一种用于水下SINS/DVL/PS紧组合导航系统的故障定位与恢复方法技术方案

本发明专利技术公开了一种用于水下SINS/DVL/PS紧组合导航系统的故障定位与恢复方法，包括以下步骤：S1、构造出与目标实验设备原理相同的系统虚拟模型，生成虚拟训练集；S2、并利用虚拟训练集训练LSTM神经网络，得到预训练模型LSTM

【技术实现步骤摘要】
一种用于水下SINS/DVL/PS紧组合导航系统的故障定位与恢复方法


[0001]本专利技术涉及导航系统故障诊断
，尤其是涉及一种用于水下SINS/DVL/PS紧组合导航系统的故障定位与恢复方法。

技术介绍

[0002]精度高、可靠性强的导航系统是自主水下航行器成功完成任务的必备条件，常见的水下导航系统为捷联惯性导航系统(SINS)/多普勒计程仪(DVL)/压力传感器(PS)组合导航系统。在水下复杂环境的干扰下，DVL、PS传感器由于依赖环境信息，随时可能发生故障，引发导航系统定位结果的误差发散，进而影响自主水下航行器的工作。在此情况下，用户需要一套用于水下组合导航系统的故障诊断技术，能实时检测到DVL、PS导航传感器的故障发生和消失。
[0003]突变故障和渐变故障是导航系统中的常见故障，其中渐变故障是最难以被诊断出的一种故障，针对导航传感器渐变故障的故障诊断问题，有学者们利用神经网络的强大非线性拟合能力和分类能力进行研究。具体思路为利用神经网络拟合出用于故障诊断的导航数据或利用神经网络直接将导航数据划分为有无故障类别，例如在专利申请号为CN202010380332.2，名称为“一种基于集成神经网络的INS/GPS组合导航故障检测与诊断方法”的专利文件中，将集成神经网络作为分类决策函数对导航系统进行故障检测；又如在专利申请号为CN201910953487.8，名称为“一种基于SVR的组合导航系统故障诊断方法”的专利文件中，利用SVR的拟合能力构造故障检测函数，但是以上专利技术需要大量的导航实验数据支撑来训练高性能的神经网络模型，并且以上方法不具备传感器内部的故障定位功能。

技术实现思路

[0004]本专利技术的目的是提供一种用于水下SINS/DVL/PS紧组合导航系统的故障定位与恢复方法，可以在少量的实验数据条件下，快速的诊断并定位渐变故障等常见故障，并根据故障定位结果自动进行相应的故障恢复策略，提高组合导航系统的可靠性。
[0005]为实现上述目的，本专利技术提供了一种用于水下SINS/DVL/PS紧组合导航系统的故障定位与恢复方法，包括以下步骤：
[0006]S1、构造出一套与目标实验设备原理相同的SINS/DVL/PS紧组合导航系统虚拟模型，利用该虚拟模型生成虚拟训练集；
[0007]S2、搭建LSTM神经网络，并利用虚拟训练集训练LSTM神经网络，得到预训练模型LSTM
‑
1；
[0008]S3、利用实船实验采集少量的SINS/DVL/PS紧组合导航系统实验数据，利用与步骤S1相同的方法得到基于实船实验数据的实验训练集，基于迁移学习机制将预训练模型：LSTM
‑
1迁移至实验应用场景，得到最终LSTM神经网络模型：LSTM
‑
2；
[0009]S4、SINS/DVL/PS紧组合导航系统进入工作过程，LSTM
‑
2神经网络进入分类模式，
LSTM
‑
2神经网络模型依据实时的故障统计量输出当前时刻故障发生的位置；
[0010]S5、根据LSTM
‑
2神经网络模型输出的故障定位结果，SINS/DVL/PS紧组合导航系统自动采取相应的故障恢复措施，利用卡尔曼滤波器实现SINS/DVL/PS信息的有效融合。
[0011]进一步地，所述步骤S1中SINS/DVL/PS紧组合导航系统虚拟模型设置方法：
[0012]获取紧组合导航系统的状态方程和量测方程，状态方程：X(k)＝φ(k,k
‑
1)X(k
‑
1)+W(k
‑
1)源于惯性导航系统的误差方程，其中X(k)为导航系统在k时刻的状态量，其中[φ
e
,φ
n
,φ
u
]为导航系统在东北天方向的姿态角误差，[δv
e
,δv
n
,δv
u
]为导航系统在东北天方向的速度误差，[δL,δλ,δh]为导航系统的经度纬度高度的位置误差，[ε
x
,ε
y
,ε
z
]为陀螺仪的三轴零偏，为加速度计的三轴零偏，δK为多普勒测速仪的标度因子误差，φ(k,k
‑
1)表示系统从k
‑
1时刻到k时刻的状态转移矩阵，由惯性导航系统的误差方程获得，W为系统噪声；量测方程：Z(k)＝H(k)X(k)+V(k)，量测方程中的量测量由DVL四个波束的对地速度实测量，PS传感器测得的深度量，以及惯性导航系统解算的对应值构建得到：其中Z为导航系统的量测量，表示惯性导航解算的速度在多普勒传感器第i个波束方向上的投影分量，HSINS表示惯性导航系统的高度测量结果，代表多普勒传感器第i个波束的测速结果，HPS代表深度计的高度测量结果，H(k)为k时刻的量测矩阵，V为量测噪声；
[0013]SINS/DVL/PS紧组合导航系统应用的信息融合方法为卡尔曼滤波算法，包含时间更新和参数更新，如式所示：
[0014][0015]P(k,k
‑
1)＝φ(k,k
‑
1)P(k
‑
1)φ(k,k
‑
1)
T
+Q(k
‑
1)
[0016]K(k)＝P(k,k
‑
1)H(k)
T
(H(k)
·
P(k,k
‑
1)H(k)
T
+R(k))
‑1[0017][0018]P(k)＝(I
‑
K(k)H(k))P(k,k
‑
1)
[0019]其中，为k
‑
1时刻到k时刻的状态更新值，为k
‑
1时刻的状态估计值，P(k,k
‑
1)为k
‑
1时刻到k时刻协方差矩阵的更新值，P(k)为k时刻的协方差矩阵，Q(k)为k时刻的系统噪声矩阵，R(k)为k时刻的系统量测噪声矩阵，K(k)为k时刻的增益矩阵。
[0020]进一步地，所述步骤S1中生成虚拟训练集的方法为：
[0021]根据实验设备SINS/DVL/PS紧组合导航系统的状态方程、量测方程与卡尔曼滤波算法，构造出一套原理相同的SINS/DVL/PS紧组合导航系统虚拟模型，在不同时刻分别向虚拟模型的多普勒测速仪的各个波束和深度计加入故障:H
PS*
＝H
PS
+f，其中*代表已加入故障状态，f代表人为加入不同位置的故障，故障位置包含：DVL的某个波束、DVL的多个波束和深度计，并记录故障发生的时间和位置；
[0022]利用卡尔曼滤波迭代可得到k时刻的残差量：归一化残差
量为r(k)'＝A(k)
‑
1/2
r(k)，其中A(k)为时刻k残差的方差阵，将归一化残差量设置为反应故障本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于水下SINS/DVL/PS紧组合导航系统的故障定位与恢复方法，其特征在于，包括以下步骤：S1、构造出一套与目标实验设备原理相同的SINS/DVL/PS紧组合导航系统虚拟模型，利用该虚拟模型生成虚拟训练集；S2、搭建LSTM神经网络，并利用虚拟训练集训练LSTM神经网络，得到预训练模型LSTM
‑
1；S3、利用实船实验采集少量的SINS/DVL/PS紧组合导航系统实验数据，利用与步骤S1相同的方法得到基于实船实验数据的实验训练集，基于迁移学习机制将预训练模型：LSTM
‑
1迁移至实验应用场景，得到最终LSTM神经网络模型：LSTM
‑
2；S4、SINS/DVL/PS紧组合导航系统进入工作过程，LSTM
‑
2神经网络进入分类模式，LSTM
‑
2神经网络模型依据实时的故障统计量输出当前时刻故障发生的位置；S5、根据LSTM
‑
2神经网络模型输出的故障定位结果，SINS/DVL/PS紧组合导航系统自动采取相应的故障恢复措施，利用卡尔曼滤波器实现SINS/DVL/PS信息的有效融合。2.根据权利要求1所述的一种用于水下SINS/DVL/PS紧组合导航系统的故障定位与恢复方法，其特征在于，所述步骤S1中SINS/DVL/PS紧组合导航系统虚拟模型设置方法：获取紧组合导航系统的状态方程和量测方程，状态方程：X(k)＝φ(k,k
‑
1)X(k
‑
1)+W(k
‑
1)源于惯性导航系统的误差方程，其中X(k)为导航系统在k时刻的状态量，X＝[φ
e
,φ
n
,φ
u
,δv
e
,δv
n
,δv
u
,δL,δλ,δh,ε
x
,ε
y
,ε
z
,
▽
x
,
▽
y
,
▽
z
,δK]
T
，其中[φ
e
,φ
n
,φ
u
]为导航系统在东北天方向的姿态角误差，[δv
e
,δv
n
,δv
u
]为导航系统在东北天方向的速度误差，[δL,δλ,δh]为导航系统的经度纬度高度的位置误差，[ε
x
,ε
y
,ε
z
]为陀螺仪的三轴零偏，[
▽
x
,
▽
y
,
▽
z
]为加速度计的三轴零偏，δK为多普勒测速仪的标度因子误差，φ(k,k
‑
1)表示系统从k
‑
1时刻到k时刻的状态转移矩阵，由惯性导航系统的误差方程获得，W为系统噪声；量测方程：Z(k)＝H(k)X(k)+V(k)，量测方程中的量测量由DVL四个波束的对地速度实测量，PS传感器测得的深度量，以及惯性导航系统解算的对应值构建得到：其中Z为导航系统的量测量，表示惯性导航解算的速度在多普勒传感器第i个波束方向上的投影分量，H
SINS
表示惯性导航系统的高度测量结果，代表多普勒传感器第i个波束的测速结果，H
PS
代表深度计的高度测量结果，H(k)为k时刻的量测矩阵，V为量测噪声；SINS/DVL/PS紧组合导航系统应用的信息融合方法为卡尔曼滤波算法，包含时间更新和参数更新，如式所示：P(k,k
‑
1)＝φ(k,k
‑
1)P(k
‑
1)φ(k,k
‑
1)
T
+Q(k
‑
1)K(k)＝P(k,k
‑
1)H(k)
T
(H(k)
·
P(k,k
‑
1)H(k)
T
+R(k))
‑1P(k)＝(I
‑
K(k)H(k))P(k,k
‑
1)
其中，为k
‑
1时刻到k时刻的状态更新值，为k
‑
1时刻的状态估计值，P(k,k
‑
1)为k
‑
1时刻到k时刻协方差矩阵的更新值，P(k)为k时刻的协方差矩阵，Q(k)为k时刻的系统噪声矩阵，R(k)为k时刻的系统量测噪声矩阵，K(k)为k时刻的增益矩阵。3.根据权利要求2所述的一种用于水下SINS/DVL/PS紧组合导航系统的故障定位与恢复方法，其特征在于，所述步骤S1中生成虚拟训练集的方法为：根据实验设备SINS/DVL/PS紧组合导航系统的状态方程、量测方程与卡尔曼滤波算法，构造出一套原理相同的SINS/DVL/PS紧组合导航系统虚拟模型，在不同时刻分别向虚拟模型...

【专利技术属性】
技术研发人员：赵玉新，陈杨，陈力恒，奔粤阳，李倩，张金越，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：