CN116026367B - 基于数字孪生技术的激光惯组故障诊断方法、系统及设备 - Google Patents
基于数字孪生技术的激光惯组故障诊断方法、系统及设备 Download PDFInfo
- Publication number
- CN116026367B CN116026367B CN202310314675.2A CN202310314675A CN116026367B CN 116026367 B CN116026367 B CN 116026367B CN 202310314675 A CN202310314675 A CN 202310314675A CN 116026367 B CN116026367 B CN 116026367B
- Authority
- CN
- China
- Prior art keywords
- model
- measurement unit
- inertial measurement
- laser inertial
- drift data
- 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
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000003745 diagnosis Methods 0.000 title claims abstract description 43
- 238000005516 engineering process Methods 0.000 title claims abstract description 29
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000013461 design Methods 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 12
- 241001123248 Arma Species 0.000 description 21
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 235000015842 Hesperis Nutrition 0.000 description 1
- 235000012633 Iberis amara Nutrition 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010971 suitability test Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Navigation (AREA)
- Gyroscopes (AREA)
Abstract
本发明提供了一种基于数字孪生技术的激光惯组故障诊断方法、系统及设备,涉及激光惯组故障诊断领域。该方法包括:采用时间序列分析方法,根据激光惯组的漂移数据,建立时间序列模型;所述漂移数据包括激光陀螺仪的漂移数据和加速度计的漂移数据;对所述时间序列模型进行卡尔曼滤波器设计,建立激光惯组随时间动态变化的数字孪生模型;将所述激光惯组的漂移数据作为所述数据孪生模型的输入,输出滤波后的漂移数据;根据所述滤波后的漂移数据确定所述激光惯组的故障阈值;根据所述故障阈值诊断所述激光惯组的当前状态;所述当前状态包括正常状态以及故障状态。本发明能够提高故障诊断精度。
Description
技术领域
本发明涉及激光惯组故障诊断领域,特别是涉及一种基于数字孪生技术的激光惯组故障诊断方法、系统及设备。
背景技术
随着当今航天航空惯性导航技术的发展,激光陀螺捷联惯性测量组合(简称激光惯组),以其稳定性好、启动快、测量精度高、服役寿命长的优点,已经广泛应用于火箭、大型战略导弹、飞机等航天航空领域。
激光惯组作为惯性导航系统的关键部件之一,可以在不依赖外界条件下,通过自身内部的激光陀螺仪和加速度计等组件,实现自主精准定位导航。然而,由于工作环境中存在的温湿度、气压、振动、电磁等因素影响,激光惯组会发生性能退化,引发故障,从而造成难以估计的后果。因此,必须及时、有效、准确开展对激光惯组进行故障诊断,从而为下一步装备的维修以及备件更换提供决策依据。
激光惯组的故障诊断依赖于测试数据,关键在于对激光惯组重要组成部件激光陀螺仪和加速度计的漂移数据的检测和诊断。受噪声、漂移、闭锁效应等因素影响,激光惯组测试数据中存在的随机误差会影响故障诊断精度。
发明内容
本发明的目的是提供一种基于数字孪生技术的激光惯组故障诊断方法、系统及设备,以解决激光惯组测试数据中存在的随机误差影响故障诊断精度的问题。
为实现上述目的,本发明提供了如下方案:
一种基于数字孪生技术的激光惯组故障诊断方法,包括:
采用时间序列分析方法,根据激光惯组的漂移数据,建立时间序列模型;所述漂移数据包括激光陀螺仪的漂移数据和加速度计的漂移数据;
对所述时间序列模型进行卡尔曼滤波器设计,建立激光惯组随时间动态变化的数字孪生模型;
将所述激光惯组的漂移数据作为所述数据孪生模型的输入,输出滤波后的漂移数据;
根据所述滤波后的漂移数据确定所述激光惯组的故障阈值;
根据所述故障阈值诊断所述激光惯组的当前状态;所述当前状态包括正常状态以及故障状态。
可选的,采用时间序列分析方法,根据激光惯组的漂移数据,建立时间序列模型,具体包括:
采用时间序列分析方法,根据激光惯组的激光陀螺仪和加速度计的漂移数据,建立自回归滑动平均模型;
基于所述自回归滑动平均模型,从低阶模型开始拟合,逐渐向高阶模型进行逼近,生成不同阶数的模型;
采用残差平方和检验准则中的F-准则对不同阶数的模型进行检验,判断高阶模型与低阶模型的残差平方和的差异是否显著,生成对比结果;
根据所述对比结果选择时间序列模型。
可选的,所述自回归滑动平均模型为:
可选的,对所述时间序列模型进行卡尔曼滤波器设计,建立激光惯组随时间动态变化的数字孪生模型,具体包括:
设定系统状态方程、过程噪声以及模型估计误差;
根据所述系统状态方程以及所述过程噪声构建状态方程;
根据所述时间序列模型、所述模型估计误差以及所述状态方程构建观测方程;
根据所述状态方程以及所述观测方程构建卡尔曼滤波递推公式;
基于所述卡尔曼滤波递推公式,建立激光惯组随时间动态变化的数字孪生模型。
可选的,根据所述滤波后的漂移数据确定所述激光惯组的故障阈值,具体包括:
确定所述滤波后的漂移数据的均值和方差;
根据所述均值和方差确定所述激光惯组的故障阈值。
可选的,根据所述故障阈值诊断所述激光惯组的当前状态,具体包括:
当所述故障阈值大于0时,确定所述激光惯组的当前状态为故障状态;
当所述故障阈值不大于0时,确定所述激光惯组的当前状态为正常状态。
一种基于数字孪生技术的激光惯组故障诊断系统,包括:
时间序列模型建立模块,用于采用时间序列分析方法,根据激光惯组的漂移数据,建立时间序列模型;所述漂移数据包括激光陀螺仪的漂移数据和加速度计的漂移数据;
数字孪生模型建立模块,用于对所述时间序列模型进行卡尔曼滤波器设计,建立激光惯组随时间动态变化的数字孪生模型;
滤波模块,用于将所述激光惯组的漂移数据作为所述数据孪生模型的输入,输出滤波后的漂移数据;
故障阈值确定模块,用于根据所述滤波后的漂移数据确定所述激光惯组的故障阈值;
当前状态确定模块,用于根据所述故障阈值诊断所述激光惯组的当前状态;所述当前状态包括正常状态以及故障状态。
可选的,时间序列模型建立模块,具体包括:
自回归滑动平均模型建立单元,用于采用时间序列分析方法,根据激光惯组的激光陀螺仪和加速度计的漂移数据,建立自回归滑动平均模型;
不同阶数的模型生成单元,用于基于所述自回归滑动平均模型,从低阶模型开始拟合,逐渐向高阶模型进行逼近,生成不同阶数的模型;
F-准则检验单元,用于采用残差平方和检验准则中的F-准则对不同阶数的模型进行检验,判断高阶模型与低阶模型的残差平方和的差异是否显著,生成对比结果;
时间序列模型选择单元,用于根据所述对比结果选择时间序列模型。
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述所述的基于数字孪生技术的激光惯组故障诊断方法。
一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述所述的基于数字孪生技术的激光惯组故障诊断方法。
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:本发明提供了一种基于数字孪生技术的激光惯组故障诊断方法、系统及设备,基于激光惯组的激光陀螺仪和加速度计的漂移数据,建立激光惯组随时间动态变化的数字孪生模型,其中,数字孪生模型包括两个部分,一是基于时间序列建模,二是卡尔曼滤波器构建;在构建数字孪生模型的基础上,将漂移数据作为数字孪生模型的输入,得到消除随机误差干扰、高精度的漂移数据;最后,采用统计分析的方法计算得到激光惯组的故障阈值,从而实现激光惯组的故障诊断。本发明利用数字孪生技术解决激光惯组测试数据中随机误差对激光惯组故障诊断精度的影响,从而实现对激光惯组的准确、及时的故障诊断。
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为本发明所提供的基于数字孪生技术的激光惯组故障诊断方法流程图;
图2为本发明所提供的选择时间序列模型的方法流程图;
图3为本发明所提供的激光陀螺漂移数据示意图;
图4为本发明所提供的滤波后的漂移数据示意图。
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基于数字孪生技术的激光惯组故障诊断方法、系统及设备,提高了故障诊断精度。
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。
如图1所示,本发明提供了一种基于数字孪生技术的激光惯组故障诊断方法,包括:
步骤101:采用时间序列分析方法,根据激光惯组的漂移数据,建立时间序列模型;所述漂移数据包括激光陀螺仪的漂移数据和加速度计的漂移数据。
在实际应用中,步骤101具体包括:采用时间序列分析方法,根据激光惯组的激光陀螺仪和加速度计的漂移数据,建立自回归滑动平均模型;基于所述自回归滑动平均模型,从低阶模型开始拟合,逐渐向高阶模型进行逼近,生成不同阶数的模型;采用残差平方和检验准则中的F-准则对不同阶数的模型进行检验,判断高阶模型与低阶模型的残差平方和的差异是否显著,生成对比结果;根据所述对比结果选择时间序列模型。
其中,和/>为高、低阶模型阶次,/>和/>为高、低阶模型的残差平方和,则统计量服从自由度为/>和/>的/>分布,即/> ,/>表示指标样本个数;对于/>模型,模型阶次为/>,/>为自回归模型阶数,/>为滑动平均模型阶数;对于/>模型,模型阶次为滑动平均模型阶数/>。
作为本发明可选的一种实施方式,采用时间序列分析的方法,基于激光陀螺仪和加速度计的漂移数据建立自回归滑动平均模型,如下式所示:
由于惯组漂移数据大多数情况下为非平稳的,故采用非平稳时间序列Pandit-Wu方法进行建模,主要步骤如图2所示。
设定模型阶次n=0,拟合自回归滑动平均(Autoregressive moving averagemodel,ARMA)(2n+2,2n+1)模型,判断ARMA(2n+2,2n+1)模型和ARMA(2n,2n+1)模型的残差平方和的差别是否显著,得到第一判断结果。
若所述第一判断结果为是,增加模型阶次n=n+1。
若所述第二判断结果为是,拟合ARMA(2n-1,2n-2)模型,并与ARMA(2n,2n-1)模型比较,判断ARMA(2n-1,2n-2)模型与ARMA(2n,2n-1)模型的残差平方和的差别是否显著,得到第三判断结果。
若所述第三判断结果为是,去掉较小的滑动平均模型参数,用F检验确定合适的ARMA(2n,m)模型,m<2n-1。
若所述第三判断结果为否,去掉较小的MA参数,用F检验确定合适的ARMA(2n-1,m)模型,m<2n-2。
若所述第二判断结果为否,确定ARMA(2n,2n-1)模型适用。
若有必要,根据第二判断结果以及第三判断结果所确定的适用模型的基础上拟合所需形式的模型,如自回归(Auto-regressive,AR)模型或滑动平均(Moving-Average,MA)模型等。
从低阶模型ARMA(2,1)开始拟合,逐渐向高阶模型进行逼近,模型阶次增加步长设置为2,即以ARMA(2n+2,2n+1)进行逐步拟合;通过判断残差平方和是否显著,若不显著,则增加ARMA(2n+2,2n+1)模型进行比较,其中不同阶模型的参数采用非线性最小二乘进行估计。
步骤102:对所述时间序列模型进行卡尔曼滤波器设计,建立激光惯组随时间动态变化的数字孪生模型。
在实际应用中,步骤102具体包括:设定系统状态方程、过程噪声以及模型估计误差;根据所述系统状态方程以及所述过程噪声构建状态方程;根据所述时间序列模型、所述模型估计误差以及所述状态方程构建观测方程;根据所述状态方程以及所述观测方程构建卡尔曼滤波递推公式;基于所述卡尔曼滤波递推公式,建立激光惯组随时间动态变化的数字孪生模型。
作为本发明可选的一种实施方式,假定所建立模型为ARMA(2,1)模型,并以该模型为例进行卡尔曼滤波器设计。首先,ARMA(2,1)模型可表示为如下所示:
基于上述状态方程和观测方程,可以写出卡尔曼滤波递推公式:
其中,表示矩阵的转置,/>表示/>时刻滤波器状态,/>表示滤波器的一步预测估计,/>表示/>时刻滤波器的输出,/>表示增益矩阵,/>表示系统测量噪声方差,/>表示系统的过程噪声方差,其值取为/>,/>为滤波误差的协方差阵,/>为一步预测误差的协方差阵,/>的初值为/>,/>为单位矩阵,然后将激光惯组的漂移数据输入到卡尔曼滤波器中,即可对数据进行滤波。
步骤103:将所述激光惯组的漂移数据作为所述数据孪生模型的输入,输出滤波后的漂移数据。
步骤104:根据所述滤波后的漂移数据确定所述激光惯组的故障阈值。
步骤105:根据所述故障阈值诊断所述激光惯组的当前状态;所述当前状态包括正常状态以及故障状态。
经过卡尔曼滤波后,有效减少了激光惯组的漂移数据中随机误差的干扰,从而提高了漂移数据的测量精度。在得到滤波后的漂移数据后,通过工程上统计分析方法,计算其均值方差,从而得到激光惯组的故障阈值。
实验验证
为验证本发明所提供的基于数字孪生技术的激光惯组故障诊断方法,以激光惯组的激光陀螺仪和加速度计漂移数据为实验支撑,所获取的数据包含700组漂移数据,接下来将以激光惯组的第一激光陀螺仪为例,展示故障诊断流程。建模前对原始数据进行预处理,其中,部分原始数据如表1所示,表1为激光惯组第一激光陀螺仪的漂移数据表。
表1
步骤1:数字孪生模型的构建。采用非线性最小二乘法进行时间序列模型参数的估计,设模型为:
表2
说明:
1)表中“±”值表示所得的参数位于95%的置信区间。
2)表格末行括号表示与该ARMA模型所比较的模型阶次。
步骤2:数字孪生模型的校验与选择。由于ARMA(2,1)模型相对于ARMA(4,3)的F值为2.61,介于F0.95(4,∞)=2.41和F0.99(4,∞)=3.36之间,且ARMA(2,1)模型的残差自相关函数在范围内,ARMA(2,1)模型也是合适的。根据陀螺仪的漂移数据建立时间序列模型,所得结果如下所示。
步骤3:卡尔曼滤波。
基于卡尔曼滤波方程(5),将漂移数据输入到卡尔曼滤波器的中,经计算仿真可以得到输入和输出后的图像,图3为本发明所提供的激光陀螺漂移数据示意图,图4为本发明所提供的滤波后的漂移数据示意图,如图3-图4所示。
由图3-图4的结果可以看出,第105组和第224组以及第265组和第315组数据超过了故障阈值,即认为该陀螺仪发生了故障。利用本专利所提出的方法,综合考虑系统中的漂移数据,从而进行激光惯组的故障诊断,同理,可以依次实现对其余陀螺仪与加速度计的故障诊断。
本发明利用数字孪生技术建立激光惯组的数字孪生模型,一方面,物理空间中的产品为虚拟空间的孪生模型提供实时测试数据,另一方面,虚拟空间利用获取到的测试数据进行建模仿真,从而为物理空间产品提供全寿命周期服务,通过结合数字孪生技术理念,基于激光惯组的实时漂移数据,采用时间序列方法和卡尔曼滤波方法进行建模,实现对激光惯组的故障诊断,避免了噪声、漂移、闭锁效应等因素的影响,提高了故障诊断精度。
实施例二
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,下面提供一种基于数字孪生技术的激光惯组故障诊断系统。
一种基于数字孪生技术的激光惯组故障诊断系统,包括:
时间序列模型建立模块,用于采用时间序列分析方法,根据激光惯组的漂移数据,建立时间序列模型;所述漂移数据包括激光陀螺仪的漂移数据和加速度计的漂移数据。
在实际应用中,时间序列模型建立模块,具体包括:自回归滑动平均模型建立单元,用于采用时间序列分析方法,根据激光惯组的激光陀螺仪和加速度计的漂移数据,建立自回归滑动平均模型;不同阶数的模型生成单元,用于基于所述自回归滑动平均模型,从低阶模型开始拟合,逐渐向高阶模型进行逼近,生成不同阶数的模型;F-准则检验单元,用于采用残差平方和检验准则中的F-准则对不同阶数的模型进行检验,判断高阶模型与低阶模型的残差平方和的差异是否显著,生成对比结果;时间序列模型选择单元,用于根据所述对比结果选择时间序列模型。
数字孪生模型建立模块,用于对所述时间序列模型进行卡尔曼滤波器设计,建立激光惯组随时间动态变化的数字孪生模型。
滤波模块,用于将所述激光惯组的漂移数据作为所述数据孪生模型的输入,输出滤波后的漂移数据。
故障阈值确定模块,用于根据所述滤波后的漂移数据确定所述激光惯组的故障阈值。
当前状态确定模块,用于根据所述故障阈值诊断所述激光惯组的当前状态;所述当前状态包括正常状态以及故障状态。
实施例三
本发明实施例提供一种电子设备包括存储器及处理器,该存储器用于存储计算机程序,该处理器运行计算机程序以使电子设备执行实施例一提供的基于数字孪生技术的激光惯组故障诊断方法。
在实际应用中,上述电子设备可以是服务器。
在实际应用中,电子设备包括:至少一个处理器(processor)、存储器(memory)、总线及通信接口(Communications Interface)。
其中:处理器、通信接口、以及存储器通过通信总线完成相互间的通信。
通信接口,用于与其它设备进行通信。
处理器,用于执行程序,具体可以执行上述实施例所述的方法。
具体地,程序可以包括程序代码,该程序代码包括计算机操作指令。
处理器可能是中央处理器CPU,或者是特定集成电路ASIC(Application SpecificIntegrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器,用于存放程序。存储器可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
基于以上实施例的描述,本申请实施例提供一种存储介质,其上存储有计算机程序指令,计算机程序指令可被处理器执行以实现任意实施例所述的方法
本申请实施例提供的基于数字孪生技术的激光惯组故障诊断系统以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网性能。这类终端包括:PDA、MID和UMPC设备等,例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod),掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)其他具有数据交互功能的电子设备。
至此,已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序,以实现期望的结果。在某些实施方式中,多任务处理和并行处理可以是有利的。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。本领域内的技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、
数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带、磁盘存储或其他磁性存储设备
或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定事务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行事务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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本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;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于数字孪生技术的激光惯组故障诊断方法,其特征在于,包括:
采用时间序列分析方法,根据激光惯组的漂移数据,建立时间序列模型,具体包括:采用时间序列分析方法,根据激光惯组的激光陀螺仪和加速度计的漂移数据,建立自回归滑动平均模型;基于所述自回归滑动平均模型,从低阶模型开始拟合,逐渐向高阶模型进行逼近,生成不同阶数的模型;采用残差平方和检验准则中的F-准则对不同阶数的模型进行检验,判断高阶模型与低阶模型的残差平方和的差异是否显著,生成对比结果;根据所述对比结果选择时间序列模型;所述漂移数据包括激光陀螺仪的漂移数据和加速度计的漂移数据;
对所述时间序列模型进行卡尔曼滤波器设计,建立激光惯组随时间动态变化的数字孪生模型;
将所述激光惯组的漂移数据作为所述数字孪生模型的输入,输出滤波后的漂移数据;
根据所述滤波后的漂移数据确定所述激光惯组的故障阈值;
根据所述故障阈值诊断所述激光惯组的当前状态;所述当前状态包括正常状态以及故障状态。
3.根据权利要求1所述的基于数字孪生技术的激光惯组故障诊断方法,其特征在于,对所述时间序列模型进行卡尔曼滤波器设计,建立激光惯组随时间动态变化的数字孪生模型,具体包括:
设定系统状态方程、过程噪声以及模型估计误差;
根据所述系统状态方程以及所述过程噪声构建状态方程;
根据所述时间序列模型、所述模型估计误差以及所述状态方程构建观测方程;
根据所述状态方程以及所述观测方程构建卡尔曼滤波递推公式;
基于所述卡尔曼滤波递推公式,建立激光惯组随时间动态变化的数字孪生模型。
4.根据权利要求1所述的基于数字孪生技术的激光惯组故障诊断方法,其特征在于,根据所述滤波后的漂移数据确定所述激光惯组的故障阈值,具体包括:
确定所述滤波后的漂移数据的均值和方差;
根据所述均值和方差确定所述激光惯组的故障阈值。
5.根据权利要求4所述的基于数字孪生技术的激光惯组故障诊断方法,其特征在于,根据所述故障阈值诊断所述激光惯组的当前状态,具体包括:
当所述故障阈值大于0时,确定所述激光惯组的当前状态为故障状态;
当所述故障阈值不大于0时,确定所述激光惯组的当前状态为正常状态。
6.一种基于数字孪生技术的激光惯组故障诊断系统,其特征在于,包括:
时间序列模型建立模块,用于采用时间序列分析方法,根据激光惯组的漂移数据,建立时间序列模型;所述漂移数据包括激光陀螺仪的漂移数据和加速度计的漂移数据;时间序列模型建立模块,具体包括:自回归滑动平均模型建立单元,用于采用时间序列分析方法,根据激光惯组的激光陀螺仪和加速度计的漂移数据,建立自回归滑动平均模型;不同阶数的模型生成单元,用于基于所述自回归滑动平均模型,从低阶模型开始拟合,逐渐向高阶模型进行逼近,生成不同阶数的模型;F-准则检验单元,用于采用残差平方和检验准则中的F-准则对不同阶数的模型进行检验,判断高阶模型与低阶模型的残差平方和的差异是否显著,生成对比结果;时间序列模型选择单元,用于根据所述对比结果选择时间序列模型;
数字孪生模型建立模块,用于对所述时间序列模型进行卡尔曼滤波器设计,建立激光惯组随时间动态变化的数字孪生模型;
滤波模块,用于将所述激光惯组的漂移数据作为所述数字孪生模型的输入,输出滤波后的漂移数据;
故障阈值确定模块,用于根据所述滤波后的漂移数据确定所述激光惯组的故障阈值;
当前状态确定模块,用于根据所述故障阈值诊断所述激光惯组的当前状态;所述当前状态包括正常状态以及故障状态。
7.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1-5中任一项所述的基于数字孪生技术的激光惯组故障诊断方法。
8.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的基于数字孪生技术的激光惯组故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310314675.2A CN116026367B (zh) | 2023-03-29 | 2023-03-29 | 基于数字孪生技术的激光惯组故障诊断方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310314675.2A CN116026367B (zh) | 2023-03-29 | 2023-03-29 | 基于数字孪生技术的激光惯组故障诊断方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116026367A CN116026367A (zh) | 2023-04-28 |
CN116026367B true CN116026367B (zh) | 2023-07-04 |
Family
ID=86089611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310314675.2A Active CN116026367B (zh) | 2023-03-29 | 2023-03-29 | 基于数字孪生技术的激光惯组故障诊断方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116026367B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113670337A (zh) * | 2021-09-03 | 2021-11-19 | 东南大学 | 一种用于gnss/ins组合导航卫星缓变故障检测方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9568321B2 (en) * | 2010-04-19 | 2017-02-14 | Honeywell International Inc. | Systems and methods for determining inertial navigation system faults |
CN102735265B (zh) * | 2012-06-18 | 2014-12-17 | 北京控制工程研究所 | 一种基于陀螺漂移估计值的星敏感器周期性故障检测方法 |
US10982959B2 (en) * | 2016-09-06 | 2021-04-20 | The Charles Stark Draper Laboratory, Inc. | Fused sensor ensemble for navigation and calibration process therefor |
CN109387219A (zh) * | 2017-08-02 | 2019-02-26 | 珊口(上海)智能科技有限公司 | 误差标定系统 |
CN108469270B (zh) * | 2018-03-20 | 2019-07-30 | 西安电子科技大学 | 基于时间序列分析的手机陀螺仪零偏动态补偿方法 |
CN109583100B (zh) * | 2018-12-04 | 2022-05-24 | 哈尔滨工业大学 | 一种基于ago-rvm的陀螺仪故障预测方法 |
CN109799405A (zh) * | 2019-01-31 | 2019-05-24 | 西安工程大学 | 一种基于时间序列-卡尔曼滤波的变压器故障预测方法 |
CN109813342B (zh) * | 2019-02-28 | 2020-02-21 | 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 |
CN110763253A (zh) * | 2019-10-09 | 2020-02-07 | 哈尔滨工程大学 | 一种基于svr的组合导航系统故障诊断方法 |
CN111141313B (zh) * | 2020-01-06 | 2023-04-07 | 西安理工大学 | 一种提高机载局部相对姿态匹配传递对准精度的方法 |
CN114754791A (zh) * | 2021-01-11 | 2022-07-15 | 北京九天微星科技发展有限公司 | 微机械在轨陀螺故障检测方法及装置 |
CN113379123A (zh) * | 2021-06-09 | 2021-09-10 | 中德(珠海)人工智能研究院有限公司 | 基于数字孪生的故障预测方法、装置、服务器及存储介质 |
CN115752516A (zh) * | 2022-12-08 | 2023-03-07 | 武汉华中天易星惯科技有限公司 | 一种基于激光陀螺的惯性导航设备故障检测方法 |
CN115790670B (zh) * | 2023-02-10 | 2023-05-05 | 中国科学院国家空间科学中心 | 一种冗余捷联惯组故障检测方法及系统 |
-
2023
- 2023-03-29 CN CN202310314675.2A patent/CN116026367B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113670337A (zh) * | 2021-09-03 | 2021-11-19 | 东南大学 | 一种用于gnss/ins组合导航卫星缓变故障检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116026367A (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200218507A1 (en) | Data merge processing based on differences between source and merged data | |
CN114234984B (zh) | 基于差分矩阵的室内定位轨迹平滑方法、系统及设备 | |
CN116026367B (zh) | 基于数字孪生技术的激光惯组故障诊断方法、系统及设备 | |
CN108108335A (zh) | 一种野值剔除方法及装置 | |
CN109471192B (zh) | 一种全自动重力测试仪高精度动态数据处理方法 | |
CN115840992B (zh) | 一种弹性飞行器飞行仿真方法、系统、计算机存储介质及终端 | |
CN116699598A (zh) | 基于一致性滤波的多传感器目标跟踪方法、系统及设备 | |
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 | |
US20130085725A1 (en) | Method and circuit for calculating sensor modelling coefficients | |
Zhang et al. | Denoising and trend terms elimination algorithm of accelerometer signals | |
CN112242959B (zh) | 微服务限流控制方法、装置、设备及计算机存储介质 | |
CN117610309A (zh) | 考虑备件退化条件下贮备系统寿命预测方法、系统及设备 | |
CN117664117B (zh) | 一种光纤陀螺的漂移数据分析及优化补偿方法 | |
CN112364292B (zh) | 一种基于Ransac的密集目标跟踪方法、装置、设备和介质 | |
Ma et al. | Modified Kalman Filter with Recursive Covariance Estimation for Gyroscope Denoising | |
CN116340067A (zh) | 一种节点服务性能差异检测方法和装置 | |
CN116448105B (zh) | 位姿更新方法、装置、电子设备和存储介质 | |
CN112099350B (zh) | 一种mems陀螺仪动态逆控制方法和装置 | |
US11733302B2 (en) | Complicated system fault diagnosis method and system based on multi-stage model | |
CN112698368B (zh) | 一种导航接收机的导航信号解析方法及计算机存可读介质 | |
CN114372237B (zh) | 一种分布式状态估计方法 | |
CN109521226B (zh) | 一种速度计算方法、系统、电子设备及可读存储介质 | |
CN117889851A (zh) | 姿态确定方法、装置、设备及存储介质 | |
Wang et al. | An improved sensitivity method for the simultaneous identification of unknown parameters and external loads of nonlinear structures | |
CN114894140A (zh) | 一种测量三维模型间隔厚度的方法、装置、设备和介质 |
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 |