CN111024124B - 一种多传感器信息融合的组合导航故障诊断方法 - Google Patents

一种多传感器信息融合的组合导航故障诊断方法 Download PDF

Info

Publication number
CN111024124B
CN111024124B CN201911354400.1A CN201911354400A CN111024124B CN 111024124 B CN111024124 B CN 111024124B CN 201911354400 A CN201911354400 A CN 201911354400A CN 111024124 B CN111024124 B CN 111024124B
Authority
CN
China
Prior art keywords
imu
sensor
data
gnss
vector
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
CN201911354400.1A
Other languages
English (en)
Other versions
CN111024124A (zh
Inventor
曹东
许瑞振
葛美星
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201911354400.1A priority Critical patent/CN111024124B/zh
Publication of CN111024124A publication Critical patent/CN111024124A/zh
Application granted granted Critical
Publication of CN111024124B publication Critical patent/CN111024124B/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
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/23—Testing, monitoring, correcting or calibrating of receiver elements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
    • G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种多传感器信息融合的组合导航故障诊断方法，涉及松组合导航系统的故障诊断技术，具体方法为：建立INS/GNSS松组合导航的卡尔曼滤波状态方程和预测方程；对多个IMU信息源数据进行预处理，生成信息数据向量。计算多源数据向量与状态估计向量余弦相似度；选取余弦相似度最大的信息源数据更新扩展卡尔曼滤波状态量，同时预测下一时刻的状态估计向量；计算每个信息数据向量与当前状态估计向量的残差，对超过阈值的残差进行诊断，对比故障模型得到该传感器的故障诊断结果。本发明计算简单，且有效地提高了导航系统的性能。

Description

一种多传感器信息融合的组合导航故障诊断方法
技术领域
本发明涉及卡尔曼滤波信息融合的故障诊断技术领域，尤其涉及一种多传感器信息融合的组合导航故障诊断方法。
背景技术
飞行器导航系统是能够向飞行器的操纵者或者控制系统提供飞行器的姿态，速度，位置等及时运动状态的系统。未来导航系统面对日益复杂环境，需要满足高智能，高精度，高稳定性等实际应用指标。单一的导航系统受到材料、技术、工艺、器件和成本等软、硬件条件的限制无法满足实际要求，组合导航系统受到越来越多的重视，成为当前重要的研究领域。
多传感器信息融合技术是上世纪80年代形成和发展的一种信息综合处理技术。由于充分利用了多源数据的冗余性和互补性，大大提高了信息处理结果的质量。在组合导航系统中，同时从多个传感器来源的动态系统状态向量获取量测信息，利用卡尔曼滤波器整合不同传感器信息得到最优结果。在卡尔曼滤波器的这些模型中，有效数据的联合处理可以改善状态向量的估计精度和数据处理的可靠性。但在这些传统融合方法需要大量的计算，影响了飞行器导航系统的实时性与快速性，同时缺少了对具体故障类型的诊断。
发明内容
发明目的：为解决现有技术的融合方法计算量大、缺少对具体故障类型的诊断等问题，本发明提供一种多传感器信息融合的组合导航故障诊断方法。
技术方案：本发明提供一种多传感器信息融合的组合导航故障诊断方法，该方法应用于安装在飞行器上的INS系统和GNSS传感器组合成的INS/GNSS松组合的导航系统中，具体包括如下步骤：
步骤1：根据卡尔曼滤波理论，建立INS/GNSS松组合的导航系统的观测方程，根据观测方程得到当前时刻的偏差量；
步骤2：对INS系统中第i个IMU传感器采集到的数据进行预处理，生成第i个标准的IMU信息数据向量Ai，i＝1,2,…E,所述E为IMU传感器的总个数；计算每个信息数据向量与当前时刻的状态估计向量A*的余弦相似度的值；
步骤3：在E个余弦相似度的值中选择余弦相似度最大的值所对应的标准的IMU信息数据向量As,S∈1,2,3…E，并基于GNSS传感器测量的数据，计算得到下一个时刻的状态估计向量；
步骤4：根据当前时刻的E个标准IMU信息数据向量与当前时刻的状态估计向量的残差，判断当前时刻IMU传感器是否故障；若故障，则根据故障特征值判断传感器的故障类型。
进一步的，所述步骤1中根据观测方程得到当前时刻的偏差量的具体方法如下所示：
观测方程：δX＝KδY，其中δY为松组合系统的状态量的偏差量，为δX为松组合系统进行卡尔曼滤波时状态量的偏差量；
其中K＝(P(-)HT)(R+HP(-)HT)-1；其中P(-)为上一个时刻的协方差方程；
Φ＝I+FδtGNSS
Qk＝GQGTδtGNSS
Pt＝(1-KH)P
P＝ΦPtΦT+Qk
其中，I为单位矩阵，δtGNSS为GNSS传感器数据更新的时间间隔；F为imu的状态估计转移矩阵；Qk为当前时刻过程噪声引起的误差；P表示当前时刻的协方差方程，Q是系统过程噪声协方差阵；Φ为松组合的导航系统的n×n维的状态转移矩阵；G为松组合的导航系统的n×n维的噪声驱动矩阵；H是m×n维测量矩阵，其中m为n维松组合的导航系统中可观测的维度的个数；T为空间置换；
根据观测方程和如下公式计算得到δX和δY：
δY＝HδX+V。
进一步的，所述步骤3中计算得到下一个时刻的状态估计向量的具体方法为：
将向量As所对应的第S个IMU传感器认定为未发生故障的传感器，利用下述公式计算下一个时刻的状态估计向量
δAgnss＝Agnss-A*
其中Agnsss为GNSS测量的数据；若当前时刻GNSS没有更新则δAgnss为0，若当前时刻GNSSS也进行了更新则Agnsss为GNSS传感器更新时候测量到的数据。
进一步的，所述步骤2的具体方法为：
对第i个IMU传感器采集到的数据飞行器的角速度ωb和加速度fb，进行预处理，得到Ai＝[vi,pi,ei]＝[xi,1,xi,2,…,xi,m]，vi,pi,ei为基于第i个IMU传感器测得的角速度ωb和加速度fb，计算得到的飞行器在地标惯性坐标系下的速度、位置和姿态角；vi,pi,ei均为d维，且3*d＝m；xi,1～xi,d为第i个IMU的第1～第d个数据通道的状态量，也即速度在第1～第d维上的数据；xi,d+1～xi,m-d为第i个IMU的第d+1～第m-d个数据通道的状态量，也即位置在第1～第d维上的数据；xi,m-d+1～xi,m为第i个IMU的第m-d+1～第m个数据通道的状态量，也即姿态角在第1～第d维上的数据；
按照如下公式计算第i个标准的IMU信息数据向量Ai与当前时刻的估计状态向量A*的余弦相似度；
进一步的，所述步骤4中判断传感器是否故障的具体方法为：
依次计算当前时刻的估计状态向量A*与Q个标准的IMU信息数据向量的残差，第i个的残差为：
ΔAi＝A*-Ai
其中ΔAi的表达形式为ΔAi＝[Δxi,1,Δxi,2,…,Δxi,m]；Δxi,λ为第i个IMU的第λ个数据通道的状态量的误差值，λ＝1,2,…m；将ΔAi与阈值t＝[t1,t2,…,tm]进行比较，若Δxi,λ大于tλ；则认为该第i个IMU传感器故障,tλ为第λ个阈值。
进一步的，所述步骤4中根据故障特征值判断传感器的故障类型：
当第j个IMU故障，j∈Q且j≠s，则存在故障的状态量xj,k，与其对应的Δxj,k大于阈值，k＝1,2,…,m；xj,k的表达式为：
表示当前时刻第j个IMU传感器的第k个数据通道在无故障时的状态量，fk表示当前时刻的该第k个数据通道的实际附加的故障特征值；根据表1判断该第j个IMU传感器的故障类型；
表1
其中c为一个常数，fk(-)为上一个时刻该第k个数据通道的实际附加的故障特征值；E1(·)为求期望值的函数，E(·)为方差函数。
有益效果：
(1)本发明采用平行算法同时联立所有量测信息组合为状态矩阵,不需要对每种量测信息分别进行滤波计算,降低了系统计算的复杂程度；
(2)本发明采用数理统计和与阈值估计的方法,简化了复杂的计算,极大地提高了故障诊断速度；
(3)本发明的一种基于多源传感器信息融合的松组合导航系统故障诊断方法，与现有导航方法相比，利用多源传感器量测信息的冗余性和互补性，有效地提高了导航系统的性能，因而具有工程实际应用价值。
附图说明
图1是本发明的流程图。
图2是本发明的多源传感器数据选择方法示意图。
图3是本发明的多源传感器的障诊断流程图。
具体实施方式
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
在INS/GNSS组合导航系统中(即惯导/卫星组合导航系统)，同一时刻多源惯性测量单元(Inertial Measurement Unit，简称IMU)不会同时发生故障。GNSS信息可信度较高，不存在故障可能性。当任意IMU发生故障,若故障不可消除,将故障传感器隔离,当故障消除后,自动进行系统恢复。本发明提出的一种多传感器信息融合的组合导航故障诊断方法，对多个传感器先进行残差的故障阈值判断，判断故障发生后再诊断出具体的故障类型。
如图1所示，本发明包括以下几个步骤：
步骤一：根据卡尔曼滤波理论，建立INS/GNSS松组合导航系统的状态方程和预测方程；
步骤二：对多个IMU源数据进行预处理，生成标准的信息数据向量。将多源数据向量与上一时刻得到的最优估计向量计算余弦相似度；
步骤三：选取步骤2中余弦相似度最大的信息源更新卡尔曼滤波状态方程状态量，预测下一时刻的最优估计状态；
步骤四：计算同一时刻的多源数据向量与估计状态的残差，对超过阈值的残差进行诊断，对比故障模型得到该传感器的故障诊断结果。
所述步骤一:根据卡尔曼滤波理论，建立INS/GNSS松组合的导航系统状态方程和预测方程；
系统的状态方程为：
δX(+)＝φδX+Gu+ξ
式中，δX(+)是下一时刻的系统n维状态增量向量，δX是当前时刻的系统状态增量向量(即松组合系统在卡尔曼递推的过程中的滤波状态量的偏差量)φ是系统n×n维状态转移矩阵，G是系统n×n维噪声驱动矩阵，u是系统n维激励噪声向量，ζ～N(0,Q)，表示服从标准正态分布，期望值为0，标准差为Q，Q是系统过程噪声协方差阵。
X由多个测量通道数据组成：
δY＝HδX+V
式中，e＝[φ,θ,ψ]为飞行器的姿态角向量，φ为滚转角，θ表示俯仰角，ψ表示航偏角，飞行器的速度向量v＝[ve,vn,vd]，其中ve,vn,vd分别表示在NED坐标系中飞行器在东轴、北轴、地轴的速度；位置向量p＝[γ,λ,h]其中γ、λ、h分别表经度、维度、高度；bg表示静态偏差的估计值，δbg表示动态偏差的估计值，bf表示静态偏差的估计值，δbf表示动态偏差的估计；Y是系统状态向量，H是m×n维测量矩阵，其中m为n维松组合的导航系统中可观测的维度的个数，由上可知姿态角向量、速度向量、位置向量均为三维，则m＝6；V～N(0,R)，V表示零均值的高斯噪声，R是测量噪声协方差阵；T为空间置换。
观测方程：δX＝KδY，其中δY为系统状态量的偏差量；
其中K＝(P(-)HT)(R+HP(-)HT)-1；其中P(-)为上一个时刻的协方差方程；
Φ＝I+FδtGNSS
Qk＝GQGTδtGNSS
Pt＝(1-KH)P
P＝ΦPtΦT+Qk
其中，I为单位矩阵，δtGNSS为GNSS传感器数据更新的时间间隔；F为IMU的状态估计转移矩阵；Qk为当前时刻过程噪声引起的误差；P表示当前时刻的协方差方程；G为松组合的导航系统的n×n维的噪声驱动矩阵。
根据观测方程和如下公式计算得到δX和δY：
δY＝HδX+V。
如图2所示所述步骤二具体为：第i个IMU传感器信息源数据包括：陀螺仪直接测出的角速度ωb，加速度计直接测量得到的加速度fb，通过计算间接得到的速度vi、位置，姿态角ei，i＝1,2,…,E；E为IMU传感器的总个数。将速度vi、位置vi，姿态角ei组合生成信息数据向量，则第i个IMU数据向量可表示为：
Ai＝[vi,pi,ei]
按照如下公式计算第i个标准的IMU信息数据向量与当前时刻的估计状态向量A*的余弦相似度：
式中，A*为上一时刻卡尔曼滤波得到的对当前时刻状态的估计。
步骤三:选取所有标准的IMU信息数据向量中余弦相似度最大的数据源作为当前卡尔曼滤波输入状态：
根据对应的IMU信息数据向量，为第s个IMU信息数据向量，由第s个IMU直接测量得到的角速度和加速度计算得到；s∈1,2,3…E，认为第s个IMU传感器未发生故障，并将该第s个IMU直接测量得到的角速度和加速度作为可信数据，与GNSS测量数据融合；得到松组合下的导航信息；同时利用下述公式计算下一个时刻的状态估计向量/>
δAgnss＝Agnss-A*
其中Agnsss为GNSS测量的数据；若当前时刻GNSS没有更新则δAgnss为0，若当前时刻GNSSS也进行了更新则Agnsss为GNSS传感器更新时候测量到的数据。
如图3所示所述步骤四具体为：计算各IMU当前状态数据A与当前状态估计状态向量A*的残差ΔA。第i个IMU的残差为：
ΔAi＝A*-Ai
Ai＝[vi,pi,ei]＝[xi,1,xi,2,…,xi,m]，vi,pi,ei均为d维，本实施例中d＝3，且3*d＝m；xi,1～xi,d为第i个IMU的第1～第d个数据通道的状态量，也即速度在第1～第d维上的数据；xi,d+1～xi,m-d为第i个IMU的第d+1～第m-d个数据通道的状态量，也即位置在第1～第d维上的数据；xi,m-d+1～xi,m为第i个IMU的第m-d+1～第m个数据通道的状态量，也即姿态角在第1～第d维上的数据；则ΔAi的表达形式为ΔAi＝[Δxi,1,Δxi,2,…,Δxi,m]；Δxi,λ为第i个IMU的第λ个数据通道的状态量的误差值，λ＝1,2,…m；将ΔAi与阈值t＝[t1,t2,…,tm]进行比较，若Δxi,λ大于tλ；则认为该第i个IMU传感器故障,tλ为第λ个阈值。
本发明定义了四种传感器可能发生的故障类型，当第j个IMU故障，j∈Q且j≠s，则存在故障的状态量xj,k，与其对应的Δxj,k大于阈值，状态量可以被描述为：
表示当前时刻第j个IMU传感器的第k个数据通道在无故障时的状态量，fk表示当前时刻的该第k个数据通道的实际附加的故障特征值；根据表1判断该第j个IMU传感器的故障类型；
表1
其中c为一个常数，fk(-)为上一个时刻该第k个数据通道的实际附加的故障特征值；E1(·)为求期望值的函数，E(·)为方差函数。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

Claims (3)

1.一种多传感器信息融合的组合导航故障诊断方法，该方法应用于安装在飞行器上的INS系统和GNSS传感器组合成的INS/GNSS松组合的导航系统中，其特征在于，具体包括如下步骤：
步骤1：根据卡尔曼滤波理论，建立INS/GNSS松组合的导航系统的观测方程，根据观测方程得到当前时刻的偏差量；
步骤2：对INS系统中第i个IMU传感器采集到的数据进行预处理，生成第i个标准的IMU信息数据向量Ai，i＝1,2,…E,所述E为IMU传感器的总个数；计算每个信息数据向量与当前时刻的状态估计向量A*的余弦相似度的值；
步骤3：在E个余弦相似度的值中选择余弦相似度最大的值所对应的标准的IMU信息数据向量As,S∈1,2,3…E，并基于GNSS传感器测量的数据，计算得到下一个时刻的状态估计向量；
步骤4：根据当前时刻的E个标准IMU信息数据向量与当前时刻的状态估计向量的残差，判断当前时刻IMU传感器是否故障；若故障，则根据故障特征值判断传感器的故障类型；
所述步骤3中计算得到下一个时刻的状态估计向量的具体方法为：
将向量As所对应的第S个IMU传感器认定为未发生故障的传感器，利用下述公式计算下一个时刻的状态估计向量
δAgnss＝Agnss-A*
其中Agnsss为GNSS测量的数据；若当前时刻GNSS没有更新则δAgnss为0，若当前时刻GNSSS也进行了更新则Agnsss为GNSS传感器更新时候测量到的数据；δY为松组合系统的状态量的偏差量；
所述步骤4中判断传感器是否故障的具体方法为：
依次计算当前时刻的估计状态向量A*与Q个标准的IMU信息数据向量的残差，第i个的残差为：
ΔAi＝A*-Ai
其中ΔAi的表达形式为ΔAi＝[Δxi,1,Δxi,2,…,Δxi,m]；Δxi,λ为第i个IMU的第λ个数据通道的状态量的误差值，λ＝1,2,…m；将ΔAi与阈值t＝[t1,t2,…,tm]进行比较，若Δxi,λ大于tλ；则认为该第i个IMU传感器故障,tλ为第λ个阈值；
所述步骤4中根据故障特征值判断传感器的故障类型：
当第j个IMU故障，j∈Q且j≠s，则存在故障的状态量xj,k，与其对应的Δxj,k大于阈值，k＝1,2,…,m；xj,k的表达式为：
表示当前时刻第j个IMU传感器的第k个数据通道在无故障时的状态量，fk表示当前时刻的该第k个数据通道的实际附加的故障特征值；根据表1判断该第j个IMU传感器的故障类型；
表1
其中c为一个常数，fk(-)为上一个时刻该第k个数据通道的实际附加的故障特征值；E1(.)为求期望值的函数，E(.)为方差函数。
2.根据权利要求1所述的一种多传感器信息融合的组合导航故障诊断方法，其特征在于所述步骤1中根据观测方程得到当前时刻的偏差量的具体方法如下所示：
观测方程：δX＝KδY，其中δY为松组合系统的状态量的偏差量，为δX为松组合系统进行卡尔曼滤波时状态量的偏差量；
其中K＝(P(-)HT)(R+HP(-)HT)-1；其中P(-)为上一个时刻的协方差方程；
Φ＝I+FδtGNSS
Qk＝GQGTδtGNSS
Pt＝(1-KH)P
P＝ΦPtΦT+Qk
其中，I为单位矩阵，δtGNSS为GNSS传感器数据更新的时间间隔；F为imu的状态估计转移矩阵；Qk为当前时刻过程噪声引起的误差；P表示当前时刻的协方差方程，Q是系统过程噪声协方差阵；Φ为松组合的导航系统的n×n维的状态转移矩阵；G为松组合的导航系统的n×n维的噪声驱动矩阵；H是m×n维测量矩阵，其中m为n维松组合的导航系统中可观测的维度的个数；T为空间置换；
根据观测方程和如下公式计算得到δX和δY：
δY＝HδX+V。
3.根据权利要求2所述的一种多传感器信息融合的组合导航故障诊断方法，其特征在于，所述步骤2的具体方法为：
对第i个IMU传感器采集到的数据飞行器的角速度ωb和加速度fb，进行预处理，得到Ai＝[vi,pi,ei]＝[xi,1,xi,2,…,xi,m]，vi,pi,ei为基于第i个IMU传感器测得的角速度ωb和加速度fb，计算得到的飞行器在地标惯性坐标系下的速度、位置和姿态角；vi,pi,ei均为d维，且3*d＝m；xi,1～xi,d为第i个IMU的第1～第d个数据通道的状态量，也即速度在第1～第d维上的数据；xi,d+1～xi,m-d为第i个IMU的第d+1～第m-d个数据通道的状态量，也即位置在第1～第d维上的数据；xi,m-d+1～xi,m为第i个IMU的第m-d+1～第m个数据通道的状态量，也即姿态角在第1～第d维上的数据；
按照如下公式计算第i个标准的IMU信息数据向量Ai与当前时刻的估计状态向量A*的余弦相似度；
CN201911354400.1A 2019-12-25 2019-12-25 一种多传感器信息融合的组合导航故障诊断方法 Active CN111024124B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911354400.1A CN111024124B (zh) 2019-12-25 2019-12-25 一种多传感器信息融合的组合导航故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911354400.1A CN111024124B (zh) 2019-12-25 2019-12-25 一种多传感器信息融合的组合导航故障诊断方法

Publications (2)

Publication Number Publication Date
CN111024124A CN111024124A (zh) 2020-04-17
CN111024124B true CN111024124B (zh) 2023-11-07

Family

ID=70214789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911354400.1A Active CN111024124B (zh) 2019-12-25 2019-12-25 一种多传感器信息融合的组合导航故障诊断方法

Country Status (1)

Country Link
CN (1) CN111024124B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112255984A (zh) * 2020-10-28 2021-01-22 河北时代电子有限公司 一种基于分布式工业协议解析技术的多源数据采集系统
CN112833919B (zh) * 2021-03-25 2023-11-03 成都纵横自动化技术股份有限公司 一种多余度的惯性测量数据的管理方法及其系统
CN113432604B (zh) * 2021-06-29 2023-05-19 广东工业大学 一种能够灵敏检测故障的imu/gps组合导航方法
CN114035422B (zh) * 2021-10-09 2023-07-28 北京控制工程研究所 一种基于多源信息的异构陀螺故障定位及处理方法
CN113821059B (zh) * 2021-11-24 2022-02-18 中航金城无人系统有限公司 一种多旋翼无人机传感器故障安全飞行控制系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104819716A (zh) * 2015-04-21 2015-08-05 北京工业大学 一种基于mems的ins/gps组合的室内外个人导航算法
CN105807303A (zh) * 2016-05-14 2016-07-27 中卫物联成都科技有限公司 基于gnss、ins和机载高度表的组合导航方法和设备
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
CN109086470A (zh) * 2018-04-08 2018-12-25 北京建筑大学 一种基于模糊偏好关系与d-s证据理论的故障诊断方法
CN109373999A (zh) * 2018-10-23 2019-02-22 哈尔滨工程大学 基于故障容错卡尔曼滤波的组合导航方法
CN110162746A (zh) * 2018-03-12 2019-08-23 华北电力大学（保定） 一种多参数融合相似度的健康预警及故障诊断方法
CN110426032A (zh) * 2019-07-30 2019-11-08 南京航空航天大学 一种解析式冗余的飞行器容错导航估计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104819716A (zh) * 2015-04-21 2015-08-05 北京工业大学 一种基于mems的ins/gps组合的室内外个人导航算法
CN105807303A (zh) * 2016-05-14 2016-07-27 中卫物联成都科技有限公司 基于gnss、ins和机载高度表的组合导航方法和设备
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
CN110162746A (zh) * 2018-03-12 2019-08-23 华北电力大学（保定） 一种多参数融合相似度的健康预警及故障诊断方法
CN109086470A (zh) * 2018-04-08 2018-12-25 北京建筑大学 一种基于模糊偏好关系与d-s证据理论的故障诊断方法
CN109373999A (zh) * 2018-10-23 2019-02-22 哈尔滨工程大学 基于故障容错卡尔曼滤波的组合导航方法
CN110426032A (zh) * 2019-07-30 2019-11-08 南京航空航天大学 一种解析式冗余的飞行器容错导航估计方法

Also Published As

Publication number Publication date
CN111024124A (zh) 2020-04-17

Similar Documents

Publication Publication Date Title
CN111024124B (zh) 一种多传感器信息融合的组合导航故障诊断方法
CN110196443B (zh) 一种飞行器的容错组合导航方法及系统
Shen et al. Observability analysis and adaptive information fusion for integrated navigation of unmanned ground vehicles
Nebot et al. Initial calibration and alignment of low‐cost inertial navigation units for land vehicle applications
CN110487271A (zh) 一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法
CN107421534B (zh) 一种冗余式捷联惯导系统多故障隔离方法
CN112505737B (zh) 一种gnss/ins组合导航方法
CN109471146B (zh) 一种基于ls-svm的自适应容错gps/ins组合导航方法
CN102353378B (zh) 一种矢量形式信息分配系数的组合导航系统自适应联邦滤波方法
Anderson et al. Using GPS with a model-based estimator to estimate critical vehicle states
CN109507706B (zh) 一种gps信号丢失的预测定位方法
CN110954132A (zh) Grnn辅助自适应卡尔曼滤波进行导航故障识别的方法
Cao et al. Anti-disturbance fault tolerant initial alignment for inertial navigation system subjected to multiple disturbances
CN113566850B (zh) 惯性测量单元的安装角度标定方法、装置和计算机设备
CN114777812B (zh) 一种水下组合导航系统行进间对准与姿态估计方法
CN111366156A (zh) 基于神经网络辅助的变电站巡检机器人导航方法及系统
CN110243377A (zh) 一种基于分层式结构的集群飞行器协同导航方法
CN111964695A (zh) 一种无人机组合导航系统故障检测与隔离方法
CN111795708B (zh) 晃动基座条件下陆用惯性导航系统的自适应初始对准方法
Jingsen et al. Integrating extreme learning machine with Kalman filter to bridge GPS outages
Zorina et al. Enhancement of INS/GNSS integration capabilities for aviation-related applications
CN113008229B (zh) 一种基于低成本车载传感器的分布式自主组合导航方法
CN112179347B (zh) 一种基于光谱红移误差观测方程的组合导航方法
Chu et al. Performance comparison of tight and loose INS-Camera integration
CN109238307A (zh) 一种基于多惯组信息辅助的飞行故障检测方法及装置

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