基于集成神经网络的GNSS/INS组合导航系统故障检测方法

基于集成神经网络的gnss/ins组合导航系统故障检测方法
技术领域
1.本发明涉及组合导航技术领域，尤其涉及一种基于集成神经网络的gnss/ins组合导航系统故障检测方法。


背景技术：

2.随着由于gnss/ins组合导航系统在性能，精度，抗干扰，可靠性等方面具有良好的表现，在很多领域都得到了广泛的使用。其中，全球卫星导航系统（global navigation satellite system，gnss）作为卫星导航的一种，误差影响因素较多。虽然其中部分误差（如电离层、对流层、卫星时钟误差等）可以通过建模消除，但依然不排除受其他各种因素的影响而产生的建模未包括到的非正常偏差。当这类偏差出现时，会让导航精度大幅下降，影响整个系统的导航性能。因此，对组合导航系统进行故障检验并及时排除故障数据是十分必要的一项任务。
3.近年来，数据驱动技术开始出现并且得到了广泛的关注，而这些方法根据从导航子系统得到的大量测量数据直接建立故障检测方案， 且不需要任何关于系统的先验知识。此类独立于模型之外的一些预测方法（如支持向量机（support vector machine，svm）、神经网络（neural network，nn）等）开始在领域中被应用。其中，svm计算复杂度相对较低，但其难以应付大规模训练样本，且解决多分类问题时存在困难。神经网络在故障数据的训练中存在样本严重分布不均的问题，从而影响训练结果，且故障检测的准确性也有待提高。
4.因此，需要一种能够解决数据严重不平衡问题，且对缓变和突变故障检测能力都很强的神经网络模型。


技术实现要素：

5.鉴于上述的分析，本发明旨在公开了一种基于集成神经网络的gnss/ins组合导航系统故障检测方法；具有了同时检测缓变和突变故障的能力，提高故障检测的准确性。
6.本发明公开了一种基于集成神经网络的gnss/ins组合导航系统故障检测方法，包括：步骤s1、构建1d-cnn网络，利用建立的训练数据进行分类训练，使1d-cnn网络能够对组合导航系统的缓变故障进行检测；步骤s2、构建vae-lstm网络，利用建立的训练数据进行无监督训练，使vae-lstm网络能够对组合导航系统的突变故障进行检测；步骤s3、采用基于1d-cnn和vae-lstm网络并行的方式进行组合导航系统的故障检测，将1d-cnn和vae-lstm网络的检测结果进行融合，得出最终的故障判定结果。
7.进一步地，所述1d-cnn网络和vae-lstm网络训练的训练数据，均来自于gnss/ins组合导航系统的卡尔曼滤波的新息数据中的伪距数据；其中，1d-cnn网络的训练数据中包括两类样本，一类是标签为“0”的正常样本，另一类是标签为“1”的存在故障的异常样本；
vae-lstm网络的训练数据中只包括正常样本。
8.进一步地，在gnss/ins组合导航系统的卡尔曼滤波过程中获得的新息数据为：；其中，为观测量，；、分别为ins推算的伪距、伪距率；、分别为gnss单颗卫星推算的伪距、伪距率；为系统的观测矩阵；为组合导航系统的状态一步预测值；取一段时间连续长度为的新息序列构成向量；再提取向量的第一行构成训练神经网络的样本数据：。
9.进一步地，对于1d-cnn网络分类训练中，每次将n个训练样本一起输入至神经网络进行训练，用于提高训练效率；n个训练样本中包括标签为“0”的正常样本和标签为“1”的存在故障的异常样本的两类样本；对于每个样本，1d-cnn网络的输出为每个数据标签为“1”的概率和标签为“0”的概率；1d-cnn网络的损失函数为：；其中，为调节参数，；，；表达式、中的均为第个训练样本的真实标签；为真实标签为“1”时网络输出的数据；根据网络的损失函数反向传播并更新网络参数得到的最优参数：。
10.进一步地，vae-lstm网络的训练过程包括：1）利用正常样本数据对vae网络进行无监督学习，训练vae网络，使vae网络能够得到服从编码器encoder编码后数据特征的分布的还原样本；2）在训练好vae后，利用vae的编码器encoder编码后的数据特征进行lstm网络的无监督学习，训练lstm网络，使训练后的网络能够预测时间序列的最新值；3）通过比较网络预测时间序列的最新值和实际值，计算出突变故障的概率。
11.进一步地，对vae网络的训练过程包括：（1）利用vae的编码器encoder将输入的样本数据进行编码，输出服从均值和
方差的分布的特征数据；其中，和方差的维度均为；为编码器encoder中代表编码后数据维度参数；（2）随机取一个服从所述分布的特征数据，通过解码器decoder解码后，将这个分布还原为一个维的样本；vae网络的损失函数由编码器encoder编码后数据特征的分布和正态分布之间的kl散度和解码器decoder解码后的重构误差组成。
12.训练的损失函数为：；其中，为对角矩阵，对角线上的元素为方差中的元素；为均方误差函数；为kl散度函数；根据网络的损失函数反向传播并更新网络参数得到的最优参数：。
13.进一步地，对lstm网络的训练过程包括：（1）从样本数据中选取在时刻结束的数据长度为的时间序列；（2）采用训练好的vae网络的编码器encoder对输入的时间序列进行编码，输出服从均值和方差的分布的特征数据；其中，均值和方差的维度均为；为编码器encoder中代表编码后数据维度参数；（3）将得到的均值和方差合并为多元高斯分布，在该分布的基础上经随机采样后，得到维的内嵌特征向量；（4）采用宽度为的窗口以为步长滑动k次，得到t时刻前的不重叠的时间序列，分别经过vae网络的编码器encoder编码后得到内嵌特征向量的序列；（5）利用内嵌特征向量的序列训练lstm网络，使lstm网络从中取前(k-1)项预测第k项；即，预测结果；
lstm网络使用均方根误差最小作为损失函数；；根据网络的损失函数反向传播并更新网络参数得到的最优参数：。
14.进一步地，通过比较vae-lstm网络预测时间序列的最新值和实际值，计算出突变故障的概率，包括：（1）利用lstm网络预测的内嵌特征向量，通过vae网络的解码器decoder解码后得到还原样本；（2）将最新时刻获得的实际样本与该时刻的还原样本作差并求模，作为两个向量的距离；（3）对距离进行放缩处理，所述放缩处理的倍数根据实际需要进行设置；（4）将放缩处理后的距离通过sigmoid映射计算出卫星发生突变故障的故障概率。
15.进一步地，基于广义贝叶斯理论将1d-cnn和 vae-lstm网络的检测结果进行融合。
16.进一步地，得出最终的故障概率为：；其中，为1d-cnn网络检测的缓变故障概率，为vae-lstm网络检测的突变故障概率。
17.本发明可实现以下有益效果之一：本发明公开的方法通过对1d-cnn和vae-lstm两部分神经网络进行独立训练将单颗卫星的导航数据作为输入，通过梯度下降各自进行损失函数更新和模型参数优化。在实时检测时，输入单颗可见星的导航数据时间序列，采用1d-cnn侧重学习整个时间序列的特征以检测缓变故障，采用vae-lstm侧重对当前时刻的预测数据与现实数据的差异以检测突变故障；再将两个网络的检测结果进行融合，得出最终的故障判定结果。
18.在检测过程中，每颗卫星都独立地用并行的神经网络来进行判定，具有了同时检测缓变和突变故障的能力，提高故障检测的准确性。
附图说明
19.附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件；图1为本发明实施例中的gnss/ins组合导航系统故障检测方法流程图。
具体实施方式
20.下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理。
21.本发明的一个实施例公开了一种基于集成神经网络的gnss/ins组合导航系统故障检测方法，如图1所示，包括：步骤s1、构建1d-cnn网络，利用建立的训练数据进行分类训练，使1d-cnn网络能够对组合导航系统的缓变故障进行检测；步骤s2、构建vae-lstm网络，利用建立的训练数据进行无监督训练，使vae-lstm网络能够对组合导航系统的突变故障进行检测；步骤s3、采用基于1d-cnn和vae-lstm并行的方式进行组合导航系统的故障检测，将1d-cnn和vae-lstm网络的检测结果进行融合，得出最终的故障判定结果。
22.具体的，在步骤s1和s2中，用于1d-cnn网络和vae-lstm网络训练的训练数据，均来自于gnss/ins组合导航系统的卡尔曼滤波新息数据中的伪距数据；并且，为了实现1d-cnn网络的分类训练，1d-cnn网络的训练数据中包括两类样本，一类是标签为“0”的正常样本，另一类是标签为“1”的存在故障的异常样本；为了实现vae-lstm网络的无监督训练，vae-lstm网络的训练数据中只包括正常样本，并且不对样本进行标签操作。
23.更具体，在gnss/ins组合导航系统的卡尔曼滤波过程中获得的新息数据为：；其中，为观测量，；、分别为ins推算的伪距、伪距率；、分别为gnss单颗卫星推算的伪距、伪距率；为系统的观测矩阵；为组合导航系统的状态一步预测值；取一段时间连续长度为的新息序列构成向量；再提取向量的第一行构成训练神经网络的样本数据：。
24.状态一步预测值为：；其中，为惯性导航系统的三维位置误差、为惯性导航系统的三维速度误差、为惯性导航系统的三维姿态误差角、为陀螺仪三维漂移误差、为加速度计三维零偏误差、分别为卫星导航系统gnss的伪距误差、伪距率误差。
25.具体的，在步骤s1的对于1d-cnn网络分类训练中，每次将n个训练样本一起输入至神经网络进行训练，用于提高训练效率；n个训练样本中包括标签为“0”的正常样本和标签为“1”的存在故障的异常样本的两类样本；对于每个样本，1d-cnn网络的输出为每个数据标签为“1”的概率和标签为“0”的概率；
1d-cnn网络的损失函数为：；其中，为调节参数，；，；表达式、中的均为第个训练样本的真实标签；为真实标签为“1”时网络输出的数据；该数据作为网络对于输入为异常样本的识别概率进行输出；网络也输出对于输入为正常样本的识别概率1-。
26.根据网络的损失函数反向传播并更新网络参数得到的最优参数：。
27.1d-cnn网络的训练侧重学习整个时间序列的特征，使训练好的1d-cnn网络能够对输入的gnss/ins组合导航系统的卡尔曼滤波新息数据中的伪距数据是否存在故障进行分类，得到卫星发生缓变故障的故障概率。
28.具体的，在步骤s2的对于vae-lstm网络的训练过程包括，1）利用正常样本数据对vae网络进行无监督学习，训练vae网络，使vae网络能够得到服从编码器encoder编码后数据特征的分布的还原样本；即，vae网络通过编码器encoder得到服从既定分布的数据特征，经过解码器decoder解码后得到足够还原的样本。
29.2）在训练好vae后，利用vae的编码器encoder编码后的数据特征进行lstm网络的无监督学习，训练lstm网络，使训练后网络能够预测出输入时间序列的最新值；3）通过比较vae-lstm网络预测的最新值和实际值，计算出卫星发生突变故障的故障概率。
30.更为具体的，在对vae网络的训练过程包括：（1）利用vae的编码器encoder将输入的样本数据进行编码，输出服从均值和方差的分布的特征数据；其中，和方差的维度均为；为编码器encoder中代表编码后数据维度参数；（2）随机取一个服从所述分布的特征数据，通过解码器decoder解码后，将这个分布还原为一个维的样本。
31.vae网络的损失函数由编码器encoder编码后数据特征的分布和正态分布之间的kl散度和解码器decoder解码后的重构误差组成。
32.训练的损失函数为：；其中，正太分布中为对角矩阵，对角线上的元素为方差中的元素；为均方误差函数；为kl散度函数；根据网络的损失函数反向传播并更新网络参数得到的最优参数：。
33.更为具体的，在对lstm网络的训练过程包括：（1）从样本数据中选取在时刻结束的数据长度为的时间序列；（2）采用训练好的vae网络的编码器encoder对输入的时间序列进行编码，输出服从均值和方差的分布的特征数据；其中，均值和方差的维度均为；为编码器encoder中代表编码后数据维度参数；（3）将得到的均值和方差合并为多元高斯分布，在该分布的基础上经随机采样后，得到维的内嵌特征向量；（4）采用宽度为的窗口以为步长滑动k次，得到t时刻前的不重叠的时间序列，分别经过vae网络的编码器encoder编码后得到内嵌特征向量的序列；其中，序列与中元素一一对应；（5）利用内嵌特征向量的序列训练lstm网络，使lstm网络从中取前(k-1)项预测第k项；即，预测结果。
34.lstm网络使用均方根误差最小作为损失函数；；根据网络的损失函数反向传播并更新网络参数得到的最优参数：。
35.更为具体的，通过比较vae-lstm网络预测的最新值和实际值，计算出卫星发生突
变故障的故障概率；包括：（1）利用lstm网络预测的内嵌特征向量，通过vae网络的解码器decoder解码后得到还原样本；输入lstm网络进行预测的数据为vae网络的编码器encoder对时间序列编码后的内嵌特征向量；lstm网络对输入的内嵌特征向量进行预测后得到预测的内嵌特征向量；预测的内嵌特征向量通过vae网络的解码器decoder解码后得到还原样本时间序列；（2）将最新时刻获得的实际样本与该时刻的还原样本作差并求模，作为两个向量的距离；最新时刻t+1时获得的实际样本为与其对应的同时刻的还原样本时间序列为，二者作差取绝对值，得到两个值的距离；（3）对距离进行放缩处理，所述放缩处理的倍数根据实际需要进行设置；（4）将放缩处理后的距离通过sigmoid映射计算出卫星发生突变故障的故障概率。
36.具体的，在步骤s3中采用基于1d-cnn和vae-lstm并行的方式进行组合导航系统的故障检测，基于广义贝叶斯理论将1d-cnn和vae-lstm网络的检测结果进行融合，得出最终的故障判定结果。
37.更为具体的，基于广义贝叶斯理论将1d-cnn和vae-lstm网络的检测结果进行融合包括：（1）根据建立的故障识别框架、识别结果以及1d-cnn和vae-lstm网络的检测概率结果确定概率质量函数；由于两个神经网络的运行是独立的，可以将其识别结果作为独立的证据。并且，整个事件框架中可能出现的结果只有两种，且这两种事件不可能同时发生，因此，整个事件的集合都可以被看成是由独立的单个元素组成的，即：识别框架={“有故障”,“无故障”}，其产生的结果可能为{“有故障”}或{“无故障”}；即，整个系统的识别框架可以定义为，其中命题代表有故障，命题代表无故障。其中，可能产生的结果为。
38.1d-cnn和vae-lstm网络在检测后得到两个不同的概率结果，：，；由概率质量函数的贝叶斯近似计算公式：；其中，为可能产生的结果的集合，即可能的取值为；为整个识别框架的所有子集，即可能的取值为；为集合中元素的个
数。
39.根据概率质量函数得到：。
40.（2）根据贝叶斯理论的归一化参数计算估算归一化参数；根据贝叶斯理论的归一化参数计算公式：；其中，,可能的取值为；得：；（3）根据证据合成规则和估算归一化参数，计算生成不同结果框架的概率，从而得到的最终判定的系统故障的概率；根据证据合成规则，计算生成不同结果框架的概率：；；根据广义贝叶斯理论得到的最终判定的系统故障的概率为：。
41.综上所述，本发明公开的方法应用于gnss/ins组合导航系统，特别是紧组合导航系统，通过对1d-cnn和vae-lstm两部分神经网络进行独立训练将单颗卫星的导航数据作为输入，通过梯度下降各自进行损失函数更新和模型参数优化。在实时检测时，输入单颗可见星的导航数据时间序列，采用1d-cnn侧重学习整个时间序列的特征以检测缓变故障，采用vae-lstm侧重对当前时刻的预测数据与现实数据的差异以检测突变故障；再将两个网络的检测结果进行融合，得出最终的故障判定结果。在检测过程中，每颗卫星都独立地用并行的神经网络来进行判定，具有了同时检测缓变和突变故障的能力，提高故障检测的准确性。
42.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，
任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种基于集成神经网络的gnss/ins组合导航系统故障检测方法，其特征在于，包括：步骤s1、构建1d-cnn网络，利用建立的训练数据进行分类训练，使1d-cnn网络能够对组合导航系统的缓变故障进行检测；步骤s2、构建vae-lstm网络，利用建立的训练数据进行无监督训练，使vae-lstm网络能够对组合导航系统的突变故障进行检测；步骤s3、采用基于1d-cnn和vae-lstm网络并行的方式进行组合导航系统的故障检测，将1d-cnn和vae-lstm网络的检测结果进行融合，得出最终的故障判定结果。2.根据权利要求1所述的基于集成神经网络的gnss/ins组合导航系统故障检测方法，其特征在于，所述1d-cnn网络和vae-lstm网络训练的训练数据，均来自于gnss/ins组合导航系统的卡尔曼滤波的新息数据中的伪距数据；其中，1d-cnn网络的训练数据中包括两类样本，一类是标签为“0”的正常样本，另一类是标签为“1”的存在故障的异常样本；vae-lstm网络的训练数据中只包括正常样本。3.根据权利要求2所述的基于集成神经网络的gnss/ins组合导航系统故障检测方法，其特征在于，在gnss/ins组合导航系统的卡尔曼滤波过程中获得的新息数据为：；其中，为观测量，；、分别为ins推算的伪距、伪距率；、分别为gnss单颗卫星推算的伪距、伪距率；为系统的观测矩阵；为组合导航系统的状态一步预测值；取一段时间连续长度为的新息序列构成向量；再提取向量的第一行构成训练神经网络的样本数据：。4.根据权利要求3所述的基于集成神经网络的gnss/ins组合导航系统故障检测方法，其特征在于，对于1d-cnn网络分类训练中，每次将n个训练样本一起输入至神经网络进行训练，用于提高训练效率；n个训练样本中包括标签为“0”的正常样本和标签为“1”的存在故障的异常样本的两类样本；对于每个样本，1d-cnn网络的输出为每个数据标签为“1”的概率和标签为“0”的概率；1d-cnn网络的损失函数为：；其中，为调节参数，；
，；表达式、中的均为第个训练样本的真实标签；为真实标签为“1”时网络输出的数据；根据网络的损失函数反向传播并更新网络参数得到的最优参数：。5.根据权利要求2所述的基于集成神经网络的gnss/ins组合导航系统故障检测方法，其特征在于，vae-lstm网络的训练过程包括：1）利用正常样本数据对vae网络进行无监督学习，训练vae网络，使vae网络能够得到服从编码器encoder编码后数据特征的分布的还原样本；2）在训练好vae后，利用vae的编码器encoder编码后的数据特征进行lstm网络的无监督学习，训练lstm网络，使训练后的网络能够预测时间序列的最新值；3）通过比较网络预测时间序列的最新值和实际值，计算出突变故障的概率。6.根据权利要求5所述的基于集成神经网络的gnss/ins组合导航系统故障检测方法，其特征在于，对vae网络的训练过程包括：（1）利用vae的编码器encoder将输入的样本数据进行编码，输出服从均值和方差的分布的特征数据；其中，和方差的维度均为；为编码器encoder中代表编码后数据维度参数；（2）随机取一个服从所述分布的特征数据，通过解码器decoder解码后，将这个分布还原为一个维的样本；vae网络的损失函数由编码器encoder编码后数据特征的分布和正态分布之间的kl散度和解码器decoder解码后的重构误差组成；训练的损失函数为：；其中，为对角矩阵，对角线上的元素为方差中的元素；为均方误差函数；为kl散度函数；根据网络的损失函数反向传播并更新网络参数得到的最优参数：。7.根据权利要求6所述的基于集成神经网络的gnss/ins组合导航系统故障检测方法，其特征在于，
对lstm网络的训练过程包括：（1）从样本数据中选取在时刻结束的数据长度为的时间序列；（2）采用训练好的vae网络的编码器encoder对输入的时间序列进行编码，输出服从均值和方差的分布的特征数据；其中，均值和方差的维度均为；为编码器encoder中代表编码后数据维度参数；（3）将得到的均值和方差合并为多元高斯分布，在该分布的基础上经随机采样后，得到维的内嵌特征向量；（4）采用宽度为的窗口以为步长滑动k次，得到t时刻前的不重叠的时间序列，分别经过vae网络的编码器encoder编码后得到内嵌特征向量的序列；（5）利用内嵌特征向量的序列训练lstm网络，使lstm网络从中取前(k-1)项预测第k项；即，预测结果；lstm网络使用均方根误差最小作为损失函数；；根据网络的损失函数反向传播并更新网络参数得到的最优参数：。8.根据权利要求5所述的基于集成神经网络的gnss/ins组合导航系统故障检测方法，其特征在于，通过比较vae-lstm网络预测时间序列的最新值和实际值，计算出突变故障的概率，包括：（1）利用lstm网络预测的内嵌特征向量，通过vae网络的解码器decoder解码后得到还原样本；（2）将最新时刻获得的实际样本与该时刻的还原样本作差并求模，作为两个向量的距离；（3）对距离进行放缩处理，所述放缩处理的倍数根据实际需要进行设置；（4）将放缩处理后的距离通过sigmoid映射计算出卫星发生突变故障的故障概率。9.根据权利要求1所述的基于集成神经网络的gnss/ins组合导航系统故障检测方法，其特征在于，基于广义贝叶斯理论将1d-cnn和vae-lstm网络的检测结果进行融合。10.根据权利要求9所述的基于集成神经网络的gnss/ins组合导航系统故障检测方法，
其特征在于，得出最终的故障概率为：；其中，为1d-cnn网络检测的缓变故障概率，为vae-lstm网络检测的突变故障概率。

技术总结
本发明涉及一种基于集成神经网络的GNSS/INS组合导航系统故障检测方法，属于组合导航技术领域，方法包括：构建1D-CNN网络，利用建立的训练数据进行分类训练，使1D-CNN网络能够对组合导航系统的缓变故障进行检测；构建VAE-LSTM网络，利用建立的训练数据进行无监督训练，使VAE-LSTM网络能够对组合导航系统的突变故障进行检测；采用基于1D-CNN和VAE-LSTM网络并行的方式进行组合导航系统的故障检测，将1D-CNN和VAE-LSTM网络的检测结果进行融合，得出最终的故障判定结果。本发明的方案具有了同时检测缓变和突变故障的能力，提高故障检测的准确性。准确性。准确性。


技术研发人员：薛瑞 杜雨舒
受保护的技术使用者：北京航空航天大学
技术研发日：2023.07.14
技术公布日：2023/8/14