智能車輛的慣性傳感器故障診斷研究.pdf

1、隨著自動化技術(shù)在各行各業(yè)的應用,其系統(tǒng)越來越復雜,傳感器作為主要信息獲取裝置,為系統(tǒng)可靠安全穩(wěn)定工作提供了保證。然而如果傳感器出現(xiàn)性能降低、故障、甚至失效,那么將給系統(tǒng)監(jiān)測、控制等帶來嚴重影響,有可能造成無法估量的損失。所以傳感器的故障診斷就顯得尤為重要。
　　本課題來源于國家自然科學基金重大專項“高速公路車輛智能駕駛中的關鍵科學問題研究”。作為該項目研究的一部分,本文主要針對慣性傳感器和組合導航系統(tǒng)的故障以及異常檢測與診斷問題,

2、從數(shù)字信號處理、故障診斷方法、以及故障預測方法三個方面進行研究。首先通過對傳感器采集的數(shù)據(jù)進行數(shù)字信號處理,降低噪聲,減少不確定性影響,提高采集數(shù)據(jù)的精度;然后通過采用不同精度傳感器的冗余方式,結(jié)合軟件冗余和硬件冗余兩種方法的優(yōu)點進行故障診斷;最后通過故障預測技術(shù)來提高故障診斷的實時性,以將故障防范于未然。
　　本文的主要創(chuàng)新點是:
　　1)針對基于分段方式的多尺度卡爾曼濾波計算量大、延時長的問題,提出基于無抽取Haar算法

3、的實時卡爾曼濾波方法。該方法采用簡單的加減、移位運算在t時刻完成多尺度變換,然后在各個尺度進行小波閾值去噪和卡爾曼濾波。為了驗證該方法的有效性,在自主改裝的智能車上對低精度加速度傳感器進行了實驗,結(jié)果表明,通過無抽取Haar算法的小波重構(gòu)完成信號處理,減少了重復運算,提高了算法實時性。該方法能有效提高傳感器的性能,在不能準確估計狀態(tài)轉(zhuǎn)移誤差情況下,該方法的去噪性能優(yōu)于卡爾曼濾波。
　　2)提出了不同精度的冗余傳感器故障診斷方法。該

4、方法采用動態(tài)模型不確定性影響最小化而故障影響最大化的原則,對低精度傳感器數(shù)據(jù)進行預處理,輪流使用一個傳感器作為輸入,另一個作為輸出建立卡爾曼濾波方程組,并通過所得新息進行故障診斷。實驗表明,所提出方法能有效抑制低精度傳感器的噪聲干擾,降低硬件成本以及系統(tǒng)建模復雜性,在傳感器故障診斷的工程應用中具有較好的實用性。同時針對智能車輛行駛過程中,背景噪聲變化很大,多精度冗余傳感器故障難以診斷的問題,提出了基于小波噪聲估計的二次卡爾曼濾波故障診斷

5、方法。通過實驗分析了該方法故障檢測率與噪聲強度的關系,結(jié)果表明,該方法提高了故障診斷的準確性,具有較好的魯棒性。
　　3)提出了基于后驗概率分布的自適應粒子濾波器方法。該方法采用先驗知識設定似然概率置信區(qū)間,通過置信范圍內(nèi)粒子分布逼近真實狀態(tài)分布的后驗估計來自適應調(diào)整粒子集大小,既保證算法精度,又提高了計算效率。然后將粒子濾波器用于故障診斷與故障預測,并提出了一種基于多模態(tài)RBPF粒子濾波器的故障預測算法。該算法通過k步迭代后產(chǎn)生