基于交互式多模型算法的机载多传感器信息融合方法与流程
本发明涉及的是一种飞机控制领域的技术,具体是一种基于交互式多模型(imm)算法的机载多传感器信息融合方法。
背景技术:
1、在商用飞机自动飞行控制系统中,为保证高安全性,通常采用多余度传感器架构(如三余度惯导系统、大气数据系统)来测量飞机的状态信息。现有基于imm的技术计算负载过大且对高频震荡噪声敏感,无法实现故障发生时的平滑加权过渡,难以避免信号跳变且缺乏明确的故障判别逻辑及平滑处理机制,针对传感器软故障无法有效识别。
技术实现思路
1、本发明针对现有硬阈值表决方法对软故障敏感度低,难以检测出传感器性能的缓慢退化或微小漂移,导致错误信号在未触发阈值前混入控制系统、在传感器噪声较大或处于故障临界状态时,简单的逻辑切换容易导致输出信号发生跳变或高频抖动,影响自动驾驶仪的稳定性以及现有技术通常依赖单一的低通滤波,难以在有效滤除高频噪声的同时兼顾对飞机机动动作的快速动态响应等问题,提出一种基于交互式多模型算法的机载多传感器信息融合方法,通过部署至级联式的信号处理架构并控制自动飞行控制系统的每一个独立传感器通道,包含数据预处理、imm滤波估计、故障判决与融合三个核心阶段,不仅输出滤波后的平滑信号,还实时输出该通道的健康置信度供下游余度管理系统使用。
2、本发明是通过以下技术方案实现的:
3、本发明涉及一种基于交互式多模型算法的机载多传感器信息融合方法,包括:
4、步骤1、数据预处理与多项式拟合降采样,具体包括:
5、1.1获取原始传感器(如fcm1俯仰角、校正空速等)的高频采样数据。
6、1.2针对商用飞机传感器特有的高频噪声特性,采用n点n阶多项式拟合算法对步骤1.1采集到的高频采样数据进行滑动窗口平滑处理,具体为:将输入数据流划分为时间连续的独立片段,每个片段由n点组成;对单个片段内的数据点进行最小二乘法拟合,利用拟合曲线的中心点代替原始噪声点;
7、1.3在拟合后对数据进行大幅度降采样处理,降采样后的频率满足奈奎斯特采样定律且高于飞机飞行控制律的计算周期频率,在确保不发生频谱混叠且保留信号核心动态特性的前提下,有效去除高频测量噪声,显著降低后续imm算法的计算负载,使其满足机载计算机的实时性要求;
8、步骤2、交互输入与并行滤波估计,具体为:建立包含多个并行子滤波器的交互式多模型(imm)结构,每个子滤波器对应飞机传感器可能处于的不同工作模式并在初始化时,设定各模式的初始概率,并让各子滤波器并行运行。在每一时刻循环开始时,依次进行交互混合与并行卡尔曼滤波。
9、所述的交互混合,具体为:根据上一时刻各子模型的后验概率和马尔可夫转移概率矩阵,对上一时刻不同模型的状态估计和协方差进行混合,计算出当前时刻各子滤波器的混合初始状态和混合初始协方差,具体为:,,,其中:为状态向量,为协方差矩阵,为从模式转移到模式的概率,为归一化常数,上标表示矩阵转置。
10、所述的并行卡尔曼滤波,具体为:基于交互混合得到的初值,驱动三个并行且分别分别对应飞机传感器三种工作模式的卡尔曼滤波器进行状态估计,包括:
11、工作模式一为正常平稳模式,配置较小的过程噪声协方差,用于表征飞机平稳飞行阶段,侧重于滤波精度;
12、工作模式二为机动模式,配置较大的过程噪声协方差,用于表征飞机变姿态或剧烈机动阶段,侧重于跟踪速度。
13、工作模式三为故障/高噪模式,配置极大的测量噪声协方差,用于表征传感器出现异常、失效或受到强干扰的情况。
14、所述的状态估计是指:各子滤波器利用步骤1预处理后的当前测量值进行状态与协方差预测、计算残差与其协方差并计算卡尔曼增益并更新状态估计和协方差,具体为:利用混合初始状态和混合初始协方差进行时间更新:,,其中:为状态转移矩阵,为对应模式的过程噪声协方差矩阵;计算残差,协方差,其中:为当前测量向量,为观测矩阵,为观测噪声协方差矩阵。
15、步骤3、对imm滤波器组各模型的后验更新与故障软检测,具体为:在每个滤波周期内,根据步骤2更新的残差与其协方差,实时更新各模型的后验概率并执行故障判断与失效检测逻辑。
16、所述的实时更新是指:假设测量残差服从高斯分布,计算每个滤波器的的似然函数,其中:表示矩阵的行列式。之后利用贝叶斯公式结合似然函数,对各模式的概率进行更新,得到当前时刻各模式的后验概率。
17、所述的故障判断和失效检测是指:实时监控故障/高噪模式的后验概率,并计算同一时刻的nis值,具体为:;当后验概率持续超过预设的安全阈值且nis值尚在卡方分布的合理区间内时,判定传感器处于性能退化或软故障状态。若模式三的后验概率较高,且nis值持续超过卡方分布的置信区间上界,则判定传感器发生硬故障或完全失效。
18、当传感器处于性能退化或软故障状态时不直接切断信号,而是降低该传感器在后续余度融合中的权重。
19、所述的安全阈值,系根据系统对误报率的要求,通过蒙特卡洛仿真实验统计确定。
20、步骤4、后验加权融合输出,具体为:依据步骤3计算出的各模式后验概率,对各子滤波器的状态估计值进行加权求和,得到当前通道的最终估计值的同时,输出该通道的健康置信度。
21、当故障判断和失效检测时判定为软故障时,不直接切断信号并通过imm内在的概率加权机制,随着的上升自动且平滑地降低该传感器在最终输出中的权重;若判定为硬故障,则输出故障标志供下游余度管理系统进行物理切除。
22、技术效果
23、本发明基于imm模型概率的软余度管理,将imm算法输出的模型概率作为传感器健康度的动态置信度指标,实现对软故障的灵敏检测;在imm输入端引入基于先验频谱分析验证的拟合-降采样级联环节;与现有技术相比,本发明使得自动飞行控制系统能够依据该动态置信度,在三个冗余传感器之间进行加权平滑过渡。当某传感器检测到软故障(模式三概率上升)时,其在总控制律计算中的权重会自动平滑下降,从而避免信号跳变和舵面的不必要抖动的同时,通过多项式拟合抑制高频震荡噪声,解决现有imm在极高频噪声环境下容易发散的技术难题;另一方面,通过降采样策略,有效平衡imm多滤波器并行架构带来的高计算开销,使其能够适配算力有限的机载嵌入式计算平台,并且降采样后的频率仍满足奈奎斯特采样定律并高于飞机控制律的计算频率。
1.一种基于交互式多模型算法的机载多传感器信息融合方法,其特征在于,包括:
2.根据权利要求1所述的基于交互式多模型算法的机载多传感器信息融合方法,其特征是,所述的步骤1,具体包括:
3.根据权利要求1所述的基于交互式多模型算法的机载多传感器信息融合方法,其特征是,所述的交互混合,具体为:根据上一时刻各子模型的后验概率和马尔可夫转移概率矩阵,对上一时刻不同模型的状态估计和协方差进行混合,计算出当前时刻各子滤波器的混合初始状态和混合初始协方差,具体为:,,,其中:为状态向量,为协方差矩阵,为从模式转移到模式的概率,为归一化常数,上标表示矩阵转置。
4.根据权利要求1所述的基于交互式多模型算法的机载多传感器信息融合方法,其特征是,所述的并行卡尔曼滤波,具体为:基于交互混合得到的初值,驱动三个并行且分别分别对应飞机传感器三种工作模式的卡尔曼滤波器进行状态估计,包括:
5.根据权利要求4所述的基于交互式多模型算法的机载多传感器信息融合方法,其特征是,所述的状态估计是指:各子滤波器利用步骤1预处理后的当前测量值进行状态与协方差预测、计算残差与其协方差并计算卡尔曼增益并更新状态估计和协方差,具体为:利用混合初始状态和混合初始协方差进行时间更新:,,其中:为状态转移矩阵,为对应模式的过程噪声协方差矩阵;计算残差,协方差,其中:为当前测量向量,为观测矩阵,为观测噪声协方差矩阵。
6.根据权利要求1所述的基于交互式多模型算法的机载多传感器信息融合方法,其特征是,所述的实时更新是指:假设测量残差服从高斯分布,计算每个滤波器的的似然函数,其中:表示矩阵的行列式,之后利用贝叶斯公式结合似然函数,对各模式的概率进行更新,得到当前时刻各模式的后验概率。
7.根据权利要求1所述的基于交互式多模型算法的机载多传感器信息融合方法,其特征是,所述的故障判断和失效检测是指:实时监控故障/高噪模式的后验概率,并计算同一时刻的nis值,具体为:;当后验概率持续超过预设的安全阈值且nis值尚在卡方分布的合理区间内时,判定传感器处于性能退化或软故障状态,若模式三的后验概率较高,且nis值持续超过卡方分布的置信区间上界,则判定传感器发生硬故障或完全失效。
8.根据权利要求7所述的基于交互式多模型算法的机载多传感器信息融合方法,其特征是,当传感器处于性能退化或软故障状态时不直接切断信号,而是降低该传感器在后续余度融合中的权重。
9.根据权利要求7所述的基于交互式多模型算法的机载多传感器信息融合方法,其特征是,当故障判断和失效检测时判定为软故障时,不直接切断信号并通过imm内在的概率加权机制,随着后验概率的上升自动且平滑地降低该传感器在最终输出中的权重;若判定为硬故障,则输出故障标志供下游余度管理系统进行物理切除。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com