一种惯导系统故障识别系统及方法技术方案

本发明专利技术公开了一种惯导系统故障识别系统及方法，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，用于对所述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；故障识别模块，用于基于多源数据融合模型，进行惯导系统故障识别。本申请通过多源数据融合、卡尔曼滤波以及设计容错架构，实现对惯导系统的故障识别，提高惯导系统的安全性以及工作效率。高惯导系统的安全性以及工作效率。高惯导系统的安全性以及工作效率。

【技术实现步骤摘要】
一种惯导系统故障识别系统及方法


[0001]本申请属于故障检测
，具体涉及一种惯导系统故障识别系统及方法。

技术介绍

[0002]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。

技术实现思路

[0003]本专利技术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。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]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；
[0006]所述校正信息引入模块，用于引入多源外界校正信息；
[0007]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；
[0008]所述测量模块，用于获得惯导系统的绝对观测量；
[0009]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；
[0010]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。
[0011]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。
[0012]优选的，所述绝对观测量，包括：角速度和加速度。
[0013]优选的，构建多源数据融合模型的过程为：
[0014]基于卡尔曼滤波理论，构建子滤波器和主滤波器；
[0015]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；
[0016]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；
[0017]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。
[0018]优选的，故障识别的过程为：
[0019]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；
[0020]基于所述卡尔曼滤波基本方程，获得残差；
[0021]基于所述残差，判断惯导系统是否存在故障。
[0022]优选的，还包括故障处理模块；
[0023]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。
[0024]本申请还提供一种惯导系统故障识别方法，包括以下步骤：
[0025]引入多源外界校正信息；
[0026]对所述多源外界校正信息进行预处理；
[0027]获得惯导系统的绝对观测量；
[0028]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；
[0029]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。
[0030]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。
[0031]优选的，所述绝对观测量，包括：角速度和加速度。
[0032]与现有技术相比，本专利技术的有益效果为：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
[0033]为了更清楚地说明本专利技术的技术方案，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专利技术的一些实施例，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。
[0034]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；
[0035]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
[0036]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0037]为使本专利技术的上述目的、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专利技术作进一步详细的说明。
[0038]实施例一：
[0039]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；
[0040]校正信息引入模块，用于引入多源外界校正信息；
[0041]信息处理模块，用于对多源外界校正信息进行预处理；
[0042]测量模块，用于获得惯导系统的绝对观测量；
[0043]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；
[0044]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。
[0045]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。
[0046]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：
[0047]对获得的多源外界校正信息，分别进行聚类，找到各簇质心；
[0048]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；
[0049]计算各外界校正信息到其各自的最近质心的距离；
[0050]计算各外界校正信息到其各自的最近质心的相对距离；
[0051]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；
[0052]筛选出的离群点即为异常信息数据，
[0053]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。
[0054]具体的，构建多源数据融合模型的过程为：
[0055]基于卡尔曼滤波理论，构建子滤波器和主滤波器；
[0056]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；...

【技术保护点】

【技术特征摘要】
1.一种惯导系统故障识别系统，其特征在于，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。2.根据权利要求1所述惯导系统故障识别系统，其特征在于，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。3.根据权利要求1所述惯导系统故障识别系统，其特征在于，所述绝对观测量，包括：角速度和加速度。4.根据权利要求1所述惯导系统故障识别系统，其特征在于，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...

【专利技术属性】
技术研发人员：程耀东，党宏涛，杨建业，谢阳光，张晓峰，
申请(专利权)人：西京学院，
类型：发明
国别省市：