一种用于神经网络RAIM的故障卫星识别方法

技术领域

本发明涉及一种用于神经网络RAIM的故障卫星识别方法，属于卫星故障检测设备技术领域、航空电子领域。

背景技术

接收机自主完好性监测(Receiver Autonomous Integrity Monitoring，RAIM)技术是一种为卫星导航用户提供完好性保护的重要手段。该方法在接收机层面建立卫星故障检测机制，具有故障响应时间短，使用成本低的特点。美国国家航空局规定使用GPS导航的接收机必须具备RAIM功能，现今RAIM技术已经广泛应用于卫星导航领域。

随着人工智能技术的发展，神经网络与RAIM技术相交叉，相继提出神经网络RAIM方法(例如，概率神经网络RAIM(P-RAIM))。P-RAIM方法以Bayes检验理论为基础，针对时序定位数据的随机特征，建立概率神经网络监测框架，并利用人工群体智能寻优方法，提高其检测效率。与传统RAIM方法相比，神经网络RAIM在检测性能上具有一定优势，而且对冗余卫星数量的依赖程度较小。目前，神经网络RAIM的理论框架已基本建立，能够有效检测到定位故障，但无法识别故障卫星。造成此类问题的原因主要是神经网络RAIM的理论基础与传统RAIM不同，导致传统故障卫星识别技术无法在该类方法中复用。为了完善概率神经网络RAIM的检测功能，推动该方法工程化应用，有必要研发一种用于神经网络RAIM的故障卫星识别方法，使之具备识别故障的功能。

发明内容

本发明的技术解决问题是：克服现有技术的不足，提出一种用于神经网络RAIM的故障卫星识别方法，该方法将解决神经网络RAIM(仅能够检测到可见卫星中存在故障的RAIM方法)无法识别故障卫星的技术问题，完善此类RAIM方法的检测功能，助力神经网络RAIM技术产业化推广。

本发明的技术解决方案是：

一种用于神经网络RAIM的故障卫星识别方法，该方法的应用环境为具有不小于5颗的可见卫星，该方法的步骤包括：

步骤1，获取接收机采集的星历数据，并对采集到的星历数据进行解算，得到可见卫星数量n及各可见卫星的位置坐标信息，当得到的可见卫星数量n不小于5时，进入步骤2，当得到的可见卫星数量n小于5时，结束，不能完成故障卫星识别；得到的n颗可见卫星及各可见卫星的位置坐标信息形成定位解全集，用符号A

步骤2，根据步骤1形成的定位解全集建立神经网络RAIM模型，并利用建立的神经网络RAIM模型对全集定位解进行检测，得到全集定位解检测结果；

步骤3，根据步骤2得到的全集定位解检测结果判断定位解全集中是否有可见卫星存在故障，如果不存在，结束故障卫星识别；如果存在，建立定位解子集，定位解子集是指将定位解全集中去除可见卫星a

步骤4，利用步骤2建立的神经网络RAIM模型对步骤3中得到的n个子集定位解进行检测，得到n个子集定位解检测结果；

步骤5，根据步骤4得到的n个子集定位解检测结果建立判别向量R

步骤6，利用已建立的判别向量R

步骤7，利用步骤2建立的神经网络RAIM模型对步骤6中得到的

步骤8，根据步骤7得到的

步骤9，利用已建立的判别向量R

所述步骤3中，B

B

识别向量F

F

所述步骤6中，B

B

识别向量F

所述步骤9中，识别向量F

F

式中，I

识别向量F

有益效果

(1)本发明的用于神经网络RAIM的故障卫星识别方法中，用户通过全球导航卫星系统接收机获得星历文件，利用神经网络RAIM可检测定位卫星中是否存在故障的功能对各子集进行检测，获得检测结果，根据本发明提出的判别向量建模方法，利用各子集的检测结果建立判别向量；根据本发明提出的子集矩阵建模方法，利用各子集中所包含的卫星信息，分别建立单故障子集矩阵、双故障子集矩阵；根据单、双故障识别求解公式，计算识别向量；根据所得的识别向量，进行故障卫星识别，为用户确认故障卫星。

(2)本发明公开的一种用于神经网络RAIM的故障卫星识别方法，该方法利用神经网络RAIM对各集合的检测结果，分别建立故障子集矩阵和判别向量，根据给出的故障识别公式求解判别向量，最终实现故障卫星识别，方法建模简单，计算量小，计算过程清晰。

(3)本发明公开的故障卫星识别方法不仅用于神经网络RAIM，对于任何能够检测卫星故障的RAIM方法，都可使用此方法完成故障卫星识别工作，具有很强的通用性，便于产业化应用。

附图说明

图1为可见卫星高度角和方位角；

图2为X轴定位误差分布图；

图3为Y轴定位误差分布图；

图4为Z轴定位误差分布图；

图5为故障卫星识别结果图；

图6为X轴定位误差分布图；

图7为Y轴定位误差分布图；

图8为Z轴定位误差分布图；

图9为双星故障识别结果图。

具体实施方式

为了更好的说明本发明的目的和优点，下面结合附图和实例对发明内容做进一步说明。

实施例1(单星故障识别)：

实施例1将展示GNSS系统发生单星故障时，本方法识别故障卫星的过程。实施内容包括：真实卫星数据的采集，卫星故障数据生成、数学模型建立、识别故障卫星等。

卫星数据采集设备使用高精度T300 GNSS接收机，数据采集地点位于北京理工大学校园内(N：39.959792°，E：116.315253°，高度：58m)，数据处理采用MWORKS.Syslab基础工具箱，绘图采用MWORKS.Syslab图形工具箱；采集时间为2021年2月25日00:00:01至23:59:59；采集数据包括星历数据和伪距；采样间隔为1s，总共获得了86400个历元数据，第一个历元所有可见卫星的高度角和方位角如图1所示。

本实施例1，建立检测模型过程中需要使用的伪距测量误差模型包括：星历和时钟误差模型、对流层传播误差模型、接收机噪声模型和多径误差模型。这些误差被分别描述为服从正态分布的随机变量，其中各均值为0，各模型的方差与每个可见卫星的高度角有关，其标准偏差和高度角之间的函数关系如下表所示。

表1各标准差模型表

*:e为可见卫星高度角

在试验过程中，试验条件及相关参数如下表所示。试验用全球定位导航系统选用GPS，主要考虑到现今运行的四大GNSS系统中，GPS运行时间最久，总体运行状态最稳定，将其作为试验环境，所得到的试验结果更具有普适性。高度截止角选择10度，主要考虑较低的高度截止角能够获得更多的可见星数量。垂直方向保护限值是卫星故障检测的指标之一，在40m的范围之内实现故障卫星识别，能够有效说明本方法能够应用在类精密进近卫星导航中。

表2试验环境及相关参数表

卫星故障事件在GNSS系统中是十分稀有的，由于卫星伪距信息由接收机实时采集，且该信息随地理位置变化，因此，获得真实卫星故障数据非常困难。在检验卫星故障识别算法有效性的试验中，卫星故障模式由人工创建。本实施例中，使用手动方式将故障偏差注入卫星伪距数据中，以此获得卫星故障状态。

为了验证本发明的故障卫星识别方法的有效性和普遍性，在试验中，根据可见卫星数量，设计8次故障识别试验，分别对每颗可见卫星注入故障，并对该卫星进行识别检测。人为设定每颗卫星的故障状态如表3所示。因为神经网络RAIM将定位值作为检测量，所以每颗卫星故障状态以其伪距偏差对定位造成的定位偏差为标准设定。根据LPV-250级别导航对保护限值的需求，最大可检测定位偏差不可超过40m，因此在认为设定卫星故障状态时，每个故障卫星对定位造成的偏差值不超过40m。如表3所示，从50历元开始，每隔40个历元，选择一个卫星注入故障，每次注入故障的持续时间为6s。这种故障设置方式要求识别方法须在6s内识别故障卫星。

表3单故障卫星状态表

根据可见卫星，建立符号与卫星的对应关系，如下表所示。

表4符号与卫星的对应关系表

根据全集，建立单故障子集S

根据子集，建立矩阵B

利用P-RAIM方法对上述全集和各子集的定位进行监测，根据检测结果建立向量F

在单个故障卫星条件下，每个故障卫星都被成功检测到，然后在警报时间内正确隔离。以故障的G17为例，在图4中，全集的最大定位误差超过40m，确保成功检测到卫星中存在故障。此外，其它故障子集也均被检测到存在故障，而无故障子集a

建立完成判别向量、单故障子集矩阵，利用单故障识别公式计算识别向量，结果如下所示，

通过查询符号与卫星号的对应关系表，得到识别结果：卫星G17存在故障。根据单故障卫星状态表中记录的故障状态，图5描述了故障卫星识别结果。Y轴表示在400历元下，每颗卫星的识别结果。在图5中，每颗卫星可处在两种状态，当卫星判别为故障时，其状态值为1；被判别为无故障时，其状态值为0。以G17为例，在1-50历元时，该卫星被判别为无故障；在51-56历元时，该卫星被判别为存在故障，状态值发生阶跃变化；此后，停止注入故障，该卫星又被判别为无故障。

实施例2(双星故障识别)：

为了验证故障卫星识别方法在双星故障模式下的有效性，设计了双星故障识别试验，故障状态如表5所示：

表5双星故障状态

根据全集，建立双故障子集M

根据子集，建立矩阵B

以第三组双故障卫星模式G06和G09为例，全集和子集的定位误差随时间变化分别如图6、图7和图8所示。图8表明，当在第420个历元添加伪距偏差时，全集在z轴上的相应定位误差仍然小于VAL，导致检测和排除失败。从第422个历元开始，由测量偏差预测的定位误差开始超过VAL，并触发了P-RAIM的识别方法。在第423个历元，定位误差达到最大值45.172m。由此，构建的判别向量如下所示，

建立完成判别向量、单故障子集矩阵，利用单故障识别公式计算识别向量，结果如下所示，

图9显示在两颗故障卫星条件下，三组实验均成功检测并排除两颗故障卫星。其中，G06和G09从第420到第425历元被注入了伪距偏差。尽管这两颗卫星在第420个历元加入故障偏差后并没有马上被检测出，但它们在第422个历元时被成功识别。此时距离发生故障的时间小于6秒，说明故障卫星在警报时间内被正确识别，完全满足LPV-250的要求。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。