CN111639678A

CN111639678A - 一种基于集成神经网络的ins/gps组合导航故障检测与诊断方法

Info

Publication number: CN111639678A
Application number: CN202010380332.2A
Authority: CN
Inventors: 董绵绵; 贺咪咪; 王鹏; 邸若海; 吴娇; 洪贤丽; 李晓艳; 吕志刚
Original assignee: Xian Technological University
Current assignee: Xian Technological University
Priority date: 2020-05-08
Filing date: 2020-05-08
Publication date: 2020-09-08
Anticipated expiration: 2040-05-08
Also published as: CN111639678B

Abstract

本发明公开了一种基于集成神经网络的INS/GPS组合导航故障检测与诊断方法。本发明提供的方法是：首先，通过仿真得到组合导航的INS和GPS故障数据；接着，采用核Fisher判别式分析(KFDA)进行数据处理，实现模式数据的平衡；然后，对数据进行One‑Class SVM模型训练，并运用核技巧以检测非线性数据的故障情况；最后，利用D‑S证据理论将BP神经网络和改进的动态粒子群优化(PSO)BP神经网络的故障诊断结果进行融合，实现INS/GPS组合导航的故障检测与诊断。本方法可以有效地对小样本组合导航系统的突变故障与缓变故障进行检测，故障检测率均达到90％以上，有效地减少了故障检测的误差率，得到了精确的综合决策结果。

Description

一种基于集成神经网络的INS/GPS组合导航故障检测与诊断方法

技术领域

本发明属于导航系统故障诊断领域，更具体涉及一种基于集成神经网络的 INS/GPS组合导航故障检测与诊断方法。

背景技术

现今在军事领域，组合导航系统是舰艇、飞机等运载体不可缺少的设备，它肩负着为运载体导航定位、姿态控制的重要职责，尤其是在作战时，更肩负着为作战系统传送姿态数据的职责，其可靠性严重关系到运载体及其乘员生命财产的安全，并且由于故障的随机性、模糊性和不确定性，一个故障的形成往往是众多因素造成的结果，且因素之间的联系以及导航系统工作环境又十分复杂，所以在组合导航系统中，研究如何提高故障检测的准确性，引起了学者们广泛的关注。

突变故障和缓变故障是导航系统常见的故障类型，实现对这两种故障类型及时有效的检测，然后进行分离、系统重构及隔离，能够保证INS/GPS组合导航系统高效、准确地工作。神经网络结合其他故障诊断方法被广泛应用于组合导航系统故障诊断，如结合联邦滤波以及小波变换故障诊断方法、PCA方法、基于状态χ2检验的Fuzzy ART神经网络组合导航故障诊断方法等等。虽然这些方法在一定程度上实现了故障检测与诊断，但是在实际应用中突显出明显的不足之处，如下：(1)对输入样本敏感，网络泛化能力较差，带来数据非平衡问题；(2)无法较好的处理非线性数据故障问题；(3)单一故障诊断方法可能存在误诊或漏诊的缺点，导致识别率低且误差大。

发明内容

本发明提供一种基于集成神经网络的INS/GPS组合导航故障检测与诊断方法，以克服现有故障检测与诊断时存在的数据非平衡问题，无法较好处理非线性数据，使得识别率低且误差大的问题。

为了达到本发明的目的，本发明提出的方案如下：

一种基于集成神经网络的INS/GPS组合导航故障检测与诊断方法，包括如下步骤：

步骤1、数据集的获取阶段：运用仿真添加故障节点，生成并读取INS/GPS 组合导航系统的故障数据；

步骤2、数据预处理阶段：对GPS/INS组合导航故障数据信息进行分类处理；

步骤3、基于KFDA的数据平衡处理阶段：采用重采样算法KFDA进行数据预处理，实现模式数据的平衡，从而解决数据非平衡问题；

步骤4、基于重采样的One-Class SVM故障检测阶段：基于重采样KFDA 预处理后，运用预训练的One-Class SVM进行故障检测；

步骤5、基于集成神经网络的故障诊断阶段：利用D-S证据理论将BP神经网络和动态PSO-BP神经网络故障诊断方法相集成，共同实现组合导航故障的诊断，得到精确的综合决策结果。

进一步的，步骤1中，数据集的获取是通过在组合导航系统运行时分别注入突变故障、缓变故障和GPS故障，以此来获得不同故障条件下的故障数据集。

进一步的，步骤2具体包括如下步骤：

步骤201、将步骤1获取的数据集进行分类，划分为训练集、验证集及测试集；

步骤202、读取集成的预训练模型，并读入故障数据目录。

进一步的，步骤3中，在松组合模式下，利用卡尔曼滤波技术，对GPS/INS 组合导航信息进行融合处理，然后进行滤波处理，最后采用重采样算法KFDA 进行数据平衡预处理。

进一步的，步骤4具体为，在使用原始数据组对One-Class SVM模型进行训练之前需要对它们进行预处理，然后利用数据训练得到One-Class SVM模型，在得到新的导航数据后，由分类决策函数对这些数据进行分类，属于正类的点认为是正常点，属于负类的点认为是异常。

与现有技术相比，本发明的有益效果是：

1)本发明充分考虑导航故障数据非平衡缺陷带来的弊端，采用一种基于卡尔曼滤波的GPS/INS组合导航信息融合方法。通过利用卡尔曼滤波技术，对 GPS/INS组合导航信息(速度、位置、姿态等信息)融合处理，以提供精确的导航方案。在松组合模式下，将位置、速度和姿态信息以及加速度零偏和陀螺仪漂移误差分量作为系统的状态矢量，对组合导航系统进行滤波处理，然后采用重采样算法KFDA进行数据平衡预处理，实现模式数据的平衡，从而解决故障数据非平衡问题。

2)本发明考虑到原始数据的非线性问题，含有噪声，而且变量之间常常是相关的。在使用原始数据组对One-Class SVM模型进行训练之前需要对它们进行预处理，然后训练得到One-Class SVM模型。在得到新的导航数据后，由分类决策函数对这些数据进行分类，属于正类的点认为是正常点，属于负类的点认为是异常，从而达到有效地解决非线性数据的故障问题。

3)为了克服单一神经网络诊断的不足，得到更加准确、可靠的诊断结果，本发明提出利用D-S证据理论将BP神经网络和动态PSO-BP神经网络故障诊断方法的优势相集成，从而得到精确的综合决策结果，使得识别率提升，降低误差。

附图说明

图1为本发明实施例的方法流程图；

图2为基于集成神经网络诊断流程图；

图3为重采样的非平衡校正KFDA算法流程图；

图4为BP神经网络故障诊断均方误差曲线图；

图5为动态PSO-BP神经网络故障诊断均方误差曲线图。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。

本发明提供一种基于集成神经网络的INS/GPS组合导航故障检测与诊断方法，包括如下步骤：

步骤1、数据集的获取阶段：运用仿真添加故障节点，生成并读取INS/GPS 组合导航系统的故障数据。通过仿真获取导航故障数据，可以达到有效扩大数据集的数量，降低数据获取的成本的目的。

步骤2、数据预处理阶段：对GPS/INS组合导航故障数据集进行分类处理，使数据集分为三部分，分别为训练集、验证集及测试集，用以提供更好的模型训练、观察模型性能及验证模型效果。具体步骤如下：步骤201、将获取的数据集进行分类，划分为训练集、验证集及测试集；步骤202、读取集成的预训练模型，并读入故障数据目录。

步骤3、数据平衡处理阶段：利用卡尔曼滤波技术，对GPS/INS组合导航信息进行融合处理，以提供精确的导航方案，采用重采样算法KFDA进行数据预处理，实现模式数据的平衡性。详细说明如下：首先用过采样KFDA算法对小类模式类实施过采样，扩充大类模式类的数据量，然后再使用KFDA方法将非平衡数据通过映射到高维核特征空间，最后在特征空间上实施非平衡校正。

步骤4、基于重采样的One-Class SVM故障检测阶段：首先对原始数据组进行预处理，然后运用数据训练得到One-Class SVM模型。在得到新的导航数据后，由分类决策函数对这些数据进行分类，达到对非线性数据进行故障检测的目的，详细说明如下：

其中，INS/GPS组合导航系统的数学模型包含两部分：状态方程和量测方程。状态方程是基于组合导航系统的误差特性建立的，其状态量由INS的误差状态量和GPS的误差状态量组成；量测方程描述观测量，并利用观测量估计状态量，通过步骤3所述的重采样数据预处理后，数据样本集合为 D＝{x_i∈R^d|i＝1,2,...l}，其中l为训练样本个数。在R^d空间中的向量X可以采用非线性映射函数

去映射到一个高维的特征空间中处理，One-Class SVM模型使用LOO-CV交叉验证(Leave-One-Out Cross Validation)，所有的样本在每一回合的交叉验证中几乎都用于训练模型，最接近母体样本的分布。同时，在实验数据集样本较少时，没有随机因素会影响实验数据，估测所得的generalization error可靠，从而检测出故障。

步骤5、基于集成神经网络的故障诊断阶段：利用D-S证据理论将BP神经网络和动态PSO-BP神经网络故障诊断方法相集成，实现组合导航故障的诊断，得到精确的综合决策结果，提升故障的识别率和降低误差。详细说明如下：

首先运用BP神经网络进行训练，该模型包括输入层、隐层、输出层。通过不断调整隐层数目最终选择隐层节点为5个，由于从每个信号提取了15个特征向量，故神经网络输入层的神经元个数选择为15个，输出层为3种故障类型。

然后动态调节学习因子，主要依据训练过程中迭代次数调整学习因子，实现动态调节粒子的局部搜寻能力和全局搜寻能力。惯性权重的动态调节根据粒子与目标距离的远近，来线性改变惯性权重的大小，最终实现增加全局搜寻能力再提高局部搜寻能力；最后运用D-S理论实现对BP神经网络和动态PSO-BP 神经网络进行集成，实现故障诊断，以集成神经网络输出的结果作为一证据理论的组合证据的可信度。可信度的值介于与之间，若该值靠近或，则说明数据对象的相应的分类属性指标的可信度或不知道的程度越明确。

实施例：

如图1所示，一种基于集成神经网络的INS/GPS组合导航故障检测与诊断方法，通过以下具体步骤实现：

s1：运用仿真生成并读取不同故障因素节点下获得的故障数据。具体的，运用控制变量的方法，在组合导航算法仿真中的不同节点处添加突变故障、缓变故障和GPS故障的故障信息，获取不同故障类型的故障数据，进行数据集获取。

s2：通过对算法仿真后得到的故障数据集按比例进行分类，划分为训练集、验证集及测试集，用于更好的进行模型训练、观察模型性能及验证模型效果。

具体步骤如下：

(1)：将获取的数据集进行分类，划分为训练集、验证集及测试集；

(2)：读取集成的预训练模型，并读入故障数据目录。

s3：针对故障非平衡数据不便于后期模型训练与检测诊断的问题，本发明将对通过算法仿真得到导航故障数据，采用重采样算法KFDA进行数据预处理，实现模式数据的平衡。首先用过采样KFDA算法对小类模式类实施过采样，扩充大类模式类的数据量，然后再使用KFDA方法将非平衡数据通过映射到高维核特征空间，最后在特征空间上实施非平衡校正。流程图如图3所示，具体步骤如下：

(1)：导航数据矩阵为X_n×m，其中m为监测变量，n为数据样本量。正常情况含有样本数据为n₀，故障i的数据量为n_i(即

)。在组合数据中，正常数据量大于各故障模式类。假定故障i的过采样比率为k_i，因此通过重采样增加的数据量为add_i为：

add_i＝k_i(n₀-n_i),s.t.add_i<n_i

(2)：完成各模式数据量平衡后，过程数据矩阵可表示为

其中p+1种模式都含有相同的样本量n₀，m为监测变量数。

(3)：求解正常导航数据在核特征空间的协方差矩阵

其中，V₀为

特征向量，λ₀为对应特征值。

(4)：定义一个n₀×n₀矩阵K₀，用以处理非线性映射和内积计算问题。

(5)：模式类的投影。假定模式类r(r＝0,1,...,p,0表示正常工况)的数据样本为

它的得分向量可通过投影到高维核特征空间，即转化为

然后再投影到特征向量V_l获得：

令这p+1个模式类的KFDA得分向量

作为FDA方法的输入。计算类间离散度矩阵S_bet和类内离散度矩阵S_in，FDA的目标函数可表示为：

其中w为FDA的判别式向量。当S_in非奇异时，FDA的目标函数等价于求解下列特征值问题：

其中η为特征值。选择w中前p-1列向量作为FDA的判别式矩阵W_d，然后将这p+1个模式类的KFDA得分向量投影到W_d，获得对应的p+1个模式类的 FDA得分向量：

得到p+1个模式类的FDA得分向量后，计算其均值向量

(6)：数据的模式分类投影。计算第i个数据到各FDA得分均值向量的欧氏距离：

故障分类的准则是基于最小欧氏距离，即新数据属于模式r，当且仅当：

s4：通过步骤3所述的重采样数据预处理后，将故障数据输入One-Class SVM 故障检测网络进行训练，然后运用新的数据进行故障检测。具体地：

One-Class SVM具有稀疏性，最终形式只由支持向量决定，因此可以通过精简训练样本集合的方式来减小算法的复杂度，这样可以有效地提高故障检测的效率。通过上述的重采样数据预处理后，数据样本集合为D＝{x_i∈R^d|i＝1,2,...l}，其中l为训练样本个数。在R^d空间中的向量X可以采用非线性映射函数

去映射到一个高维的特征空间中处理。样本集合在高维特征空间的中心点为

高维空间中的向量x与中心点所形成的向量m的夹角为θ(m,x)，对于样本点 x而言θ(m,x)越大，cos(m,x)越小，

越小，x成为支持向量的可能性就越大，也就是点x离分离超平面的距离是最小的可能性最大。超平面的两侧就是两个不同类别所属的区域。针对于样本集合D中每一个样本点x_i计算s_i，从样本D中选取s_i较小的样本点构成新的训练样本集。

为了提高组合导航的故障检测率，采用的One-Class SVM模型使用 LOO-CV交叉验证(Leave-One-Out Cross Validation)，所有的样本在每一回合的交叉验证中几乎都用于训练model，所以最接近母体样本的分布。同时，在实验数据集样本较少时，没有随机因素会影响实验数据，估测所得的generalization error可靠。核函数选用径向基核函数，它在小样本时有较好的性能且对噪声有较好的抗干扰能力。

选取统计检测量为：

理想情况下可以根据F(x)是否小于0判断故障与否。但在实际情况中，需要设定一个阈值J，当F(x)大于J时，该测试点正常；当F(x)小于J时，该测试点故障。

s5：利用D-S证据理论将BP神经网络和动态PSO-BP神经网络故障诊断方法相集成，共同实现组合导航故障的诊断，得到精确的综合决策结果。证据理论也称为D-S理论，引入了信任函数来度量命题成立的最小不确定性，选用D-S 理论实现对BP神经网络和动态PSO-BP神经网络故障诊断方法的集成。

具体的，采用的动态可调节加速因子和惯性权重的改进算法，具体原理如下：

标准粒子群优化算法的更新公式主要由粒子的记忆部分、粒子的认知部分和种群的认知部分这三部分组成，公式如下：

v_id(t+1)＝ω(t)v_id(t)+c₁n₁(p_id-x_id(t))+c₂n₂(p_bd-x_id(t))

式中，i＝1,2,…,N；d＝1,2…,D；

ω(t)是惯性权重，c₁和c₂是学习因子，是一个非负的常数；n₁和n₂是[0,1]内的随机数；v_id(t)代表第i个粒子的当前速度，p_bd是第i个粒子搜索到的全局最优位置。

动态可调节学习因子主要依据训练过程中迭代次数调整学习因子，实现动态调节粒子的局部搜寻能力和全局搜寻能力。惯性权重的动态调节根据粒子与目标距离的远近，来线性改变惯性权重的大小，最终实现现增加全局搜寻能力再提高局部搜寻能力，其表达式如下：

其中，ω_max和ω_min分别为惯性权重的最大值和最小值；x_{j max}和x_{j min}为粒子在第j维的上下界；x_ij为第i个粒子在第j维中的分量。

设存在一个集合Θ(U),同时集合中每一个元素i间是互不相容的，其中Θ被称为识别框架。那么，集合Θ的空间大小为2ⁱ，若函数M：2^Θ→[0，1](U换成FAI) 满足条件:

M为Θ的基本概率分配函数。M(α)表示对命题的信任程度。

(1)设定一识别框Θ,M:2^Θ→[0，1]是Θ上的基本概率赋值,定义函数：

(2)BEL:2^Θ→[0,1],,

称BEL函数是Θ上的信任函数，

表示的所有子集的可能性度量之和，即表示对的总信任，于是得到BEL(φ)＝0,BEL(Θ)＝1。

(3)设

M(α)>0,称α为焦元。

(4)组合规则

根据一联合规则，设对应同一识别框上的信任函数分配,焦元分别为 A₁,A₂,…,A_k和B₁,B₂,…,B_k，设

那么组合规则可描述如下

式中，K为证据的冲突因子，系数1/1-K为归一化因子，其作用是可以避免在合成时将非零的概率赋给空集。

以神经网络输出的结果作为一证据理论的组合证据的可信度。可信度的值介于与之间,若该值靠近或,则说明数据对象的相应的分类属性指标的可信度或不知道的程度越明确。网络的实际输出与理想输出之间的误差可由下面公式算出：

P_n——是第n个表征矢量的误差

e_nj——是第j个输出神经元的期望值

y_nj——是第j个输出神经元的实际值

以上面公式算出的网络测试误差作为不确定因素。

对神经网络的诊断结果输出节点的输出进行归一化处理，计算公式为

式中：A_i表示故障模式，i＝1,2,…6；

y(A_i)表示BP网络的诊断结果；

P_n为该样本的网络误差。

计算结果为m(A_i)，即为每个样本中第i种故障模式的基本概率值。把网络误差也作为同样的处理，作为D-S证据理论中不确定程度m(θ)，这样就构造了 D-S证据理论的概率分配。

本发明实施例能够对INS/GPS组合导航故障进行检测与诊断，在松组合模式下，利用Matlab环境，进行仿真试验。在INS/GPS组合导航中，INS为主要导航，GPS为辅助导航。在一定的仿真时间中，分别给陀螺、加表分别注入200m 的突变故障，给GPS导航速度注入700m的突变故障，及随时间变化的缓变故障，仿真数据结果如表1样本数据所示，然后对非线性数据进行故障处理，因为数据较多，仅列出其中一组数据。

表1部分仿真数据

为了减少初始对准对故障仿真的影响，选取轨迹中间阶段的数据作为训练样本和测试样本。所以本发明就以惯性导航的陀螺仪和加速度仪故障、GPS故障为例来进行故障检测，以此验证基于重采样的One-Class SVM算法进行故障检测的有效性。

为了评估算法对突变故障和缓变故障的检测能力，本发明针对系统的故障误警率和检测率和算法对不同元器件缓变故障的检测延迟时间和故障检测率进行了仿真分析。对每一种故障做了40次的仿真试验，算法对不同元器件突变故障的统计结果如表2和表3所示。从表2中可以看出：故障误警率基本维持在 1％左右，与置信度基本一致；故障检测率均达到90％以上，由上述分析可知，该方法对小突变故障检测有良好的检测性能。

表2不同故障幅值的误警率和检测率

从表中3可以看出，该算法对较小的故障速率故障有良好的敏感性，且对于加速度计的故障检测性能略优于对陀螺故障的检测。

表3不同故障变化率的检测延迟与检测率

为了验证基于One-Class SVM故障检测算法比基于神经网络的故障检测算法在训练样本数上具有优越性，分别用数量不同的相同训练样本集对神经网络和One-ClassSVM进行训练，然后用相同的测试样本和误差幅值对两个模型的故障检测率进行对比。结果如表4。

训练样本数

50

100

150

200

250

1000

神经网络

70％

72％

81％

85％

95％

99％

One-class SVM

74％

76％

85％

88％

96％

98％

表4不同算法检测率对比

从表4中可以看出，当样本数量较少时，One-Class SVM模型的正确检测率要明显高于神经网络模型。当样本数量较大时，两个模型都有较好的估计性能。支持向量机是专门针对有限样本情况的，其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值，它用结构风险最小化代替经验风险最小化，较好地解决了小样本的学习问题。从理论上说，支持向量机算法得到的将是全局最优点，解决了神经网络方法始终无法避免的局部极值问题。故障发生本身是属于小概率事件，样本一般较少，所以说支持向量机在故障诊断领域更能显示出优良特性。通过本节仿真也能够说明One-Class SVM适用于组合导航中的故障检测。

图4为定义系统输出的期望误差为10^-4时，得到系统误差曲线图。采用不同于训练样本且陀螺故障、加表故障、GPS故障、正常数据各300组作为测试样本，分别用“0”表示正常，“1”表示故障，其中一组测试数据如表5所示。由于网络输出会有一定的误差，本发明采取当输出大于0.9小于1.1认为该系统存在故障，当小于0.1大于-0.1时表示正常。得到上表1理想输出与实际输出如下表5所示。

表5BP神经网络实际输出

表5测试结果表示，BP神经网络对于这四种类型的数据能够得到良好的检测结果。在图2均方误差图可知，在迭代50次时，误差值没有达到期望值时就陷入了局部极小值。

图5为期望误差值不变，种群规模为25时，得到改进的动态粒子群优化算法得到系统误差曲线图，理想输出与实际输出如下表6所示。

表6动态PSO-BP神经网络实际输出

表6表明利用改进动态PSO算法优化BP网络，能够有效的加强网络的收敛速度和学习能力，有效地克服了网络易陷入局部极小值的缺陷。同时表6实际输出的数据表明，基于改进的动态PSO-BP神经网络还提高故障的识别率，故障检测结果比于BP神经网络准确。

通过集成算法，可以得到故障诊断方法集成与故障诊断准确度的关系如表7

方法焦元	α<sub>1</sub>	α<sub>2</sub>	α<sub>3</sub>	α<sub>4</sub>	U
						BP算法	0.1052	0.1084	0.3970	0.3218	0.0683
PSO-BP算法	0.1102	0.0959	0.4075	0.3187	0.0677
						前两种方法集成	0.0530	0.0430	0.5119	0.3825	0.0096

表7集成方法与故障诊断准确度的关系

表7可见，三种故障诊断方法给出的单独诊断结果中，出现故障的概率最大，可能为陀螺故障或者GPS故障，但前两种方法并不能给出准确的诊断结果。通过将BP算法和PSO-BP算法想集成后，的故障诊断率由0.3970和0.4075上升到0.5119，故障诊断率由0.3218和0.3187上升到0.3825，同时不确定度也由原来的0.0683和0.0677下降到0.0096。

通过以上分析可得，两种神经网络故障诊断方法的集成，克服了单一故障诊断方法诊断率不高，可靠性差的劣势，提高了组合导航故障检测能力，同时故障诊断的精确率和可靠性也进一步增加。

以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。

Claims

1.一种基于集成神经网络的INS/GPS组合导航故障检测与诊断方法，其特征在于，包括如下步骤：

步骤1、数据集的获取阶段：运用仿真添加故障节点，生成并读取INS/GPS组合导航系统的故障数据；

步骤4、基于重采样的One-Class SVM故障检测阶段：基于重采样KFDA预处理后，运用预训练的One-Class SVM进行故障检测；

2.根据权利要求1所述基于集成神经网络的INS/GPS组合导航故障检测与诊断方法，其特征在于，步骤1中，数据集的获取是通过在组合导航系统运行时分别注入突变故障、缓变故障和GPS故障，以此来获得不同故障条件下的故障数据集。

3.根据权利要求2所述基于集成神经网络的INS/GPS组合导航故障检测与诊断方法，其特征在于，步骤2具体包括如下步骤：

步骤202、读取集成的预训练模型，并读入故障数据目录。

4.根据权利要求3所述基于集成神经网络的INS/GPS组合导航故障检测与诊断方法，其特征在于，步骤3中，在松组合模式下，利用卡尔曼滤波技术，对GPS/INS组合导航信息进行融合处理，然后进行滤波处理，最后采用重采样算法KFDA进行数据平衡预处理。

5.根据权利要求4所述基于集成神经网络的INS/GPS组合导航故障检测与诊断方法，其特征在于，步骤4具体为，在使用原始数据组对One-Class SVM模型进行训练之前需要对它们进行预处理，然后利用数据训练得到One-Class SVM模型，在得到新的导航数据后，由分类决策函数对这些数据进行分类，属于正类的点认为是正常点，属于负类的点认为是异常。