威胁预测方法 | |
CN111693962B (zh) | 一种基于交叉检验的目标运动模型估计方法 | |
CN114485800B (zh) | 适用于气体多参数移动监测仪的远程质控方法 | |
CN113341385B (zh) | 机载平台协同综合传感器系统马尔科夫链误差传递模型 | |
CN106295096A (zh) | 一种对遥感数据进行观测质量分级的方法 | |
CN114722695A (zh) | 一种基于无量纲输入输出神经网络的fads解算系统及方法 | |
CN114781056A (zh) | 一种基于特征匹配的飞机整机外形测量方法 |
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 |