CN110987068B - 一种多传感器综合控制系统数据融合方法 - Google Patents

Abstract

本发明提出一种多传感器综合控制系统数据融合方法，该方法首先通过插值法对不同传感器的测量数据进行时间对准，其次构造不同传感器测量精度实时估计模型并依据实时测量精度进行不同传感器同一时刻测量数据的最优加权融合且估计出融合精度，最后以实时的最优加权融合数据作为观测值进行多传感器综合控制系统融合数据的实时卡尔曼滤波。该数据融合方法计算过程简单，能够克服需要传感器先验测量精度的缺点，增强数据融合过程中的抗干扰性，提高数据实时输出精度，满足多传感器综合控制系统数据融合过程中鲁棒性和实时性的要求。

Description

一种多传感器综合控制系统数据融合方法

技术领域

本发明属于信息融合技术领域，具体涉及一种多传感器综合控制系统数据融合方法。

背景技术

由多个异质或者同质传感器构成的综合控制系统能够敏感更多的环境信息，从而提高综合控制系统的抗干扰能力和动作可靠度。各个传感器工作机理可以相同或不同，分别敏感环境信息，通过数据处理，各个传感器将所感知到的环境信息转换为系统的控制信息。不同传感器给出的控制信息具有互补性和容错性。因此，多传感器综合控制系统是一个具有多信息源的数据融合系统。系统控制设备对各个传感器给出的控制信息进行综合处理后，给出最终的动作信号。但是受工作环境或时间的限制，不同传感器的测量精度不是恒定不变的。因此，不能直接利用传感器标称的测量精度进行系统数据的融合处理。而目前现有的数据融合算法难以确定各传感器测量数据的统计特性，鲁棒性较差，融合精度不高，同时运算量较大，无法满足系统高实时性的要求。

发明内容

(一)要解决的技术问题

本发明提出一种多传感器综合控制系统数据融合方法，以解决如何满足多传感器综合控制系统对数据融合高实时性和强鲁棒性要求的技术问题。

(二)技术方案

为了解决上述技术问题，本发明提出一种多传感器综合控制系统数据融合方法，该数据融合方法包括如下步骤：

S1、利用插值法对不同传感器的测量数据进行时间对准；

S2、构造不同传感器测量精度实时估计模型，依据实时测量精度对不同传感器同一时刻测量数据进行最优加权融合且估计融合精度；

S3、以实时的最优加权融合数据作为观测值进行多传感器综合控制系统融合数据的实时卡尔曼滤波。

进一步地，该数据融合方法具体包括如下步骤：

S1、利用插值法对不同传感器的测量数据进行时间对准

多传感器综合控制系统中有n部相互独立的同质或异质传感器对待测参数进行测量，其中n≥3；根据公式(1)，对不同传感器的测量数据在时间上进行插值处理：

其中，x_i(a)为第i部传感器a时刻的测量值；x_i(b)为待求的第i部传感器b时刻的测量值；x_i(c)为第i部传感器c时刻的测量值；

S2、构造不同传感器测量精度实时估计模型，依据实时测量精度对不同传感器同一时刻测量数据进行最优加权融合且估计融合精度

根据公式(2)构造不同传感器测量精度实时估计模型：

其中，

为第i部传感器m时刻的测量精度，即从0时刻到m时刻测量值与真实值的统计标准差；B为

的矩阵，且矩阵B中每一行只有两个1，其余全为0，即B中某一行第i列与第j列为1，这两个1分别对应

和

γ_ij与B中某行第i列与第j列的1以及

和

相对应，且其与第i部传感器、第j部传感器从0时刻到m时刻所有时间对准后的数据之间存在如公式(3)所示的关系：

依据最优权值分配原则，根据公式(4)计算多传感器综合控制系统的融合精度

和融合值r(m)：

其中，第i部传感器m时刻在数据融合中的权重

与所有传感器在该时刻对待测参数的测量误差满足如公式(5)所示的关系：

S3、以实时的最优加权融合数据作为观测值进行多传感器综合控制系统融合数据的实时卡尔曼滤波

在获取到m时刻n部传感器数据融合值r(m)之后，其中m＞1，将该融合值r(m)作为观测值进行卡尔曼滤波。

进一步地，在步骤S3中，系统状态方程和观测方程如公式(6)所示：

其中，F(m)和G(m)是系统参数；u(m)是m时刻该系统的控制变量；v(m)是m时刻的系统过程噪声，且E(v(m)v(k)^T)＝Γ(m)；H(m)是测量系统参数；r(m)是m时刻的系统观测值，即m时刻n部传感器最优加权数据融合值；η(m)是m时刻的系统测量噪声，且

在对该系统进行初始化之后，按照公式(7)对该系统进行卡尔曼滤波：

其中，z(m+1,m)是根据m时刻的最优估计预测的m+1时刻的结果，z(m+1)是m+1时刻的最优估计，P(m+1,m)是根据m时刻计算m+1时刻的先验估计方差，P(m+1)是m+1时刻的后验估计方差，K(m+1)是m+1时刻的卡尔曼增益。

(三)有益效果

本发明提出一种多传感器综合控制系统数据融合方法，该方法首先通过插值法对不同传感器的测量数据进行时间对准，其次构造不同传感器测量精度实时估计模型并依据实时测量精度进行不同传感器同一时刻测量数据的最优加权融合且估计出融合精度，最后以实时的最优加权融合数据作为观测值进行多传感器综合控制系统融合数据的实时卡尔曼滤波。该数据融合方法计算过程简单，能够克服需要传感器先验测量精度的缺点，增强数据融合过程中的抗干扰性，提高数据实时输出精度，满足多传感器综合控制系统数据融合过程中鲁棒性和实时性的要求。

附图说明

图1为本发明实施例的多传感器综合控制系统数据融合方法流程图。

具体实施方式

为使本发明的目的、内容和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。

本实施例提出一种多传感器综合控制系统数据融合方法，其流程如图1所示，具体包括如下步骤：

S1、利用插值法对不同传感器的测量数据进行时间对准，包括：

多传感器综合控制系统中有n(n≥3)部相互独立的异质传感器对某待测参数进行测量，根据公式(1)，对不同传感器的测量数据在时间上进行插值处理：

其中，x_i(a)为第i部传感器a时刻的测量值；x_i(b)为待求的第i部传感器b时刻的测量值；x_i(c)为第i部传感器c时刻的测量值。

S2、构造不同传感器测量精度实时估计模型，依据实时测量精度对不同传感器同一时刻测量数据进行最优加权融合且估计融合精度，包括：

对于n(n≥3)部传感器中的第i部传感器a时刻的测量值，以公式(2)作为其量测方程：

其中，

为第i部传感器a时刻的真实值；δ_i(a)为第i部传感器a时刻自身的测量误差，其服从均值为零、方差为

的的高斯分布，即

其中a≥1。

根据式(2)可得k(k≥1)时刻第i部与第j(j≠i)部传感器对待测参数的测量值存在以下关系，如公式(3)所示：

x_i(k)-δ_i(k)＝x_j(k)-δ_j(k) (3)

对公式(3)进行变换可得公式(4)：

x_i(k)-x_j(k)＝δ_i(k)-δ_j(k) (4)

对于传感器数据插值处理后的第m(m≥k)时刻，包含m＞1和m＝1两种情况：

(1)当m＞1时

将第i部传感器对待测参数的m时刻及之前的测量值记为

对应的测量误差记为

则由公式(4)得到在m时刻第i部传感器与第j部传感器对待测参数的测量值满足以下关系，如公式(5)：

对公式(5)中等式左侧求方差得到公式(6)：

令公式(6)中

则在已知第i部传感器与第j部传感器对待测参数m次测量值的情况下，γ_ij为一常数。

对公式(5)中等式右侧求方差得到公式(7)：

由公式(6)及公式(7)得到公式(8)：

令A＝[1,1]，

则公式(8)表示为公式(9)：

A·Y＝γ_ij (9)

同理，n部传感器中任意两部传感器对待测参数的测量方程满足式(9)的关系，所有方程用矩阵表示为公式(10)：

当n＝3时，

B是方阵且其秩为3，公式(10)中的方程有唯一解Z＝B^-1·Ω。

当n＞3时，

B不是方阵且其秩为n，公式(10)中的方程仍有唯一解Z＝(B^T·B)^-1·B^T·Ω。

依据最优权值分配原则可得，当第i部传感器m时刻在数据融合中的权重

与所有传感器在该时刻对待测参数的测量误差满足

时，n部传感器在m时刻的数据融合精度最高，其融合精度

和融合值r(m)表示为公式(11)：

(2)当m＝1时

各个传感器的输出数据只有一个。此时，各个传感器在进行数据融合时的权重都一样，其权重

和融合值r(m)表示为公式(12)：

S3、以实时的最优加权融合数据作为观测值进行多传感器综合控制系统融合数据的实时卡尔曼滤波，包括：

在获取到m(m＞1)时刻n部传感器数据融合值r(m)之后，将该融合值作为观测值进行卡尔曼滤波。

该系统状态方程和观测方程如公式(13)：

其中，F(m)和G(m)是系统参数，u(m)是m时刻该系统的控制变量，v(m)是m时刻的系统过程噪声，且E(v(m)v(k)^T)＝Γ(m)，H(m)是测量系统参数，r(m)是m时刻的系统测量值，η(m)是m时刻的系统测量噪声，且

在对该系统进行初始化之后，该系统的卡尔曼滤波方程如公式(14)：

其中，z(m+1,m)是根据m时刻的最优估计预测的m+1时刻的结果，z(m+1)是m+1时刻的最优估计，P(m+1,m)是根据m时刻计算m+1时刻的先验估计方差，P(m+1)是m+1时刻的后验估计方差，K(m+1)是m+1时刻的卡尔曼增益。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (1)

1.一种多传感器综合控制系统数据融合方法，其特征在于，所述数据融合方法包括如下步骤：

S1.利用插值法对不同传感器的测量数据进行时间对准

多传感器综合控制系统中有n部相互独立的同质或异质传感器对待测参数进行测量，其中n≥3；根据公式(1)，对不同传感器的测量数据在时间上进行插值处理：

其中，x_i(a)为第i部传感器a时刻的测量值；x_i(b)为待求的第i部传感器b时刻的测量值；x_i(c)为第i部传感器c时刻的测量值；

S2.构造不同传感器测量精度实时估计模型，依据实时测量精度对不同传感器同一时刻测量数据进行最优加权融合且估计融合精度

根据公式(2)构造不同传感器测量精度实时估计模型：

其中，

为第i部传感器m时刻的测量精度，即从0时刻到m时刻测量值与真实值的统计标准差；B为

的矩阵，且矩阵B中每一行只有两个1，其余全为0，即B中某一行第i列与第j列为1，这两个1分别对应

和

γ_ij与B中某行第i列与第j列的1以及

和

相对应，且其与第i部传感器、第j部传感器从0时刻到m时刻所有时间对准后的数据之间存在如公式(3)所示的关系：

依据最优权值分配原则，根据公式(4)计算多传感器综合控制系统的融合精度

和融合值r(m)：

其中，第i部传感器m时刻在数据融合中的权重

与所有传感器在该时刻对待测参数的测量误差满足如公式(5)所示的关系：

S3.以实时的最优加权融合数据作为观测值进行多传感器综合控制系统融合数据的实时卡尔曼滤波

在获取到m时刻n部传感器数据融合值r(m)之后，其中m＞1，将该融合值r(m)作为观测值进行卡尔曼滤波；

系统状态方程和观测方程如公式(6)所示：

其中，F(m)和G(m)是系统参数；u(m)是m时刻该系统的控制变量；v(m)是m时刻的系统过程噪声，且E(v(m)v(k)^T)＝Γ(m)；H(m)是测量系统参数；r(m)是m时刻的系统观测值，即m时刻n部传感器最优加权数据融合值；η(m)是m时刻的系统测量噪声，且

在对该系统进行初始化之后，按照公式(7)对该系统进行卡尔曼滤波：

其中，z(m+1,m)是根据m时刻的最优估计预测的m+1时刻的结果，z(m+1)是m+1时刻的最优估计，P(m+1,m)是根据m时刻计算m+1时刻的先验估计方差，P(m+1)是m+1时刻的后验估计方差，K(m+1)是m+1时刻的卡尔曼增益。

Images