一种基于级联神经网络的船舶组合导航故障检测方法

1.本发明涉及船舶组合导航故障检测技术领域，尤其涉及一种基于级联神经网络的船舶组合导航故障检测方法。


背景技术：

2.组合导航系统的正常工作依赖于各个子系统的正常工作，对导航传感器故障的检测和分离有助于提升组合导航系统的鲁棒性。在实际应用中，由于受外界因素的影响或元器件自身的原因，导航传感器输出难免存在故障。在组合导航系统噪声及量测噪声有界未知的条件下，基于残差观测器的故障检测算法存在依赖先验知识、阈值难以设定，对渐变故障不敏感等缺陷。


技术实现要素：

3.本发明提供一种基于级联神经网络的船舶组合导航故障检测方法，以克服上述技术问题。
4.为了实现上述目的，本发明的技术方案是：
5.一种基于级联神经网络的船舶组合导航故障检测方法，包括：
6.s1：建立水面船舶sins/gnss和sins/dvl/compass的组合导航系统方程；
7.s2：选取组合导航状态估计误差的变量：
8.s3：选取组合导航量测误差的变量：
9.s4：根据水面船舶sins/gnss和sins/dvl/compass的组合导航系统方程，获取离散化的水面船舶sins/gnss和sins/dvl/compass的组合导航系统方程，以获取组合导航系统滤波过程中产生的协方差矩阵pk；
10.s5：根据所述组合导航状态估计误差的变量和组合导航量测误差的变量，获取水面船舶sins/gnss和sins/dvl/compass组合导航系统在k时刻的残差，以获取残差的χ2检验法的故障信息统计量qk；
11.s6：根据组合导航系统滤波过程中产生的协方差矩阵pk和残差的χ2检验法的故障信息统计量qk，通过级联神经网络获取水面船舶sins/gnss和sins/dvl/compass的组合导航系统的故障信息。
12.进一步的，所述s1中，水面船舶sins/gnss和sins/dvl/compass的组合导航系统方程建立如下：
[0013][0014]
公式中：xk为k时刻的组合导航状态估计误差；yk为k时刻的组合导航量测误差；f(.)为非线性状态转移方程；hk为k时刻的量测方程；dk为k时刻的系统量测噪声的系数矩阵；wk为k时刻的系统过程噪声；vk为k时刻的系统量测噪声；k表示系统工作的时刻。
[0015]
进一步的，所述s2中，组合导航状态估计误差的变量选取如下：
[0016][0017]
式中：为纵摇角误差；为横摇角误差；为艏向角误差；δve为东向速度误差；δvn为北向速度误差；δvu为天向速度误差；δl为纬度误差；δλ为经度误差；δh为高度误差；εe为东向的陀螺仪零偏；εn为北向的陀螺仪零偏；εu为天向的陀螺仪零偏；为东向加速度计零偏；为北向的加速度计零偏；为天向的加速度计零偏；ε和分别为陀螺仪零偏和加速度计零偏。
[0018]
进一步的，所述s3中，组合导航量测误差的变量选取如下：
[0019][0020]
式中：为gnss的量测误差；为dvl和compass的量测误差；为k时刻sins系统的位置误差；为k时刻gnss系统的位置误差；为k时刻sins系统的速度误差；为k时刻gnss系统的速度误差；为k时刻dvl系统的速度误差；为k时刻的sins系统的艏向角误差；为k时刻的compass系统的艏向角误差。
[0021]
进一步的，所述s4中，获取离散化的水面船舶sins/gnss和sins/dvl/compass的组合导航系统方程如下：
[0022][0023]
式中，为状态误差一步预测；p
k|k-1
为状态误差协方差矩阵一步预测；φk为f(.)离散化的状态转移矩阵；bk为离散化的系统过程噪声的系数矩阵；qk为k时刻的系统噪声协方差矩阵；kk为k时刻的滤波增益；i为单位矩阵；其中，e(.)为期望方程；为状态误差一步预测；p
k|k-1
为状态误差协方差矩阵一步预测；rk为量测噪声协方差矩阵；pk为组合导航系统滤波过程中产生的协方差矩阵。
[0024]
进一步的，所述s5中，获取残差的χ2检验法的故障信息统计量方法如下：
[0025]
s51：获取水面船舶sins/gnss和sins/dvl/compass组合导航系统在k时刻的残差：
[0026][0027]
式中：γk表示k时刻的组合导航系统的残差；为状态误差一步预测；
[0028]
s52：获取新息方差的理论值：
[0029]
[0030]
式中：sk为新息方差的理论值；p
k|k-1
为状态误差协方差矩阵一步预测；rk为量测噪声协方差矩阵；
[0031]
s53：获取残差的χ2检验法的故障信息统计量为
[0032][0033]
式中：qk表示残差的χ2检验法的故障信息统计量。
[0034]
进一步的，所述s6中的级联神经网络是基于时域特征故障检测网络与stft的频域故障检测网络两部分组成，
[0035]
所述时域特征故障检测网络能够同时提取残差的χ2检验法的故障信息统计量qk的统计特征，和组合导航系统滤波过程中产生的协方差矩阵pk的慢特征，并输入至bp神经网络；
[0036]
所述stft的频域故障检测网络能够提取残差的χ2检验法的故障信息统计量qk的频域故障特征，输入至cnn神经网络；
[0037]
最后将时域特征故障检测网络和stft的频域故障检测网络的输出，通过决策网络，获取水面船舶sins/gnss和sins/dvl/compass的组合导航系统的故障信息。
[0038]
有益效果：本发明的一种基于级联神经网络的船舶组合导航故障检测方法，针对基于残差观测器的故障检测算法存在渐变故障不易被识别以及故障阈值设置依赖先验知识的问题，将组合导航系统滤波过程中产生的协方差矩阵以及残差矩阵的故障信息统计量的时频故障特征提取出来，采用级联神经网络实现对渐变故障更加敏感，提高了组合导航系统故障检测的智能性，具有故障检测的鲁棒性。
附图说明
[0039]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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。
[0040]
图1为本发明的故障检测方法流程图；
[0041]
图2为本发明的实施例中的stft特征提取及故障检测示意图；
[0042]
图3为本发明的实施例中的级联神经网络结构示意图；
[0043]
图4a为本发明的实施例中sins/gnss时域特征故障检测结果示意图；
[0044]
图4b为本发明的实施例中sins/gnss频域特征提取结果示意图；
[0045]
图4c为本发明的实施例中sins/gnss频域特征故障检测网络结果示意图
[0046]
图4d为本发明的实施例中决策级融合故障检测网络结果示意图。
具体实施方式
[0047]
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
[0048]
本实施例提供了一种基于级联神经网络的船舶组合导航故障检测方法，如图1所
示，包括如下步骤：
[0049]
具体的，本实施例主要解决船舶捷联惯导系统/全球导航卫星系统(sins/gnss)以及船舶捷联惯导系统/多普勒计程仪/陀螺罗经(sins/dvl/compass)组合导航系统的智能故障检测。
[0050]
s1：建立对于水面船舶sins/gnss和sins/dvl/compass的组合导航系统方程：
[0051]
其中，sins/gnss为船舶捷联惯导系统/全球导航卫星系统；sins/dvl/compass为船舶捷联惯导系统/多普勒计程仪/陀螺罗经组合导航系统；
[0052][0053]
公式中：xk为k时刻的组合导航状态估计误差；yk为k时刻的组合导航量测误差；f(.)为非线性状态转移方程；hk为k时刻的量测方程；dk为k时刻的系统量测噪声的系数矩阵；wk为k时刻的系统过程噪声；vk为k时刻的系统量测噪声；其中，wk和vk均满足l2[0,n]范数有界；k表示系统工作的时刻；
[0054]
s2：选取组合导航状态估计误差的变量：
[0055][0056]
式中：为纵摇角误差；为横摇角误差；为艏向角误差；δve为东向速度误差；δvn为北向速度误差；δvu为天向速度误差；δl为纬度误差；δλ为经度误差；δh为高度误差；εe为东向的陀螺仪零偏；εn为北向的陀螺仪零偏；εu为天向的陀螺仪零偏；为东向加速度计零偏；为北向的加速度计零偏；为天向的加速度计零偏；ε和分别为陀螺仪零偏和加速度计零偏；下标e、n和u分别对应方向东、北、天；
[0057]
s3：选取组合导航量测误差的变量：其中，对于sins/gnss系统，k时刻的组合导航量测误差为gnss的量测误差对于sins/dvl/compass系统，k时刻的组合导航量测误差为dvl和compass的量测误差
[0058][0059]
式中：为gnss的量测误差；为dvl和compass的量测误差；为k时刻sins系统的位置误差；为k时刻gnss系统的位置误差；为k时刻sins系统的速度误差；为k时刻gnss系统的速度误差；为k时刻dvl系统的速度误差；为k时刻的sins系统的艏向角误差；为k时刻的compass系统的艏向角误差；
[0060]
s4：根据水面船舶sins/gnss和sins/dvl/compass的组合导航系统方程，获取离散化的水面船舶sins/gnss和sins/dvl/compass的组合导航系统方程，即预测方程组，以获取组合导航系统滤波过程中产生的协方差矩阵；
[0061]
具体的，本实施例，利用卡尔曼滤波通过预测-更新的步骤，最小化组合导航状态
估计误差xk以及组合导航系统滤波过程中产生的协方差矩阵pk，经过离散化后，得到离散化的水面船舶sins/gnss和sins/dvl/compass的组合导航系统方程如下：
[0062][0063]
式中，为状态误差一步预测；p
k|k-1
为状态误差协方差矩阵一步预测；φk为f(.)离散化的状态转移矩阵；bk为离散化的系统过程噪声的系数矩阵；qk为k时刻的系统噪声协方差矩阵；kk为k时刻的滤波增益；i为单位矩阵；其中，e(.)为期望方程；为k时刻的状态误差一步预测；p
k|k-1
为k时刻的状态误差协方差矩阵一步预测；rk为量测噪声协方差矩阵；
[0064]
s5：根据所述组合导航状态估计误差的变量和组合导航量测误差的变量，获取水面船舶sins/gnss和sins/dvl/compass组合导航系统在k时刻的残差，以获取残差的χ2检验法的故障信息统计量qk；
[0065]
对于水面船舶sins/gnss和sins/dvl/compass组合导航系统，采用残差的χ2检验法对船舶组合导航系统进行检测，系统在k时刻的量测残差信息如下：
[0066]
所述s5中，获取残差的χ2检验法的故障信息统计量方法如下：
[0067]
s51：获取水面船舶sins/gnss和sins/dvl/compass组合导航系统在k时刻的残差：
[0068][0069]
式中：γk表示k时刻的组合导航系统的残差；状态误差一步预测；
[0070]
s52：获取新息方差的理论值：
[0071][0072]
式中：sk为新息方差的理论值；p
k|k-1
为状态误差协方差矩阵一步预测；rk为量测噪声协方差矩阵；
[0073]
s53：获取残差的χ2检验法的故障信息统计量为
[0074][0075]
式中：qk表示残差的χ2检验法的故障信息统计量；
[0076]
s6：根据组合导航系统滤波过程中产生的协方差矩阵pk和残差的χ2检验法的故障信息统计量qk，通过级联神经网络获取水面船舶sins/gnss和sins/dvl/compass的组合导航系统的故障信息。
[0077]
具体的，常规的根据所述残差的χ2检验法的故障信息统计量，建立故障检测规则为：根据残差的统计特性，设置门限值td，建立如下故障检测规则：
[0078]
[0079]
其中：td为故障检测门限值；
[0080]
上述基于残差的χ2检测算法对渐变故障并不敏感，若渐变故障开始时较小，将跟踪故障输出，进而残差一直较小。此外，故障检测门限值td的设置依赖人为经验，仅以qk的幅值来判断是否存在故障较为困难。为此，采用级联神经网络对其进行优化。
[0081]
提取协方差pk与残差的χ2检验法的故障信息统计量qk中的故障特征，设计出一种基于级联神经网络的残差观测器故障检测方法。
[0082]
本实施例以组合导航系统滤波过程中产生的协方差矩阵pk和残差的χ2检验法的故障信息统计量qk作为输入，输入至级联神经网络中，优选地，本实施例中的级联神经网络是基于时域特征故障检测网络与stft的频域故障检测网络，即短时傅里叶变换(short-time fourier transform,stft)频域故障检测网络两部分组成，
[0083]
所述时域特征故障检测网络能够同时提取残差的χ2检验法的故障信息统计量qk的统计特征，和组合导航系统滤波过程中产生的协方差矩阵pk的慢特征，然后将所述统计特征和慢特征(即时域故障特征)输入至bp神经网络；
[0084]
所述stft的频域故障检测网络能够提取残差的χ2检验法的故障信息统计量qk的频域故障特征，输入至cnn神经网络；
[0085]
最后将时域特征故障检测网络和stft的频域故障检测网络的输出，通过决策网络，输出水面船舶sins/gnss和sins/dvl/compass的组合导航系统的故障信息。以实现对故障的实时准确辨识。其中的决策网络为级联神经网络中的通用特征，具有能够根据所输入的时域特征故障检测网络的输出和stft的频域故障检测网络的输出，获取级联神经网络的输出的功能，其不属于本发明的技术点，因此不对齐进行详细描述。
[0086]
具体的，本实施例的级联神经网络通过对时域特征融合的时域特征故障检测网络，对组合导航系统中的pk以及qk分别进行时域特征提取。对于一维信号qk提取，其形态特征包含信号的幅值，统计特征包含信号的偏度与峰度；而时域特征包含变化率、均值、极值以及协方差等；考虑协方差pk维数较高，引入慢特征检测法对pk进行降维特征提取获取慢特征。将这些特征输入至bp神经网络中；同时，采用小波变换对qk信号的变化趋势进行包络提取后，采用stft的频域故障检测网络获取qk中的频域故障特征，将该多维频域特征代入到cnn中进行训练如图2所示。最后，将cnn以及bp网络的训练结果输入到决策网络中，实现在线故障检测网络如图3所示。
[0087]
具体的，本实施例将提取到的pk以及qk的时域故障特征输入至bp神经网络中，该bp神经网络包含三个隐藏层，分别由20个、30个神经元和10和神经元，激活函数分别采用sigmod、sigomd与tanh。输出的结果为时域特征故障检测网络是否发生故障。考虑到qk经频域特征提取后为二维图像，为更好提取特征，将其输入至卷积神经网络cnn对频域数据进行特征提取。该网络包含8个7*7的卷积层、采用relu函数增加网络的非线性分割能力后，将结果输入至4个3*3的池化层中，而后再次采用relu函数增强非线性分割能力，经过一个2*2的最大池化层进行特征提取后，对网络进行丢包处理，输出至全卷积层后，再进行特征分类输出结果。最后，将cnn以及bp神经网络的训练结果输入到决策网络中，实现在线故障检测网络，如图3所示。
[0088]
将正常与故障情况下多种模拟的组合导航残差qk及协方差pk输入网络，在时域特征故障检测网络和频域故障检测网络中分别进行10000次预训练，决策网络训练22000次。
根据交叉实验的损失值和精度，确定批量数据大小为50、学习率设置为0.0001、训练目标(最小均方误差，mmse)设置为10-4
、学习率设置为0.001，训练目标设置为mmse为10-6
。以避免过拟合，对于频域故障检测子网络丢包率设置为0.5。对于决策级融合网络，训练速率和mmse设置与时域特征故障检测网络相同。
[0089]
将实际水面船舶组合导航过程中产生的qk及pk输入至训练好的网络中时，即可完成在组合导航子系统故障检测。
[0090]
一个具体实施例如下：
[0091]
对sins/gnss组合导航系统，按照本实施例的方法进行实船试验，并对组合导航子系统进行故障检测。通过图4a可以看出，对于sins/gnss组合导航系统，对于时域特征故障检测网络，检测到100到150秒之间的大多数sins渐变故障；然而，在250秒之后发生存在部分虚警。通过stft提取频域特征如图4b所示，可以在图4c中看到频域故障检测到在150到200秒之间有大量的虚警。对于决策网络的融合结果，它不仅实现了比频域故障检测网络和频域故障检测网络更低的虚警率，而且还成功地检测到大多数故障，包括sins软故障，如图4d所示。能够说明本专利相比现有的方法，解决了针对基于残差观测器的故障检测算法存在渐变故障不易被识别以及故障阈值设置依赖先验知识的问题。将组合导航系统滤波过程中产生的协方差矩阵pk和残差的χ2检验法的故障信息统计量qk的时频故障特征提取出来，采用神经网络对其进行优化，在实船数据量较少的前提下实现了在线智能故障检测，且对渐变故障更加敏感。
[0092]
本发明针对船舶组合导航系统中存在的故障会污染联邦滤波器输出，影响导航性能的问题，构建的一种基于级联神经网络的船舶组合导航故障检测方法，针对残差观测器对渐变故障不敏感，依赖先验知识等缺陷，设计了一种融合多时域特征融合故障检测网络与短时傅里叶变换(short-time fourier transform,stft)频域故障检测网络的故障检测算法。
[0093]
针对残差观测器对渐变故障不敏感，依赖先验知识等缺陷，设计了一种融合时域特征故障检测网络、stft的频域故障检测网络(短时傅里叶变换频域故障检测网络)的故障检测方法，针对基于残差观测器的故障检测算法存在渐变故障不易被识别以及故障阈值设置依赖先验知识的问题，将协方差矩阵以及残差矩阵的时频故障特征提取出来，在摆脱了传统判断阈值td设置依赖人为经验的缺陷外，对渐变故障的检测也更加稳定。实现了在线智能故障检测，且对渐变故障更加敏感。
[0094]
有益效果：
[0095]
本发明从传统基于残差观测器的故障检测算法输出中提取残差及组合导航系统滤波过程中产生的协方差信号的时域特征及频域特征。通过将提取到的特征输入至设计的级联网络中，实现了船舶组合导航子系统的在线智能检测，不依赖人为经验设置检测阈值参数的同时，对渐变故障更加敏感。同时摆脱了传统神经网络故障检测依赖于大量实测数据样本训练的约束，能够在数据量较少的情况下完成对子系统的故障检测。
[0096]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术
方案的范围。