CN111767658A - 一种用于组合导航系统的快速故障检测方法 - Google Patents

一种用于组合导航系统的快速故障检测方法 Download PDF

Info

Publication number
CN111767658A
CN111767658A CN202010661895.9A CN202010661895A CN111767658A CN 111767658 A CN111767658 A CN 111767658A CN 202010661895 A CN202010661895 A CN 202010661895A CN 111767658 A CN111767658 A CN 111767658A
Authority
CN
China
Prior art keywords
fault
fault detection
innovation
variance
training
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.)
Pending
Application number
CN202010661895.9A
Other languages
English (en)
Inventor
朱倚娴
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.)
Nantong University
Original Assignee
Nantong University
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 Nantong University filed Critical Nantong University
Priority to CN202010661895.9A priority Critical patent/CN111767658A/zh
Publication of CN111767658A publication Critical patent/CN111767658A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Manufacturing & Machinery (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种用于组合导航系统的快速故障检测方法，包括五个步骤：步骤一，设置故障检测门限；步骤二，采集导航传感器无故障时的系统量测信息、卡尔曼滤波新息及其方差，构成训练集；步骤三，利用机器学习方法训练预测模型；步骤四，利用训练好的预测模型对滤波新息和方差进行在线估计；步骤五，构造故障检测函数；步骤六，将故障检测函数值与故障检测门限进行比较，以判断是否故障发生。本发明具有能够快速检测组合导航系统故障的优点，尤其对渐变故障具有较强的敏感性，从而使系统可以更及时地对故障做出应急响应，有助于提高整个组合导航系统的可靠性。

Description

一种用于组合导航系统的快速故障检测方法
技术领域
本发明涉及故障检测领域，具体涉及一种用于组合导航系统的快速故障检测方法。
背景技术
单一的导航方式往往无法同时满足导航系统高精度、高可靠性的要求，因此将两种或两种以上导航方式进行融合构成组合导航是目前普遍采用的导航方式。融合方式分为集中式和分散化两种，分散化融合算法以较少的计算量克服了集中式算法的不足。分散化融合算法中备受青睐的当属联邦滤波，其消除了各局部状态估计间的相关性，容错性能好，并且设计灵活。联邦滤波结构中，如果某个导航传感器发生故障，将错误的量测信息送入局部滤波器，会输出不准确的局部状态估计值，该值再输入主滤波器，将导致全局状态估计值的错误，并且经过反馈整个组合导航系统都将被故障交叉感染。因此，有必要设计一种能够检测导航传感器故障的方法，使系统能够隔离故障传感器，从而保证整个导航系统的可靠性。
不同的故障起因导致的故障形式不同，导航传感器常见故障分为两类：突变故障和渐变故障。突变故障由于瞬时增大，常用的残差卡方检测方法即可对其具有较好的检测效果。渐变故障随时间逐渐增大，由于在故障发生时刻故障值较小，常用故障检测方法对其并不敏感，容易造成故障跟随。渐变故障未被及时检测将导致导航结果逐渐漂移，最后严重失准。目前针对组合导航系统渐变故障快速检测的研究方法，大多采用在线训练，计算量较大，且检测仍存在一定程度的延时。因此，不断缩短对渐变故障的检测延迟是目前的研究趋势。
基于此，研究一种用于组合导航系统的快速故障检测方法，尤其针对渐变故障，对提高组合导航系统的可靠性十分重要。
发明内容
为解决现有技术中组合导航系统渐变故障不易检测的问题，本发明的目的是提出一种用于组合导航系统的快速故障检测方法，通过构造新型故障检测函数，提高其对渐变故障的敏感度，从而实现故障快速检测，克服了现有技术的不足。
为实现上述目的，本发明采用的技术方案是：
一种用于组合导航系统的快速故障检测方法，包括以下步骤：
步骤1)设置故障检测门限值TD；
步骤2)采集导航传感器无故障时的n个系统量测信息Zi(i＝1,2,…n)构成集合Z＝{Zi|i＝1,2,…n}，相应的卡尔曼滤波新息ri(i＝1,2,…n)构成集合R＝{ri|i＝1,2,…n}和新息方差Si(i＝1,2,…n)构成集合S＝{Si|i＝1,2,…n}，n为样本个数，集合Z、R和S构成训练集，用于训练预测模型；
步骤3)利用机器学习方法训练预测模型，其中训练集中的系统量测信息Zi作为训练输入，卡尔曼滤波新息ri和新息方差Si作为训练输出；
步骤4)导航过程中，将系统量测信息Z*在线输入训练好的预测模型，模型输出所预测的卡尔曼滤波新息r*和新息方差var(r*)；
步骤5)构造故障检测函数FDF：
FDF＝(r-r*)T·(Sr+var(r*))-1·(r-r*)
式中：
r为卡尔曼滤波实际新息值；
Sr为r的方差；
上标T为转置算子；
上标-1为求逆算子；
步骤6)将故障检测函数FDF的绝对值与故障检测门限值TD进行比较，若|FDF|≤TD，则判定系统工作正常，未发生故障，若|FDF|＞TD，则判定导航传感器发生故障，应立即采取隔离措施。
具体的，所述步骤5)中，构造故障检测函数FDF所用的卡尔曼滤波实际新息值r及其方差Sr的表达式为：
Figure BDA0002578875930000021
Figure BDA0002578875930000022
式中：
Zk为k时刻的系统量测信息；
Hk为k时刻的系统观测矩阵；
Figure BDA0002578875930000023
为k时刻的系统状态一步预测值；
Figure BDA0002578875930000031
为Hk的转置；
Pk/k-1为k时刻的一步预测误差方差矩阵；
Rk为k时刻的系统观测噪声方差矩阵。
本发明的有益效果是：
(1)本发明利用卡尔曼滤波的实际新息、方差和机器学习预测模型输出的新息和方差构造故障检测函数，该函数值在系统故障状态下会发生较为明显的突变，从而对渐变故障具有较好的敏感度。
(2)本发明用于预测滤波新息及其方差的机器学习方法不拘泥于某一种，具有一定的广适性。
附图说明
图1为用于组合导航系统的快速故障检测方法流程框图；
图2为采用本发明所提快速故障检测方法的故障检测量仿真曲线图。
具体实施方式
下面结合附图对本发明做更进一步的解释。如图1所示，本发明的一种用于组合导航系统的快速故障检测方法，具体步骤如下：
步骤1)设置故障检测门限值TD；
步骤2)采集导航传感器无故障时的n个系统量测信息Zi(i＝1,2,…n)构成集合Z＝{Zi|i＝1,2,…n}，相应的卡尔曼滤波新息ri(i＝1,2,…n)构成集合R＝{ri|i＝1,2,…n}和新息方差Si(i＝1,2,…n)构成集合S＝{Si|i＝1,2,…n}，n为样本个数，集合Z、R和S构成训练集，用于训练预测模型；
步骤3)利用机器学习方法训练预测模型，其中训练集中的系统量测信息Zi作为训练输入，卡尔曼滤波新息ri和新息方差Si作为训练输出；
步骤4)导航过程中，将系统量测信息Z*在线输入训练好的预测模型，模型输出所预测的卡尔曼滤波新息r*和新息方差var(r*)；
步骤5)构造故障检测函数FDF：
FDF＝(r-r*)T·(Sr+var(r*))-1·(r-r*)
式中，
r为卡尔曼滤波实际新息值；
Sr为r的方差；
上标T为转置算子；
上标-1为求逆算子；
具体的，
Figure BDA0002578875930000041
Figure BDA0002578875930000042
式中：
Zk为k时刻的系统量测信息；
Hk为k时刻的系统观测矩阵；
Figure BDA0002578875930000043
为k时刻的系统状态一步预测值；
Figure BDA0002578875930000044
为Hk的转置；
Pk/k-1为k时刻的一步预测误差方差矩阵；
Rk为k时刻的系统观测噪声方差矩阵。
步骤6)将故障检测函数FDF的绝对值与故障检测门限值TD进行比较，若|FDF|≤TD，则判定系统工作正常，未发生故障，若|FDF|＞TD，则判定导航传感器发生故障，应立即采取隔离措施。
本发明的可行性通过如下仿真加以验证：
(1)磁罗经(MCP)、里程计(OD)、全球定位系统(GPS)，三者共同辅助捷联惯导系统(SINS)，构成SINS/MCP/OD/GPS组合导航系统；
(2)陀螺仪随机常值漂移0.03°/h，随机白噪声0.03°/h，加速度计随机常值偏置0.2mg，随机白噪声0.2mg，磁罗经航向测量误差0.1°，里程计速度测量误差0.2m/s，全球定位系统位置测量误差10m；
(3)惯性传感器数据更新周期为10ms，滤波周期为0.1s，仿真时间25min；
(4)采用支持向量回归算法训练预测模型；
(5)仿真故障设置：
①第330秒至350秒间，GPS发生突变故障：posf1(t)＝pos(t)+65
②第880秒至900秒间，GPS发生渐变故障：posf2(t)＝pos(t)+0.065(t-tf)
式中，pos(t)为t时刻GPS的正确测量值，tf为故障发生时刻，故障量单位为米。
通过仿真，采用快速故障诊断方法得到的故障检测量如附图2所示。由附图2可见，故障状态与非故障状态下的故障检测量数量级相差非常大，从而通过设置合适的故障检测门限值，可以实现快速检测故障，尤其是对普通检测方法不易检测的渐变故障也很灵敏。
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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.一种用于组合导航系统的快速故障检测方法，其特征在于，该快速故障检测方法具体步骤下：
步骤1)设置故障检测门限值TD；
步骤2)采集导航传感器无故障时的n个系统量测信息Zi(i＝1,2,…n)构成集合Z＝{Zi|i＝1,2,…n}，相应的卡尔曼滤波新息ri(i＝1,2,…n)构成集合R＝{ri|i＝1,2,…n}和新息方差Si(i＝1,2,…n)构成集合S＝{Si|i＝1,2,…n}，n为样本个数，集合Z、R和S构成训练集，用于训练预测模型；
步骤3)利用机器学习方法训练预测模型，其中训练集中的系统量测信息Zi作为训练输入，卡尔曼滤波新息ri和新息方差Si作为训练输出；
步骤4)导航过程中，将系统量测信息Z*在线输入训练好的预测模型，模型输出所预测的卡尔曼滤波新息r*和新息方差var(r*)；
步骤5)构造故障检测函数FDF：
FDF＝(r-r*)T·(Sr+var(r*))-1·(r-r*)
式中：
r为卡尔曼滤波实际新息值；
Sr为r的方差；
上标T为转置算子；
上标-1为求逆算子；
步骤6)将故障检测函数FDF的绝对值与故障检测门限值TD进行比较，若|FDF|≤TD，则判定系统工作正常，未发生故障，若|FDF|＞TD，则判定导航传感器发生故障，应立即采取隔离措施。
2.根据权利要求1所述的一种用于组合导航系统的快速故障检测方法，其特征在于，所述步骤5)中，构造故障检测函数FDF所用的卡尔曼滤波实际新息值r及其方差Sr的表达式为：
Figure FDA0002578875920000011
Figure FDA0002578875920000012
式中：
Zk为k时刻的系统量测信息；
Hk为k时刻的系统观测矩阵；
Figure FDA0002578875920000021
为k时刻的系统状态一步预测值；
Figure FDA0002578875920000022
为Hk的转置；
Pk/k-1为k时刻的一步预测误差方差矩阵；
Rk为k时刻的系统观测噪声方差矩阵。
CN202010661895.9A 2020-07-10 2020-07-10 一种用于组合导航系统的快速故障检测方法 Pending CN111767658A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010661895.9A CN111767658A (zh) 2020-07-10 2020-07-10 一种用于组合导航系统的快速故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010661895.9A CN111767658A (zh) 2020-07-10 2020-07-10 一种用于组合导航系统的快速故障检测方法

Publications (1)

Publication Number Publication Date
CN111767658A true CN111767658A (zh) 2020-10-13

Family

ID=72726305

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010661895.9A Pending CN111767658A (zh) 2020-07-10 2020-07-10 一种用于组合导航系统的快速故障检测方法

Country Status (1)

Country Link
CN (1) CN111767658A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130169478A1 (en) * 2010-09-08 2013-07-04 Sagem Defense Securite Method and device for detecting and excluding multiple satellite failures in a gnss system
CN104048675A (zh) * 2014-06-26 2014-09-17 东南大学 一种基于高斯过程回归的组合导航系统故障诊断方法
CN110196443A (zh) * 2019-06-06 2019-09-03 中国人民解放军战略支援部队信息工程大学 一种飞行器的容错组合导航方法及系统
WO2020087845A1 (zh) * 2018-10-30 2020-05-07 东南大学 基于gpr与改进的srckf的sins初始对准方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130169478A1 (en) * 2010-09-08 2013-07-04 Sagem Defense Securite Method and device for detecting and excluding multiple satellite failures in a gnss system
CN104048675A (zh) * 2014-06-26 2014-09-17 东南大学 一种基于高斯过程回归的组合导航系统故障诊断方法
WO2020087845A1 (zh) * 2018-10-30 2020-05-07 东南大学 基于gpr与改进的srckf的sins初始对准方法
CN110196443A (zh) * 2019-06-06 2019-09-03 中国人民解放军战略支援部队信息工程大学 一种飞行器的容错组合导航方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱倚娴;程向红;周玲;刘全;: "组合导航系统中异步多传感器信息融合算法", 东南大学学报(自然科学版), no. 02 *

Similar Documents

Publication Publication Date Title
CN104048675B (zh) 一种基于高斯过程回归的组合导航系统故障诊断方法
Van Eykeren et al. Sensor fault detection and isolation for aircraft control systems by kinematic relations
Zad et al. Fault diagnosis in discrete-event systems: Incorporating timing information
CN110196049A (zh) 一种动态环境下四陀螺冗余式捷联惯导系统硬故障检测与隔离方法
Yoo et al. NP-completeness of sensor selection problems arising in partially observed discrete-event systems
Xu et al. A novel adaptive filtering for cooperative localization under compass failure and non-gaussian noise
Zhang et al. Design and analysis of a fault isolation scheme for a class of uncertain nonlinear systems
CN105698788B (zh) 产生两个独立不同的姿态解、惯性解或两者的系统和方法
CN110763253A (zh) 一种基于svr的组合导航系统故障诊断方法
CN111024124B (zh) 一种多传感器信息融合的组合导航故障诊断方法
CN112459721B (zh) 旋转导向钻井工具测控系统的故障诊断方法、装置及应用
US9828111B2 (en) Method of estimation of the speed of an aircraft relative to the surrounding air, and associated system
Bryne et al. Design of inertial navigation systems for marine craft with adaptive wave filtering aided by triple‐redundant sensor packages
CN111352433B (zh) 一种无人机水平姿态角的故障诊断方法
Gao et al. Double-channel sequential probability ratio test for failure detection in multisensor integrated systems
CN109307876A (zh) 一种适用于gnss矢量跟踪的自主完好性监测方法
WO2024046341A1 (zh) 一种组合导航数据的完好性检测方法及系统
Yoo et al. Performance enhancement for conventional tightly coupled INS/DVL navigation system using regeneration of partial DVL measurements
CN105203130A (zh) 一种基于信息融合的船舶组合导航系统故障诊断方法
CN111767658A (zh) 一种用于组合导航系统的快速故障检测方法
CN103940451B (zh) 基于零空间向量自主优化选择的冗余陀螺故障定位方法
CN102735435A (zh) 一种基于相关性模型的动量轮故障可诊断性确定方法
Filaretov et al. The development of system of accommodation to faults of navigation sensors of underwater vehicles with resistance to disturbance
Rogne et al. Fault detection in lever-arm-compensated position reference systems based on nonlinear attitude observers and inertial measurements in dynamic positioning
CN106813706A (zh) 一种冗余传感器量测系统的容错方法

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