智能車輛的慣性傳感器故障診斷研究.pdf

1、隨著自動(dòng)化技術(shù)在各行各業(yè)的應(yīng)用,其系統(tǒng)越來越復(fù)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(cè)、控制等帶來嚴(yán)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(guó)家自然科學(xué)基金重大專項(xiàng)“高速公路車輛智能駕駛中的關(guān)鍵科學(xué)問題研究”。作為該項(xiàng)目研究的一部分,本文主要針對(duì)慣性傳感器和組合導(dǎo)航系統(tǒng)的故障以及異常檢測(cè)與診斷問題,

2、從數(shù)字信號(hào)處理、故障診斷方法、以及故障預(yù)測(cè)方法三個(gè)方面進(jìn)行研究。首先通過對(duì)傳感器采集的數(shù)據(jù)進(jìn)行數(shù)字信號(hào)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(diǎn)進(jìn)行故障診斷;最后通過故障預(yù)測(cè)技術(shù)來提高故障診斷的實(shí)時(shí)性,以將故障防范于未然。
　　本文的主要?jiǎng)?chuàng)新點(diǎn)是:
　　1)針對(duì)基于分段方式的多尺度卡爾曼濾波計(jì)算量大、延時(shí)長(zhǎng)的問題,提出基于無抽取Haar算法

3、的實(shí)時(shí)卡爾曼濾波方法。該方法采用簡(jiǎn)單的加減、移位運(yùn)算在t時(shí)刻完成多尺度變換,然后在各個(gè)尺度進(jìn)行小波閾值去噪和卡爾曼濾波。為了驗(yàn)證該方法的有效性,在自主改裝的智能車上對(duì)低精度加速度傳感器進(jìn)行了實(shí)驗(yàn),結(jié)果表明,通過無抽取Haar算法的小波重構(gòu)完成信號(hào)處理,減少了重復(fù)運(yùn)算,提高了算法實(shí)時(shí)性。該方法能有效提高傳感器的性能,在不能準(zhǔn)確估計(jì)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(dòng)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(duì)低精度傳感器數(shù)據(jù)進(jìn)行預(yù)處理,輪流使用一個(gè)傳感器作為輸入,另一個(gè)作為輸出建立卡爾曼濾波方程組,并通過所得新息進(jìn)行故障診斷。實(shí)驗(yàn)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(fù)雜性,在傳感器故障診斷的工程應(yīng)用中具有較好的實(shí)用性。同時(shí)針對(duì)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(jì)的二次卡爾曼濾波故障診斷

5、方法。通過實(shí)驗(yàn)分析了該方法故障檢測(cè)率與噪聲強(qiáng)度的關(guān)系,結(jié)果表明,該方法提高了故障診斷的準(zhǔn)確性,具有較好的魯棒性。
　　3)提出了基于后驗(yàn)概率分布的自適應(yīng)粒子濾波器方法。該方法采用先驗(yàn)知識(shí)設(shè)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(shí)狀態(tài)分布的后驗(yàn)估計(jì)來自適應(yīng)調(diào)整粒子集大小,既保證算法精度,又提高了計(jì)算效率。然后將粒子濾波器用于故障診斷與故障預(yù)測(cè),并提出了一種基于多模態(tài)RBPF粒子濾波器的故障預(yù)測(cè)算法。該算法通過k步迭代后產(chǎn)生