韓若曦, 李海兵, 郭子偉

（1. 嶗山國家實驗室, 青島 266237; 2. 北京航天控制儀器研究所, 北京 100039）

0 引言

隨著我國對海洋開發(fā)力度的增加, 潛航器的應用領域逐漸擴大, 工作環(huán)境也更加復雜。 二十大報告指出, 推動人工智能、 新能源、 高端裝備等新一代信息技術的發(fā)展, 有助于加速海洋安全保障體系建設。 深入海洋領域探測裝備技術研究,對于提升我國海防實力、 促進新型能源勘測水平智能技術的發(fā)展具有重要作用。 深海環(huán)境受到洋流、 溫度、 海洋生物干擾等多方面影響, 且潛航器的任務難度大、 潛航時間長、 航速高, 因此故障率有所上升。 組合導航系統(tǒng)由慣性、 聲學、 衛(wèi)星、 地球物理等多種導航方式組成, 可以提供高精度的位置、 速度和方向信息。 然而, 由于導航傳感器本身的不確定性和環(huán)境干擾等因素可能導致故障發(fā)生, 水下環(huán)境人工可干預場景極少, 因此需要建立檢測方案及時發(fā)現故障, 為后續(xù)及時切斷故障數據污染、 進行導航補償和系統(tǒng)重構做準備。

當前, 常用的故障檢測方案首先基于系統(tǒng)量測信息產生殘差, 再對殘差進行分析來判斷故障信息。 殘差產生可由硬件冗余和分析冗余兩種方法實現: 硬件冗余在系統(tǒng)中增加額外硬件元件,提升可靠性的同時, 可通過投票、 比較的方式確定輸出結果; 分析冗余從系統(tǒng)模型中得到一組包含觀測變量的等式, 通過系統(tǒng)內部關系推導輸出,與估計系統(tǒng)輸出量測值比較來獲得故障信息。 在水下環(huán)境中, 硬件冗余會增加功耗、 體積、 成本,不利于長航時作業(yè), 且硬件切換執(zhí)行繁瑣, 因此不利于實現; 分析冗余在建立模型時相對復雜,但不需增加硬件, 并能通過對輸出的估計進行適當轉換得到殘差, 可以充分利用系統(tǒng)信息并提高可觀測性, 因此應用更加廣泛。 兩種方法的原理如圖1 所示。

圖1 硬件冗余和分析冗余檢測方法原理Fig.1 Principles of hardware redundancy and analytical redundancy detection methods

深海潛航器的導航系統(tǒng)傳感器種類多樣、 結構復雜, 且潛航器航行時間長, 因此導航系統(tǒng)面臨數據量增加的問題。 此外, 隨著物聯(lián)網和互聯(lián)網技術的發(fā)展, 數據傳輸效率大幅提升, 這為故障檢測提供了充分的信息, 同時也給故障檢測技術帶來了數據處理方面的挑戰(zhàn)。 常用的故障檢測方法主要基于模型、 信號建立, 在不同的水下場景下具有相應優(yōu)勢和廣泛應用。 隨著人工智能技術的發(fā)展, 基于智能算法建立檢測方案在應對系統(tǒng)模型復雜以及處理多源、 高維數據等問題時優(yōu)勢凸顯, 因此在水下導航系統(tǒng)故障檢測領域中不斷發(fā)展應用。 基于文獻分析總結, 本文對深海潛航器的應用場景和系統(tǒng)特點進行分析, 對不同檢測方法的實際應用展開介紹。

1 深海潛航器干擾分析

1.1 深海環(huán)境與潛航任務特點

海洋環(huán)境中, 隨著深度的變化, 潛航器使用的組合導航傳感器不同。 高精度的位置與時間信息是維持穩(wěn)定運行的關鍵保障, 深海環(huán)境中的干擾因素和潛航器在其中的運動方式與導航系統(tǒng)潛在風險相關聯(lián)。 在深海中面臨的干擾復雜多變,在影響定位精度的同時也會對設備機動模式產生影響, 間接導致能耗增加和器件損耗加快, 增加了設備維護和修復成本。 海洋環(huán)境影響因素總結如表1 所示。

表1 海洋環(huán)境影響因素Table 1 Impact factors of marine environment

水下導航方式以慣性導航系統(tǒng)（Inertial Navigation System, INS）、 全球衛(wèi)星導航系統(tǒng)（Global Navigation Satellite System, GNSS）、 多普勒計程儀（Doppler Velocity Log, DVL）、 長基線定位系統(tǒng)（Long Baseline, LBL）、 超短基線定位系統(tǒng)（Ultrashort Baseline, USBL）、 航位推算（Dead Reckoning,DR）、 地球物理匹配（地磁、 地形、 重力匹配）等方式為主, 不同方式存在各自的局限性: DR/INS 誤差隨時間累積; 水聲定位方式維修成本高, 對布放、 回收技術要求高, 應用受限; DVL 在水下受洋流影響可能對地失鎖, 精度降低, 且與聲學傳感器都易受海洋環(huán)境影響; 地球物理導航精度依賴于數據庫信息, 現有數據庫難以滿足技術需求。因此, 在不同深度需要針對環(huán)境特點進行合理組合導航配置以降低風險。

深海環(huán)境作業(yè)過程包括“下潛”、 “上浮”、“回收” 三個階段。 水面準備與航行階段依靠INS/GNSS 組合方式進行定位; 在深海中層水域, GNSS信號失效, 需借助水聲設備提供定位信息, 采用INS/DVL/USBL 方式; 考慮到DVL 易受洋流影響,也可采用INS/USBL、 INS/LBL 配合磁羅盤、 深度計的組合方式。 中層水域導航信息源受限使得導航系統(tǒng)面臨較大風險。 DVL 在海底能夠實現有效底跟蹤, 導航方式以INS/DVL/LBL 為主。 綜上可知, 中層水域是深海潛航器故障檢測關注的重點區(qū)域, 此范圍以INS/聲學組合導航方式為主導。深海潛航器任務過程及水域環(huán)境中面臨的風險如圖2 所示。

圖2 深海潛航器任務過程及風險因素Fig.2 Mission process and risk factors for deep-sea submersible

深海潛航器水下導航過程中需要密切關注環(huán)境影響和傳感器的異常情況, 因此在設計水下導航系統(tǒng)故障檢測方法時需考慮干擾源特點以及多源、 高維量測數據處理問題。

1.2 導航系統(tǒng)與傳感器干擾因素

為滿足深遠海、 長航時和超高航速下的精確定位需求, 水下組合導航系統(tǒng)愈加復雜、 傳感器數量和功能不斷擴展、 裝配規(guī)模不斷提升, 這也導致了故障概率增加和故障事件復雜。 分析組合導航系統(tǒng)內部結構和傳感器組成有利于根據故障表征定位故障事件, 從而提升檢測效率, 為后續(xù)組合方式切換、 系統(tǒng)重構等任務做準備。 立足深海環(huán)境和任務場景, 總結水下組合導航系統(tǒng)常用傳感器設置, 細化分析故障產生原因、 故障特性、有效表征量。 基于導航系統(tǒng)傳感器、 子系統(tǒng)類型進行分類總結故障分析類型如圖3 所示。

圖3 潛航器組合導航系統(tǒng)及傳感器故障分析Fig.3 Fault analysis of submarine integrated navigation system and sensors

實際應用中, 潛航器面對重力、 體積、 功耗、 成本諸多因素的制約, 裝載的傳感器種類較多、 精度不一。 如低成本導航器件往往系統(tǒng)噪聲特性易受載體機動模式改變的影響, 后續(xù)進行分析時若仍采用線性化模型則會造成較大誤差。 而高精度器件結構精密, 面對復雜水下環(huán)境對設備損耗和老化的影響, 可能出現傳感器漂移、 噪聲和誤差等問題, 從而影響量測精度和魯棒性, 實際應用時需要進行適當補償。 此外, 高精度傳感器數據量較大, 如何應對數據處理和存儲復雜性是后續(xù)導航算法和故障檢測方案需要考慮的問題。

綜上可知, 深海潛航器的導航過程面臨的干擾來自環(huán)境與系統(tǒng)內部。 具體來說, 故障可能產生于水聲干擾、 數據傳輸、 基陣布放與回收等多個環(huán)節(jié)。 而在故障檢測時還需面臨數據量大、 干擾未知、 故障樣本有限、 不同水層傳感器組合切換等問題, 對檢測方案的設計提出了更高要求。

2 水下導航系統(tǒng)故障檢測方法

2.1 傳統(tǒng)故障檢測方法分析

慣性導航作為主導導航方式, 在潛航器上量測傳感器一般設置冗余配備, 因此定位數據的異常概率極小。 在數據融合時常將慣性導航設為無故障主導航方式, 與多種輔助傳感器構成子系統(tǒng)。傳統(tǒng)故障檢測方法基于信號、 模型、 統(tǒng)計進行故障檢測, 常用方法原理及特點如表2 所示［1-6］。

表2 基于信號、 模型、 統(tǒng)計的故障檢測方法總結Table 2 Summary of fault detection methods based on signal, model and statistics

傳統(tǒng)方法基于導航系統(tǒng)的模型和傳感器量測數據進行故障檢測, 由前述對深海環(huán)境的分析,在水下環(huán)境中需要應對未知干擾, 需要處理水聲傳感器如DVL、 USBL 等設備的數據失效、 噪聲干擾、 時間不同步等多方面問題, 根據實際應用情況進行改進。

對于異步傳感器時間差異問題, 文獻［7］針對彈性導航框架提出了一種基于因子圖的卡爾曼濾波故障檢測方法, 該方法利用GNSS 偽距觀測值和慣性傳感器數據通過因子圖實現融合, 不同類型傳感器表示為因子節(jié)點, 卡爾曼濾波器為特殊因子節(jié)點, 用于生成殘差序列, 之后基于殘差χ2算法檢測故障, 在持續(xù)干擾條件下將所提方法與χ2檢測進行仿真與實測數據對比, 結果顯示該方法較傳統(tǒng)方法在定位精度上提升了近40%, 誤警率和漏警率等都有所改善。

聲學信號對環(huán)境敏感, 如INS/DVL 組合導航,受洋流和多徑效應影響可能存在多種故障。 文獻［8］基于濾波構造預測誤差序列, 可以充分利用傳感器信息, 基于χ2檢測進行判斷, 此方法對突發(fā)故障有效, 但對誤差序列的相關性有要求, 推廣應用困難并且對慢變故障檢測效果欠佳。 對此,文獻［9］提出了雙狀態(tài)χ2檢測方案, 利用兩個狀態(tài)遞推器相互校正, 提高了慢變故障檢測效果, 避免了序列相關性要求。 基于濾波的χ2檢測法其效果依賴量測數據和通信數據的質量, 而雙狀態(tài)χ2方案靠內部狀態(tài)遞推器即可進行有效檢測, 因此實現相對簡單。

導航故障由于概率較小, 即使系統(tǒng)采集數據量較大, 但仍存在故障數據樣本量不足的限制。文獻［10］基于序貫概率比檢測（Sequential Probability Ratio Test, SPRT）對INS/GNSS/DVL 系統(tǒng)中每個子系統(tǒng)的殘差進行檢測, 并依據故障和正常狀態(tài)下的有限數據分布狀態(tài)建立假設, 基于概率比判斷故障。 實現在故障樣本量有限條件下有效檢測故障, 根據子系統(tǒng)故障概率和重要程度調整檢測閾值, 使得檢測過程準確性和靈敏度提升。 基于SPRT 等統(tǒng)計方法進行故障檢測可以避免大量數據處理帶來的延遲、 降低傳感器采樣周期不匹配導致的計算量和復雜度, 也可改善基于殘差進行故障檢測方法的局限性。

受精度要求, 有些慣性傳感器或聲學傳感器需要冗余配置, 隨之引起多輸入、 多輸出和模型非線性問題對系統(tǒng)產生干擾。 對此, 可采用等價空間法進行處理。 該方法基本思想是利用系統(tǒng)輸入、 輸出測量值檢驗系統(tǒng)數學模型的等價性, 以檢測和分離故障, 應用流程如圖4 所示。 故障檢測函數的設置根據解耦方式不同可分為廣義似然比法、 最優(yōu)奇偶向量法、 奇異值分解法。

圖4 等價空間法流程圖Fig.4 Flowchart of equivalent space method

等價空間法需尋找與系統(tǒng)解耦的等價方程,構造等價向量進行故障檢測。 對于慣性導航系統(tǒng)的不同冗余配置情況, 用于構造等價矩陣的方式不同, 具體如表3 所示。

表3 等價空間矩陣構造與INS 冗余配置關系Table 3 Relationship between the construction of equivalent space matrix and INS redundancy configuration

該方法處理冗余配置信息時可以有效降低計算量, 并保證檢測性能。 文獻［11］基于廣義似然比法進行改進, 處理慣性傳感器安裝誤差、 刻度系數誤差和常值偏差敏感帶來的影響, 使得緩變故障的檢測效果得到提升。 當已知系統(tǒng)精確模型情況下, 可以通過設置自適應門限［12］或做偏差分離估計［13］來對奇偶殘差進行補償, 以提升檢測效果。

傳統(tǒng)故障檢測方法基于數據分析和信號處理技術來完成, 對傳感器實時采集的導航數據進行預處理和分析, 得到系統(tǒng)狀態(tài)和性能指標。 在此基礎上, 通過對數據進行信號處理、 模型擬合和統(tǒng)計分析等, 以檢測系統(tǒng)中的故障信息。 這些方法可以相互補充, 如使用模型方法校準傳感器數據, 基于信號處理方法和統(tǒng)計分析方法來修正系統(tǒng)模型, 可以充分發(fā)揮不同方法的優(yōu)勢。

2.2 基于智能算法的故障檢測方法

水下環(huán)境使得潛航器機動狀態(tài)變化, 海況不易預測, 為傳感器尤其是聲學傳感器測量帶來阻力。 配置多傳感器的系統(tǒng)存在多輸入多輸出的冗余情況, 需要面對較大數據量, 后續(xù)無論是數據預處理、 信息融合還是故障檢測過程都面臨較大的計算壓力, 需要較高的計算資源和存儲空間。在整個導航過程中, 還要考慮噪聲干擾和非線性系統(tǒng)難以建模的情況。 為保證故障檢測質量, 近年來將人工智能方法應用于故障檢測領域的技術逐漸成熟, 典型方法有神經網絡（Neural Network,NN）、 支持向量機（Support Vector Machine, SVM）、遺傳算法（Genetic Algorithm, GA）等［14］。 本文基于文獻分析, 整理了不同方法進行對比, 如表4所示［15-18］。

表4 基于智能算法的故障檢測方法Table 4 Fault detection methods based on intelligent algorithms

由表4 可知, 將智能算法應用于導航系統(tǒng)故障檢測, 在分析大量數據、 自適應調節(jié)參數時具有顯著優(yōu)勢。 通過機器學習和數據挖掘算法, 能夠從歷史數據中提取故障狀態(tài)特征, 從而更加準確地確定和識別故障。 智能算法可以實時監(jiān)測導航系統(tǒng)的各種參數, 并及時發(fā)現異常情況, 避免系統(tǒng)在出現故障后長時間處于不穩(wěn)定狀態(tài)。 在實際應用中, 對于不同的系統(tǒng)特點, 智能方法的應用又有特定的方向, 本文基于案例進行總結分析。

（1）基于神經網絡的故障檢測

在進行數據處理時, 通常會假設慣性導航系統(tǒng)是主導航系統(tǒng), 且假設INS 無故障。 因此, 一旦慣性器件出現故障, 可能會誤將故障歸咎于其他傳感器, 導致誤差不斷發(fā)散。 此外, 隨著水下導航系統(tǒng)中傳感器種類的增加和系統(tǒng)規(guī)模的擴大,故障情況更加復雜。 針對這些問題, 使用神經網絡檢測方法可以降低對系統(tǒng)模型的依賴, 并能夠充分利用樣本數據, 基于自學習和自適應能力來識別故障, 更好地兼容多傳感器系統(tǒng)。 總體來說,基于神經網絡建立的故障檢測包括數據收集、 特征提取和故障判斷三步, 如圖5 所示。

圖5 神經網絡故障檢測流程圖Fig.5 Flowchart of neural network fault detection

面對多類型干擾時, 基于NN 快速建立復雜數據與故障信息的映射, 提升導航系統(tǒng)的模型準確性。 面對復雜干擾情況, 文獻［19］將故障類型細化為5 種: 1）GNSS 接收機故障; 2）INS 傳感器故障;3）GNSS/INS 偏差故障; 4） GNSS/INS 噪聲故障;5）GNSS/INS 突變故障。 以GNSS/INS 偏差故障情況為例, NN 對大量數據進行學習和建模, 當檢測到故障時即用GNSS 修正。 借助NN 可以實現自適應和在線的故障檢測, 細化故障類型輔助解決慣性傳感器的故障診斷問題。

文獻［20］基于深度學習建立了深度置信網, 創(chuàng)建了IMU 故障數據集。 為進一步提升檢測精度,利用GA 輔助權值調整過程, 加快了整體檢測速度, 可剔除傳感器自身誤差和外部干擾的異常值。通過清洗樣本數據, 提高了數據處理的實時性,但目前未進行實際應用, 且算法整體復雜度較高,不利于實現。 文獻［4］提出了GA-BP 神經網絡用于集成組合導航系統(tǒng)檢測, 利用GA 優(yōu)化BP 神經網絡的初始權值和閾值, 提高了網絡的收斂速度和精度。 但本案例中, 應用過程的計算矩陣受求逆限制, 因此不便推廣應用。

對于數據分布和噪聲水平隨時間動態(tài)變化的情況, 文獻［15］利用自組織增量神經網絡（Self-organizing Incremental Neural Network, SOINN）進行故障檢測。 該方法分為兩步: 首先, SOINN 基于數據建立不同過程的標簽聚類; 其次, 比較當前數據與已有類群得出故障信息。 相比于傳統(tǒng)統(tǒng)計檢測方法需要先驗模型參數和足夠的訓練數據, 所提方法建立的檢測方案只需基于有限樣本量即可確定分類標準。 由于SOINN 本身具備自適應性和增量性, 可以應對數據分布和噪聲水平的動態(tài)變化, 而傳統(tǒng)方法對此可能出現模型不匹配、 產生估計誤差。 此外, SOINN 降低了計算復雜度, 適于實時應用。

基于GA 優(yōu)化的智能故障檢測方法可以更高效地處理多傳感器序列。 根據文獻［16］和文獻［21］,INS、 USBL、 DVL 和深度計幾種傳感器的輸出量綱不同, 通過歸一化處理消除量綱、 幅值影響, 基于GA-NN 對歸一化殘差序列進行分類, 從而可以判斷故障類型和位置。 GA-NN 根據訓練數據自適應調節(jié)結構和參數, 以適應不同故障。 此外, GA還可以集成多種智能算法, 如SVM、 隨機森林（Random Forest, RF）、 K 最鄰近（K-nearest Neighbor, KNN）等, 構成支持集成學習算法［16］, 優(yōu)勢在于可以選擇最相關子集特征和分類器參數。 與單獨使用GA-NN 或其他智能算法相比, 該方法準確率和魯棒性更優(yōu), 可以在故障檢測時更好地應對潛航器面臨的水下噪聲、 不平衡和多樣性故障問題。

（2）基于SVM 的故障檢測

故障樣本量不充足問題導致神經網絡訓練的模型精度受限、 權值調整受影響。 SVM 具有小樣本下較強分類推廣性能, 可以較好解決小樣本、非線性和高維數限制, 并克服NN 處理數據時面臨的網絡結構難以確定、 收斂速度慢、 局部最優(yōu)、過擬合或欠擬合現象, 將該方法應用于水下導航系統(tǒng)領域為故障診斷提供了新思路［22］。

水下導航常用檢測方法有基于最小二乘支持向量機（Least Squares SVM, LS-SVM）、 支持向量回歸（Support Vector Regression, SVR）、 單分類支持向量機（One-Class SVM, OCSVM） 和基于聚類的支持向量機（Cluster SVM, C-SVM）［23-26］, 不同方法介紹如表5 所示［27-29］。

表5 基于SVM 的故障檢測方法介紹Table 5 Introduction of fault detection methods base on SVM

LS-SVM 通過改變目標函數能夠降低運算量,文獻［30］利用LS-SVM 建立了GPS/INS 組合導航系統(tǒng)的故障檢測模型, 輸入為導航狀態(tài)誤差, 輸出為故障指標。 利用自主完好性監(jiān)測外推法（Autonomous Integrity Monitored Extrapolation, AIME） 將故障指標分解為不同頻率成分, 根據每個頻率成分的幅值和相位判斷軟故障, 根據檢測結果可以利用AIME 對軟故障進行補償。 此外, 此方法可以確定故障類型和程度, 便于后續(xù)補償方案的構建。

SVR 對于存在切換的導航系統(tǒng)具有較好的檢測效果。 潛航器在中層水域活動時, INS/DVL/USBL 組合模式受洋流和多徑干擾, 不能維持穩(wěn)定輸出。 對此, 文獻［27］ 基于SVR 模型建立了INS、DVL、 USBL 的擬合模型, 并對下一時刻輸出進行預測, 當后續(xù)判斷傳感器出現故障時可及時切換,如INS 故障可切換到DVL 導航模式, DVL 故障可切換到INS/USBL 組合模式, 適用于海況復雜的情況和極端海域。

OCSVM 只需要正常數據即可建立檢測邊界,對于缺少故障樣本的情況意義較大。 文獻［28］使用導航系統(tǒng)輸出的位置、 速度和姿態(tài)信息訓練OCSVM 模型, 仿真實驗中對GNSS/INS 導航系統(tǒng)和慣性測量單元在不同的故障條件下進行檢測, 結果顯示可達到預期效果。 OCSVM 將非線性映射為二分類問題, 對于突變故障、 緩變故障具有較好的實時性。 但該方法對異常值敏感, 因此文獻［28］中提到可以對訓練數據進行預處理, 以提高檢測精度。

文獻［29］ 基于聚類構建分類器, 利用C-SVM對INS 和GNSS 的數據進行聚類分析, 并根據聚類結果判斷是否存在故障, 若有故障則采取后續(xù)措施, 若無故障則繼續(xù)更新濾波。 濾波過程中進行故障檢測, 優(yōu)勢在于減少了故障檢測時間, 噪聲和干擾可以被去除, 從而減少了誤報率, 并且可以降低數據存儲的成本, 提升綜合效率。

基于SVM 的方法對于多種故障混合情況可以實現較好的檢測效果。 文獻［23］對突變故障、 緩變故障、 參數敏感進行試驗, 可不依賴系統(tǒng)模型實現小樣本下良好訓練效果。 文獻［31］對導航數據時序信息做空間重構, 利用OCSVM 進行故障預報和檢測, 該方法能夠快速確定故障, 對突變故障、緩變故障敏感性較高。

3 結論與展望

3.1 結論

本文對深海潛航器使用場景進行分析, 指出了不同水層導航方案、 干擾因素、 故障風險, 對傳統(tǒng)故障檢測和基于智能算法的故障檢測進行了總結。 介紹了傳統(tǒng)故障檢測方法, 如奇偶方程法、卡爾曼濾波法和自適應觀測器法等常用于水下組合導航系統(tǒng)中的方法, 適用于具有已知模型和參數的線性系統(tǒng), 但在處理具有不確定性和存在擾動的非線性系統(tǒng)時仍有局限性。

在數據量大、 環(huán)境因素復雜、 潛航器任務難度大的綜合背景下, 基于智能算法建立的故障檢測方案較傳統(tǒng)方法更能及時應對多種突變、 提高大樣本量下的檢測效率, 對組合導航子系統(tǒng)進行更全面的檢測并在故障樣本有限的情況下保證效果, 因此基于智能算法建立的故障檢測方案是研究的重點方向之一。 然而, 基于智能算法的故障檢測方案在深海環(huán)境的實際應用中仍存在以下難點:

1）數據量和質量問題。 深海導航中需要處理的數據往往是高維、 非線性、 非高斯、 非平穩(wěn)的,而且可能存在噪聲、 干擾、 缺失等問題, 這對人工智能算法的訓練和測試提出了很高的要求。 同時, 深海環(huán)境下獲取數據也是一項困難的任務,需要考慮成本、 效率和安全等因素。

2）模型復雜度和可解釋性問題。 人工智能算法往往需要構建復雜的模型來擬合數據和提取特征,這可能導致過擬合、 欠泛化或計算效率低下等問題。 同時, 人工智能模型的內部機制和邏輯往往是不透明或難以理解的, 這可能影響到模型的可信度和可靠性。

3）環(huán)境變化和不確定性問題。 深海環(huán)境是一個動態(tài)變化且具有不確定性的環(huán)境, 這對人工智能算法的適應性和魯棒性提出了挑戰(zhàn)。 例如, 水聲信道的傳播特性會隨著時間、 空間、 溫度、 鹽度等因素而變化, 這可能導致傳感器之間的通信質量下降或失效; 水下目標或障礙物也會隨機出現或移動, 這可能導致導航系統(tǒng)發(fā)生碰撞或偏離預定軌跡等。

3.2 展望

立足潛航器的使用需求, 深海環(huán)境下進行組合導航系統(tǒng)故障檢測方案的設計建立在多種傳感器和信號源基礎上, 可以綜合傳統(tǒng)方法的特點進行改進, 進一步發(fā)揮智能算法的優(yōu)勢, 提高故障檢測性能。 基于當前國內外研究熱點, 本文總結了導航系統(tǒng)故障檢測方法的發(fā)展方向, 具體如下:

1）基于非線性動力學模型改進傳統(tǒng)檢測方法。針對傳統(tǒng)檢測方法對模型參數敏感、 處理非線性系統(tǒng)效果欠佳的問題, 基于非線性動力學模型描述導航系統(tǒng)狀態(tài)和故障機理, 在此基礎上進行殘差檢測。 具體來說: ①建模過程可基于物理建?；驍祿寗樱ㄈ缟窠浘W絡、 模糊邏輯）方法完成, 提升非線性模型和殘差數據精度; ②結構分析、 特征提?。ɑ蚪稻S）方法依據殘差特性來選擇, 如主成分分析、 獨立成分分析或小波變換; ③殘差檢測方法根據殘差特性來選擇, 包括統(tǒng)計方法、 時序分析方法, 如累積和檢驗、 廣義似然比檢驗;④門限設置方法可基于模型, 即根據觀測器預測狀態(tài)設置殘差范圍, 也可基于量測數據統(tǒng)計分布特征來設置。 已有的改進檢測應用案例有: “物理建模-統(tǒng)計分析”［32］、 “數據建模-時序分析”［15］和“物理建模/觀測器-卡方檢測”［33］方案, 對特定場景都有較好的檢測效果。 此外, 改進過程需要兼顧計算成本、 實時性、 算法復雜度、 數據量和樣本質量多種因素。

2）神經網絡故障檢測方法的改進方向。 基于神經網絡建立的檢測方案面臨以下問題: 對訓練數據質量和計算資源要求高、 網絡結構和參數對噪聲敏感、 模型解釋性低、 算法復雜度高。 此外,海洋環(huán)境受洋流影響, 載體機動模型可能大幅變化, 導致神經網絡不穩(wěn)定。 對此建立的改進方向如下: ①使用采樣數據增強方法調整樣本質量;②增加數據預處理過程提高效率, 如數據清洗、正則化、 特征選擇、 降維等操作; ③靈活確定核函數, 如基于自適應方法動態(tài)切換線性核函數、高斯核函數等參數; ④加入網絡建立混和模型,降低最優(yōu)解和過擬合事件的發(fā)生概率。 對上述改進方案, 還需要考慮應用可行性問題, 如網絡結構和參數調整過程中的計算成本、 面對大數據如何處理數據接口和數據傳輸問題、 如何解決不同設備之間的兼容性等。

3）SVM 故障檢測方法的改進方向。 結合前述內容與SVM 方法原理, 分析現有研究結論可得:①LS-SVM 方法處理非線性問題時效率低, 可以建立雙SVM 方案降低單SVM 規(guī)劃問題的維度, 將尋優(yōu)過程轉化為求解線性方程。 ②對于SVR 檢測方法需在訓練時間、 計算復雜度兩方面改進, 一種方法是加入隨機梯度下降步驟, 優(yōu)化目標函數;也可考慮使用分布式并行計算框架（如Spark）來加速SVR 的訓練過程。 ③對于OCSVM 對異常值敏感問題, 可以引入自適應濾波調整量測噪聲陣, 以抑制緩變故障; 或者基于支持向量數據分類（Support Vector Data Description, SVDD） 構造最小超球體處理非線性和高維數據問題。 ④對于C-SVM 檢測方法對核函數敏感問題, 可以基于核函數聚類分析選擇參數, 以實現降維。 改進方法在實施方面仍存在挑戰(zhàn), 需要對特征工程、 濾波理論和聚類算法具有較深了解, 以便針對實際導航系統(tǒng)和深海環(huán)境需要做出調整。

在檢測方法的應用中, 還可以考慮其他智能算法的加入, 如決策樹模型和隨機森林模型適用于大型數據場景, K 最鄰近（K-nearest Neighbor,KNN）方法訓練時間短、 可解釋性強。 但這些方法亦有限制: 決策樹和隨機森林適用于需要對模型進行解釋和理解的場景, 而KNN 適用于需要快速分類的場景。 總體來說, 不同檢測方法的應用建立在具體場景和問題基礎上。 完善故障檢測方案與提升深海組合導航精度的另一個方向是建立可靠的導航技術方案、 提升傳感器工藝, 因此還可考慮以下方向: ①建立浮標、 信標與北斗導航系統(tǒng)結合方案, 充分利用多源信息與穩(wěn)定的導航、定位、 授時服務來提高抗干擾能力和多模式服務能力; ②提升傳感器工藝, 提升水下通信穩(wěn)定性和抗干擾能力; ③發(fā)展深海光學輔助導航定位技術, 提升深海目標識別能力, 增強潛航器的環(huán)境感知能力。