CN115420284A - 一种组合导航系统故障检测与识别方法 - Google Patents

一种组合导航系统故障检测与识别方法 Download PDF

Info

Publication number
CN115420284A
CN115420284A CN202211388034.3A CN202211388034A CN115420284A CN 115420284 A CN115420284 A CN 115420284A CN 202211388034 A CN202211388034 A CN 202211388034A CN 115420284 A CN115420284 A CN 115420284A
Authority
CN
China
Prior art keywords
fault
satellite
innovation
sub
fault detection
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.)
Granted
Application number
CN202211388034.3A
Other languages
English (en)
Other versions
CN115420284B (zh
Inventor
薛瑞
韩国统
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202211388034.3A priority Critical patent/CN115420284B/zh
Publication of CN115420284A publication Critical patent/CN115420284A/zh
Application granted granted Critical
Publication of CN115420284B publication Critical patent/CN115420284B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G01C21/20—Instruments for performing navigational calculations
    • 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
    • G01S19/20—Integrity monitoring, fault detection or fault isolation of space segment
    • 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
    • G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
    • G01S19/49—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system whereby the further system is an inertial position system, e.g. loosely-coupled

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)
  • Computer Security & Cryptography (AREA)
  • Navigation (AREA)

Abstract

本发明涉及一种组合导航系统故障检测与识别方法，包括：在GNSS/INS组合导航系统中，以可见星的观测量和INS观测量为观测数据进行卡尔曼滤波获取滤波新息，利用滤波新息构建故障检测检验统计量进行新息残差检测，判断卫星系统故障；对于检测出故障的卫星系统，建立与各可见星对应的、与卫星故障概率成正比的标准化新息；基于标准化新息确定出疑似故障星；在排除疑似故障星观测量后，重新执行故障检测步骤；如检测无故障，则确定疑似故障星为故障卫星；如仍有故障，则将可观测卫星进行双星分组，利用基于双星分组的层次滤波方法，识别出发生故障的两颗卫星。本发明具有更低的检测门限和更低概率的漏警，可识别多星故障，实时性好。

Description

一种组合导航系统故障检测与识别方法
技术领域
本发明属于卫星导航技术领域，具体涉及一种组合导航系统故障检测与识别方法。
背景技术
INS/GNSS组合导航系统是提高单一导航系统定位精度和可靠性的一种常用手段，已在工程中广泛使用。由于GNSS卫星导航定位系统受可见星几何分布的影响，且GNSS信号容易受到建筑物遮挡、电磁干扰、电离层和对流层等各种环境因素的制约，而INS传感器不易受到上述环境因素的干扰但是误差会随时间累积，因此INS导航系统与GNSS导航系统具有高度的互补性。INS/GNSS组合导航系统结合INS惯导系统和GNSS卫星导航系统，实质上是一种多传感器信息融合系统，多个导航系统的融合保证了系统更高的定位精度。按照组合方式的不同，组合导航系统分为松组合、紧组合和深组合。其中，紧组合导航系统直接利用GNSS原始观测值: 伪距和伪距率，将惯性导航解算的地理坐标系下的位置信息转换为与可见星之间的相对距离信息，再与GNSS提供的伪距和伪距率作差构成组合导航的观测值。因此，紧组合能够在松组合不可用的条件下使用，尤其是当可见星数目少于4颗的情况下依然能进行，从而提高组合导航系统的可靠性和精度。
当GNSS或者INS传感器出现故障时，会使整个系统产生较大误差从而无法进行导航定位，因此如何使用多传感器冗余信息进行故障检测与识别是容错组合导航算法首要考虑的问题。由于INS惯导系统相对于GNSS卫星导航系统的可靠性较高，通常组合导航系统的故障源来自GNSS接收机的伪距观测量故障，伪距观测量故障一般可以分为软故障和硬故障两种常见的故障类型。在系统运行过程中，如何实时监测出故障，并快速、准确识别出故障源是保障组合导航系统完好性的重要方面。另外，当组合导航系统故障检测判断错误时会产生误警和漏警，因此故障正确检测率是组合导航系统故障检测需要关注的重要指标。在保证高检测率的同时，故障识别的灵敏度又是一项重要指标，在检测出故障后如何快速、准确定位故障源并排除对系统运行的实时性具有重要意义。
发明内容
鉴于上述的分析，本发明旨在公开了一种组合导航系统故障检测与识别方法，用于在导航定位接收机定位过程中解决故障卫星的检测和识别问题。
本发明公开了一种组合导航系统故障检测与识别方法，包括以下步骤：
故障检测步骤：在GNSS/INS组合导航系统中，以可见星的观测量和INS观测量为观测数据进行卡尔曼滤波获取滤波新息，利用滤波新息构建故障检测检验统计量进行新息残差检测，判断卫星系统故障；
单星故障识别步骤：对于检测出故障的卫星系统，建立与各可见星对应的、与卫星故障概率成正比的标准化新息；基于标准化新息确定出疑似故障星；在排除疑似故障星观测量后，重新执行故障检测步骤；如检测无故障，则确定疑似故障星为故障卫星；如仍有故障，则进行双星故障识别；
双星故障识别步骤：将可观测卫星进行双星分组，利用基于双星分组的层次滤波方法，识别出发生故障的两颗卫星。
进一步地，在基于双星分组的层次滤波方法中，每次滤波过程，均通过包括排除了一组或两组双星组后的剩余可见星的观测数据，执行故障检测步骤；判断出卫星系统故障是由被排除的一组中的双星故障引起的，或是由被排除的两组双星中每组的其中一颗卫星的故障引起的。
进一步地，双星故障识别过程中，包括：
1）对可见星进行编号1,…,n；根据编号进行可见星两两分组得到m个卫星组{i,j}；i和j为组内两颗可见星的编号；n为偶数，m=n/2；n为奇数，m为(n+1)/2；分组后识别的卫星故障模式可分为单组故障和双组故障；
2）检测是否为单组故障；设置与m个卫星组对应的m个子滤波器，其中，子滤波器{i,j}进行滤波时，执行故障检测步骤，检测排除第i和j颗可见星后卫星系统的故障情况；如果有且只有一个子滤波器{i,j}检测出系统无故障；则判断故障为由第i颗和/或第j颗故障引起的单组故障，进入步骤3）；否则为双组中均有故障卫星的双组故障；进入步骤4）；
3）对单组故障中的故障卫星继续识别；设置与第i和j颗可见星对应的子滤波器i和子滤波器j，分别执行故障检测步骤进行滤波，检测排除第i或j颗可见星后卫星系统的故障情况；如果子滤波器i和子滤波器j均检测无故障，则可见星i、j均故障；如果子滤波器i和子滤波器j中其中一个检测结果为无故障；则检测无故障子滤波器对应的卫星故障；
4）对双组故障中的故障卫星进行识别；设置与m个卫星组中任意两组组合对应的
Figure 171215DEST_PATH_IMAGE001
个子滤波器；其中子滤波器{i,j}{p,q}进行滤波时，执行故障检测步骤，检测排除第i、j、p和q颗可见星后卫星系统的故障情况；如果有且只有一组子滤波器{i,j}{p,q}检测无故障，其余子滤波器均检测出故障，将故障定位为{i,j}、{p,q}两组卫星中，且每组的其中一颗卫星的故障；通过对每组内卫星进行逐一排除定位到故障源卫星。
进一步地，基于各可见星对应的标准化新息由大到小进行可见星排序，对排序后的卫星进行编号和两两分组；并按照排序后的分组依次构建子滤波器并进行双星故障识别过程，当检测到无故障子滤波器后提前退出故障识别流程。
进一步地，所述故障检测步骤，包括：
1）根据组合导航系统卡尔曼滤波的解算过程获取的滤波新息；
2）对滤波新息求其马氏距离，得到故障检测检验统计量；
3）拟合故障检测的检验统计量的真实分布，确定故障检测门限；
3）比较故障检测检验统计量与故障检测门限的大小确定卫星系统是否故障。
进一步地，根据组合导航系统卡尔曼滤波的解算过程获取的滤波新息的过程，包括：
1）在组合导航系统卡尔曼滤波的解算过程中，得到状态最优估计为
Figure 370247DEST_PATH_IMAGE002
，根据
Figure 681142DEST_PATH_IMAGE002
对k时刻的状态向量
Figure 341931DEST_PATH_IMAGE003
进行最优一步预测；
Figure 687461DEST_PATH_IMAGE004
；
其中，
Figure 41082DEST_PATH_IMAGE002
为20维的最优估计向量；
Figure 610514DEST_PATH_IMAGE005
为状态一步转移矩阵；
Figure 340573DEST_PATH_IMAGE006
为系统噪声分配矩阵；
Figure 275031DEST_PATH_IMAGE007
为系统噪声向量；
2）通过状态向量一步预测
Figure 799553DEST_PATH_IMAGE008
和系统量测方程可对k时刻的量测向量
Figure 819462DEST_PATH_IMAGE009
作一步预测；
3）根据卡尔曼滤波的量测方程得到k时刻的后验观测量
Figure 572785DEST_PATH_IMAGE010
；
其中，量测方程
Figure 627329DEST_PATH_IMAGE011
；式中，
Figure 322752DEST_PATH_IMAGE010
包括伪距误差和伪距率误差，V k 为观测噪声，f k 为故障向量，并且无故障时f k 为零向量；
4）根据公式
Figure 829957DEST_PATH_IMAGE012
计算新息
Figure 636239DEST_PATH_IMAGE013
。
进一步地，对滤波新息求其马氏距离，得到故障检测检验统计量
Figure 545289DEST_PATH_IMAGE014
；其中，
Figure 896767DEST_PATH_IMAGE015
。
进一步地，通过混合高斯模型GMM来拟合故障检测检验统计量F k 的真实分布，确定故障检测门限。
进一步地，故障检测检验统计量F k 的真实分布为：
Figure 891268DEST_PATH_IMAGE016
；
其中，G表示混合高斯模型的子模型数量；
Figure 501241DEST_PATH_IMAGE017
为第i个子模型的权重系数且满足
Figure 264798DEST_PATH_IMAGE018
；
Figure 302024DEST_PATH_IMAGE019
和
Figure 783821DEST_PATH_IMAGE020
为第i个子模型的样本均值和样本标准差；
Figure 682638DEST_PATH_IMAGE021
为第i个子模型的概率密度函数，
Figure 300701DEST_PATH_IMAGE022
。
进一步地，所述标准化新息为平方后的新息与其对应的理论误差方差矩阵对角线元素的比值；
k时刻第i颗可见星的标准化新息为
Figure 774408DEST_PATH_IMAGE023
；其中，
Figure 477921DEST_PATH_IMAGE024
为实际观测到的新息平方中对角线上与第i颗可见星对应的元素；
Figure 164118DEST_PATH_IMAGE025
为理论误差方差矩阵中对角线上与第i颗可见星对应的元素。
本发明可实现以下有益效果之一：
1.本发明更低的检测门限和更低概率的漏警。通过混合高斯模型得到的概率分布比理论的卡方分布更贴合实际地检验统计量分布情况，从而获得更低的检测门限，有效降低了漏警的概率和完好性风险；另一方面，更低的检测门限可以在检测斜坡故障时可以更早更快地识别出故障，及时排除故障源，保障了系统的完好性。
2．具备了识别多星故障的能力。传统的基于层次滤波器的故障检测与识别方法，主滤波器和子滤波器需要提前构建并且在整个系统运行过程中一直参与滤波解算，因此只具备单星故障的识别能力。本发明先通过新息残差卡方检验统计量检测故障，再标准化新息检验统计量识别单故障，最后再通过标准化新息的辅助和子集优化策略自适应地构建子滤波器，完成多星故障识别。
3．提高多故障识别的实时性。相比于传统的解分离等故障识别方法，本发明通过标准化新息的辅助和子集优化策略自适应地构建子滤波器，在保障高识别率的前提下有效地降低了子集个数，同时可以更大概率提前识别出故障星并退出故障识别流程，不需要构建所有子集对应的子滤波器，有效提高多故障识别的实时性。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件；
图1为本发明实施例中的组合导航系统故障检测与识别方法流程图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。
本发明的一个实施例公开了一种组合导航系统故障检测与识别方法，如图1所示，包括以下步骤：
步骤S1、故障检测步骤：在GNSS/INS组合导航系统中，以可见星的观测量和INS观测量为观测数据进行卡尔曼滤波获取滤波新息，利用滤波新息构建故障检测检验统计量进行新息残差检测，判断卫星系统故障；
步骤S2、单星故障识别步骤；对于检测出故障的卫星系统，建立与各可见星对应的标准化新息，所述标准化新息与卫星故障概率成正比；在基于标准化新息进行单星故障的疑似故障星确定时，在排除疑似故障星观测量后，重新执行故障检测步骤；如检测无故障，则确定疑似故障星为故障卫星；如仍有故障，则进行双星故障识别；
步骤S3、双星故障识别步骤；将可观测卫星进行双星分组，利用基于双星分组的层次滤波方法，识别出发生故障的两颗卫星。
具体的，在故障检测步骤中，包括：
步骤S101、根据组合导航系统卡尔曼滤波的解算过程获取的滤波新息；
根据组合导航系统卡尔曼滤波的解算过程获取的滤波新息的过程，包括：
1）在组合导航系统卡尔曼滤波的解算过程中，根据k-1时刻得到状态最优估计
Figure 167846DEST_PATH_IMAGE002
，对k时刻的状态向量
Figure 560256DEST_PATH_IMAGE003
进行最优一步预测；
Figure 751066DEST_PATH_IMAGE004
；
式中
Figure 240953DEST_PATH_IMAGE002
为20维的最优估计向量；
Figure 833609DEST_PATH_IMAGE005
为状态一步转移矩阵；
Figure 383539DEST_PATH_IMAGE006
为系统噪声分配矩阵；
Figure 61645DEST_PATH_IMAGE007
为系统噪声向量。
更具体的，20维的最优估计向量
Figure 371535DEST_PATH_IMAGE002
为：
Figure 818696DEST_PATH_IMAGE026
；
其中，
Figure 539528DEST_PATH_IMAGE027
，
Figure 704930DEST_PATH_IMAGE028
，
Figure 536620DEST_PATH_IMAGE029
为东北天三个方向的姿态角误差；
Figure 120179DEST_PATH_IMAGE030
，
Figure 746332DEST_PATH_IMAGE031
，
Figure 664610DEST_PATH_IMAGE032
分别为载体东北天三个方向的速度误差；
Figure 299990DEST_PATH_IMAGE033
，
Figure 721744DEST_PATH_IMAGE034
，
Figure 784378DEST_PATH_IMAGE035
分别为经度误差、维度误差和高度误差；
Figure 675105DEST_PATH_IMAGE036
，
Figure 114177DEST_PATH_IMAGE037
，
Figure 390437DEST_PATH_IMAGE038
为陀螺随机常值零偏；
Figure 889552DEST_PATH_IMAGE039
，
Figure 251263DEST_PATH_IMAGE040
，
Figure 241828DEST_PATH_IMAGE041
为陀螺相关漂移；
Figure 638174DEST_PATH_IMAGE042
，
Figure 42611DEST_PATH_IMAGE043
，
Figure 891618DEST_PATH_IMAGE044
为加速度计随机常值零偏；
Figure 672493DEST_PATH_IMAGE045
为与接收机时钟误差等效的距离偏差；
Figure 923345DEST_PATH_IMAGE046
为与接收机频率误差等效的距离变化率误差。
Figure 249416DEST_PATH_IMAGE047
是系统噪声向量，为零均值白噪声向量，因此对最优一步预测的
Figure 851298DEST_PATH_IMAGE003
结果不会产生影响。
2）通过状态向量一步预测
Figure 170284DEST_PATH_IMAGE008
和系统量测方程可对k时刻的量测向量
Figure 275643DEST_PATH_IMAGE009
作一步预测，预测值即为先验观测向量；
具体的，
Figure 287462DEST_PATH_IMAGE048
；
其中，
Figure 845482DEST_PATH_IMAGE049
；
Figure 718891DEST_PATH_IMAGE050
；
Figure 944336DEST_PATH_IMAGE051
；
Figure 861477DEST_PATH_IMAGE052
和
Figure 437951DEST_PATH_IMAGE053
分别为伪距观测矩阵和伪距率观测矩阵；
Figure 98740DEST_PATH_IMAGE054
和
Figure 913112DEST_PATH_IMAGE055
分别为伪距和伪距率观测噪声，均为零均值高斯白噪声向量；
Figure 283045DEST_PATH_IMAGE056
和
Figure 815657DEST_PATH_IMAGE057
分别为伪距误差向量和伪距率误差向量。
3）根据卡尔曼滤波的量测方程得到k时刻的后验观测量Z k ；
其中，量测方程
Figure 280137DEST_PATH_IMAGE011
；式中，
Figure 214595DEST_PATH_IMAGE010
包括伪距误差和伪距率误差，V k 为观测噪声，f k 为故障向量，并且无故障时f k 为零向量。
4）根据公式
Figure 739117DEST_PATH_IMAGE012
计算新息
Figure 772407DEST_PATH_IMAGE013
。
Figure 774998DEST_PATH_IMAGE058
为滤波新息，表示观测量的后验值和观测量先验值的误差。
步骤S102、对滤波新息求其马氏距离，得到故障检测检验统计量F k ；
对滤波新息
Figure 829542DEST_PATH_IMAGE059
求其马氏距离，得到故障检测检验统计量
Figure 56124DEST_PATH_IMAGE014
；
其中，
Figure 579640DEST_PATH_IMAGE060
；
Figure 385922DEST_PATH_IMAGE061
；
量测噪声矩阵
Figure 560552DEST_PATH_IMAGE062
；
Figure 161297DEST_PATH_IMAGE063
为状态估计误差
Figure 421377DEST_PATH_IMAGE064
的协方差矩阵；
Figure 516504DEST_PATH_IMAGE065
为过程噪声矩阵。
根据新息
Figure 545639DEST_PATH_IMAGE059
的统计特性，理论情况下，若故障向量f k 为零向量，
Figure 317286DEST_PATH_IMAGE066
各个维度的统计量服从零均值高斯分布，因此故障检测检验统计量F k 理论上服从自由度为n的卡方分布，其中n为观测量的维度。
若故障向量满足
Figure 64663DEST_PATH_IMAGE067
且
Figure 212747DEST_PATH_IMAGE068
，
Figure 847122DEST_PATH_IMAGE059
各个维度的统计量服从非零均值的高斯分布，因此故障检测检验统计量F k 理论上服从非中心卡方分布，且非中心卡方分布的
Figure 55249DEST_PATH_IMAGE069
参数满足：
Figure 24342DEST_PATH_IMAGE070
。根据故障和无故障情况下检验统计量服从不同分布的特点可以对系统进行故障检测。
步骤S103、拟合故障检测的检验统计量的真实分布，确定故障检测门限；
不同可见星数目下的故障检测检验统计量F k 服从不同自由度的卡方分布。并且，在使用卡方分布会出现与检验统计量真实分布不一致问题，尤其是尾部概率分布不一致的问题。
为解决这一问题，本实施例中，针对所有可能出现可见星数量均通过混合高斯模型GMM来拟合故障检测检验统计量F k 的真实分布，确定故障检测门限。
具体的，通过混合高斯模型GMM来拟合的故障检测检验统计量F k 的真实分布为：
Figure 710539DEST_PATH_IMAGE071
；
其中，G表示混合高斯模型的子模型数量；
Figure 448687DEST_PATH_IMAGE017
为第i个子模型的权重系数且满足
Figure 827716DEST_PATH_IMAGE018
；
Figure 31908DEST_PATH_IMAGE019
和
Figure 521795DEST_PATH_IMAGE020
为第i个子模型的样本均值和样本标准差；
Figure 380030DEST_PATH_IMAGE021
为第i个子模型的概率密度函数；
其中，第i个子模型的概率密度函数为：
Figure 929960DEST_PATH_IMAGE072
；
GMM可以通过最大似然估计的期望最大（Expection Maximum, EM）算法可以确定各个子模型的权重、均值、方差参数。首先求出完备样本下的GMM似然函数，通过EM算法求解。
在采集训练数据样本时，为了避免样本间的相关性影响拟合结果，首先可对不同采样率下的样本计算自相关函数，分析其相关性，选择相关性较小的采样率下的样本数据集。
在计算故障检测门限时，
设虚警率为P fa ；T GMM 为检测阈值，F k 的尾部概率为P fa 的分位数即为检测门限T GMM ，满足式
Figure 873645DEST_PATH_IMAGE073
。
步骤S104、比较故障检测检验统计量与故障检测门限的大小确定卫星系统是否故障。
确定卫星系统是否故障的检测准则为
Figure 652376DEST_PATH_IMAGE074
。
即，可以通过GMM分布来包络检验统计量F k ，基于GMM分布包络的阈值T GMM 满足公式
Figure 99538DEST_PATH_IMAGE075
；其中f(x)为自由度为n的GMM分布的概率密度函数。
新息残差卡方检验统计量只能用于故障检测，无法识别出具体的故障卫星。因此，本实施例中，构建出故障识别检验统计量为与各可见星对应的标准化新息。
理论误差方差
Figure 85949DEST_PATH_IMAGE076
的对角线元素实时动态反应量测信息的变化；因此，可以通过实际误差方差矩阵与理论误差方差矩阵对角线元素的比值来反应量测信息的可信度。
基于此，本实施例中构建的标准化新息为平方后的新息与其对应的理论误差方差矩阵对角线元素的比值；
k时刻第i颗可见星的标准化新息为
Figure 251351DEST_PATH_IMAGE023
；其中，
Figure 83041DEST_PATH_IMAGE024
为实际观测到的新息平方中对角线上与第i颗可见星对应的元素；
Figure 650288DEST_PATH_IMAGE025
为理论误差方差矩阵中对角线上与第i颗可见星对应的元素。标准化新息E k,i 反映了观测向量每个元素的可信度，比值越大，可信度越低。
因此，在单星故障识别步骤中，对于检测出故障的卫星系统，建立与各可见星对应的标准化新息E k,i 确定疑似故障星；在识别过程中，排除标准化新息E k,i 最大值对应的伪距观测量后重新进行故障检测，检测无故障说明故障源为单颗卫星且正确识别出故障卫星。故障排除后使用剩余观测量进行定位，从而提高定位精度，保护组合导航系统完好性。
如果排除标准化新息E k,i 最大值对应的伪距观测量后重新进行故障检测仍然检测出故障，则表示故障源为多颗卫星。
由于传统的针对多星故障基于层次滤波器的多星故障识别与排除算法存在运算量大、实时性差的问题。并且，由于同时出现三颗及以上故障星的概率过小，因此这里的多星故障只考虑双星故障的故障模式。
本实施例中，在基于双星分组的层次滤波方法中，将可见星两两分组，每次滤波过程，均通过排除了一组或两组双星组后的剩余可见星的观测数据，执行故障检测步骤；判断出卫星系统故障是由被排除的一组中的双星故障引起的，或是由被排除的两组双星中每组的其中一颗卫星的故障引起的；以实现对于存在的两个故障星的识别。通过对可见星两两分组、将两颗卫星作为一个整体的方式，相较于传统方法基于单个卫星的子集分组策略，可以在保证高识别率的前提下降低故障识别算法的时间复杂度。同时组合导航可以保证在排除多颗卫星后仍有足够的冗余来对故障进行检测。
具体的，双星故障识别过程中，包括：
步骤S301、对可见星进行编号1,…,n；根据编号进行可见星两两分组得到m个卫星组{i,j}；i和j为组内两颗可见星的编号；n为偶数，m=n/2；n为奇数，m为(n+1)/2；例如：
Figure 292753DEST_PATH_IMAGE077
。
分组后识别的卫星故障模式可分为单组故障和双组故障；
步骤S302、检测是否为单组故障；设置与m个卫星组对应的m个子滤波器，其中，子滤波器{i,j}进行滤波时，执行故障检测步骤，检测排除第i和j颗可见星后卫星系统的故障情况；如果有且只有一个子滤波器{i,j}检测出系统无故障；则判断故障为由第i颗和/或第j颗故障引起的单组故障，进入步骤S303；否则为双组中均有故障卫星的双组故障；进入步骤S304；
步骤S303、对单组故障中的故障卫星继续识别；对于单组故障来说，故障源范围缩小到编号为i、j的2颗卫星。设置与第i和j颗可见星对应的子滤波器i和子滤波器j，分别执行故障检测步骤进行滤波，检测排除第i或j颗可见星后卫星系统的故障情况；如果子滤波器i和子滤波器j均检测无故障，则可见星i、j均故障；如果子滤波器i和子滤波器j中其中一个检测结果为无故障；则检测无故障子滤波器对应的卫星故障。
步骤S304、对双组故障中的故障卫星进行识别；设置与m个卫星组中任意两组组合对应的
Figure 211031DEST_PATH_IMAGE001
个子滤波器；其中子滤波器{i,j}{p,q}进行滤波时，执行故障检测步骤，检测排除第i、j、p和q颗可见星后卫星系统的故障情况；如果有且只有一组子滤波器{i,j}{p,q}检测无故障，其余子滤波器均检测出故障，将故障定位为{i,j}、{p,q}两组卫星中，且每组的其中一颗卫星的故障；通过对每组内卫星进行逐一排除定位到故障源卫星。
在多故障识别中，检测出故障后需要根据故障模式和子集策略设置子滤波器，并依次对子滤波器进行故障检测。而标准化新息向量E k,i 中各个元素的大小与对应观测量故障概率成正比，为了能更大概率提前发现故障子集，因此可以借助标准化新息的信息来决定对各个子滤波器的设置和检测顺序，从而增大提前发现无故障子滤波器的概率，避免了对所有子滤波器进行检测。
优选的，基于各可见星对应的标准化新息E k,i 由大到小进行可见星排序，对排序后的卫星进行编号和两两分组；并按照排序后的分组依次构建子滤波器并进行双星故障识别过程，当检测到无故障子滤波器后提前退出故障识别流程。
即，过标准化新息辅助E k,i 后，将根据可见星故障概率对其进行排序并分组
Figure 580832DEST_PATH_IMAGE078
；其中编号为i的卫星故障概率为第i。按照排序后的分组依次构建子滤波器并进行检测，检测到无故障子滤波器后提前退出故障识别流程，后面未构建的子滤波器均属于无效子滤波器，不需要对其进行检测。因此通过标准化新息辅助能进一步减少需要检测的子滤波器数量。
结果表明，本发明提出的基标准化新息辅助的层次滤波器的子集优化算法在保证故障识别与排除算法准确度的前提下，减少了子集数量，显著提高了多故障识别算法的实时性。
综上所述，本发明实施例首先基于INS/GNSS紧组合导航系统的卡尔曼滤波解算过程提取出新息值，根据新息值构建新息残差检验统计量。对于检测门限的计算，本发明提出通过GMM混合高斯模型建模的方式拟合检验统计量分布、计算检测门限，从而进行故障检测。检测出故障后，首先假设故障为单星故障，构建标准化新息检验统计量来进行故障识别。如果排除最大标准化新息值对应卫星后重新检测仍有故障。通过子集数量优化策略和标准化新息的辅助，构建按故障概率排序依次构建两两卫星分组的子滤波器，逐个检测并完后故障源识别。识别出故障源后，使用不包含故障星的子滤波器的解算结果作为组合导航的输出，从而实现了对故障星的排除和系统重构。
本发明实施例具有以下有益效果：
1. 本发明更低的检测门限和更低概率的漏警。通过混合高斯模型得到的概率分布比理论的卡方分布更贴合实际地检验统计量分布情况，从而获得更低的检测门限，有效降低了漏警的概率和完好性风险；另一方面，更低的检测门限可以在检测斜坡故障时可以更早更快地识别出故障，及时排除故障源，保障了系统的完好性。
2．具备了识别多星故障的能力。传统的基于层次滤波器的故障检测与识别方法，主滤波器和子滤波器需要提前构建并且在整个系统运行过程中一直参与滤波解算，因此只具备单星故障的识别能力。本发明先通过新息残差卡方检验统计量检测故障，再标准化新息检验统计量识别单故障，最后再通过标准化新息的辅助和子集优化策略自适应地构建子滤波器，完成多星故障识别。
3．提高多故障识别的实时性。相比于传统的解分离等故障识别方法，本发明通过标准化新息的辅助和子集优化策略自适应地构建子滤波器，在保障高识别率的前提下有效地降低了子集个数，同时可以更大概率提前识别出故障星并退出故障识别流程，不需要构建所有子集对应的子滤波器，有效提高多故障识别的实时性。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种组合导航系统故障检测与识别方法，其特征在于，包括以下步骤：
故障检测步骤：在GNSS/INS组合导航系统中，以可见星的观测量和INS观测量为观测数据进行卡尔曼滤波获取滤波新息，利用滤波新息构建故障检测检验统计量进行新息残差检测，判断卫星系统故障；
单星故障识别步骤：对于检测出故障的卫星系统，建立与各可见星对应的、与卫星故障概率成正比的标准化新息；基于标准化新息确定出疑似故障星；在排除疑似故障星观测量后，重新执行故障检测步骤；如检测无故障，则确定疑似故障星为故障卫星；如仍有故障，则进行双星故障识别；
双星故障识别步骤：将可观测卫星进行双星分组，利用基于双星分组的层次滤波方法，识别出发生故障的两颗卫星。
2.根据权利要求1所述的组合导航系统故障检测与识别方法，其特征在于，
在基于双星分组的层次滤波方法中，每次滤波过程，均通过包括排除了一组或两组双星组后的剩余可见星的观测数据，执行故障检测步骤；判断出卫星系统故障是由被排除的一组中的双星故障引起的，或是由被排除的两组双星中每组的其中一颗卫星的故障引起的。
3.根据权利要求2所述的组合导航系统故障检测与识别方法，其特征在于，
双星故障识别过程中，包括：
1）对可见星进行编号1,…,n；根据编号进行可见星两两分组得到m个卫星组{i,j}；i和j为组内两颗可见星的编号；n为偶数，m=n/2；n为奇数，m为(n+1)/2；分组后识别的卫星故障模式可分为单组故障和双组故障；
2）检测是否为单组故障；设置与m个卫星组对应的m个子滤波器，其中，子滤波器{i,j}进行滤波时，执行故障检测步骤，检测排除第i和j颗可见星后卫星系统的故障情况；如果有且只有一个子滤波器{i,j}检测出系统无故障；则判断故障为由第i颗和/或第j颗故障引起的单组故障，进入步骤3）；否则为双组中均有故障卫星的双组故障；进入步骤4）；
3）对单组故障中的故障卫星继续识别；设置与第i和j颗可见星对应的子滤波器i和子滤波器j，分别执行故障检测步骤进行滤波，检测排除第i或j颗可见星后卫星系统的故障情况；如果子滤波器i和子滤波器j均检测无故障，则可见星i、j均故障；如果子滤波器i和子滤波器j中其中一个检测结果为无故障；则检测无故障子滤波器对应的卫星故障；
4）对双组故障中的故障卫星进行识别；设置与m个卫星组中任意两组组合对应的
Figure 378990DEST_PATH_IMAGE001
个子滤波器；其中子滤波器{i,j}{p,q}进行滤波时，执行故障检测步骤，检测排除第i、j、p和q颗可见星后卫星系统的故障情况；如果有且只有一组子滤波器{i,j}{p,q}检测无故障，其余子滤波器均检测出故障，将故障定位为{i,j}、{p,q}两组卫星中，且每组的其中一颗卫星的故障；通过对每组内卫星进行逐一排除定位到故障源卫星。
4.根据权利要求3所述的组合导航系统故障检测与识别方法，其特征在于，
基于各可见星对应的标准化新息由大到小进行可见星排序，对排序后的卫星进行编号和两两分组；并按照排序后的分组依次构建子滤波器并进行双星故障识别过程，当检测到无故障子滤波器后提前退出故障识别流程。
5.根据权利要求1-4任一项所述的组合导航系统故障检测与识别方法，其特征在于，
所述故障检测步骤，包括：
1）根据组合导航系统卡尔曼滤波的解算过程获取的滤波新息；
2）对滤波新息求其马氏距离，得到故障检测检验统计量；
3）拟合故障检测的检验统计量的真实分布，确定故障检测门限；
3）比较故障检测检验统计量与故障检测门限的大小确定卫星系统是否故障。
6.根据权利要求5所述的组合导航系统故障检测与识别方法，其特征在于，
根据组合导航系统卡尔曼滤波的解算过程获取的滤波新息的过程，包括：
1）在组合导航系统卡尔曼滤波的解算过程中，得到状态最优估计为
Figure 707203DEST_PATH_IMAGE002
，根据
Figure 581618DEST_PATH_IMAGE002
对k时刻的状态向量
Figure 20690DEST_PATH_IMAGE003
进行最优一步预测；
Figure 562530DEST_PATH_IMAGE004
；
其中，
Figure 77956DEST_PATH_IMAGE002
为20维的最优估计向量；
Figure 705246DEST_PATH_IMAGE005
为状态一步转移矩阵；
Figure 416850DEST_PATH_IMAGE006
为系统噪声分配矩阵；
Figure 78776DEST_PATH_IMAGE007
为系统噪声向量；
2）通过状态向量一步预测
Figure 483212DEST_PATH_IMAGE008
和系统量测方程可对k时刻的量测向量
Figure 348531DEST_PATH_IMAGE009
作一步预测；
3）根据卡尔曼滤波的量测方程得到k时刻的后验观测量
Figure 863826DEST_PATH_IMAGE010
；
其中，量测方程
Figure 380258DEST_PATH_IMAGE011
；式中，
Figure 955596DEST_PATH_IMAGE010
包括伪距误差和伪距率误差，V k 为观测噪声，f k 为故障向量，并且无故障时f k 为零向量；
4）根据公式
Figure 557479DEST_PATH_IMAGE012
计算新息
Figure 627197DEST_PATH_IMAGE013
。
7.根据权利要求6所述的组合导航系统故障检测与识别方法，其特征在于，
对滤波新息求其马氏距离，得到故障检测检验统计量
Figure 998136DEST_PATH_IMAGE014
；其中，
Figure 744375DEST_PATH_IMAGE015
。
8.根据权利要求5所述的组合导航系统故障检测与识别方法，其特征在于，
通过混合高斯模型GMM来拟合故障检测检验统计量F k 的真实分布，确定故障检测门限。
9.根据权利要求8所述的组合导航系统故障检测与识别方法，其特征在于，
故障检测检验统计量F k 的真实分布为：
Figure 302395DEST_PATH_IMAGE016
；
其中，G表示混合高斯模型的子模型数量；
Figure 690651DEST_PATH_IMAGE017
为第i个子模型的权重系数且满足
Figure 650517DEST_PATH_IMAGE018
；
Figure 581039DEST_PATH_IMAGE019
和
Figure 688672DEST_PATH_IMAGE020
为第i个子模型的样本均值和样本标准差；
Figure 349461DEST_PATH_IMAGE021
为第i个子模型的概率密度函数，
Figure 163833DEST_PATH_IMAGE022
。
10.根据权利要求5所述的组合导航系统故障检测与识别方法，其特征在于，
所述标准化新息为平方后的新息与其对应的理论误差方差矩阵对角线元素的比值；
k时刻第i颗可见星的标准化新息为
Figure 533766DEST_PATH_IMAGE023
；其中，
Figure 331957DEST_PATH_IMAGE024
为实际观测到的新息平方中对角线上与第i颗可见星对应的元素；
Figure 530858DEST_PATH_IMAGE025
为理论误差方差矩阵中对角线上与第i颗可见星对应的元素。
CN202211388034.3A 2022-11-08 2022-11-08 一种组合导航系统故障检测与识别方法 Active CN115420284B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211388034.3A CN115420284B (zh) 2022-11-08 2022-11-08 一种组合导航系统故障检测与识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211388034.3A CN115420284B (zh) 2022-11-08 2022-11-08 一种组合导航系统故障检测与识别方法

Publications (2)

Publication Number Publication Date
CN115420284A true CN115420284A (zh) 2022-12-02
CN115420284B CN115420284B (zh) 2023-02-03

Family

ID=84207921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211388034.3A Active CN115420284B (zh) 2022-11-08 2022-11-08 一种组合导航系统故障检测与识别方法

Country Status (1)

Country Link
CN (1) CN115420284B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116736358A (zh) * 2023-08-09 2023-09-12 北京理工大学 一种适用于卫星导航长基线载波相位差分定位方法
CN117111101A (zh) * 2023-06-26 2023-11-24 北京航空航天大学 消除双层空基导航增强自组网杠杆效应的故障检测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070156338A1 (en) * 2004-02-13 2007-07-05 Jacques Coatantiec Device for monitoring the integrity of information delivered by a hybrid ins/gnss system
US20100026567A1 (en) * 2006-10-06 2010-02-04 Thales Hybrid ins/gnss system with integrity monitoring and method for integrity monitoring
US20120013505A1 (en) * 2009-03-24 2012-01-19 Vourc H Sebastien Method and device for detecting and excluding satellite malfunctions in a hybrid ins/gnss system
CN102654407A (zh) * 2012-04-17 2012-09-05 南京航空航天大学 惯性卫星紧组合导航系统的多故障检测装置及检测方法
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
US20150362598A1 (en) * 2012-04-06 2015-12-17 Thales Onboard aircraft landing system, based on a gnss system, with redundant and dissimilar architecture for high integrity level
US20160131485A1 (en) * 2014-11-07 2016-05-12 Thales Method of determining a radius of protection associated with a navigation parameter of a hybrid inertial navigation system, and associated system
CN109813342A (zh) * 2019-02-28 2019-05-28 北京讯腾智慧科技股份有限公司 一种惯导-卫星组合导航系统的故障检测方法和系统
CN111999747A (zh) * 2020-08-28 2020-11-27 大连海事大学 一种惯导-卫星组合导航系统的鲁棒故障检测方法
CN115047496A (zh) * 2022-04-14 2022-09-13 东南大学 一种用于gnss/ins组合导航卫星同步多故障检测方法
CN115236700A (zh) * 2022-03-28 2022-10-25 南京航空航天大学 基于卫星伪距的因子图导航故障检测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070156338A1 (en) * 2004-02-13 2007-07-05 Jacques Coatantiec Device for monitoring the integrity of information delivered by a hybrid ins/gnss system
US20100026567A1 (en) * 2006-10-06 2010-02-04 Thales Hybrid ins/gnss system with integrity monitoring and method for integrity monitoring
US20120013505A1 (en) * 2009-03-24 2012-01-19 Vourc H Sebastien Method and device for detecting and excluding satellite malfunctions in a hybrid ins/gnss system
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
US20150362598A1 (en) * 2012-04-06 2015-12-17 Thales Onboard aircraft landing system, based on a gnss system, with redundant and dissimilar architecture for high integrity level
CN102654407A (zh) * 2012-04-17 2012-09-05 南京航空航天大学 惯性卫星紧组合导航系统的多故障检测装置及检测方法
US20160131485A1 (en) * 2014-11-07 2016-05-12 Thales Method of determining a radius of protection associated with a navigation parameter of a hybrid inertial navigation system, and associated system
CN109813342A (zh) * 2019-02-28 2019-05-28 北京讯腾智慧科技股份有限公司 一种惯导-卫星组合导航系统的故障检测方法和系统
CN111999747A (zh) * 2020-08-28 2020-11-27 大连海事大学 一种惯导-卫星组合导航系统的鲁棒故障检测方法
CN115236700A (zh) * 2022-03-28 2022-10-25 南京航空航天大学 基于卫星伪距的因子图导航故障检测方法
CN115047496A (zh) * 2022-04-14 2022-09-13 东南大学 一种用于gnss/ins组合导航卫星同步多故障检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘海颖等: "一种惯性辅助卫星导航系统及其完好性检测方法", 《宇航学报》 *
张闯等: "GNSS/SINS紧组合导航故障检测与系统重构新方法", 《电光与控制》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117111101A (zh) * 2023-06-26 2023-11-24 北京航空航天大学 消除双层空基导航增强自组网杠杆效应的故障检测方法
CN117111101B (zh) * 2023-06-26 2024-03-22 北京航空航天大学 消除双层空基导航增强自组网杠杆效应的故障检测方法
CN116736358A (zh) * 2023-08-09 2023-09-12 北京理工大学 一种适用于卫星导航长基线载波相位差分定位方法
CN116736358B (zh) * 2023-08-09 2023-11-03 北京理工大学 一种适用于卫星导航长基线载波相位差分定位方法

Also Published As

Publication number Publication date
CN115420284B (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
CN115420284B (zh) 一种组合导航系统故障检测与识别方法
US8106823B2 (en) Method of operating a satellite navigation receiver
CN103097911B (zh) 用于检测和排除gnss系统中多个卫星故障的方法和装置
CN111060133B (zh) 一种用于城市复杂环境的组合导航完好性监测方法
AU2008260579A1 (en) Partial search carrier-phase integer ambiguity resolution
AU2004273434A1 (en) Method for receiver autonomous integrity monitoring and fault detection and elimination
GB2462926A (en) GPS multipath reduction
CN112230247B (zh) 一种用于城市复杂环境下gnss完好性监测方法
CN115047496B (zh) 一种用于gnss/ins组合导航卫星同步多故障检测方法
Pesonen A framework for Bayesian receiver autonomous integrity monitoring in urban navigation
CN102135621B (zh) 一种多星座组合导航系统的故障识别方法
Schroth et al. Failure detection and exclusion via range consensus
CN111142125B (zh) 一种卫星完好性监测方法和系统
CN114690220A (zh) 一种监测数据实时解算星历异常处理方法
CN115561782B (zh) 一种基于奇偶矢量投影的组合导航中卫星故障检测方法
CN115540907A (zh) 一种基于面向星间差分的gps/bds/ins紧组合导航的多故障检测与剔除方法
CN111999750B (zh) 针对杆臂不准的实时单站周跳探测改进方法
CN113848570A (zh) 基于非高斯分布的自适应实时多径消除及抗差定位方法
Almagbile et al. Analysis of outlier separability in integrated GPS/INS systems
CN117607910B (zh) 一种基于矢量跟踪新息矢量的欺骗检测方法及系统
JP3469939B2 (ja) 衛星測位装置及びその衛星の故障回復判定方法
Yang et al. Detection and exclusion of incipient fault for gnss-based train positioning under non-gaussian assumption
CN116736339B (zh) 一种面向禁航区管控的北斗自主监测及预警方法
CN115390099B (zh) 基于奇偶矢量投影的最大值联合卡方故障排除方法
US11460585B2 (en) Implementing single differences within a solution separation framework

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