CN116482716B - 一种空基导航增强自组网的节点故障检测方法 - Google Patents
一种空基导航增强自组网的节点故障检测方法 Download PDFInfo
- Publication number
- CN116482716B CN116482716B CN202310752884.5A CN202310752884A CN116482716B CN 116482716 B CN116482716 B CN 116482716B CN 202310752884 A CN202310752884 A CN 202310752884A CN 116482716 B CN116482716 B CN 116482716B
- Authority
- CN
- China
- Prior art keywords
- node
- fault
- nodes
- state
- observation
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 239000002245 particle Substances 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000003657 Likelihood-ratio test Methods 0.000 claims abstract description 7
- 238000002955 isolation Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 17
- 230000009471 action Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000009897 systematic effect Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 238000009792 diffusion process Methods 0.000 abstract description 3
- 230000008030 elimination Effects 0.000 abstract description 2
- 238000003379 elimination reaction Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Security & Cryptography (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明涉及一种空基导航增强自组网的节点故障检测方法,属于导航增强技术领域,包括:对于临近空间布设的节点间协同定位的空基导航增强自组网,建立协同定位的中心节点运动状态方程,中心节点相对于导航卫星及其他协同节点的观测方程;在观测方程中包括故障状态参数;基于建立的系统状态方程和观测方程,采用粒子滤波的递推计算进行协同定位;在协同定位递推计算过程中,采用似然比检验进行协同定位节点的故障检测,并在故障状态参数中对检测出的故障节点进行标识,以隔离故障节点。本发明实现了故障节点的检测与排除,避免了故障节点的定位偏差在网络中传播和扩散,保证了定位的精度。
Description
技术领域
本发明属于导航增强技术领域,具体涉及一种空基导航增强自组网的节点故障检测方法。
背景技术
布设在临近空间的空基导航增强自组网会受到多种潜在的异常因素的影响,真实分布未知,呈现非高斯性,从而节点在少数情况下产生较大的定位偏差,导致测距误差特征参数与误差包络特征参数不符。此时,用户继续使用误差包络特征参数所计算的保护级将无法以指定概率包络定位误差。同时,导航增强自组网中节点的协同定位机制导致节点测距误差存在相关性,飞艇的定位误差间存在复杂的非线性关联关系。同时,每个节点状态的变化都会随着这种协作关联关系在网络中传播和扩散,单一节点的异常定位误差会在多个节点的耦合作用下扩散至整个自组网中,即如果其中一个节点存在较大定位误差,该误差将通过协同定位影响自组网中的其他节点,从而产生较大的定位偏差。单个节点的异常若不及时发现和排除,则会影响临近多个节点的性能。因此,为保障复杂条件下的稳定组网,导航增强自组网应能够自主对故障进行检测并排除受影响的节点。由于导航增强自组网节点间协同定位,采用滤波的方式进行信息融合,故难以采用类似现有RAIM技术的快照方法。
发明内容
鉴于上述的分析,本发明旨在公开了一种空基导航增强自组网的节点故障检测方法,用于进行故障节点的检测与排除。
本发明公开了一种空基导航增强自组网的节点故障检测方法,包括:
对于临近空间布设的节点间协同定位的空基导航增强自组网,建立协同定位的中心节点运动状态方程,中心节点相对于导航卫星及其他协同节点的观测方程;在观测方程中包括故障状态参数;
基于建立的系统状态方程和观测方程,采用粒子滤波的递推计算进行协同定位;
在协同定位递推计算过程中,采用似然比检验进行协同定位节点的故障检测,并在故障状态参数中对检测出的故障节点进行标识,以隔离故障节点。
进一步地,在似然比检验中,利用协同定位的全节点集合的状态观测似然概率密度与节点隔离后的各隔离子集的状态观测似然概率密度建立的对数似然比;采用对数似然比构造出作为故障检测的检验统计量。
进一步地,所述空基导航增强自组网为双层网络结构,包括上、下两层网络;下层网络中任意三个邻居节点构成等边三角形;上层网络的每一个节点均位于由下层邻居节点构成的等边三角形的质心正上方,一个上层节点和对应的三个下层节点构成三棱锥型;
在进行节点间协同定位时,每个作为协同定位的中心节点的网络节点仅与其直接相邻的各网络节点进行相互协同;最大协同距离为下层网络中的节点与其最近的邻居节点的距离。
进一步地,中心节点运动状态方程为:
;
其中,代表状态方程;/>、/>分别为k、k-1时刻的节点运动状态,/>为状态转移噪声;
节点运动状态;
其中,为k时刻节点的GNSS接收机天线在ECEF坐标系中的位置,为速度,/>为加速度,/>为接收机钟差,/>为钟漂。
进一步地,中心节点相对于导航卫星及其他协同节点的观测方程为:
;
其中,代表观测方程;/>为系统观测量;/>为观测噪声矩阵,/>为故障状态参数;
系统观测量包含卫星伪距观测值及协同节点间的测距观测值:
;
为中心节点中GNSS接收机对n颗导航卫星观测的伪距观测值/>;/>为中心节点中GNSS接收机对m个协同节点相对测距的测距观测值/>;
观测噪声矩阵;其中,/>为对导航卫星观测的伪距误差矢量;/>为对协同节点相对测距误差矢量。
进一步地,使用表示与故障节点j相对应的故障状态参数;
;
其中b为故障偏差,为(n+m)×1维的故障模式矢量;当检测出第j个节点故障,则将/>中与第j个节点对应的第j行置为1(n+1≤j≤n+m);
当故障为单故障模式时,有且只有一个与故障节点j对应的第j行为1,其他元素为0;
当故障为多故障模式时,中除主故障节点j对应的第j行为1时,还将由于主故障节点j连带造成的其他子故障节点对应的其他行置1。
进一步地,在导航增强自组网构型中,多故障模式包括:
(1)M1:对下层中心节点X,临近下层节点Y出现故障,上层中在连接点X、Y的线段两侧,存在两个离节点Y最近的上层节点Y1和Y2,由于主节点Y的故障导致Y1和Y2故障为M1故障;
(2)M2:对下层中心节点X,临近上层节点Y出现故障,下层中在点X到点Y射线方向的两侧,存在两个离节点Y最近的下层节点Y1和Y2,由于主节点Y的故障导致Y1和Y2故障为M2故障;
(3)M3:对上层中心节点X,临近上层节点Y出现故障,下层中在连接点X、Y的线段两侧,存在两个离节点Y最近的节点下层Y1和Y2,由于主节点Y的故障导致Y1和Y2故障为M3故障;
(4)M4:对上层中心节点X,临近下层节点Y出现故障,上层中在点X到点Y射线方向的两侧,存在四个离节点Y最近的上层节点Y1、Y2、Y3和Y4,由于主节点Y的故障导致Y1、Y2、Y3和Y4故障为M4故障。
进一步地,采用粒子滤波的递推计算进行协同定位过程包括:
步骤S2-1、进行包括行递推时刻、节点状态、粒子集合和故障检测阈值初始化在内的粒子滤波初始化;
步骤S2-2、进行递推计算,对于当前时刻k,构造包括协同定位的全节点集合和与有节点隔离后的各隔离子集合的状态量和观测量;
步骤S2-3、分别对各个集合,进行重要性采样,根据k-1时刻粒子获得k时刻全节点集合与隔离子集合对应的先验粒子;
步骤S2-4、根据全节点集合的先验粒子计算的状态观测似然概率密度和隔离子集合的先验粒子计算的状态观测似然概率密度,构造对数似然比作为故障检测的检验统计量;
步骤S2-5、利用检验统计量进行故障检测,若发现某个隔离的节点为故障节点,在故障状态参数中对检测出的故障节点进行标识;
循环步骤S2-2~S2-5,先进行单个节点隔离后的故障检测,在检测出故障节点后,以此节点为主节点,确定出相关多故障模式对应的相关节点,分别进行节点隔离后的故障检测,直至检测出所有故障节点,并在故障状态参数中进行标识后,进入步骤S2-6;
步骤S2-6、排除所有的故障节点的观测值后,重新进行似然概率密度计算;根据计算的似然概率密度进行粒子权值的更新;
步骤S2-7、进行重采样判定,若有效粒子数小于阈值则进行重采样产生后验粒子;
步骤S2-8、进行当前时刻k的节点状态估计;更新当前时刻k系统状态后,返回步骤S2-2进行下一时刻的粒子滤波。
进一步地,全节点集合的先验粒子计算的状态观测似然概率密度:
;
、/>分别为对全节点集合的新观测值的似然概率进行估计的观测残差和残差方差;
隔离子集合J的先验粒子计算的状态观测似然概率密度:
;
、/>分别为对隔离子集合J的新观测值的似然概率进行估计的观测残差和残差方差;
对于隔离节点j故障下的故障状态参数的对数似然比为:
;
根据故障状态参数的对数似然比构造的检验统计量/>为:
;
其中,累加对数似然比:
;
w为计算检测统计量的滑动窗长度。
进一步地,在单个节点隔离后的故障检测中,检测出故障节点后,根据故障节点为上层节点或下层节点,以及与中心节点的位置关系,确定出多故障模式的种类M1、M2、M3或M4;根据多故障模式种类所对应的节点,依次去掉主故障节点和其他子故障节点构建隔离子集合,循环步骤S2-2~S2-5的故障检测过程,利用去掉主故障节点、其他子故障节点的隔离子集合MJ的似然函数和去掉主故障节点的隔离子集合J的似然函数构造似然比,若检测出故障,则判断为该主节点故障的多节点故障;若检测不出故障,则判断为该主节点故障的单节点故障。
本发明可实现以下有益效果:
本发明的空基导航增强自组网的节点故障检测方法,对于节点间协同定位的空基导航增强自组网,通过构造可见节点子集和所有子集的状态观测似然概率密度进行对数似然比检验,构成一致性检验统计量,与设定的门限比较,进行故障节点的检测与排除。避免了故障节点的定位偏差在网络中传播和扩散,保证了定位的精度。
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空基导航增强自组网的节点故障检测方法流程图;
图2为本发明实施例中的空基导航增强网络结构俯视示意图;
图3为本发明实施例中的空基导航增强网络结构侧视示意图;
图4a为本发明实施例中的每个下层网络的节点可协调的节点示意图;
图4b为本发明实施例中的每个上层网络的节点可协调的节点示意图;
图5a为本发明实施例中的故障模式M1的节点位置关系示意图;
图5b为本发明实施例中的故障模式M2的节点位置关系示意图;
图5c为本发明实施例中的故障模式M3的节点位置关系示意图;
图5d为本发明实施例中的故障模式M4的节点位置关系示意图;
图6为本发明实施例中的采用粒子滤波的递推计算进行协同定位过程示意图。
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一种空基导航增强自组网的节点故障检测方法,如图1所示,包括以下步骤:
步骤S1、对于临近空间布设的节点间协同定位的空基导航增强自组网,建立协同定位的中心节点运动状态方程,中心节点相对于导航卫星及其他协同节点的观测方程;在观测方程中包括故障状态参数;
步骤S2、基于建立的系统状态方程和观测方程,采用粒子滤波的递推计算进行协同定位;
在协同定位递推计算过程中,采用似然比检验进行协同定位节点的故障检测,并在故障状态参数中对检测出的故障节点进行标识,隔离故障节点。
在似然比检验中,利用协同定位的全节点集合的状态观测似然概率密度与节点隔离后的各隔离子集的状态观测似然概率密度建立的对数似然比;采用对数似然比构造出作为故障检测的检验统计量。
具体的,所述临近空间布设的节点间协同定位的空基导航增强自组网中每个节点均为携带相同导航传感器的、具备独立导航能力的空间飞行器;进行协同定位的节点间通过建立点对点连接进行双向测距,每个节点对包括其他协同节点位置和编队构型在内的状态进行动态感知,相互广播自身状态信息、时间校准信息和测距信息,同时利用这些信息对自身状态进行校准,以提升自身时空基准。
所述空基导航增强自组网为双层网络结构;如图2所示,包括上、下两层网络;下层网络中任意三个邻居节点构成等边三角形;上层网络的每一个节点均位于由下层邻居节点构成的等边三角形的质心正上方,一个上层节点和对应的三个下层节点构成三棱锥型;图中“”表示上层节点;“/>”表示下层节点。
如图3所示,所述空间飞行器为飞艇,每个飞艇节点均围绕其指定位置,以1km为半径,进行线速度为5m/s的顺时针匀速圆周飞行;作为上层节点的飞艇的飞行高度为:25KM±5KM;作为下层节点的飞艇的飞行高度为:20KM±5KM。采用平流层飞艇构成导航增强自组网生存能力强、滞空时间长、响应速度快、覆盖范围广且费效比高,采用上下两层的自组网结构可提供较好的几何构型,提升协同精度,同时方便扩展。
在进行节点间协同定位时,每个作为协同定位的中心节点的网络节点仅与其直接相邻的各网络节点进行相互协同;最大协同距离为下层网络中的节点与其最近的邻居节点的距离。如图4a所示,每个下层网络的节点可与其相邻的6个下层网络节点和6个上层网络节点协同;如图4b所示,每个上层网络节点可与其相邻的3个下层网络节点和9个上层网络节点协同。
具体的,在步骤S1中,中心节点运动状态方程为:
;
其中,代表状态方程;/>、/>分别为k、k-1时刻的节点运动状态,/>为状态转移噪声;
节点运动状态;
其中,为k时刻节点的GNSS接收机天线在ECEF坐标系中的位置,为速度,/>为加速度,/>为接收机钟差,/>为钟漂。
中心节点相对于导航卫星及其他协同节点的观测方程为:
;
其中,代表观测方程;/>为系统观测量;/>为观测噪声矩阵,/>为故障状态参数;
系统观测量包含卫星伪距观测值及协同节点间的测距观测值:
;
为中心节点中GNSS接收机对n颗导航卫星观测的伪距观测值/>;/>为中心节点中GNSS接收机对m个协同节点相对测距的测距观测值/>;
观测噪声矩阵;其中,/>为对n颗导航卫星观测的伪距误差矢量;/>为对m个协同节点相对测距误差矢量。
在进行故障检测时,将测距误差似然概率最大的观测量识别为故障,如极大似然方法,通过极大似然准则对故障偏差进行参数估计,然后利用故障偏差下的似然概率来识别故障。
更具体的,使用表示与故障节点j相对应的故障状态参数;
;
其中b为故障偏差,为(n+m)×1维的故障模式矢量;当检测出第j个节点故障,则将/>中与第j个节点对应的第j行置为1(n+1≤j≤n+m);
当故障为单故障模式时,有且只有一个与故障节点j对应的第j行为1,其他元素为0;
当故障为多故障模式时,中除主故障节点j对应的第j行为1时,还将由于主故障节点j连带造成的其他子故障节点对应的其他行置1。
对于故障状态参数,可视为在协同节点的相对观测量上附加一个测距偏差:
;
为协同节点相对观测的观测方程,/>表示为偏差/>和故障模式/>的乘积:
。
在本实施例中,单故障模式是指:在RAIM故障检测与识别中,为保证满足误警率和漏检率这两个相互制约的指标要求,需要故障大于某一阈值,称为最小可检测误差,通常约为定位误差标准差的4倍。在导航增强自组网中,当单节点故障导致定位误差小于100米时,即便在GNSS正常工作、节点定位误差普遍较小的条件下,受影响的临近节点的定位误差仍未达到可准确进行故障检测的要求。当GNSS失效时,节点定位误差平均增大约4~5倍,则当单节点故障导致定位误差超过400~500米时,才会导致临近节点的定位误差增长到可被检测的程度。
多故障模式是指:当单故障节点的定位误差较大,会导致临近节点产生故障,出现的多个故障。当单节点故障导致临近节点故障时,根据对定位误差传播的分析,临近节点故障矢量之和在故障节点方向上;在本实施例中的上、下两层网络的增强自组网构型中,在一层上的单节点故障仅会对另一层上距离最近的节点产生影响,形成多个节点的故障。
因此,在图5所示的导航增强自组网构型中,定义以下的多故障模式:
(1)M1:M1:对下层中心节点X,临近下层节点Y出现故障,上层中在连接点X、Y的线段两侧,存在两个离节点Y最近的上层节点Y1和Y2,由于主节点Y的故障导致Y1和Y2故障为M1故障;如图5a所示;
(2)M2:对下层中心节点X,临近上层节点Y出现故障,下层中在点X到点Y射线方向的两侧,存在两个离节点Y最近的下层节点Y1和Y2,由于主节点Y的故障导致Y1和Y2故障为M2故障;如图5b所示;
(3)M3:对上层中心节点X,临近上层节点Y出现故障,下层中在连接点X、Y的线段两侧,存在两个离节点Y最近的节点下层Y1和Y2,由于主节点Y的故障导致Y1和Y2故障为M3故障;如图5c所示;
(4)M4:对上层中心节点X,临近下层节点Y出现故障,上层中在点X到点Y射线方向的两侧,存在四个离节点Y最近的上层节点Y1、Y2、Y3和Y4,由于主节点Y的故障导致Y1、Y2、Y3和Y4故障为M4故障;如图5d所示。
与传统多故障RAIM不同,导航增强自组网由于多故障模式相对固定,故在多故障模式下,先判断出主故障节点Y,再根据主故障节点为上层节点或下层节点,以及与中心节点的位置关系,确定出多故障模式的种类;采取以下策略:
对于下层中心节点X,若故障主节点Y为下层节点,上层存在两个离节点Y最近的节点Y1和Y2,排除节点{Y,Y1,Y2},再构造似然比进行检测,若检测不出故障,则为故障模式M1;
对于下层中心节点X,若故障主节点Y为上层节点,下层存在两个离节点Y最近的节点Y1和Y2,排除节点{Y,Y1,Y2},再构造似然比进行检测,若检测不出故障,则为故障模式M2;
对于上层中心节点X,若故障主节点Y为上层节点,下层存在两个离节点Y最近的节点Y1和Y2,排除节点{Y,Y1,Y2},再构造似然比进行检测,若检测出不出故障,则为故障模式M3;
对于上层中心节点X,若故障主节点Y为下层节点,上层存在四个离节点Y最近的节点Y1、Y2、Y3和Y4,排除节点{Y,Y1,Y2,Y3,Y4},再构造似然比进行检测,若检测不出故障,则为故障模式M4。
如图6所示,在步骤S2中,采用粒子滤波的递推计算进行协同定位过程包括:
步骤S2-1、进行包括递推时刻、节点状态、粒子集合和故障检测阈值初始化在内的粒子滤波初始化;
在初始化中,进行递推时刻的初始化,k=0;设置节点状态的初始化值、初始粒子集合/>,初始粒子/>,/>为重要性概率密度函数,初始权值,N为粒子数。
步骤S2-2、进行递推计算,对于当前时刻k,构造包括协同定位的全节点集合和与有节点隔离后的各隔离子集合的状态量和观测量;
全节点集合,此时:
状态量;
观测量;
其中,分别为k、k-1时刻的在全节点集合下的节点运动状态,/>为全节点集合下的系统观测量,/>为无故障条件下故障状态参数;
。
隔离单个节点j的隔离子集合J,此时:
状态量;
状态量;
其中,为在隔离子集合J下估计的k时刻节点运动状态,/>为隔离子集合J下的系统观测量,/>为隔离节点j故障下的故障状态参数;
;/>为中心节点中GNSS接收剩余协同节点相对测距的测距观测值/>。
步骤S2-3、分别对各个集合,进行重要性采样,根据k-1时刻粒子获得k时刻全节点集合与隔离子集合对应的先验粒子;
具体的,在进行重要性采样时,基于系统状态方程,使用状态转移概率密度作为先验概率密度进行重要性采样;
步骤S2-4、根据全节点集合的先验粒子计算的状态观测似然概率密度和故障子集合的先验粒子计算的状态观测似然概率密度,构造对数似然比作为故障检测的检验统计量;
全节点集合的先验粒子计算的状态观测似然概率密度:
;
、/>分别为对全节点集合的新观测值的似然概率进行估计的观测残差和残差方差;
隔离子集合J的先验粒子计算的状态观测似然概率密度:
;
、/>分别为对隔离子集合J的新观测值的似然概率进行估计的观测残差和残差方差;
对于隔离节点j故障下的故障状态参数的对数似然比为:
;
根据故障状态参数的对数似然比构造的检验统计量/>为:
;
其中,累加对数似然比
;
w为计算检测统计量的滑动窗长度。
步骤S2-5、利用检验统计量进行故障检测,若发现故障节点,在故障状态参数中对检测出的故障节点进行标识;
若则存在故障,对应的节点j为单故障节点或多故障的主节点,将故障状态参数/>中的/>第j行置为1;否则不存在故障;/>为故障检测阈值;
循环步骤S2-2~S2-5,先进行单个节点隔离后的故障检测,在检测出故障节点后,以故障节点为主节点,确定出相关多故障模式对应的相关节点,分别进行节点隔离后的故障检测,直至检测出所有故障节点,并在故障状态参数中进行标识后,进入步骤S2-6;
具体的,在单个节点隔离后的故障检测中,检测出故障节点后,根据故障节点为上层节点或下层节点,以及与中心节点的位置关系,确定出多故障模式的种类M1、M2、M3或M4;根据多故障模式种类所对应的节点,依次去掉主节点和其他节点构建隔离多故障子集合,循环步骤S2-2~S2-5的故障检测过程。
其中,对于隔离多故障节点j故障下的故障状态参数的对数似然比/>;
;
其中为隔离子集合J的先验粒子计算的状态观测似然概率密度,/>为隔离多故障节点的集合MJ的先验粒子计算的状态观测似然概率密度。
对数似然比构造的检验统计量:
;
其中,累加对数似然比:
;
w为计算检测统计量的滑动窗长度。
若则存在故障,对应的节点j为多故障的主节点,按照多故障节点的集合MJ,将故障状态参数/>中的/>其他子故障节点对应的其他行置1;否则判断为该主节点故障的单节点故障;/>为故障检测阈值。
步骤S2-6、排除所有的故障节点的观测值后,重新进行似然概率密度计算;根据计算的似然概率密度进行粒子权值的更新;
根据计算的似然概率密度进行粒子权值的更新后的粒子权值:
;
为排除所有的故障节点的观测值后的似然概率密度,粒子权值归一化后得到的粒子权值/>:
。
步骤S2-7、进行重采样判定,若有效粒子数小于阈值则进行重采样产生后验粒子后验粒子;
步骤S2-8、进行当前时刻k的节点状态估计;更新当前时刻k系统状态后,返回步骤S2-2进行下一时刻的粒子滤波。
更新的当前时刻k系统状态:
。
综上所述,本发明实施例的空基导航增强自组网的节点故障检测方法,对于节点间协同定位的空基导航增强自组网,通过构造可见节点子集和所有子集的状态观测似然概率密度进行对数似然比检验,构成一致性检验统计量,与设定的门限比较,进行故障节点的检测与排除。避免了故障节点的定位偏差在网络中传播和扩散,保证了定位的精度。
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 (9)
1.一种空基导航增强自组网的节点故障检测方法,其特征在于,包括:
对于临近空间布设的节点间协同定位的空基导航增强自组网,建立协同定位的中心节点运动状态方程,中心节点相对于导航卫星及其他协同节点的观测方程;在观测方程中包括故障状态参数;
基于建立的系统状态方程和观测方程,采用粒子滤波的递推计算进行协同定位;
在协同定位递推计算过程中,采用似然比检验进行协同定位节点的故障检测,并在故障状态参数中对检测出的故障节点进行标识,以隔离故障节点;
所述空基导航增强自组网为双层网络结构,包括上、下两层网络;下层网络中任意三个邻居节点构成等边三角形;上层网络的每一个节点均位于由下层邻居节点构成的等边三角形的质心正上方,一个上层节点和对应的三个下层节点构成三棱锥型;
在进行节点间协同定位时,每个作为协同定位的中心节点的网络节点仅与其直接相邻的各网络节点进行相互协同;最大协同距离为下层网络中的节点与其最近的邻居节点的距离。
2.根据权利要求1所述的空基导航增强自组网的节点故障检测方法,其特征在于,
在似然比检验中,利用协同定位的全节点集合的状态观测似然概率密度与节点隔离后的各隔离子集的状态观测似然概率密度建立的对数似然比;采用对数似然比构造出作为故障检测的检验统计量。
3.根据权利要求1-2任一项所述的空基导航增强自组网的节点故障检测方法,其特征在于,
中心节点运动状态方程为:
;
其中,代表状态方程;/>、/>分别为k、k-1时刻的节点运动状态,/>为状态转移噪声;
节点运动状态;
其中,为k时刻节点的GNSS接收机天线在ECEF坐标系中的位置,为速度,/>为加速度,/>为接收机钟差,/>为钟漂。
4.根据权利要求3所述的空基导航增强自组网的节点故障检测方法,其特征在于,
中心节点相对于导航卫星及其他协同节点的观测方程为:
;
其中,代表观测方程;/>为系统观测量;/>为观测噪声矩阵,/>为故障状态参数;
系统观测量包含卫星伪距观测值及协同节点间的测距观测值:
;
为中心节点中GNSS接收机对n颗导航卫星观测的伪距观测值/>;/>为中心节点中GNSS接收机对m个协同节点相对测距的测距观测值/>;
观测噪声矩阵;其中,/>为对导航卫星观测的伪距误差矢量;/>为对协同节点相对测距误差矢量。
5.根据权利要求4所述的空基导航增强自组网的节点故障检测方法,其特征在于,
使用表示与故障节点j相对应的故障状态参数;
;
其中b为故障偏差,为(n+m)×1维的故障模式矢量;当检测出第j个节点故障,则将中与第j个节点对应的第j行置为1(n+1≤j≤n+m);
当故障为单故障模式时,有且只有一个与故障节点j对应的第j行为1,其他元素为0;
当故障为多故障模式时,中除主故障节点j对应的第j行为1时,还将由于主故障节点j连带造成的其他子故障节点对应的其他行置1。
6.根据权利要求5所述的空基导航增强自组网的节点故障检测方法,其特征在于,
在导航增强自组网构型中,多故障模式包括:
(1)M1:对下层中心节点X,临近下层节点Y出现故障,上层中在连接点X、Y的线段两侧,存在两个离节点Y最近的上层节点Y1和Y2,由于主节点Y的故障导致Y1和Y2故障为M1故障;
(2)M2:对下层中心节点X,临近上层节点Y出现故障,下层中在点X到点Y射线方向的两侧,存在两个离节点Y最近的下层节点Y1和Y2,由于主节点Y的故障导致Y1和Y2故障为M2故障;
(3)M3:对上层中心节点X,临近上层节点Y出现故障,下层中在连接点X、Y的线段两侧,存在两个离节点Y最近的节点下层Y1和Y2,由于主节点Y的故障导致Y1和Y2故障为M3故障;
(4)M4:对上层中心节点X,临近下层节点Y出现故障,上层中在点X到点Y射线方向的两侧,存在四个离节点Y最近的上层节点Y1、Y2、Y3和Y4,由于主节点Y的故障导致Y1、Y2、Y3和Y4故障为M4故障。
7.根据权利要求6所述的空基导航增强自组网的节点故障检测方法,其特征在于,
采用粒子滤波的递推计算进行协同定位过程包括:
步骤S2-1、进行包括行递推时刻、节点状态、粒子集合和故障检测阈值初始化在内的粒子滤波初始化;
步骤S2-2、进行递推计算,对于当前时刻k,构造包括协同定位的全节点集合和与有节点隔离后的各隔离子集合的状态量和观测量;
步骤S2-3、分别对各个集合,进行重要性采样,根据k-1时刻粒子获得k时刻全节点集合与隔离子集合对应的先验粒子;
步骤S2-4、根据全节点集合的先验粒子计算的状态观测似然概率密度和隔离子集合的先验粒子计算的状态观测似然概率密度,构造对数似然比作为故障检测的检验统计量;
步骤S2-5、利用检验统计量进行故障检测,若发现某个隔离的节点为故障节点,在故障状态参数中对检测出的故障节点进行标识;
循环步骤S2-2~S2-5,先进行单个节点隔离后的故障检测,在检测出故障节点后,以此节点为主节点,确定出相关多故障模式对应的相关节点,分别进行节点隔离后的故障检测,直至检测出所有故障节点,并在故障状态参数中进行标识后,进入步骤S2-6;
步骤S2-6、排除所有的故障节点的观测值后,重新进行似然概率密度计算;根据计算的似然概率密度进行粒子权值的更新;
步骤S2-7、进行重采样判定,若有效粒子数小于阈值则进行重采样产生后验粒子;
步骤S2-8、进行当前时刻k的节点状态估计;更新当前时刻k系统状态后,返回步骤S2-2进行下一时刻的粒子滤波。
8.根据权利要求7所述的空基导航增强自组网的节点故障检测方法,其特征在于,
全节点集合的先验粒子计算的状态观测似然概率密度:
;
、/>分别为对全节点集合的新观测值的似然概率进行估计的观测残差和残差方差;
隔离子集合J的先验粒子计算的状态观测似然概率密度:
;
、/>分别为对隔离子集合J的新观测值的似然概率进行估计的观测残差和残差方差;
对于隔离节点j故障下的故障状态参数的对数似然比为:
;
根据故障状态参数的对数似然比构造的检验统计量/>为:
;
其中,累加对数似然比:
;
w为计算检测统计量的滑动窗长度。
9.根据权利要求7所述的空基导航增强自组网的节点故障检测方法,其特征在于,
在单个节点隔离后的故障检测中,检测出故障节点后,根据故障节点为上层节点或下层节点,以及与中心节点的位置关系,确定出多故障模式的种类M1、M2、M3或M4;根据多故障模式种类所对应的节点,依次去掉主故障节点和其他子故障节点构建隔离子集合,循环步骤S2-2~S2-5的故障检测过程,利用去掉主故障节点、其他子故障节点的隔离子集合MJ的似然函数和去掉主故障节点的隔离子集合J的似然函数构造似然比,若检测出故障,则判断为该主节点故障的多节点故障;若检测不出故障,则判断为该主节点故障的单节点故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310752884.5A CN116482716B (zh) | 2023-06-26 | 2023-06-26 | 一种空基导航增强自组网的节点故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310752884.5A CN116482716B (zh) | 2023-06-26 | 2023-06-26 | 一种空基导航增强自组网的节点故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116482716A CN116482716A (zh) | 2023-07-25 |
CN116482716B true CN116482716B (zh) | 2023-08-29 |
Family
ID=87223593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310752884.5A Active CN116482716B (zh) | 2023-06-26 | 2023-06-26 | 一种空基导航增强自组网的节点故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116482716B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2964468A1 (fr) * | 2010-09-08 | 2012-03-09 | Sagem Defense Securite | Procede et dispositif de detection et d'exclusion de pannes satellite multiples dans un systeme gnss |
US8880001B1 (en) * | 2011-04-14 | 2014-11-04 | Rockwell Collins, Inc. | Collaborative positioning, navigation and timing |
CN104536015A (zh) * | 2014-12-09 | 2015-04-22 | 沈阳航空航天大学 | 一种粒子滤波raim方法的fpga实现方法 |
CN110793519A (zh) * | 2019-11-26 | 2020-02-14 | 河南工业大学 | 一种不完全测量的协同导航定位方法 |
CN112880699A (zh) * | 2021-01-19 | 2021-06-01 | 中国人民解放军空军工程大学 | 一种基于脑选择性注意机制的车辆协作定位方法 |
CN116299597A (zh) * | 2023-05-18 | 2023-06-23 | 北京航空航天大学 | 一种基于改进粒子滤波算法的导航增强协同定位方法 |
CN116320990A (zh) * | 2023-05-18 | 2023-06-23 | 北京航空航天大学 | 一种空基导航增强自组网的节点动态协同感知方法 |
-
2023
- 2023-06-26 CN CN202310752884.5A patent/CN116482716B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2964468A1 (fr) * | 2010-09-08 | 2012-03-09 | Sagem Defense Securite | Procede et dispositif de detection et d'exclusion de pannes satellite multiples dans un systeme gnss |
US8880001B1 (en) * | 2011-04-14 | 2014-11-04 | Rockwell Collins, Inc. | Collaborative positioning, navigation and timing |
CN104536015A (zh) * | 2014-12-09 | 2015-04-22 | 沈阳航空航天大学 | 一种粒子滤波raim方法的fpga实现方法 |
CN110793519A (zh) * | 2019-11-26 | 2020-02-14 | 河南工业大学 | 一种不完全测量的协同导航定位方法 |
CN112880699A (zh) * | 2021-01-19 | 2021-06-01 | 中国人民解放军空军工程大学 | 一种基于脑选择性注意机制的车辆协作定位方法 |
CN116299597A (zh) * | 2023-05-18 | 2023-06-23 | 北京航空航天大学 | 一种基于改进粒子滤波算法的导航增强协同定位方法 |
CN116320990A (zh) * | 2023-05-18 | 2023-06-23 | 北京航空航天大学 | 一种空基导航增强自组网的节点动态协同感知方法 |
Non-Patent Citations (1)
Title |
---|
"Analysis of Co-location Performance of the Near- Space Aerostat Networking";Xingzi Qiang等;2021 IEEE 4th International Conference on Electronics Technology;第992-997页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116482716A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116482716B (zh) | 一种空基导航增强自组网的节点故障检测方法 | |
Clouqueur et al. | Fault tolerance in collaborative sensor networks for target detection | |
US8326329B2 (en) | Method for localization of nodes by using partial order of the nodes | |
US20060227664A1 (en) | Method and system of providing clustered networks of bearing-measuring sensors | |
CN102752784B (zh) | 无线传感器网络中基于图论的分布式事件域的检测方法 | |
Michaelides et al. | Fault tolerant localization and tracking of multiple sources in WSNs using binary data | |
CN111273687A (zh) | 基于gnss观测量和机间测距的多无人机协同相对导航方法 | |
CN108682140B (zh) | 一种基于压缩感知和自回归模型的增强型异常检测方法 | |
CN108508458B (zh) | 基于机间测距的无人机gps定位故障检测与重构方法 | |
CN116299597A (zh) | 一种基于改进粒子滤波算法的导航增强协同定位方法 | |
Shen et al. | Multi-UAV cluster-based cooperative navigation with fault detection and exclusion capability | |
Kwon et al. | Anchor-free localization through flip-error-resistant map stitching in wireless sensor network | |
Latif et al. | Multi-robot synergistic localization in dynamic environments | |
CN117111101B (zh) | 消除双层空基导航增强自组网杠杆效应的故障检测方法 | |
Leng et al. | Cooperative and distributed localization for wireless sensor networks in multipath environments | |
CN110988928B (zh) | 一种基于长度约束的卫星导航着陆完好性监测方法 | |
KR102572546B1 (ko) | 단일 주파수 수신기에서 다중 채널에서 발생하는 신호의 차이를 감지하는 장치 및 방법 | |
Bhat et al. | Fault tolerant localization based on k-means clustering in wireless sensor networks | |
Onur et al. | Finding sensing coverage and breach paths in surveillance wireless sensor networks | |
Savic et al. | Nonparametric boxed belief propagation for localization in wireless sensor networks | |
Zhang et al. | RSSI-based indoor localization using sparrow search algorithm and backward propagation neural network | |
Almuzaini et al. | Range-based localization in wireless networks using the dbscan clustering algorithm | |
Zhuang et al. | Integrity monitoring algorithm for GNSS-based cooperative positioning applications | |
Kim et al. | Fault-tolerant cooperative target tracking in distributed uav networks | |
Qiang et al. | Multi-sensor fusion approach with fault detection and isolation based on two-state probability ratio |
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 |