温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,汇文网负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。
网站客服:3074922707
基于
长短
记忆
神经网络
自适应
容错
方法
沈子涵
第 卷第期 年月系统工程与电子技术 文章编号:()网址:收稿日期:;修回日期:;网络优先出版日期:。网络优先出版地址:基金项目:国家自然科学基金()资助课题通讯作者引用格式:沈子涵,赵修斌,张闯,等基于长短期记忆神经网络的自适应容错方法系统工程与电子技术,():,():基于长短期记忆神经网络的自适应容错方法沈子涵,赵修斌,张闯,张良,刘鑫贤(空军工程大学信息与导航学院,陕西 西安 ;中国人民解放军 部队,贵州 贵阳 )摘要:针对传统的全球导航卫星系统惯性导航系统(,)紧组合系统容错方法对故障处理方式单一、环境适应性差的问题,提出了一种基于长短期记忆神经网络的自适应故障容错方法。该方法基于长短期记忆神经网络建立 伪距、伪距率预测模型。发生故障时,通过分量检测法定位故障观测的维度,并引入相对差分定位精度分析故障观测对系统定位精度的影响,从而实现隔离与重构策略的动态选择。利用实测数据从可见星数、几何构型、故障持续时间个角度设置多组环境进行仿真实验。仿真结果表明,所提方法对复杂环境具有更好的适应能力,可有效降低故障存续期间系统的定位误差,提高系统的故障检测性能。关键词:全球导航卫星系统惯性导航系统紧组合;容错;长短期记忆神经网络;定位精度;故障检测中图分类号:文献标志码:,(.,;.,):(),:,:();();系统工程与电子技术第 卷引言随着全球导航卫星系统惯性导航系统(,)组合导航系统的广泛应用,日趋复杂的使用环境使其容错能力越来越受重视。容错设计的核心是进行系统自监控,不仅要能够快速检测出系统故障,还需要对故障进行识别,并采取有效的处理措施 。现有的研究大多集中于如何快速检测出故障,对于故障处理方法的关注较少。然而,对于故障的处理是否恰当,将会直接影响后续的故障检测能力以及系统的定位精度。因此,对于组合导航的容错方法有必要进行更加深入的研究。对于以 为主体的组合导航系统,一般采用冗余惯性传感器的结构来提高 的可靠性 。在 组合导航系统中,由于 具有高度自主性,通常认为故障来源于 。目前,工程中常用的 组合方式有松组合和紧组合两种。其中,松组合利用 解算出的位置、速度等信息 进行耦合,所以当故障被检测后,通常以隔离 子系统的方式来消除故障信息的影响。而紧组合直接在伪距、伪距率层面上进行耦合 ,能够通过分量检测等算法定位发生故障的卫星,为后续的故障处理提供更多的信息。因此,对于紧组合系统的容错方法研究具有更强的策略性和选择性。目前在紧组合中常用的故障处理方法是故障隔离(,)法,该方法可对 观测值中的故障维度进行隔离,保留其他正常观测,以进行后续的组合滤波。相较于隔离子系统的方法,法保留了更多有用的信息,所以具有更高的精度。但是面对不同的卫星星数、几何构型以及故障时间,该方法的性能会受到不同程度的影响。另一种故障处理方法是 提出的检测、识别与修复方(,)法,该方法在检测并识别故障观测后,利用模型误差最优估计值对组合滤波的状态估计进行修正,以此来达到降低故障对滤波影响的目的。文献 将该方法和传统的隔离法进行了仿真对比,发现在观测冗余度较低或者故障观测对滤波结果的影响较大时,随着故障持续时间的增加,故障修复(,)法的性能要弱于 法。此外,还有一类故障容错处理方法通过调整故障观测在滤波中的权重来降低故障观测的影响,提升滤波精度。等 通过构造比例因子来自适应调节滤波增益矩阵,降低了故障观测的影响。苗岳旺等 利用残差检测结果构造了等价方差膨胀因子,对量测噪声阵进行了自适应调节,降低了粗差观测值的权重,提升了系统的精度。此类方法的性能在很大程度上取决于权重矩阵的选择,在实际应用中难以适应不同的环境。为了克服上述方法的缺点,本文提出了一种基于长短期记 忆(,)神 经 网 络 模型 的 紧组合系统容错方法。与故障处理手段单一的传统方法不同,该方法通过监测故障观测的相对差分定位精度,能够实时感知环境变化,自适应调整隔离与重构策略,在降低定位误差的同时,保证后续的故障检测性能。为了验证所提方法的有效性,本文利用实测数据,仿真分析了所提方法与传统方法在不同环境下的性能表现。局部分量故障检测法组合导航中常用的残差检测法是一种全局故障检测法,该方法不能准确判断故障发生的部位。因此,为了识别并定位故障观测,本文在故障检测环节采用了局部分量检测法。紧组合中的状态量和量测值通常可表示为,()()式中:为状态向量;,为系统状态转移矩阵;,为系统噪声矩阵;为量测向量;为量测矩阵;和分别为系统噪声和量测噪声,通常假设它们的协方差矩阵和为零均值高斯白噪声。在卡尔曼滤波中,残差向量表示为,()式中:,?是状态更新结果,对应的协方差矩阵为,。残差向量的协方差矩阵可表示为,()当信号无故障时,残差向量服从零均值的高斯分布,当观测数据包含故障偏差时,残差向量均值不再为零。基于这一特征构建故障检测函数 如下:,()式中:为第个元素等于的单位向量;为观测向量的维度。信号无故障时,服从零均值的高斯分布,当故障出现时,认为其均值不再为零,通过可容忍的误警率构建如下检测准则:(,),存在故障(,),不存在故障()式中:为设定的误警率;(,)是其对应的检测门限,下文记为 。通过计算残差向量各维度的检测函数值,可以实现对故障观测的检测与定位。传统的故障处理方法 法 法是在识别故障后,对其进行隔离,并利用剩余的正常观测进行组合滤波的方法。在此假设故障发生在观测向量的第维,系统量测方程为()式中:为第维元素等于的单位矢量;是第维观测的故障偏差。对故障进行隔离后,新的量测向量可表示为第期沈子涵等:基于长短期记忆神经网络的自适应容错方法?()式中:,分别为,的第行元素。此时新的状态估计及其协方差矩阵可表示为?(,?)()?(,?)()式中:?为剩余观测的噪声协方差矩阵。法 法利用模型误差的最优估计值对状态估计进行修正,降低故障误差对状态估计的影响。同样以第维观测发生故障为例,模型误差的最优估计为()()的协方差矩阵为()()通过修复后,观测模型可表示为()式中:为修复后的量测噪声矢量,其协方差矩阵近似为。修复后的状态估计及其协方差矩阵可表示为(,)(),()基于 的故障容错方法 预测模型深度学习模型是一种拥有多个非线性映射层级的深度神经网络模型,能够对输入信号逐层抽象并提取特征,具有很强的非线性特征学习能力。是一种特殊的循环神经网络(,)。相较于普通 的 ,增 加 了 遗 忘 门、输 入 门 和 输 出门,能够快 速 地 适 应 序 列 的 波 动,在 长 序 列 中 有 更 好 的表现 。文献 均利用单一的 数据构建 模型,以对时域序列进行预测。但是考虑到载体位置的动态变化会不可避免地对卫星伪距产生影响,本文利用 信息辅助 构建预测模型。模型输入分别是 和 的伪 距 增 量,输 出 是 伪 距 增 量 预 测 值。通 过 信息的约束,能够提高模型的预测精度。模型训练流程图如图所示。其中,()和()分别为 和 在时刻第颗卫星的伪距,()和()分别为时刻相较于时刻的 和 伪距增量。图 的模型训练流程图 在预测过程中,假设时刻第颗卫星的伪距出现故障,持续时长为,在时刻的 伪距预测值可以表示为?()()()()用于伪距率重构的 网络与伪距预测网络相似,区别 在 于 网 络 的 输 入 和 输 出 为 和 的 伪 距 率增量。故障隔离与重构方法利用 预测模型进行自适应故障容错的流程图如图所示。其中,为相对差分定位精度(,)的门限,通常根据滤波精度需求设置。图基于 的故障容错方法流程图 图主要包括以下几个步骤。步骤计算时刻滤波的残差及其协方差。步骤计算检测函数值,判断观测是否出现故障。步骤若,认为观测无故障,利用正常数据训练 模型。若,则进入故障隔离与重构模块。隔离故障观测后,若 ,保持隔离;若 ,则利用预测值进行观测重构。步骤时刻滤波结束,下一时刻返回步骤。反映了隔离某颗卫星观测后滤波精度的下降 系统工程与电子技术第 卷程度,值越大,该卫星的观测对滤波的影响越大。其表达式如下:?,()式中:表示隔离观测的维度,?和 分别代表协方差矩阵?和的第个对角线上的元素;?与式()一致;为正常滤波输出?的协方差矩阵。实验结果与分析为验证所提方法的有效性,本文利用 紧组合导航产品采集了一组 原始数据和 数据,其输出频率分别为 和。采集的卫星观测数据来自 ,和 ,共颗星,实验地点为西安市一学校操场,实验中惯性器件参数如表所示。表惯性器件技术参数 参数陀螺仪加速度计零偏()零偏稳定性()刻度因子 预测模型性能验证在本文所提方法中,预测模型的精度会对系统容错能力造成很大影响,所以首先对 预测模型的性能进行验证。选取实测数据中 (时段)和 (时段)两个时段内的 的 伪距进行预测,并与文献 中的预测模型进行对比,将该模型记作模型,将本文预测模型记作模型。图是实测数据中载体的运动轨迹,其中 载体以圆周运动为主,载体以直线运动为主。图载体运动轨迹 两种方法对两个时段的伪距增量预测情况如图所示。表列出了两种模型的预测误差,分别为平均绝对误差(,)和 均 方 根 误 差(,)。图伪距增量预测值 表预测误差 模型 模型 模型 由图可知,模型相较于模型能够更好地跟踪卫星伪距变化趋势。分析表可以发现,在 的预测中,无论载体进行的是时段内简单的直线运动还是时段内的圆周运动,通过 信息的辅助,模型具有远小于模型的预测误差,预测精度较高,更能体现原数据的特质。系统容错性能验证在容错性能分析中,选取 法和 法进行对比实验,并从定位精度和故障检测能力两个角度来考察本方法的性能优势。其中,法和 法分别记为 和,基于 的故障容错方法记为 。为验证本文所提方法对复杂环境的适应性,在实测数据中选取了组不同的环境来进行仿真验证,具体参数如表所示。其中,环境至环境的故障时长为,两两分组设置了不同的可见星数和几何构型,而环境将故障持续时间增加至。在实验中,设为 ,设为,设为,卫星观测故障时的偏差设为。表环境数据 环境故障时间可见星数故障卫星号几何构型环境环境 相同环境环境 构型构型环境 不同环境下 值分析在组合导航实际应用中,可见星数、几何构型和故障持第期沈子涵等:基于长短期记忆神经网络的自适应容错方法 续时间均会对各观测维度的 值造成影响。为验证本文所提方法对环境的感知能力,需要对不同环境下 值的变化情况进行分析。各环境在故障持续 内的 值如图所示。图各环境下故障观测的 值 其中,环境、环境和环境的 值在故障发生 内均超出了设置的阈值,说明在这些环境中,故障卫星的观测值会对滤波精度造成更大影响。值得注意的是,环境和环境、环境和环境两两之间只有一项观测指标不同,但其 值相差巨大。这是因为可见星数的减少和几何构型的变化导致卫星信号观测环境恶化,故障卫星观测值在位置解算中占据了更大的权重。基于上述分析,本文在定位精度和故障检测性能验证实验中,选取环境、环境和环境进行种容错方法的对比实 验,以 验 证 本 文 方 法 在 较 差 观 测 环 境 下 的 容 错性能。定位精度验证考虑到在不同环境下,即使观测无故障,系统的定位误差也不尽相同,所以本文在分析定位精度时引入了系统无故障时的定位误差。种方法在环境、环境和环境下的定位误差如图所示。为更加直观地体现各算法的性能,表给出了各算法与系统无故障解算的相对 (,)。图中,种方法的定位误差在故障出现后开始发散。在故障初期,故障卫星的 值小于所设阈值,此时 采用的是传统的隔离策略,其误差曲线与 和 相似。随着时间的推移,的误差曲线收敛得更早,具有比 和 更小的定位误差。这是因为当故障观测的 值超出设定阈值后,开始调用 预测值对故障观测进行重构,相较于 和,在消除故障影响的同时,防止了由对滤波精度具有较大影响的观测值的缺失带来的精度下降问题。由表可知,的定位误差远小于相同环境下的 和 ,说明本文所提方法具有更好的环境适应性,能够提高较差观测环境下导航系统的定位精度。图种环境下的定位误差 故障检测性能验证当系统出现故障时,实际观测值与状态预测值会出现较大差异,基于残差的故障检测算法正是利用这一特性进 系统工程与电子技术第