本发明属于惯性导航器件的故障预测领域，尤其涉及一种通过预测导航精度判定惯组状态的基于置信规则库的惯组故障预测方法。
背景技术：
随着现代航空航天技术的发展，对飞行器的性能要求越来越高，对作为控制飞行精度的导航系统要求的也越来越高，惯性器件作为导航系统的核心部分主要包括陀螺仪和加速度计等元件，在导航中起着非常关键的作用，惯性器件能否正常工作直接关系到导航是否准确，激光惯组是随着激光技术发展起来的光学惯性器件，相比于传统的惯性器件，光学惯性器件的精度高、抗干扰能力强、寿命长、可靠性好，故激光惯组常用于火箭、无人机等。
多数导航系统的工作环境复杂，对惯性器件产生较大影响，由于制造工艺复杂，且缺乏激光惯组内部机理的分析和激光惯组的健康管理相关知识，所以目前为止对激光惯组的故障分析不够明确，无法实现对惯组内部机理的精确建模，对其故障状态的分析无法完全从激光惯组的机理进行分析，从而对激光惯组的故障状态发现不及时。所以为了提高导航系统的精度，确定惯组的故障状态就显的尤为重要。
技术实现要素：
本发明旨在提供一种通过预测导航精度判定惯组状态的基于置信规则库的惯组故障预测方法。
本发明所述基于置信规则库的惯组故障预测方法，通过对激光惯组的静态测试，建立以单位时间累计脉冲量为输入，以导航误差为输出的置信规则库模型；然后用单位时间的导航误差反映激光惯组故障状态，设定导航精度的故障阈值，反映激光惯组故障状态，实现对激光惯组的故障预测。
本发明所述基于置信规则库的惯组故障预测方法，通过对激光惯组在多种环境下进行静态测试，从测试数据中得到激光惯组中陀螺仪和加速度计的x轴、y轴、z轴的脉冲量；对脉冲量的数据进行处理得到累计脉冲量；选取单位时间的累计脉冲量作为特征信息；然后对特征信息进行蒙特卡罗仿真(montecarlo，mc)，模拟不同激光惯组在测试中可能到达的各种状态，建立以单位时间累计脉冲量为输入，以单位时间导航误差为输出的置信规则库模型，最后对置信规则库模型进行优化调整参数，对输出的导航误差设定故障阈值，进而反映激光惯组故障状态，通过导航信息的脉冲量实现对激光惯组的故障预测。
本发明所述基于置信规则库的惯组故障预测方法，包括以下步骤：
步骤1：属性输入信息选取与蒙特卡罗仿真；
首先对测试的激光惯组脉冲数据进行差分处理，得到脉冲数据的差分量，对差分量进行特征提取，选取最能反映导航误差的差分量信息的特征量，根据实际测试结合专家知识选取累计脉冲量为特征量作为模型输入；将陀螺仪、加速度计各轴向的单位时间差分量累加得到累计脉冲量，将单位时间的累计脉冲量作为模型输入；模型的输入为陀螺仪、加速度计的x轴、y轴、z轴单位时间的累计脉冲增量；
将输入的数据转化为模拟量的加速度和角速度，通过蒙特卡罗仿真分析加速度与角速度的趋势，采用随机抽样的方法分析系统模拟量中的概率分布，模拟系统中模拟量可能达到的各个状态，从而反映输出的不确定性；
步骤2：惯组导航误差预测模型的构建；
根据步骤1的输入，建立基于置信规则库的导航误差预测模型；置信规则库中的第k条置信规则的表达如下式所示：
在式(1)中，t为单位时间；
首先将输入信息xi转化为相对于参考值
在求得匹配度
其中0≤wk≤1,k＝1…l；l为被激活规则的条数；
er算法的推理分为迭代算法和解析算法，其中解析算法的计算简便，其表达式为
其中βi表示输出中第n个结果的置信度，且
z(xi)＝{(dn,βn)},n＝1,2,...,n(6)
z(xi)表示基于brb的输出结果，u(dn)表示对于评价结果dn的效用，
步骤3：模型的训练与优化；
由于预测模型的初始参数都是由专家给定的，当置信规则库系统比较复杂时，专家难以确定这些参数的精确值，所以需要将初始参数优化，将得到的优化后的数据随机取出50％的数据作为训练数据，剩余的数据作为测试数据以检测预测模型的精度；
步骤4：故障判断；
基于步骤3建立的置信规则库预测模型，以激光惯组的累计脉冲量为输入，以导航误差为输出，根据专家知识给定基于激光惯组故障状态的单位时间导航误差的阈值，当激光惯组单位时间的导航误差大于阈值时，则认为激光惯组处于故障状态。
本发明所述基于置信规则库的惯组故障预测方法，步骤3所述初始参数优化的过程为：优化算法使用基于考虑投影算子的协方差矩阵自适应优化策略(theprojectioncovariancematrixadaptionevolutionstrategy,p-cma-es)对模型参数进行优化；
置信规则库参数优化模型可以表示为
minf(v)
s.t.a(v)＝0,b(v)≥0
f(v)表示目标函数；v表示由置信规则库参数所构成的向量；a(v)表示等式约束；b(v)表示不等式约束；
优化参数的初始值由专家给出，优化时参数应满足的约束条件为
1)规则权重，规则权重标准化后应满足：
0≤θk≤1,k＝1,2,...l
2)属性权重，属性权重标准化后应满足：
3)初始规则输出的置信度：
0≤βn,k≤1,n＝1,..,n,k＝1,2,...l
4)如果第k条规则是完整的，那么规则输出的所有置信度的和为1；否则，置信度和小于1，表达式如下：
均方误差(meansquareerror，mse)可以用来表示模型的精度，其表达方式如下：
其中，
本发明所述基于置信规则库的惯组故障预测方法具有以下优点：(1)利用激光惯组的脉冲数据实现了导航误差预测；(2)基于置信规则库的专家系统能够有效处理各种带有不确定性的信息，能够处理在复杂环境下的惯组故障预测问题；(3)本方法通过对导航误差的预测，设定导航误差阈值判断故障状态，对激光惯组的故障预测提供了一种有效的途径。
附图说明
图1为本发明所述基于置信规则库的惯组故障预测方法流程示意图；
图2为本发明所述基于置信规则库的惯组故障预测方法的对比说明示意图。
具体实施方式
下面通过附图及实施例对本发明所述基于置信规则库的惯组故障预测方法进行详细说明。
本发明所述基于置信规则库的惯组故障预测方法，通过对激光惯组在多种环境下进行静态测试，从测试数据中得到激光惯组中陀螺仪和加速度计的x轴、y轴、z轴的脉冲量；对脉冲量的数据进行处理得到累计脉冲量；选取单位时间的累计脉冲量作为特征信息；为模拟复杂环境与传感器在测量中的不确定性，然后对特征信息进行蒙特卡罗仿真，模拟不同激光惯组在测试中可能到达的各种状态，建立以单位时间累计脉冲量为输入，以单位时间导航误差为输出的置信规则库模型；由于初始模型中的参数全部由专家知识给定，为增加专家知识的精确性，最后对置信规则库模型进行优化调整参数，对输出的导航误差设定故障阈值，进而反映激光惯组故障状态，通过导航信息的脉冲量实现对激光惯组的故障预测。
如图1所示，本发明所述基于置信规则库的惯组故障预测方法主要包括以下步骤：
步骤1：属性输入信息选取与蒙特卡罗仿真
考虑到属性选取的通用性原则和完备性原则，同时结合激光惯组工作原理，从实际测试入手，根据对激光惯组的数据分析、测试流程分析，结合专家知识选取陀螺仪和加速度计的三轴向的累计脉冲量作为属性的输入信息。
在本实施例中，为模拟激光惯组在复杂环境下的状态，选取了在室温、低温、极低温环境下的测试，激光惯组的测试数据为脉冲信号，脉冲信号的采样频率为5ms，将导航数据差分得到脉冲增量数据，根据实际结合专家知识将累计脉冲量作为脉冲增量数据的特征信息建立导航误差的预测模型，将实验测的6000000组数据分组，每60000组数据(即5分钟)分为一组，一组输入数据对应一个导航误差输出，第一个60000组数据用于瞄准，接下来的每60000组数据用于一次导航，将每60000组数据对应的导航误差作为一次单位时间(即5分钟)的导航误差，将数据进行蒙特卡罗仿真，共得到98组导航误差的数据。
室温、低温、极低温环境下的测试共测得98组数据。其中温度在极低状态下的激光惯组
xinput(ti)＝x60000i 1 x60000i 2 … x60000i 60000(i＝1,2…98)(10)
其中xk代表第k个脉冲增量数据，xinput(ti)表示第i个的累计脉冲量。
如表1所示为系统的前提属性的输入：
表1属性输入
步骤2：激光惯组导航精度预测模型的构建；
在建立预测置信规则库模型中，第k条规则的表达方式为
theny(t)is{(d1，β1，k)，(d2，β2，k)，(d3，β3，k)，(d4，β4，k)}
withruleweightθkattributeweightδ1，δ2，δ3，δ4，δ5，δ6
其中txtytzjxjyjz分别代表陀螺仪x轴、y轴、z轴和加速度计x轴、y轴、z轴的累计脉冲量，
属性输入的参考值和参考等级如表2至表7所示，将导航精度作为输出的参考值和参考等级如表8所示，属性权重与规则权重以及初始的信度分布如表9所示。
表2陀螺仪x轴参考值定义
表3陀螺仪y轴参考值定义
表4陀螺仪z轴参考值定义
表5陀螺仪x轴参考值定义
表6陀螺仪y轴参考值定义
表7陀螺仪z轴参考值定义
表8导航误差参考值定义
表9导航精度初始预测模型
步骤3：导航精度预测模型优化
在基于brb的置信规则库的导航精度预测模型构建后，由于其初始参数数量较多，由于受专家知识的不确定性影响，采用模型的初始参数的预测值会与实际真值有一定的偏差，影响预测模型的精度。需要对初始参数进行优化从而提高预测模型的精度。
本实施例一共测得98组数据，从中抽取50％数据作为训练数据，对预测模型的初始参数进行优化；其余的数据作为测试数据以检测优化模型的精度。优化算法使用基于考虑投影算子的协方差矩阵自适应优化策略(theprojectioncovariancematrixadaptionevolutionstrategy,p-cma-es)对模型参数进行优化。
表10为导航精度优化后的预测模型；
表10导航精度优化后预测模型
由图2的结果可知，未优化的预测模型误差较大无法预测问题，而优化后的预测模型精度有了极大幅度的提高，可以有效处理预测问题。
由于基于p-cma-es的优化算法具有一定的随机性，将优化后的brb的模型进行测试，测试50次得到一组mse，大小从1.5523到2.1012之间变化，未优化的brb的模型的mse的大小为22.5608；表11为优化前后的mse对比图。
表11优化前后mse的对比
通过对比试验可以看出，优化后的brb的mse相比于优化前有了较大的减小，模型精度有提高，表明优化后的brb可以提高对于实际激光惯组测试导航精度的预测，进一步解决复杂环境下的激光惯组故障预测问题。
步骤4：故障阈值的设定
结合专家知识与实际测试设定基于单位导航误差变化的故障阈值，在本次测试中将故障阈值设定为16m，当导航误差大于16m时表示激光惯组故障。
由图2可知优化前brb模型的预测值与导航误差的真值相比存在一定的误差，模型存在漏报的情况，整体误报率为14.63％，优化后的brb模型的预测值与导航误差的真值的差值明显减小，整体误报率2.44％，精度提高说明优化后的brb模型具有一定预测能力。
1.一种基于置信规则库的惯组故障预测方法，其特征在于：通过对激光惯组的静态测试，建立以单位时间累计脉冲量为输入，以导航误差为输出的置信规则库模型；然后用单位时间的导航误差反映激光惯组故障状态，设定导航精度的故障阈值，反映激光惯组故障状态，实现对激光惯组的故障预测。
2.根据权利要求1所述基于置信规则库的惯组故障预测方法，其特征在于：通过对激光惯组在多种环境下进行静态测试，从测试数据中得到激光惯组中陀螺仪和加速度计的x轴、y轴、z轴的脉冲量；对脉冲量的数据进行处理得到累计脉冲量；选取单位时间的累计脉冲量作为特征信息；然后对特征信息进行蒙特卡罗仿真，模拟不同激光惯组在测试中可能到达的各种状态，建立以单位时间累计脉冲量为输入，以单位时间导航误差为输出的置信规则库模型；最后对置信规则库模型进行优化调整参数，对输出的导航误差设定故障阈值，进而反映激光惯组故障状态，通过导航信息的脉冲量实现对激光惯组的故障预测。
3.根据权利要求2所述基于置信规则库的惯组故障预测方法，其特征在于包括以下步骤：
步骤1：属性输入信息选取与蒙特卡罗仿真；
首先对测试的激光惯组脉冲数据进行差分处理，得到脉冲数据的差分量，对差分量进行特征提取，结合专家知识选取累计脉冲量为特征量作为模型输入；将陀螺仪、加速度计各轴向的单位时间差分量累加得到累计脉冲增量，将单位时间的累计脉冲量作为模型输入；
将输入的数据转化为模拟量的加速度和角速度，通过蒙特卡罗仿真分析加速度与角速度的趋势，采用随机抽样的方法分析系统模拟量中的概率分布，模拟系统中模拟量可能达到的各个状态，从而反映输出的不确定性；
步骤2：惯组导航误差预测模型的构建；
根据步骤1的输入，建立基于置信规则库的导航误差预测模型；置信规则库中的第k条置信规则的表达如下式所示：
在式(1)中，t为单位时间；
式中
在求得匹配度
其中0≤wk≤1,k＝1…l；l为激活规则的数目；
βi表示输出中第n个结果的置信度，且
s(xi)＝{(dn,βn)},n＝1,2,...,n(7)
s(xi)表示基于置信规则库构建的非线性模型，最终的输转化为期望效用为
u(dn)表示对于评价结果dn的效用，
步骤3：模型的训练与优化；
由于预测模型的初始参数都是由专家给定的，当置信规则库系统比较复杂时，专家难以确定这些参数的精确值，所以需要将初始参数优化，将得到的优化后的数据随机取出其中50％的数据作为训练数据，剩余数据作为测试数据以检测预测模型的精度；
步骤4：故障判断；
基于步骤3建立的置信规则库预测模型，以激光惯组的累计脉冲量为输入，以导航误差为输出，根据专家知识给定基于激光惯组故障状态的单位时间导航误差的阈值，当激光惯组单位时间的导航误差大于阈值时，则认为激光惯组处于故障状态。
4.根据权利要求3所述基于置信规则库的惯组故障预测方法，其特征在于步骤3所述初始参数优化的过程为：优化算法使用基于考虑投影算子的协方差矩阵自适应优化策略对模型参数进行优化；
置信规则库参数优化模型可以表示为
minf(v)
s.t.a(v)＝0,b(v)≥0
f(v)表示目标函数；v表示由置信规则库参数所构成的向量；a(v)表示等式约束；b(v)表示不等式约束；
优化参数的初始值由专家给出，优化时参数应满足的约束条件为：
1)规则权重，规则权重标准化后应满足：
0≤θk≤1,k＝1,2,...l
2)属性权重，属性权重标准化后应满足：
3)初始规则输出的置信度：
0≤βn,k≤1,n＝1,..,n,k＝1,2,...l
4)如果第k条规则是完整的，那么规则输出的所有置信度的和为1；否则，置信度和小于1，表达式如下：
均方误差可以用来表示模型的精度，其表达方式如下：
其中，
