一种惯导系统故障识别系统及方法

技术领域

本申请属于故障检测技术领域，具体涉及一种惯导系统故障识别系统及方法。

背景技术

随着科学技术的发展以及人们探索自然步伐的加大，系统的自动化水平越来越高，复杂性也越来越大，因此可靠性显得至关重要。对于导航系统来说，可靠性显得尤为突出。一旦导航系统出现故障，就有可能造成灾难性的后果.于是能及时发现导航系统中的故障并加以定位正是人们目前要研究的导航系统故障检测问题。然而，对于惯性导航系统的故障识别仍存在缺陷和不足。

发明内容

本发明旨在解决现有技术的不足，提出本申请提出一种惯导系统故障识别系统及方法，通过多源数据融合技术，基于卡尔曼滤波，实现对惯导系统的故障识别与检测。

为实现上述目的，本发明提供了如下方案：

一种惯导系统故障识别系统，包括：校正信息引入模块、信息处理模块、测量模块、数据融合模块以及故障识别模块；

所述校正信息引入模块，用于引入多源外界校正信息；

所述信息处理模块，用于对所述多源外界校正信息进行预处理；

所述测量模块，用于获得惯导系统的绝对观测量；

所述数据融合模块，用于基于预处理后的所述多源外界校正信息以及所述绝对观测量，构建多源数据融合模型；

所述故障识别模块，用于基于所述多源数据融合模型和卡尔曼滤波原理，进行惯导系统故障识别。

优选的，所述多源外界校正信息，包括：里程计信息、视觉测量信息以及固有坐标点信息。

优选的，所述绝对观测量，包括：角速度和加速度。

优选的，构建多源数据融合模型的过程为：

基于卡尔曼滤波理论，构建子滤波器和主滤波器；

使所述子滤波器获得惯导系统状态的局部估计，并基于信息分配原则，将全局状态估计信息和惯导系统噪声信息分配给所述子滤波器；

基于方差上界技术，消除传感器与获得所述局部估计以及经信息分配后的子滤波器的相关性；

基于所述主滤波器，实现对所述子滤波器的所述局部估计的融合处理，获得惯导系统全局最优估计，完成所述多源数据融合模型的构建。

优选的，故障识别的过程为：

基于所述多源数据融合模型以及卡尔曼滤波原理，构建卡尔曼滤波基本方程；

基于所述卡尔曼滤波基本方程，获得残差；

基于所述残差，判断惯导系统是否存在故障。

优选的，还包括故障处理模块；

所述故障处理模块，用于基于所述故障识别的结果，对惯导系统故障进行隔离以及恢复。

本申请还提供一种惯导系统故障识别方法，包括以下步骤：

引入多源外界校正信息；

对所述多源外界校正信息进行预处理；

获得惯导系统的绝对观测量；

基于预处理后的所述多源外界校正信息以及所述绝对观测量，构建多源数据融合模型；

基于所述多源数据融合模型和卡尔曼滤波原理，进行惯导系统故障识别。

优选的，所述多源外界校正信息，包括：里程计信息、视觉测量信息以及固有坐标点信息。

优选的，所述绝对观测量，包括：角速度和加速度。

与现有技术相比，本发明的有益效果为：根据多源数据融合算法设计特点，以卡尔曼滤波器新息向量为基础，进行组合导航粗差探测和故障检查。同时，基故障识别的结果(保证估计精度与实际误差水平的符合度)进行完备性控制，保证系统具备在出现异常时可及时处理并隔离故障的能力。本申请具有广阔的推广空间和使用价值。

附图说明

为了更清楚地说明本发明的技术方案，下面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为本申请实施例一惯导系统故障识别系统结构示意图；

图2为本申请实施例一基于联邦滤波的多传感器信息最优融合架构示意图。

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。

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：

如图1所示，一种惯导系统故障识别系统，包括：校正信息引入模块、信息处理模块、测量模块、数据融合模块以及故障识别模块；

校正信息引入模块，用于引入多源外界校正信息；

信息处理模块，用于对多源外界校正信息进行预处理；

测量模块，用于获得惯导系统的绝对观测量；

数据融合模块，用于基于预处理后的多源外界校正信息以及绝对观测量，构建多源数据融合模型；

故障识别模块，用于基于多源数据融合模型和卡尔曼滤波原理，进行惯导系统故障识别。

具体的，本申请以里程计以及惯导系统相结合的综采惯性/里程计测量系统为例，基于此系统的工作特点，引入多源外界校正信息，其中，多源外界校正信息，包括：里程计信息、视觉测量信息以及固有坐标点信息。特别的，视觉测量信息由单目视觉测量单元获得，通过视觉成像，进行姿态结算。

具体的，预处理的过程采用基于聚类的离群点检测法，对引入的多源外界校正信息进行预处理，筛除异常信息数据：

对获得的多源外界校正信息，分别进行聚类，找到各簇质心；

设置各外界校正信息到其各自的质心的距离阈值以及相对距离阈值；

计算各外界校正信息到其各自的最近质心的距离；

计算各外界校正信息到其各自的最近质心的相对距离；

将计算的距离与设置的距离阈值比较，将计算的相对距离与设置的相对距离阈值比较，筛选出离群点；

筛选出的离群点即为异常信息数据，

具体的，绝对观测量，包括：角速度和加速度。角速度为惯导系统陀螺仪测量数据；加速度为惯导系统加速度计测量数据。

具体的，构建多源数据融合模型的过程为：

基于卡尔曼滤波理论，构建子滤波器和主滤波器；

使子滤波器获得惯导系统状态的局部估计，并基于信息分配原则，将全局状态估计信息和惯导系统噪声信息分配给子滤波器；

基于方差上界技术，消除传感器与获得局部估计以及经信息分配后的子滤波器的相关性；

基于主滤波器，实现对子滤波器的所述局部估计的融合处理，获得惯导系统全局最优估计，完成多源数据融合模型的构建。

特别的，基于卡尔曼滤波理论，构建子滤波器和主滤波器，实际上构建了基于联邦滤波的多传感器信息最优融合架构。

如图2所示，基于联邦滤波的多传感器信息最优融合架构包含一个主系统和若干个子系统(具体包括：参考系统、N个局部传感器、N个局部滤波器以及主滤波器)，主系统与每个子系统基于卡尔曼滤波理论分别构成子滤波器(局部滤波器)，每个子滤波器之间独立并行，每个子滤波器得到系统状态的局部估计，通过信息分配原则把全局状态估计信息和系统噪声信息分配给各子滤波器，采用方差上界技术消除各传感器子滤波器估计的相关性，但不改变子滤波器算法的形式，通过在主滤波器里对各子滤波器的局部估计实现融合处理，即可得到系统全局最优估计。特别的，在联邦滤波里使用方差上界技术将子系统之间的相关系数置为0，只保留其协方差矩阵的对角元素，人为使各子系统之间互不相关，进而保证了全局的最优性。

特别的，信息分配使用矢量形式的联邦滤波信息分配算法，一方面充分利用滤波子系统的估计精度，另一方面还可依据子系统状态变量的可观测程度进行信息调整优化。具体算法过程如下：

从各滤波子系统中提取估计协方差矩阵P

分别对P

基于上述分解处理，获得两个矢量形式的信息分配系数A

基于A

(1)A

将P

基于信息分配因子越大，子滤波器的状态估计值在融合后全局状态估值中的比重越大的原则，对每个局部滤波器独立进行第一信息分配系数计算，第一信息分配系数为：

i＝1,2...，N；j＝1，2，...n，λ

基于第一信息分配系数，获得第一信息分配系数的矩阵形式；

基于矩阵形式，验证第一信息分配系数是否满足信息守恒原理，获得A

(2)R

获得离散的分段线性定常系统模型；

基于上述模型，设置预设时间段动态系统的可观测性矩阵Q

基于奇异值越大，相应的系统状态变量观测性越好的原则，对每个局部滤波器独立进行第二信息分配系数计算，第二信息分配系数为：

i＝1,2...，N；j＝1，2，...n，σ

将第二信息分配系数，拆成两个相等矩阵乘积的形式，验证第二信息分配系数是否满足信息守恒原理，获得R

(3)B

综合考虑子系统的滤波精度和可观测性，获得一种矢量形式信息分配系数：

此时的矢量形式信息分配系数仍满足信息守恒原理。

故障识别的具体过程为：

基于多源数据融合模型以及卡尔曼滤波，构建卡尔曼滤波基本方程；

基于卡尔曼滤波基本方程，获得残差；

基于所述残差，进行残差χ

基于所述残差χ

特别的，卡尔曼滤波基本方程的构建过程：

设t

X

式中，φ

对X

Z

式中，H

式中，δ

则X

状态一步预测：

状态估计：

滤波增益阵：

一步预测均方误差阵：

估计均方误差阵：

残差阵：

上述状态方程、量测方程以及递推方程即为离散型卡尔曼滤波基本方程，只要给定初值

残差χ

无故障时，惯导系统多源数据融合模型的数据应满足状态方程式，因此

具体的，基于残差χ

基于非线性模型，构建观测器，预测惯导系统产生的残差；

基于预测的惯导系统产生的残差，检验实际的惯导系统产生的残差，进而更准确的检测惯导系统的故障。

具体的，故障识别系统还包括故障处理模块；

故障处理模块，用于基于故障识别的结果，对惯导系统故障进行隔离。

特别的，设计可实现故障隔离的容错结构：设计三个故障检测器，分别检测加速度计、陀螺仪以及里程计，不同数据通路检测器的输出用于有效因数的动态调节，作为故障隔离的判决依据；将三个故障检测器以及有效因数动态调节接入融合滤波器，本申请惯导系统与里程计组成的组合导航系统，容错能力最终体现在故障检测器以及故障隔离策略上，从而使系统在保障容错能力的同时具备较高的效率及可实现性。

特别的，故障识别系统还包括寿命预测模块；

寿命预测模块，用于基于多源外界校正信息、绝对观测量和故障的隔离数据，采用Chebyshev多项式建立惯导系统中机电产品的寿命曲线，实现寿命预测。具体实现对惯导系统寿命预测的过程如下：

(1)获取多源外界校正信息、绝对观测量和故障的隔离数据；

(2)对上述所有数据采用局部加权回归(LO-ESS)方法进行预处理；具体的，对于任意数据点x处的拟合，采用临近x的点，他们其中的权重可根据距离点x的大小来确定，利用低次多项式拟合在数据集上的每个点，距离x越近，权重越高；

(3)对于预处理后的数据，取预设的N个点，利用Chebyshev多项式进行拟合，此后，每N/10个点进行拟合一次，根据拟合结果修正参数数值的大小，对原有多项式进行更新，实现寿命曲线拟合；

(4)基于寿命曲线，用前N个点的拟合结果预测接下来N/2个点，每次接收N/10个点，进行一次判断，如果心的N/10拟合的均方差超出设定的阈值，则说明前面数据拟合的效果不好，需重新拟合当前时刻之前的N个点，并利用重新拟合的寿命曲线进行预测。

基于确定次数的Chebyshev多项式，进行数据变换，然后进行历史数据拟合；

其中，Chebyshev多项式表达为：

T

基于历史数据的拟合结果，进行参数估计，实现对惯导系统寿命预测。

实施例二：

本申请还提供一种惯导系统故障识别方法，包括以下步骤：

引入多源外界校正信息；

对多源外界校正信息进行预处理；

获得惯导系统的绝对观测量；

基于预处理后的多源外界校正信息以及绝对观测量，构建多源数据融合模型；

基于多源数据融合模型，进行惯导系统故障识别。

具体的，多源外界校正信息，包括：里程计信息、视觉测量信息以及固有坐标点信息。

具体的，绝对观测量，包括：角速度和加速度。

具体的，构建多源数据融合模型的过程为：

基于卡尔曼滤波理论，构建子滤波器和主滤波器；

使子滤波器获得惯导系统状态的局部估计，并基于信息分配原则，将全局状态估计信息和惯导系统噪声信息分配给子滤波器；

基于方差上界技术，消除传感器与获得局部估计以及经信息分配后的子滤波器的相关性；

基于主滤波器，实现对子滤波器的所述局部估计的融合处理，获得惯导系统全局最优估计，完成多源数据融合模型的构建。

具体的，故障识别的过程为：

基于多源数据融合模型以及卡尔曼滤波原理，构建卡尔曼滤波基本方程；

基于卡尔曼滤波基本方程，获得残差；

基于残差，判断惯导系统是否存在故障。

以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。