CN115993138A - 一种多表冗余激光惯组故障诊断方法及系统 - Google Patents
一种多表冗余激光惯组故障诊断方法及系统 Download PDFInfo
- Publication number
- CN115993138A CN115993138A CN202310286976.9A CN202310286976A CN115993138A CN 115993138 A CN115993138 A CN 115993138A CN 202310286976 A CN202310286976 A CN 202310286976A CN 115993138 A CN115993138 A CN 115993138A
- Authority
- CN
- China
- Prior art keywords
- fault
- measurement unit
- inertial measurement
- fault diagnosis
- laser inertial
- 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
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 159
- 238000003745 diagnosis Methods 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000001174 ascending effect Effects 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 16
- 230000000694 effects Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000004378 blood-retinal barrier Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Gyroscopes (AREA)
Abstract
本发明公开了一种多表冗余激光惯组故障诊断方法及系统,涉及激光惯组故障诊断技术领域。该方法包括:确定多表冗余的激光惯组的故障特征和故障模式;基于所述故障特征和所述故障模式,采用置信规则库构建激光惯组故障诊断模型;基于改进坐标上升法优化所述激光惯组故障诊断模型;基于优化后的激光惯组故障诊断模型对多表冗余的激光惯组进行故障诊断。本发明能够综合多表冗余激光惯组中的系统机理、专家知识以及有限的监测数据,对陀螺仪和加速度计开展故障诊断,确定故障仪表,具有良好的工程应用价值。
Description
技术领域
本发明涉及激光惯组故障诊断技术领域,特别涉及一种多表冗余激光惯组故障诊断方法及系统。
背景技术
随着武器装备复杂程度越来越高,为保证任务的顺利执行,对其关键部件开展必要的故障诊断具有重要意义。激光惯组系统因具有较强的自主性和抗干扰能力等特点被广泛应用于航空航天航海等军工领域,为减小诊断过程中干扰带来的不确定性,需要综合利用系统中的可用信息开展激光惯组的故障诊断研究,准确定位出故障的位置,便于根据诊断结果及时采取更换、维修等策略。同时考虑到其工作环境与地位的特殊性,实际工程中要求诊断模型具有可解释性,即专家可以理解建模、推理以及优化过程。在此,对模型可解释性需求的必要性做出解释:紧急情况下,当模型结果与实验现象不相符时,可以通过人机交互的方式,对模型参数做出相应的调整。为提高输出信息的可靠性,针对激光惯组的配置进行优化,形成了朝向多表冗余的趋势发展。
目前针对激光惯组开展的故障诊断研究较少,需要根据其实际情况选取合适的故障诊断方法。目前的故障诊断方法可以大致分为:基于模型的故障诊断方法、基于数据的故障诊断方法、基于知识的故障诊断方法以及基于混合信息的故障诊断方法。基于模型的故障诊断方法是根据系统的结构、实际的物理模型,构造数学模型,诊断精度依赖于所构造模型的准确性,如状态估计法、等价空间法。基于数据的故障诊断模型是从长时间积累的大量高价值监测数据中提取数据特征,拟合故障特征与故障模式之间的关系,诊断精度取决于数据的质量以及模型参数的设置,如神经网络法、支持向量机。基于知识的方法充分利用设备长期运行过程中所积累的专家经验或系统的机理信息,确定故障特征与故障模式之间的对应关系,诊断精度受到知识的完备性以及专家的主观性的影响,如故障树分析法、层次分析法。基于混合信息的故障诊断方法能够综合利用系统中的专家知识、机理信息和监测数据,构建完备的故障诊断模型,如模糊推理法、模糊神经网络法。
一方面,由于在激光惯组量测载体姿态信息的过程中,存在噪声和误差的干扰,难以构造准确的数学模型;另一方面,激光惯组可靠性较高,在实际运行的过程中,长时间处于正常状态,这就导致了高价值的故障样本较少。
此外,选取单一的指标对系统故障状态进行描述,往往是不全面的。特别地,当指标数据中含有噪声时,会对诊断结果产生严重干扰。因此。
发明内容
本发明的目的是提供一种多表冗余激光惯组故障诊断方法及系统,用以解决现有技术中构建的数学模型不准确,且选取指标单一的问题。
为实现上述目的,本发明提供了如下方案:
一种多表冗余激光惯组故障诊断方法,包括:
确定多表冗余的激光惯组的故障特征和故障模式;所述激光惯组包括多个激光陀螺仪和多个加速度计;
基于所述故障特征和所述故障模式,采用置信规则库构建激光惯组故障诊断模型;
基于改进坐标上升法优化所述激光惯组故障诊断模型;
基于优化后的激光惯组故障诊断模型对多表冗余的激光惯组进行故障诊断。
可选地,确定多表冗余的激光惯组的故障特征,具体包括:
计算正交轴上的激光陀螺仪与斜置的激光陀螺仪之间的测量误差,记为陀螺仪表间误差;
计算正交轴上的加速度计与斜置的加速度计之间的测量误差,记为加速度计表间误差;
计算所述激光陀螺仪的稳定性偏差;
计算所述加速度计的稳定性偏差;
根据所述陀螺仪表间误差、所述加速度计表间误差、所述激光陀螺仪的稳定性偏差以及所述加速度计的稳定性偏差,确定多表冗余的激光惯组的故障特征。
可选地,基于所述故障特征和所述故障模式,采用置信规则库构建激光惯组故障诊断模型,具体包括:
利用置信规则库建立所述故障特征与所述故障模式之间的关系,确定初始激光惯组故障诊断模型;
计算规则激活权重;
基于所述规则激活权重,采用证据推理算法融合激活后的规则和所述初始激光惯组故障诊断模型,得到激光惯组故障诊断模型。
可选地,采用建立所述故障特征与所述故障模式之间的关系;其中,表示第k条置信规则,表示第P个故障特征,P=1,2...,表示第k条置信规则中第P个故障特征的参考等级,k=1,2...K,K表示置信规则的数量,表示第T个故障模式,T=1,2..,表示第k条置信规则中第T个故障模式发生的置信度,表示第k条置信规则的权重,表示第P个故障特征的权重。
可选地,所述规则激活权重的计算公式如下:
;
其中,表示第k条置信规则的规则激活权重,表示第k条置信规则的联合匹配度,k=1,2...K,K表示规则的数量,wi表示第i条置信规则的权重,di表示第i条置信规则的联合匹配度。
可选地,所述激光惯组故障诊断模型的表达式如下:
;
其中,表示第j个故障模式发生的置信度,T表示故障模式的数量,Bk,j表示第k条置信规则中第j个故障模式发生的置信度,Bk,t表示第k条置信规则中第t个故障模式发生的置信度,Bk,r表示第k条置信规则中第r个故障模式发生的置信度。
本发明还提供了一种多表冗余激光惯组故障诊断系统,包括:
故障特征和故障模式确定模块,用于确定多表冗余的激光惯组的故障特征和故障模式;所述激光惯组包括多个激光陀螺仪和多个加速度计;
激光惯组故障诊断模型构建模块,用于基于所述故障特征和所述故障模式,采用置信规则库构建激光惯组故障诊断模型;
优化模块,用于基于改进坐标上升法优化所述激光惯组故障诊断模型;
故障诊断模块,用于基于优化后的激光惯组故障诊断模型对多表冗余的激光惯组进行故障诊断。
可选地,故障特征和故障模式确定模块,具体包括:
陀螺仪表间误差计算单元,用于计算正交轴上的激光陀螺仪与斜置的激光陀螺仪之间的测量误差,记为陀螺仪表间误差;
加速度计表间误差计算单元,用于计算正交轴上的加速度计与斜置的加速度计之间的测量误差,记为加速度计表间误差;
激光陀螺仪稳定性偏差计算单元,用于计算所述激光陀螺仪的稳定性偏差;
加速度计稳定性偏差计算单元,用于计算所述加速度计的稳定性偏差;
故障特征确定单元,用于根据所述陀螺仪表间误差、所述加速度计表间误差、所述激光陀螺仪的稳定性偏差以及所述加速度计的稳定性偏差,确定多表冗余的激光惯组的故障特征。
可选地,激光惯组故障诊断模型构建模块,具体包括:
初始激光惯组故障诊断模型确定单元,用于利用置信规则库建立所述故障特征与所述故障模式之间的关系,确定初始激光惯组故障诊断模型;
规则激活权重计算单元,用于计算规则激活权重;
激光惯组故障诊断模型确定单元,用于基于所述规则激活权重,采用证据推理算法融合激活后的规则和所述初始激光惯组故障诊断模型,得到激光惯组故障诊断模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明通过对激光惯组进行工作原理和故障机理分析,确定故障特征与故障模式,利用置信规则库(Belief rule base,BRB)构建激光惯组故障诊断模型,然后采用改进坐标上升法优化该模型,对模型参数进行微调,提高诊断精度。本发明能够综合利用多种信息,减小诊断过程中的不确定性,保证诊断结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的多表冗余激光惯组故障诊断方法的流程图;
图2为五表冗余激光陀螺仪的配置方案示意图;
图3为改进坐标上升法流程框图;
图4为优化过程示意图;
图5为对比实验图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种多表冗余激光惯组故障诊断方法及系统,用以解决现有技术中构建的数学模型不准确,且选取指标单一的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
本发明提供了一种多表冗余激光惯组故障诊断方法,如图1所示,该方法包括以下步骤:
步骤101:确定多表冗余的激光惯组的故障特征和故障模式;所述激光惯组包括多个激光陀螺仪和多个加速度计。
在激光惯组中,激光陀螺仪用以测量设备的角速度,加速度计用于测量设备的视加速度。激光陀螺仪由激光器、反射镜等部件组成。激光陀螺仪利用由旋转影响光的传播产生的光程差来计量与设备角速度成比例的脉冲信号,通过处理获取得到设备惯性空间的角速度。加速度计中包含敏感质量、阻尼器、壳体等部件,依据牛顿第二定律,输出与加速度成比例的电流信号,进而获取设备的加速度。
目前漂移系数的稳定性是用以反映激光陀螺仪或加速度计的性能参数。工程实际中,将新采集的数据处理得到的漂移系数与现有数据生成的漂移系数的均值做差,再与现有数据生成的漂移系数的方差的倍数做阈值比较,来判断设备是否故障。由于系统中存在干扰和噪声,有时需要多次测量以减弱干扰带来的不确定性的影响,方能得到准确的故障情况。为克服复杂工作环境、温控调平等辅助回路的随机不确定干扰的影响,提高诊断效率,避免多次测量,在本发明中,为对激光惯组开展故障诊断研究,达到将故障定位至具体的激光陀螺仪或加速度计的目的,根据五表冗余的激光惯组的特点,综合考虑系统中的影响因素,对仪表输出信息之间的关系进行分析,具体如下:
五表冗余的激光惯组中包含五个激光陀螺仪和五个加速度计,接下来将以陀螺仪的配置为例,说明五表之间的信息冗余。三正交两斜置的陀螺仪具体配置如图2所示。
其中陀螺仪安装于三个正交轴方向,斜置的陀螺仪和与三正交轴方向之间成一定夹角:、所在轴与Y轴的方向夹角分别为、,、所在轴在X-Z平面的投影与Z轴方向的夹角分别为、。
可以看出斜置的两个陀螺仪与正交轴上的陀螺仪输出的角速度之间存在关联。通过以上分析,可以得出惯组中五个陀螺仪的测量方程为:
(1)
其中,表示陀螺仪的输出,、、表示x轴、y轴和z轴上所要测量的角速度。为高斯白噪声序列。从测量方程中可以得出斜置陀螺仪与三正交轴上的陀螺仪的输出关系:
(2)
其中,、为噪声。在此,定义陀螺仪的表间误差、,分别表示正交轴上的陀螺仪与两个斜置的陀螺仪之间的测量误差,具体计算如下:
(3)
同理,可以定义加速度计的表间误差、,分别表示正交轴上的加速度计和两个斜置的加速度计之间的测量误差。当表间误差较大时,则说明斜置仪表与三正交放置的仪表的输出数据之间的对应关系不成立,即与之相关的一只或多只仪表发生故障。因此,为精确定位出故障的仪表,本发明选取各仪表的漂移系数稳定性指标以及表间误差来描述各仪表的工作状态,根据专家知识和系统机理建立故障诊断模型。由于单仪表的精度只与自身的漂移系数相关,因此针对每个仪表构建一个基于BRB故障诊断模型。由于表间误差涉及到多个仪表,因此多个BRB模型中可能共用一个表间误差。具体的故障特征选取如表1所示。
表1 不同仪表选取的故障特征
其中,表示从陀螺仪的监测数据中所获得的零次项系数经处理后反映陀螺仪稳定性的偏差;表示从加速度计的监测数据中所获得的零次项漂移系数经处理后反映加速度计稳定性的偏差。以上四个偏差系数的计算方式一致,以为例,具体计算过程如公式(4)-公式(6)式所示。
(4)
(5)
(6)
上式中的为第h个时刻由监测数据处理得到的的零次项漂移系数的值,表示相对当前时刻的前个时刻的零次项漂移系数的均值,为相应的标准差,为无量纲系数。
当激光惯组出现故障时,为了快速定位出故障的仪表,进而更换故障的陀螺仪或加速度计,在本发明中,将故障模式设定如下:当对陀螺仪进行诊断时,故障模式定为陀螺仪故障、陀螺仪正常;同理,对加速度计进行诊断时,故障模式定为加速度计故障、加速度计正常。
步骤102:基于所述故障特征和所述故障模式,采用置信规则库构建激光惯组故障诊断模型。具体包括:利用置信规则库建立所述故障特征与所述故障模式之间的关系,确定初始激光惯组故障诊断模型;计算规则激活权重;基于所述规则激活权重,采用证据推理算法融合激活后的规则和所述初始激光惯组故障诊断模型,得到激光惯组故障诊断模型。
(1)初始激光惯组故障诊断模型的构建
利用BRB建立故障特征与故障模式之间的关系,假定有个故障特征,有个故障模式:。首先,需要为故障特征设置参考等级,记为,其中表示第个故障特征所包含的参考等级。根据系统机理和专家经验构建如下所示的置信规则:
(7)
其中,置信规则前件中的故障特征参考值,置信规则的顺序则是根据对故障特征参考值的全排列组合而定,所以置信规则的数量即为;置信规则后件中的表示在第条置信规则中故障模式发生的置信度。根据专家知识和系统机理设置的一系列的置信规则组成了激光惯组的故障诊断置信规则库;置信规则权重表示置信规则相对于其他置信规则对于结果的重要程度,故障特征权重表示第个故障特征相对于其他故障特征对于结果的重要程度。
(2)激光惯组故障诊断模型的推理
在已有初始激光惯组故障诊断模型的基础上,开展模型的推理将输入的故障特征值经过处理,输出故障模式对应的置信度。首先,需要利用基于规则或效用的信息转换方法将故障特征的输入信息转换为其参考值上的置信分布的形式,设第个故障特征的输入为,具体转化方式如下:
(8)
(9)
(10)
其中,表示输入相对于第、个参考值的个体匹配度。利用个体匹配度计算联合匹配度,进而计算置信规则的规则激活权重:
(11)
(12)
将激活后的置信规则利用证据推理算法融合得到最后的结果,具体的解析表达式如下:
(13)
上式计算得到的即为发生的置信度。
步骤103:基于改进坐标上升法优化所述激光惯组故障诊断模型。
本发明将采用置信规则库(Belief rule base,BRB)建模方法,建立激光惯组的故障诊断模型。BRB建模方法能够将多种形式的信息统一同一框架下,有效结合专家知识和监测数据,开展融合推理。同时,由于可理解的规则形式以及透明的推理过程,使得BRB具有可解释的优良特性。但是在优化过程中,需要做到微调模型参数来保证模型的可解释性。
以诊断精度作为优化目标,优化故障诊断模型中故障特征权重、规则权重以及置信度。为了保证BRB故障诊断模型的可解释性,在优化过程中微调模型参数,尽量避免优化后的规则偏离专家初始判断以及参数过优化等问题发生,利用改进的坐标上升法。坐标上升法能够将多变量优化问题转换为多个单变量优化问题,沿着目标函数下降的方向寻求更优的模型参数。因此,基于坐标上升法的思想可以准确针对影响诊断精度的参数进行调整,在实现更优的诊断效果的同时,保留了模型的可解释性。针对BRB属于非凸优化问题以及梯度信息难以求解情况,对坐标上升法进行改进。首先,引入进退法与黄金分割法结合的算法作为一维搜索算法,代替梯度信息的求解,具体过程如图3所示;其次,引入随机优化序列(确定参数的优化顺序)、突变步长用以跳出局部最优解,获取更优的参数值。
步骤104:基于优化后的激光惯组故障诊断模型对多表冗余的激光惯组进行故障诊断。
本发明考虑激光惯组中多表之间的冗余信息、专家知识以及有限的监测数据,综合选取系统中的指标,通过对故障特征与故障模式之间的关系进行建模,借助于优化的方式来减小模型中专家的主观性,提高模型精度,以及时诊断设备的工作状态,定位故障位置,为激光惯组的维修决策提供技术支持。
实施例二
根据以上分析,利用某型五表冗余激光惯组开展实验验证。实验中所使用的数据均为经过脱密处理后的数据。所获取的数据包含431个测试数据,每次测试过程对零偏进行测算。将431组数据分为279组训练数据,152组测试数据。接下来将以陀螺仪的故障诊断为例,展示故障诊断流程。根据专家经验和使用手册,设置故障特征参考值如表2所示,同时在表3中设置的工作模式作为故障模式。需要进行说明的是:当故障特征超出参考值阈值时,则将输入值设置为所超阈值的参考值。规则权重和故障特征权重均设置为1。
表2 故障特征参考值设置
表3 故障模式设置
根据专家经验和系统机理设置激光惯组故障诊断模型参数,给出如表4所示的基于BRB的激光惯组故障诊断模型。其中第一条规则表示当、和均处于参考等级D时,陀螺仪处于故障模式的置信度是0、正常模式的置信度是1,其中,Z、G也表示参考等级。
表4 激光惯组故障诊断模型
将测试数据输入至激光惯组故障诊断模型,可得模型诊断精度为94.74%。为了减小所构建的模型与真实系统之间的误差,利用改进坐标上升法微调模型参数,其中调整参数优化前后的数值如表5所示,优化后的模型精度为98.03%,在保留了模型可解释性的同时,精度提高了3.47%。优化过程如图4所示,参数的变化如下表5所示
表5 优化前后参数的变化
从表5中可以看出,在优化过程中并未调整所有置信规则的参数,只是调整了10个参数的取值,在较大程度上保留了规则中所蕴含的专家知识和系统机理,保留了模型的可解释性。
为了说明本发明方法能够有效减小诊断过程中的不确定性,接下来,以某一故障的陀螺仪为例,开展实际工程中的诊断与本发明方法的对比研究。展示陀螺仪零次项漂移系数稳定性误差的值如图5所示,右侧坐标表示本发明所提方法的诊断结果,前46组样本是正常的状态,第47、48组样本是故障的状态。可以看到在测试过程中有五个样本受到干扰的影响,需要进行重复测量来验证陀螺仪未发生故障。而利用本发明所提出的方法,综合考虑系统中的信息,可以避免这五次的重复测量,直接判断出陀螺仪的状态,定位出故障的仪表。
同理,可以依次给出其余陀螺仪与加速度计的故障诊断模型,逐一判断仪表的工作状态,定位到具体的故障仪表。
因此,本发明针对五表冗余的激光陀螺仪开展可解释故障诊断研究,最终的诊断结果具体到某一故障的陀螺仪或加速度计。
实施例三
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供了一种多表冗余激光惯组故障诊断系统。
该系统包括:
故障特征和故障模式确定模块,用于确定多表冗余的激光惯组的故障特征和故障模式;所述激光惯组包括多个激光陀螺仪和多个加速度计。
激光惯组故障诊断模型构建模块,用于基于所述故障特征和所述故障模式,采用置信规则库构建激光惯组故障诊断模型。
优化模块,用于基于改进坐标上升法优化所述激光惯组故障诊断模型。
故障诊断模块,用于基于优化后的激光惯组故障诊断模型对多表冗余的激光惯组进行故障诊断。
其中,故障特征和故障模式确定模块,具体包括:
陀螺仪表间误差计算单元,用于计算正交轴上的激光陀螺仪与斜置的激光陀螺仪之间的测量误差,记为陀螺仪表间误差;
加速度计表间误差计算单元,用于计算正交轴上的加速度计与斜置的加速度计之间的测量误差,记为加速度计表间误差;
激光陀螺仪稳定性偏差计算单元,用于计算所述激光陀螺仪的稳定性偏差;
加速度计稳定性偏差计算单元,用于计算所述加速度计的稳定性偏差;
故障特征确定单元,用于根据所述陀螺仪表间误差、所述加速度计表间误差、所述激光陀螺仪的稳定性偏差以及所述加速度计的稳定性偏差,确定多表冗余的激光惯组的故障特征。
其中,激光惯组故障诊断模型构建模块,具体包括:
初始激光惯组故障诊断模型确定单元,用于利用置信规则库建立所述故障特征与所述故障模式之间的关系,确定初始激光惯组故障诊断模型;
规则激活权重计算单元,用于计算规则激活权重;
激光惯组故障诊断模型确定单元,用于基于所述规则激活权重,采用证据推理算法融合激活后的规则和所述初始激光惯组故障诊断模型,得到激光惯组故障诊断模型。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
Claims (9)
1.一种多表冗余激光惯组故障诊断方法,其特征在于,包括:
确定多表冗余的激光惯组的故障特征和故障模式;所述激光惯组包括多个激光陀螺仪和多个加速度计;
基于所述故障特征和所述故障模式,采用置信规则库构建激光惯组故障诊断模型;
基于改进坐标上升法优化所述激光惯组故障诊断模型;
基于优化后的激光惯组故障诊断模型对多表冗余的激光惯组进行故障诊断。
2.根据权利要求1所述的多表冗余激光惯组故障诊断方法,其特征在于,确定多表冗余的激光惯组的故障特征,具体包括:
计算正交轴上的激光陀螺仪与斜置的激光陀螺仪之间的测量误差,记为陀螺仪表间误差;
计算正交轴上的加速度计与斜置的加速度计之间的测量误差,记为加速度计表间误差;
计算所述激光陀螺仪的稳定性偏差;
计算所述加速度计的稳定性偏差;
根据所述陀螺仪表间误差、所述加速度计表间误差、所述激光陀螺仪的稳定性偏差以及所述加速度计的稳定性偏差,确定多表冗余的激光惯组的故障特征。
3.根据权利要求1所述的多表冗余激光惯组故障诊断方法,其特征在于,基于所述故障特征和所述故障模式,采用置信规则库构建激光惯组故障诊断模型,具体包括:
利用置信规则库建立所述故障特征与所述故障模式之间的关系,确定初始激光惯组故障诊断模型;
计算规则激活权重;
基于所述规则激活权重,采用证据推理算法融合激活后的规则和所述初始激光惯组故障诊断模型,得到激光惯组故障诊断模型。
4.根据权利要求3所述的多表冗余激光惯组故障诊断方法,其特征在于,采用建立所述故障特征与所述故障模式之间的关系;其中,表示第k条置信规则,表示第P个故障特征,P=1,2...,表示第k条置信规则中第P个故障特征的参考等级,k=1,2...K,K表示置信规则的数量,表示第T个故障模式,T=1,2...,表示第k条置信规则中第T个故障模式发生的置信度,表示第k条置信规则的权重,表示第P个故障特征的权重。
5.根据权利要求4所述的多表冗余激光惯组故障诊断方法,其特征在于,所述规则激活权重的计算公式如下:
;
其中,表示第k条置信规则的规则激活权重,表示第k条置信规则的联合匹配度,k=1,2...K,K表示规则的数量,wi表示第i条置信规则的权重,di表示第i条置信规则的联合匹配度。
6.根据权利要求5所述的多表冗余激光惯组故障诊断方法,其特征在于,所述激光惯组故障诊断模型的表达式如下:
;
其中,表示第j个故障模式发生的置信度,T表示故障模式的数量,Bk,j表示第k条置信规则中第j个故障模式发生的置信度,Bk,t表示第k条置信规则中第t个故障模式发生的置信度,Bk,r表示第k条置信规则中第r个故障模式发生的置信度。
7.一种多表冗余激光惯组故障诊断系统,其特征在于,包括:
故障特征和故障模式确定模块,用于确定多表冗余的激光惯组的故障特征和故障模式;所述激光惯组包括多个激光陀螺仪和多个加速度计;
激光惯组故障诊断模型构建模块,用于基于所述故障特征和所述故障模式,采用置信规则库构建激光惯组故障诊断模型;
优化模块,用于基于改进坐标上升法优化所述激光惯组故障诊断模型;
故障诊断模块,用于基于优化后的激光惯组故障诊断模型对多表冗余的激光惯组进行故障诊断。
8.根据权利要求7所述的多表冗余激光惯组故障诊断系统,其特征在于,故障特征和故障模式确定模块,具体包括:
陀螺仪表间误差计算单元,用于计算正交轴上的激光陀螺仪与斜置的激光陀螺仪之间的测量误差,记为陀螺仪表间误差;
加速度计表间误差计算单元,用于计算正交轴上的加速度计与斜置的加速度计之间的测量误差,记为加速度计表间误差;
激光陀螺仪稳定性偏差计算单元,用于计算所述激光陀螺仪的稳定性偏差;
加速度计稳定性偏差计算单元,用于计算所述加速度计的稳定性偏差;
故障特征确定单元,用于根据所述陀螺仪表间误差、所述加速度计表间误差、所述激光陀螺仪的稳定性偏差以及所述加速度计的稳定性偏差,确定多表冗余的激光惯组的故障特征。
9.根据权利要求7所述的多表冗余激光惯组故障诊断系统,其特征在于,激光惯组故障诊断模型构建模块,具体包括:
初始激光惯组故障诊断模型确定单元,用于利用置信规则库建立所述故障特征与所述故障模式之间的关系,确定初始激光惯组故障诊断模型;
规则激活权重计算单元,用于计算规则激活权重;
激光惯组故障诊断模型确定单元,用于基于所述规则激活权重,采用证据推理算法融合激活后的规则和所述初始激光惯组故障诊断模型,得到激光惯组故障诊断模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310286976.9A CN115993138B (zh) | 2023-03-23 | 2023-03-23 | 一种多表冗余激光惯组故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310286976.9A CN115993138B (zh) | 2023-03-23 | 2023-03-23 | 一种多表冗余激光惯组故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115993138A true CN115993138A (zh) | 2023-04-21 |
CN115993138B CN115993138B (zh) | 2023-06-06 |
Family
ID=85993858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310286976.9A Active CN115993138B (zh) | 2023-03-23 | 2023-03-23 | 一种多表冗余激光惯组故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115993138B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116519021A (zh) * | 2023-06-29 | 2023-08-01 | 西北工业大学 | 一种惯性导航系统故障诊断方法、系统及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104133981A (zh) * | 2014-06-25 | 2014-11-05 | 国家电网公司 | 一种基于模糊产生式规则知识库的光伏电站故障诊断方法 |
CN108875108A (zh) * | 2017-05-16 | 2018-11-23 | 长春工业大学 | 一种基于pca和brb的轨道车辆电路故障诊断方法 |
EP3477412A1 (en) * | 2017-10-26 | 2019-05-01 | United Technologies Corporation | System fault isolation and ambiguity resolution |
CN110109441A (zh) * | 2019-04-15 | 2019-08-09 | 北京航天自动控制研究所 | 一种激光惯组故障预测方法和系统 |
WO2019167086A1 (en) * | 2018-03-01 | 2019-09-06 | Aurobinda Routray | A system for assessment of multiple faults in induction motors |
CN111259551A (zh) * | 2020-01-17 | 2020-06-09 | 中国人民解放军火箭军工程大学 | 一种基于置信规则库的惯组故障预测方法 |
CN112488497A (zh) * | 2020-11-27 | 2021-03-12 | 中国人民解放军火箭军工程大学 | 一种融合多元信息的激光惯组性能评估方法 |
WO2021218003A1 (zh) * | 2020-04-27 | 2021-11-04 | 中国电子科技集团公司第十四研究所 | 一种雷达嵌入式健康管理系统 |
CN114564000A (zh) * | 2022-03-01 | 2022-05-31 | 西北工业大学 | 基于智能飞行器执行器故障诊断的主动容错方法及系统 |
-
2023
- 2023-03-23 CN CN202310286976.9A patent/CN115993138B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104133981A (zh) * | 2014-06-25 | 2014-11-05 | 国家电网公司 | 一种基于模糊产生式规则知识库的光伏电站故障诊断方法 |
CN108875108A (zh) * | 2017-05-16 | 2018-11-23 | 长春工业大学 | 一种基于pca和brb的轨道车辆电路故障诊断方法 |
EP3477412A1 (en) * | 2017-10-26 | 2019-05-01 | United Technologies Corporation | System fault isolation and ambiguity resolution |
WO2019167086A1 (en) * | 2018-03-01 | 2019-09-06 | Aurobinda Routray | A system for assessment of multiple faults in induction motors |
CN110109441A (zh) * | 2019-04-15 | 2019-08-09 | 北京航天自动控制研究所 | 一种激光惯组故障预测方法和系统 |
CN111259551A (zh) * | 2020-01-17 | 2020-06-09 | 中国人民解放军火箭军工程大学 | 一种基于置信规则库的惯组故障预测方法 |
WO2021218003A1 (zh) * | 2020-04-27 | 2021-11-04 | 中国电子科技集团公司第十四研究所 | 一种雷达嵌入式健康管理系统 |
CN112488497A (zh) * | 2020-11-27 | 2021-03-12 | 中国人民解放军火箭军工程大学 | 一种融合多元信息的激光惯组性能评估方法 |
CN114564000A (zh) * | 2022-03-01 | 2022-05-31 | 西北工业大学 | 基于智能飞行器执行器故障诊断的主动容错方法及系统 |
Non-Patent Citations (3)
Title |
---|
ZHICHAO MING ET AL.: "Fault diagnosis of aerospace relays based on belief rule base", 2022 CHINA AUTOMATION CONGRESS (CAC) * |
王鹏;周如好;裴忠海;黄飞;盛宏媛;: "双"八表"捷联惯组冗余故障诊断技术", 上海航天, no. 1 * |
钱虹;郑子彬;冯裕卿;: "基于故障样本的滚动轴承故障诊断置信规则库研究", 电力科学与技术学报, no. 01 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116519021A (zh) * | 2023-06-29 | 2023-08-01 | 西北工业大学 | 一种惯性导航系统故障诊断方法、系统及设备 |
CN116519021B (zh) * | 2023-06-29 | 2023-09-15 | 西北工业大学 | 一种惯性导航系统故障诊断方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115993138B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9683865B2 (en) | In-use automatic calibration methodology for sensors in mobile devices | |
CN115993138B (zh) | 一种多表冗余激光惯组故障诊断方法及系统 | |
CN107972070A (zh) | 机器人性能的测试方法、测试系统及计算机可读存储介质 | |
CN111259551A (zh) | 一种基于置信规则库的惯组故障预测方法 | |
Sushchenko et al. | Processing of redundant information in airborne electronic systems by means of neural networks | |
Fontanella et al. | An extensive analysis for the use of back propagation neural networks to perform the calibration of MEMS gyro bias thermal drift | |
CN107831660A (zh) | 微陀螺仪自适应高阶超扭曲滑模控制方法 | |
CN112077839B (zh) | 一种机械臂的运动控制方法及装置 | |
CN112181002A (zh) | 微陀螺仪双递归扰动模糊神经网络分数阶滑模控制方法 | |
CN111879348A (zh) | 一种惯性仪表性能地面测试系统效能分析方法 | |
CN111737880B (zh) | 基于复合信息熵的惯性仪表测试效能评估方法 | |
Wu et al. | An inertial device biases on-line monitoring method in the applications of two rotational inertial navigation systems redundant configuration | |
CN105675017A (zh) | 一种应用于光电平台的光纤陀螺随机漂移补偿方法 | |
CN111561930A (zh) | 一种车载mems陀螺仪随机漂移误差的抑制方法 | |
CN115857529A (zh) | 航天器姿态控制系统的执行器故障重构方法 | |
Kecskés et al. | Simultaneous calibration of a hexapod robot and an IMU sensor model based on raw measurements | |
CN115993077B (zh) | 复杂路况运输情况下惯导系统优选决策方法及系统 | |
Velázquez et al. | A new algorithm for fault tolerance in redundant sensor systems based on real-time variance estimation | |
CN116678434A (zh) | 一种基于区间值置信规则库的三自激光惯组故障检测方法 | |
Chen et al. | Multi-frequency data fusion for attitude estimation based on multi-layer perception and cubature kalman filter | |
CN116608859A (zh) | 一种基于阈值处理的自适应无迹卡尔曼滤波的导航方法、存储介质和设备 | |
RU2658571C1 (ru) | Способ коррекции инерциальной навигационной системы | |
De Cock et al. | Subspace system identification for mechanical engineering | |
Proletarsky et al. | Intelligent Algorithm of Measuring Complex for Aircrafts | |
CN110987018A (zh) | 比力微分的位置法dvl误差标定方法及系统 |
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 |