CN116678434A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116678434A CN116678434A CN202310507195.8A CN202310507195A CN116678434A CN 116678434 A CN116678434 A CN 116678434A CN 202310507195 A CN202310507195 A CN 202310507195A CN 116678434 A CN116678434 A CN 116678434A
- Authority
- CN
- China
- Prior art keywords
- rule
- confidence
- measurement unit
- inertial measurement
- result
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 77
- 238000005259 measurement Methods 0.000 title claims abstract description 68
- 230000004913 activation Effects 0.000 claims abstract description 39
- 238000006243 chemical reaction Methods 0.000 claims abstract description 33
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 21
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 21
- 230000003213 activating effect Effects 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 46
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000004880 explosion Methods 0.000 abstract description 8
- 238000012360 testing method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 235000015842 Hesperis Nutrition 0.000 description 2
- 235000012633 Iberis amara Nutrition 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010034719 Personality change Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
Abstract
本发明涉及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，包括步骤：确定三自激光惯组的若干关键指标信息，并根据每个所述关键指标信息设置参考区间；根据每个所述关键指标信息所属的参考区间激活优化后的置信规则库中的相应规则，得到若干激活规则；根据每个所述激活规则的权重、置信度和规则的可用性对所述若干激活规则进行融合，得到规则合成结果；利用所述规则合成结果和检测结果的效用值进行效用转换，得到效用转换结果；根据所述效用转换结果判断三自激光惯组是否发生故障，得到检测结果。该故障检测方法解决了指标组合规则数量爆炸和专家知识的不确定性、不可靠性的问题。
Description
技术领域
本发明属于惯组故障检测技术领域，具体涉及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。
背景技术
三自激光惯组是重要的导航设备，在其工作过程中可以不依赖外界信号，具有较好的隐蔽性，已经广泛应用于军事领域，如导弹武器、运载火箭、航空飞行器等。作为控制系统的关键单机，三自激光惯组在控制系统中发挥着重要的作用，它可以通过测量空间坐标系三个轴向的加速度增量和角速度增量进行定位定向以及跟踪导航。三自激光惯组的主要部件包括正交分布的陀螺仪和加速度计，它们的功能是测量载体的角加速度和线加速度的信息，这些信息将作为控制系统控制指令的主要来源。
在激光惯组载体的使用过程中，惯组系统主要用来感知其自身速度、姿态变化，然而，受飞行过程中不同阶段环境变化剧烈、复杂环境、强敌干扰等因素的影响，惯组性能持续处于高负荷工作状态，性能退化速度加快，这种性能退化影响可以成为环境影响。因此，激光惯组工作过程中受一系列的环境影响，其性能状态发生退化，导致其故障的发生概率大大增加，进而严重制约了导弹等飞行器整体的可靠性。因此，及时有效检测出三自激光惯组的故障是保障运载火箭、导弹等飞行器安全可靠运行的关键。
由于三自激光惯组属于单机可靠度较高的器件，在使用过程中出现故障的概率较低，进而造成所能够获取的监测数据多数为正常数据，故障状态下的数据缺乏。而BRB建模方法适合小样本的数据，用三自激光惯组数据建立BRB模型正为合适。由于传统BRB中存在指标的规则组合数量爆炸和指标的不可靠性问题。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了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。本发明要解决的技术问题通过以下技术方案实现：
本发明实施例提供了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，包括步骤：
确定三自激光惯组的若干关键指标信息，并根据每个所述关键指标信息设置参考区间；
根据每个所述关键指标信息所属的参考区间激活优化后的置信规则库中的相应规则，得到若干激活规则；
根据每个所述激活规则的权重、置信度和规则的可用性对所述若干激活规则进行融合，得到规则合成结果；
利用所述规则合成结果和检测结果的效用值进行效用转换，得到效用转换结果；
根据所述效用转换结果判断三自激光惯组是否发生故障，得到检测结果。
在本发明的一个实施例中，所述若干关键指标信息包括：陀螺仪的X轴向累计脉冲量、陀螺仪的Y轴向累计脉冲量、陀螺仪的Z轴向累计脉冲量、加速度计的X轴向累计脉冲量、加速度计的Y轴向累计脉冲量、加速度计的Z轴向累计脉冲量以及陀螺仪和加速度计的单位时间累计脉冲量。
在本发明的一个实施例中，根据每个所述关键指标信息设置参考区间，包括：
设置每个关键指标信息的初始参考值；
根据所述初始参考值的数量，由专家系统将所述初始参考值等分为所述参考区间。
在本发明的一个实施例中，根据每个所述关键指标信息所属的参考区间激活优化后的置信规则库中的相应规则，得到若干激活规则，包括：
基于所述关键指标信息和专家知识信息构造初始置信规则库；
利用投影协方差矩阵自适应化策略优化方法对初始规则库中规则的置信度、规则的权重和指标可靠性进行优化，得到所述优化后的置信规则库；
判断所述关键指标信息落入的参考区间，并在所述优化后的置信规则库中激活所述参考区间对应的规则，得到所述若干激活规则。
在本发明的一个实施例中，所述初始置信规则库中第k个规则为：
BRk:IF x1∈[a1,b1]∨x2∈[a2,b2]∨...∨xMK∈[aMK,bMK]
THEN result is{(D1,β1,k),(D2,β2,k),...,(DN,βN,k)}
WITH rule weightθk
AND indicator reliability rMk,rule availabilityΔk
k∈{1,...,L},
其中，x1,x2,…,xMk表示三自激光惯组的关键指标信息，Mk表示关键指标信息的总数，[a1,b1],[a2,b2],...,[aMk,bMk]表示关键指标信息的区间参考值，D1,D2,…,DN表示N个检测结果，β1,k,β2,k,…,βN,k表示每个规则检测结果的置信度，θk表示第k个规则的权重，rMk表示指标可靠性，L表示置信规则库中规则的数量，Δk表示第k个规则的可用性；
Δk＝(1-(1-r1)(1-r2)...(1-rMk))ψ
其中，ψ表示置信度因子，ψ等于置信度值的平方的差的绝对值。
在本发明的一个实施例中，在对初始规则库中规则的置信度、规则的权重和指标可靠性进行优化过程中，所述规则的置信度、规则的权重和指标可靠性满足以下约束条件：
min MSE(θk,βi,k,ri)
st.
0≤θk≤1,k＝1,2,...L
0≤βi,k≤1,i＝1,..,N,k＝1,2,...L
0≤ri≤1,i＝1,...,Mk
其中，T表示训练样本集的数量，outputestimated和outputacutal表示预测效用值与真实效用值，θk表示第k条规则的权重，L表示置信规则库中规则的数量，βi,k表示每个规则检测结果的置信度，ri表示指标可靠性，Mk表示关键指标信息的总数。
在本发明的一个实施例中，根据每个所述激活规则的权重、置信度和规则的可用性对所述若干激活规则进行融合，得到规则合成结果，包括：
根据每个激活规则的权重和置信度计算每个激活规则的基本概率质量：
其中，mn,k表示第k个激活规则的基本概率质量，θk表示第k条规则的权重，βn,k表示第n条规则检测结果的置信度，n∈{1,...,N}，Θ表示识别框架，并且Θ＝{D1,...,DN}，D1,D2,…,DN表示N个检测结果；
根据每个所述激活规则的基本概率质量和规则的可用性对所述若干激活规则进行融合，得到规则合成结果：
其中，pn,k表示合成后的规则的置信度，表示联合概率质量，Δi表示第i个规则的可用性，Δj表示第j个规则的可用性，mn,j表示第j个规则的基本概率质量，mn,i表示第i个规则的基本概率质量，mA,j表示第j条规则评估结果为A的基本概率质量，mB,i表示第i条规则评估结果为B的基本概率质量，A表示Θ中的一种评估结果情况，B表示Θ中的一种评估结果情况，/>表示第k条规则中评估结果为A的基本概率质量。
在本发明的一个实施例中，利用所述规则合成结果和检测结果的效用值进行效用转换，得到效用转换结果，包括：
设置检测结果的效用值；
利用所述规则合成结果和检测结果的效用值进行效用转换，得到效用转换结果：
其中，u(Dn)表示检测结果为Dn的效用值，pn,k表示合成后的规则的置信度。
在本发明的一个实施例中，根据所述效用转换结果判断三自激光惯组是否发生故障，得到检测结果，包括：
当所述效用转换结果位于第一区间时，则所述检测结果为第一数值；当所述效用转换结果位于第二区间时，则所述检测结果为第二数值；
根据所述第一数值和所述第二数值判断所述三自激光惯组是否发生故障，得到检测结果。
与现有技术相比，本发明的有益效果：
本发明的故障检测方法根据关键指标信息设置参考区间，相比单一的指标参考值，区间参考值在很大程度上减少了误差和不确定性，从而解决了指标组合规则数量爆炸的问题；同时，通过采用优化的置信规则库、在规则融合时加入规则的可用性参数，并利用指标可靠度计算规则的可用性，降低了专家知识的不确定性和不可靠性，提高了指标信息的可靠性，提高了方法的精度。
附图说明
图1为本发明实施例提供的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的流程示意图；
图2为本发明实施例提供的另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的流程示意图；
图3为本发明实施例提供的一种P-CMA-ES优化方法的流程示意图；
图4为本发明实施例提供的基于区间值置信规则库的三自激光惯组故障检测方法的输出结果示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
实施例一
本实施例旨在解决三自激光惯组故障检测过程中所面临的专家知识不可靠性和指标组合规则数量爆炸等问题，提出了参考区间、析取规则、指标可靠性以及新的规则的可用性计算方法，同时，为进一步提高检测精度，结合所获取的历史数据和模型参数物理意义，利用优化算法对构建的初始置信规则库中由专家知识所给定的模型参数进行优化学习。
请参见图1和图2，图1为本发明实施例提供的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的流程示意图，图2为本发明实施例提供的另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的流程示意图。该基于区间值置信规则库(Beliefrule base，BRB)的三自激光惯组故障检测方法包括步骤：
S1、确定三自激光惯组的若干关键指标信息，并根据每个所述关键指标信息设置参考区间。
具体的，关键指标信息包括：陀螺仪的X轴向累计脉冲量、陀螺仪的Y轴向累计脉冲量、陀螺仪的Z轴向累计脉冲量、加速度计的X轴向累计脉冲量、加速度计的Y轴向累计脉冲量、加速度计的Z轴向累计脉冲量以及陀螺仪和加速度计的单位时间累计脉冲量。
关键指标信息的获取方法为：首先，将三自激光惯组在不同环境下进行静态测试，从测试数据中获取三自激光惯组中陀螺仪的X轴脉冲量、Y轴脉冲量、Z轴脉冲量和加速度计的X轴脉冲量、Y轴脉冲量、Z轴脉冲量。然后，对陀螺仪的X轴脉冲量、Y轴脉冲量、Z轴脉冲量和加速度计的X轴脉冲量、Y轴脉冲量、Z轴脉冲量分别进行差分处理，得到陀螺仪X轴脉冲量的差分量、Y轴脉冲量的差分量、Z轴脉冲量的差分量和加速度计X轴脉冲量的差分量、Y轴脉冲量的差分量、Z轴脉冲量的差分量。之后，在陀螺仪X轴脉冲量的差分量、Y轴脉冲量的差分量、Z轴脉冲量的差分量和加速度计X轴脉冲量的差分量、Y轴脉冲量的差分量、Z轴脉冲量的差分量中分别提取能够代表信息特征的特征量，并结合专家知识从特征量中选取陀螺仪的X轴累计脉冲量、Y轴累计脉冲量、Z轴累计脉冲量、加速度计的X轴累计脉冲量、Y轴累计脉冲量、Z轴累计脉冲量为特征量作为关键指标信息；并且，将陀螺仪X轴向单位时间差分量、Y轴向单位时间差分量、Z轴向单位时间差分量和加速度计X轴向单位时间差分量、Y轴向单位时间差分量、Z轴向单位时间差分量累加，得到单位时间累计脉冲量作为关键指标信息。
在确定关键指标信息之后，根据每个所述关键指标信息设置参考区间，具体包括步骤：
首先设置每个关键指标信息的初始参考值。具体的，每个关键指标信息的初始参考值可以由专家知识设置。
然后根据所述初始参考值的数量，由专家系统将所述初始参考值等分为所述参考区间。具体的，根据初始参考值的数量，可以将相邻的两个初始参考值作为1个参考区间，从而将所有的初始参考值等分为多个参考区间；也可以将间隔的初始参考值作为1个参考区间，从而将所有的初始参考值等分为多个参考区间。
在一个具体实施例中，有两个关键指标1和2，它们都有四个初始参考值，相应的初始参考值和参考区间的设置如表1所示。
表1指标的参考值和参考区间
本实施例根据关键指标信息设置参考区间，将与单一确定的参考值相比，区间参考值在很大程度上减少了误差和不确定性，从而解决了指标组合规则数量爆炸的问题。
S2、根据每个所述关键指标信息所属的参考区间激活优化后的置信规则库中的相应规则，得到若干激活规则。具体包括步骤：
S21、基于关键指标信息和和专家知识信息构造初始置信规则库。
具体的，基于关键指标信息和专家知识信息构造的初始置信规则库中，第k个规则为：
其中，x1,x2,…,xMk表示三自激光惯组的关键指标信息，Mk表示关键指标信息的总数，[a1,b1],[a2,b2],...,[aMk,bMk]表示关键指标信息的区间参考值，D1,D2,…,DN表示N个检测结果，β1,k,β2,k,…,βN,k表示每个规则检测结果的置信度，θk表示第k个规则的权重，rMk表示指标可靠性，L表示置信规则库中规则的数量，Δk表示第k个规则的可用性。
规则的可用性表示对规则的信任程度。在三自激光惯组故障检测方法的构建中，可用性是规则的一个重要参数。因此，本实施例提出了一种新的规则的可用性计算方法。规则的可用性的计算公式如下：
其中，Δk表示规则的可用性，r表示指标可靠性，ψ表示置信度因子；ψ等于置信度值的平方的差的绝对值，例如，置信度为{a,b,c}，则ψ＝|a2-b2-c2|。。
S22、利用投影协方差矩阵自适应化策略(Projection Covariance MatrixAdaptation Evolutionary Strategies，P-CMA-ES)优化方法对初始规则库中规则的置信度、规则的权重和指标可靠性进行优化，得到所述优化后的置信规则库。
为了使置信规则库在实际应用过程中能够保持较高的准确度，初始置信规则库要用到模型优化算法对其进行优化。
请参见图3，图3为本发明实施例提供的一种P-CMA-ES优化方法的流程示意图。P-CMA-ES优化方法包括步骤：第一步，由专家知识给出初始化的参数，包括规则的置信度β1,1,...,βN,,L、规则的权重θ1,...,θL和指标可靠性r1,...,rL。第二步，对种群进行采样获取每一代的解。第三步，在方程约束的可行域上将每一代的解投影到可行域的超平面上。第四步，选择出种群中的最优值。第五步，更新协方差矩阵。第六步，重复执行上述步骤，直至得出总体最优解，此时，规则的置信度、规则的权重和指标可靠性满足以下约束条件：
min MSE(θk,βi,k,ri)
st.
0≤θk≤1,k＝1,2,...L
0≤βi,k≤1,i＝1,..,N,k＝1,2,...L
0≤ri≤1,i＝1,...,Mk
其中，T表示训练样本集的数量，outputestimated和outputacutal表示预测效用值与真实效用值。
其中，θk表示第k条规则的权重，L表示置信规则库中规则的数量，βi,k表示每个规则检测结果的置信度，ri表示指标可靠性，Mk表示关键指标信息的总数。
S23、判断所述关键指标信息落入的参考区间，并在所述优化后的置信规则库中激活所述参考区间对应的规则，得到所述若干激活规则。
具体的，根据关键指标信息x1、x2、…、xM所落入的参考区间激活优化后的置信规则库中对应的规则，例如，x1落入的参考区间为[a1，b1]，则激活[a1，b1]对应的规则；x2落入的参考区间为[a2，b2]，则激活[a2，b2]对应的规则；xM落入的参考区间为[aM，bM]，则激活[aM，bM]对应的规则。
以表1中指标的参考值和参考区间为例，规则激活方式为：假设此时指标1的输入信息为p1，且落入的参考区间为则激活/>对应的规则；指标2的输入信息为p2，且落入的参考区间为/>则激活/>对应的规则，从而得到/>对应的规则和/>对应的规则这两条激活规则。
S3、根据每个所述激活规则的权重、置信度和规则的可用性对所述若干激活规则进行融合，得到规则合成结果。
在一个具体实施例中，根据每个所述激活规则的权重、置信度和规则的可用性，利用证据推理(Evidential Reasoning，ER)规则算法进行激活规则的融合，具体包括步骤：
S31、根据每个激活规则的权重和置信度计算每个激活规则的基本概率质量：
其中，mn,k表示第k个激活规则的基本概率质量，θk表示第k条规则的权重，βn,k表示第n条规则检测结果的置信度，n∈{1,...,N}，Θ表示识别框架，并且Θ＝{D1,...,DN}，D1,D2,…,DN表示N个检测结果。
S32、根据每个所述激活规则的基本概率质量和规则的可用性对所述若干激活规则进行融合，得到规则合成结果：
其中，pn,k表示合成后的规则的置信度，表示联合概率质量，Δi表示第i个规则的可用性，Δj表示第j个规则的可用性，mn,j表示第j个规则的基本概率质量，mn,i表示第i个规则的基本概率质量，mA,j表示第j条规则评估结果为A的基本概率质量，mB,i表示第i条规则评估结果为B的基本概率质量，A表示Θ中的一种评估结果情况，B表示Θ中的一种评估结果情况，/>表示表示第k条规则中评估结果为A的基本概率质量。
S4、利用所述规则合成结果和检测结果的效用值进行效用转换，得到效用转换结果。包括步骤：
S41、设置检测结果的效用值。
本实施例的检测结果设置了2个效用值：1、2，1表示无故障，2表示有故障。
S42、利用所述规则合成结果和检测结果的效用值进行效用转换，得到效用转换结果：
其中，u(Di)表示检测结果为Di的效用值，pn,k表示合成后的规则的置信度。
S5、根据所述效用转换结果判断三自激光惯组是否发生故障，得到检测结果。
具体的，根据效用转换结果与数值区间的对比，结合故障检测方法中参数的实际物理意义，得出最后结果。
在一个具体实施例中，判断步骤S4计算得到的效用转换结果所属的数值区间，当计算得到的效用转换结果属于第一数值区间时，则检测结果为1，表明三自激光惯组未发生故障；当计算得到的效用转换结果属于第二数值区间时，则检测结果为2，表明三自激光惯组发生故障。具体的，第一数值区间可以为[0.5-1.5]，第二数值区间可以为(1.5-2.5]。
本发明的故障检测方法根据关键指标信息设置参考区间，相比单一的指标参考值，区间参考值在很大程度上减少了误差和不确定性，从而解决了指标组合规则数量爆炸的问题；同时，通过采用优化的置信规则库、在规则融合时加入规则的可用性参数，并利用指标可靠度计算规则的可用性，降低了专家知识的不确定性和不可靠性，提高了指标信息的可靠性，提高了方法的精度。
实施例二
在实施例一的基础上，本实施例通过对三自激光惯组故障检测的仿真实验来进一步验证检测方法的有效性。该仿真实验包括步骤：
S1、确定三自激光惯组的若干关键指标信息。
首先，将三自激光惯组在不同环境下进行静态测试，从测试数据中获取三自激光惯组中陀螺仪的X轴脉冲量、Y轴脉冲量、Z轴脉冲量和加速度计的X轴脉冲量、Y轴脉冲量、Z轴脉冲量。然后，对陀螺仪的X轴脉冲量、Y轴脉冲量、Z轴脉冲量和加速度计的X轴脉冲量、Y轴脉冲量、Z轴脉冲量分别进行查分处理，得到陀螺仪X轴脉冲量的差分量、Y轴脉冲量的差分量、Z轴脉冲量的差分量和加速度计X轴脉冲量的差分量、Y轴脉冲量的差分量、Z轴脉冲量的差分量。之后，在陀螺仪X轴脉冲量的差分量、Y轴脉冲量的差分量、Z轴脉冲量的差分量和加速度计X轴脉冲量的差分量、Y轴脉冲量的差分量、Z轴脉冲量的差分量中分别提取能够代表信息特征的特征量，并结合专家知识从特征量中选取陀螺仪的X轴累计脉冲量、Y轴累计脉冲量、Z轴累计脉冲量、加速度计的X轴累计脉冲量、Y轴累计脉冲量、Z轴累计脉冲量为特征量作为关键指标信息；并且，将陀螺仪X轴向单位时间差分量、Y轴向单位时间差分量、Z轴向单位时间差分量和加速度计X轴向单位时间差分量、Y轴向单位时间差分量、Z轴向单位时间差分量累加，得到单位时间累计脉冲量作为关键指标信息。
综上，本实施例共设置了7个关键指标信息。
S2、根据每个所述关键指标信息设置参考区间。
具体的，针对7个关键指标信息，由专家知识对每个关键指标设置21个初始参考值，根据初始参考值将每个关键指标的参考区间设定为20个。由于一个区间对应一条规则，所以7个指标共设定了140条规则。每个关键指标的初始参考值如表2所示。根据关键指标的初始参考值设置参考区间，如表3所示。
表2关键指标及其初始参考值
| 序号 | 关键指标1 | 序号 | 关键指标2 | ... | 序号 | 关键指标7 |
| 1 | 0.7500 | 22 | 0.2500 | ... | 127 | 0.2832 |
| 2 | 0.7875 | 23 | 0.2625 | ... | 128 | 0.2875 |
| 3 | 0.8250 | 24 | 0.2750 | ... | 129 | 0.2919 |
| 4 | 0.8625 | 25 | 0.2875 | ... | 130 | 0.2962 |
| 5 | 0.9000 | 26 | 0.3000 | ... | 131 | 0.3005 |
| ... | ... | ... | ... | ... | ... | ... |
| 20 | 1.4625 | 41 | 0.4875 | ... | 146 | 0.3655 |
| 21 | 1.5000 | 42 | 0.5000 | ... | 147 | 0.3699 |
表3关键指标的参考区间
| 指标1 | 指标2 | 指标3 | ... | 指标6 | 指标7 |
| [0.7500，0.7875] | [0.2500,0.2625] | [0.0000,0.0765] | ... | [0.6250,0.6716] | [0.2832,0.2875] |
| [0.7875,0.8250] | [0.2625,0.2750] | [0.0765,0.1530] | ... | [0.6716,0.7183] | [0.2875,0.2919] |
| [0.8250,0.8625] | [0.2750,0.2875] | [0.1530,0.2295] | ... | [0.7183,0.7649] | [0.2919,0.2962] |
| [0.8625,0.9000] | [0.2875,0.3000] | [0.2295,0.3060] | ... | [0.7649,0.8115] | [0.2962,0.3005] |
| ... | ... | ... | ... | ... | ... |
| [1.4625,1.5000] | [0.4875,0.5000] | [1.4535,1.5300] | ... | [1.5110,1.5576] | [0.3005,0.3699] |
S3、基于关键指标信息和和专家知识信息构造初始置信规则库，并利用P-CMA-ES优化方法对初始规则库中规则的置信度、规则的权重和指标可靠性进行优化，得到所述优化后的置信规则库，并利用优化后的置信规则库进行测试。
具体的，基于关键指标信息和和专家知识信息构造初始置信规则库，并由专家知识给出初始化的参数。由于所构建的初始置信规则库中的参数由专家给定，受专家认知能力局限性的影响，其初始方法难以适应实际工作状况。因此，为进一步对初始置信规则库的方法参数进行优化学习，本实施例共获取了数据167组，从167组数据中各随机选取141组作为方法训练数据，剩余的数据为测试数据。优化后的置信规则库的故障检测结果设置了2个效用值，1表示无故障，2表示有故障。经过训练后的置信规则库的方法最终输出结果如图4所示，图4为本发明实施例提供的基于区间值置信规则库的三自激光惯组故障检测方法的输出结果示意图，方法优化后的参数如表4所示。
表4训练后置信规则库的参数
| 规则序号 | 指标可靠度 | 规则权重 | 规则输出 |
| 1 | 0.7867 | 0.1222 | {0.5539 0.4461} |
| 2 | 0.9784 | 0.6560 | {0.6059 0.3941} |
| 3 | 0.7894 | 0.0147 | {0.3431 0.6569} |
| 4 | 0.8442 | 0.8344 | {0.3441 0.6559} |
| 5 | 0.1265 | 0.3120 | {0.7057 0.2943} |
| 6 | 0.6340 | 0.2814 | {0.5899 0.4101} |
| 7 | 0.7561 | 0.9405 | {0.9203 0.0797} |
| 8 | 0.2669 | 0.3966 | {0.4639 0.5361} |
| 9 | 0.5491 | 0.8446 | {0.0846 0.9154} |
| 10 | 0.4305 | 0.4902 | {0.8033 0.1967} |
| 11 | 0.0498 | 0.5481 | {0.0095 0.9905} |
| 12 | 0.5310 | 0.6131 | {0.3906 0.6094} |
| 13 | 0.7992 | 0.4752 | {0.7500 0.2500} |
| 14 | 0.1652 | 0.4673 | {0.5305 0.4695} |
| 15 | 0.9950 | 0.7727 | {0.5053 0.4947} |
| 16 | 0.6744 | 0.0947 | {0.2119 0.7881} |
| 17 | 0.6471 | 0.8607 | {0.5148 0.4852} |
| 18 | 0.7697 | 0.6218 | {0.3400 0.6600} |
| 19 | 0.2216 | 0.2812 | {0.5894 0.4106} |
| 20 | 0.6538 | 0.7930 | {0.8747 0.1253} |
| ... | ... | ... | ... |
| 137 | 0.2516 | 0.4298 | {0.5795 0.4205} |
| 138 | 0.4665 | 0.4008 | {0.5541 0.4459} |
| 139 | 0.1842 | 0.1408 | {0.7360 0.2640} |
| 140 | 0.8520 | 0.8836 | {0.0234 0.9766} |
从图4和表4可以看出，经过训练后的三自激光惯组故障检测方法能够较为准确地对三自激光惯组故障进行检测，正确率达到了92.31％。为证明故障检测方法的鲁棒性，实验重复进行30次，得到的故障检测准确率平均值为91.54％。
本实施例首先将激光惯组的陀螺仪和加速度计的信息处理后作为关键指标信息；然后构建置信规则库形成三自激光惯组故障检测方法，并将关键指标信息作为方法的输入，以故障检测效用转换结果作为方法的最终输出；最后通过仿真实验对所建立的基于区间置信规则库的三自激光惯组故障检测方法的实用性进行了验证。该方法将原先的单一指标参考值变换成了指标区间参考值，来解决组合规则数量爆炸的问题，并新加入了指标可靠性参数来提高指标信息的可靠性，解决了置信规则库在三自激光惯组故障检测中存在的指标的组合规则数量爆炸和指标的不可靠性问题。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (9)
1.一种基于区间值置信规则库的三自激光惯组故障检测方法，其特征在于，包括步骤：
确定三自激光惯组的若干关键指标信息，并根据每个所述关键指标信息设置参考区间；
根据每个所述关键指标信息所属的参考区间激活优化后的置信规则库中的相应规则，得到若干激活规则；
根据每个所述激活规则的权重、置信度和规则的可用性对所述若干激活规则进行融合，得到规则合成结果；
利用所述规则合成结果和检测结果的效用值进行效用转换，得到效用转换结果；
根据所述效用转换结果判断三自激光惯组是否发生故障，得到检测结果。
2.根据权利要求1所述的基于区间值置信规则库的三自激光惯组故障检测方法，其特征在于，所述若干关键指标信息包括：陀螺仪的X轴向累计脉冲量、陀螺仪的Y轴向累计脉冲量、陀螺仪的Z轴向累计脉冲量、加速度计的X轴向累计脉冲量、加速度计的Y轴向累计脉冲量、加速度计的Z轴向累计脉冲量以及陀螺仪和加速度计的单位时间累计脉冲量。
3.根据权利要求1所述的基于区间值置信规则库的三自激光惯组故障检测方法，其特征在于，根据每个所述关键指标信息设置参考区间，包括：
设置每个关键指标信息的初始参考值；
根据所述初始参考值的数量，由专家系统将所述初始参考值等分为所述参考区间。
4.根据权利要求1所述的基于区间值置信规则库的三自激光惯组故障检测方法，其特征在于，根据每个所述关键指标信息所属的参考区间激活优化后的置信规则库中的相应规则，得到若干激活规则，包括：
基于所述关键指标信息和专家知识信息构造初始置信规则库；
利用投影协方差矩阵自适应化策略优化方法对初始规则库中规则的置信度、规则的权重和指标可靠性进行优化，得到所述优化后的置信规则库；
判断所述关键指标信息落入的参考区间，并在所述优化后的置信规则库中激活所述参考区间对应的规则，得到所述若干激活规则。
5.根据权利要求4所述的基于区间值置信规则库的三自激光惯组故障检测方法，其特征在于，所述初始置信规则库中第k个规则为：
BRk:IF x1∈[a1,b1]∨x2∈[a2,b2]∨...∨xMK∈[aMK,bMK]
THEN result is{(D1,β1,k),(D2,β2,k),...,(DN,βN,k)}
WITH rule weightθk
AND indicator reliability rMk,rule availabilityΔk
k∈{1,...,L},
其中，x1,x2,…,xMk表示三自激光惯组的关键指标信息，Mk表示关键指标信息的总数，[a1,b1],[a2,b2],...,[aMk,bMk]表示关键指标信息的区间参考值，D1,D2,…,DN表示N个检测结果，β1,k,β2,k,…,βN,k表示每个规则检测结果的置信度，θk表示第k个规则的权重，rMk表示指标可靠性，L表示置信规则库中规则的数量，Δk表示第k个规则的可用性；
其中，ψ表示置信度因子，ψ等于置信度值的平方的差的绝对值。
6.根据权利要求4所述的基于区间值置信规则库的三自激光惯组故障检测方法，其特征在于，在对初始规则库中规则的置信度、规则的权重和指标可靠性进行优化过程中，所述规则的置信度、规则的权重和指标可靠性满足以下约束条件：
min MSE(θk,βi,k,ri)
st.
0≤θk≤1,k＝1,2,...L
0≤βi,k≤1,i＝1,..,N,k＝1,2,...L
0≤ri≤1,i＝1,...,Mk
其中，T表示训练样本集的数量，outputestimated和outputacutal表示预测效用值与真实效用值，θk表示第k条规则的权重，L表示置信规则库中规则的数量，βi,k表示每个规则检测结果的置信度，ri表示指标可靠性，Mk表示关键指标信息的总数。
7.根据权利要求1所述的基于区间值置信规则库的三自激光惯组故障检测方法，其特征在于，根据每个所述激活规则的权重、置信度和规则的可用性对所述若干激活规则进行融合，得到规则合成结果，包括：
根据每个激活规则的权重和置信度计算每个激活规则的基本概率质量：
其中，mn,k表示第k个激活规则的基本概率质量，θk表示第k条规则的权重，βn,k表示第n条规则检测结果的置信度，n∈{1,...,N}，Θ表示识别框架，并且Θ＝{D1,...,DN}，D1,D2,…,DN表示N个检测结果；
根据每个所述激活规则的基本概率质量和规则的可用性对所述若干激活规则进行融合，得到规则合成结果：
其中，pn,k表示合成后的规则的置信度，表示联合概率质量，Δi表示第i个规则的可用性，Δj表示第j个规则的可用性，mn,j表示第j个规则的基本概率质量，mn,i表示第i个规则的基本概率质量，mA,j表示第j条规则评估结果为A的基本概率质量，mB,i表示第i条规则评估结果为B的基本概率质量，A表示Θ中的一种评估结果情况，B表示Θ中的一种评估结果情况，/>表示第k条规则中评估结果为A的基本概率质量。
8.根据权利要求1所述的基于区间值置信规则库的三自激光惯组故障检测方法，其特征在于，利用所述规则合成结果和检测结果的效用值进行效用转换，得到效用转换结果，包括：
设置检测结果的效用值；
利用所述规则合成结果和检测结果的效用值进行效用转换，得到效用转换结果：
其中，u(Dn)表示检测结果为Dn的效用值，pn,k表示合成后的规则的置信度。
9.根据权利要求1所述的基于区间值置信规则库的三自激光惯组故障检测方法，其特征在于，根据所述效用转换结果判断三自激光惯组是否发生故障，得到检测结果，包括：
当所述效用转换结果位于第一区间时，则所述检测结果为第一数值；当所述效用转换结果位于第二区间时，则所述检测结果为第二数值；
根据所述第一数值和所述第二数值判断所述三自激光惯组是否发生故障，得到检测结果。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310451599X | 2023-04-25 | ||
| CN202310451599 | 2023-04-25 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116678434A true CN116678434A (zh) | 2023-09-01 |
Family
ID=87781560
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310507195.8A Pending CN116678434A (zh) | 2023-04-25 | 2023-05-06 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116678434A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117389155A (zh) * | 2023-12-07 | 2024-01-12 | 西北工业大学 | 一种无人机集群的自适应故障检测方法及系统 |
-
2023
- 2023-05-06 CN CN202310507195.8A patent/CN116678434A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117389155A (zh) * | 2023-12-07 | 2024-01-12 | 西北工业大学 | 一种无人机集群的自适应故障检测方法及系统 |
| CN117389155B (zh) * | 2023-12-07 | 2024-04-09 | 西北工业大学 | 一种无人机集群的自适应故障检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9728014B2 (en) | Sensor fault detection and diagnosis for autonomous systems | |
| JP4783394B2 (ja) | センサの故障適応方法 | |
| CN107421534B (zh) | 一种冗余式捷联惯导系统多故障隔离方法 | |
| JP2996956B1 (ja) | 追尾装置によるロケット軌道推定法、ロケット未来位置予測法、ロケット識別法、ロケット状況検知法 | |
| CN110487271A (zh) | 一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法 | |
| CN105424035B (zh) | 惯性测量系统多传感器冗余方法 | |
| Sushchenko et al. | Processing of redundant information in airborne electronic systems by means of neural networks | |
| CN111259551A (zh) | 一种基于置信规则库的惯组故障预测方法 | |
| CN111060133B (zh) | 一种用于城市复杂环境的组合导航完好性监测方法 | |
| CN111259927A (zh) | 基于神经网络和证据理论的火箭发动机故障诊断方法 | |
| Jafari et al. | Optimal redundant sensor configuration for accuracy and reliability increasing in space inertial navigation systems | |
| CN111024124B (zh) | 一种多传感器信息融合的组合导航故障诊断方法 | |
| CN110553642B (zh) | 一种提高惯性制导精度的方法 | |
| CN108827343B (zh) | 一种基于试验设计与进化寻优的制导工具误差辨识方法 | |
| 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 | |
| CN113311803A (zh) | 一种基于核主元分析的在轨航天器飞轮故障检测方法 | |
| CN109813309A (zh) | 一种六陀螺冗余式捷联惯导系统双故障隔离方法 | |
| CN116071051B (zh) | 惯导系统最优更换时机确定方法、系统、电子设备及介质 | |
| CN115857529B (zh) | 航天器姿态控制系统的执行器故障重构方法 | |
| CN115993077B (zh) | 复杂路况运输情况下惯导系统优选决策方法及系统 | |
| CN115993138B (zh) | 一种多表冗余激光惯组故障诊断方法及系统 | |
| CN115218927B (zh) | 基于二次卡尔曼滤波的无人机imu传感器故障检测方法 | |
| CN111795696A (zh) | 一种基于零速修正的多惯导冗余系统初始结构优选方法 | |
| Marzat et al. | Robust automatic tuning of diagnosis methods via an efficient use of costly simulations | |
| Kiyak et al. | Application of fuzzy logic in aircraft sensor fault diagnosis |
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 |