多敏感器智能信息融合衛星定姿新方法

劉 梅，張 雷，武云麗，禹 航

(1.哈爾濱工業大學電子與信息工程學院，150010哈爾濱，thunder-ray81@hotmail.com 2.中國航天科技集團公司第五研究院，100029北京)

衛星姿態確定系統(ADS)是姿態控制系統的重要組成部分.衛星上天后，姿態確定正確與否，關系到衛星的測量控制精度和使用壽命.由于各敏感器基準的不同和產生誤差的機理不同，必須通過信息融合技術、故障檢測與系統重構技術來提高系統定姿精度和可靠性.這些技術對提高我國軍用衛星的自主生存能力具有重要意義，擁有廣闊的軍事應用前景.同時，隨著航天事業的發展，對衛星姿態確定的精度和可靠性的要求也越來越高.因此，如何利用多個信息源的融合來提高衛星姿態確定系統的性能［1］，成為近年來航天控制中十分關注的重要問題.

聯邦濾波是組合導航的主流算法，它根據信息分配原則保證了各子系統運算的獨立和整體結果的最優，具有良好的容錯性和較低的信息傳輸量，目前美國空軍已將聯邦濾波列為新一代導航系統的通用濾波器［2］，如文獻［3］中王志生等人采用的綜合姿態確定系統，正是基于聯邦濾波器開發而成的，實驗證明該方法已經取得了較好的定姿精度.然而，現有的基于聯邦濾波器的衛星定姿系統，一方面未考慮由于外界環境干擾及敏感器自身故障引入的污染數據對融合效果的影響，即缺乏必要的故障規避預處理環節，大大降低了融合定姿精度［4］.文獻［4］中對衛星姿態確定系統中故障規避環節的必要性進行了詳細闡述，但其提出的聚類方法仍然需要較多的先驗知識及經驗;另一方面沒有考慮各個敏感器工作狀態的差異，即各敏感器的定姿精度不同，工作穩定情況不同，濾波得到的狀態均方差不同等實際情況，僅采用一種固定的數據融合算法對各個子系統提供的數據進行融合，這樣顯然無法達到融合效果的全局最優，從而嚴重影響整個系統的定姿精度.本文針對上述情況，采用一種基于NFE模型(由模糊神經網絡FN和專家系統ES構成)的多敏感器信息融合衛星定姿新方法，以提高衛星定姿的精度.本方法一方面引入波門檢測預處理技術瞬時作出故障規避，對問題敏感器及時切斷，阻止污染數據短時間內向下傳播;另一方面，采用神經網絡來構造具有學習、判斷、推理、容錯、自組織等高度智能化能力的模糊系統，用模糊規則對神經網絡的訓練進行指導，得到各個敏感器的置信度，以描述當時各個敏感器的工作狀態.然后，在公共狀態融合器部分依據各敏感器置信度的不同情況，對其提供的數據按照不同方法進行融合，使得整個定姿系統能隨著敏感器工作狀態的變化作出相應的判斷.更加符合復雜定姿環境下的實際情況，從而提高定姿精度.

1 具有故障規避功能的多敏感器智能融合定姿復合結構

本文針對上述衛星定姿過程中存在的實際問題，以聯邦濾波器為基礎，加入波門選擇器作為故障規避模塊，采用慣性定姿敏感器—陀螺為公共參考系統，其余3個敏感器與陀螺兩兩組合作為子系統［5-6］.其中3個子濾波器輸出的公共信息為慣性測量組件，即陀螺的誤差狀態向量.通過融合算法選擇模塊對子濾波器輸出的公共信息進行智能融合，得到陀螺誤差向量的全局最優估計，最后用陀螺誤差向量的全局最優估計對陀螺的輸出進行校正，從而獲得高精度的衛星姿態信息.

整個復合結構硬件方面由陀螺、星敏感器、紅外地平儀和太陽敏感器組成;軟件方面由故障規避模塊、局部濾波器(子濾波器)［7］、主濾波器和智能融合算法選擇模塊組成一整套復合結構，其結構如圖1所示.

圖1 多敏感器融合定姿濾波器復合結構

2 基于波門預處理技術的故障規避模塊

利用波門預處理技術，可以最大限度地濾除因敏感器不穩定及外界強干擾引起的污染測量值，從而保證參與融合的數據都是有效的.波門是一種有效的信息預處理方法，它是以測量值的預測值為中心構造一個搜尋區域，根據下一時刻的測量值是否落入該區域來決定此次測量值是否有效.通過自適應方法確定波門尺寸后，既可以保證落入波門中的有效量測有很高的概率，同時又保證了波門內沒有過量的無效量測.波門尺寸的選擇是否適宜，直接影響預處理的效果.波門過大落入波門內的虛警點會隨之增多，相關邏輯也隨之變復雜;波門過小，容易丟失真實量測值.因此，波門的大小應該由各個敏感器的量測誤差決定.

本文采用的是一種基于測量殘差矩陣和方差矩陣的自適應波門預處理方法.在這種方法中，波門的大小根據濾波所得的方差陣而自適應設定，既保證了有效數據落入波門的概率較高，又將污染數據隔離在波門之外.具體方法如下:

定義統計距離為

將式(1)和(2)代入，得到

這樣，在保證一定的正確數據落入波門的情況下，盡量減少了進入波門的污染數據的數量，降低誤跟率，提高了跟蹤效果，避免了不必要的計算量，更重要的是有效消除了因某敏感器發生短期失效產生的錯誤測量數據對整個融合過程的影響.

3 基于NFE模型的智能融合算法

置信度是衡量敏感器性能的一個重要指標，置信度可靠與否關系到最終系統融合結果的好壞.因此，系統要能全面的考慮各種情況，給出可靠的子系統置信度.在這個環節里，要通過定義計算各個子濾波器的置信度來判斷各個子系統的工作情況.

本文采用模糊神經網絡(FN)和專家系統(ES)構成NFE模型來計算敏感器的置信度.

置信度判別器神經網絡是該系統的主要部分，該神經網絡具有5層節點的神經模糊推理系統包含3個輸入、1個輸出和27條模糊If-Then規則.考慮到影響敏感器置信度的重要因素，選擇3個輸入的語言變量分別定義為:X表示敏感器狀態，取值范圍為［0，1］，值越小表示敏感器狀態越好;Y為敏感器檢測概率;Z為敏感器虛警概率.且每個輸入語言變量各有3個用高斯函數表征隸屬函數的模糊集合.輸出是表征某一敏感器置信度的實數值，其取值范圍為(0，1)，值越大表示敏感器的置信度越高.根據經驗建立的模糊If -Then規則為:“If X is A1，and Y is B1，and Z is C1，Then‘置信度’is r1”，如表1所示.網絡結構中同一層的節點具有相同類型的函數.

表1 if-then規則

采用混合學習算法對45個參數進行學習調整.當數據在網絡中前向傳輸時，可采用最小二乘法辨識結論參數;當誤差信號反轉時，可采用最陡下降法來更新前提參數.這樣辨識得到的結論參數是最優的，而且混合學習算法的收斂速度也是非常快的，通過畫模糊神經網絡的學習曲線可以看出:在第200次迭代時，誤差在0.15左右，在第500次的時候誤差基本收斂于0.1左右.

在得到了各個子系統提供的姿態角估計數據和各個子系統置信度的基礎上，在公共狀態融合器部分，可以依據各個子系統置信度的不同情況，對其提供的數據按照不同的方法進行融合.本文的3種融合方法分別對應衛星姿態確定過程中，主要影響定姿精度的3種實際情況:3子系統工作狀態均良好;3子系統工作狀態均不好;其中1個子系統工作狀態遠好于其他2子系統(即有2個子系統出現故障).當只有1個子系統故障時，本定姿結構仍可以利用另外2個正常工作的子系統互補長短，以取得較好的精度，因此不在此處考慮.其具體的方法主要有以下3種:

1)狀態選擇法.即選擇置信度最佳的子系統提供的數據對公共狀態進行修正.如果在定姿過程中，當兩個敏感器由于自身故障或是外界干擾產生較大誤差時，即其中1個子系統的置信度遠遠高于其他2個子系統，此時利用狀態選擇法可以有效的剔除故障數據，保留有效數據，從而保證系統的定姿精度

2)狀態增強法.選擇1個子系統作為系統狀態，然后用其他的子系統狀態對其進行修正.當各個子系統工作狀態均不佳時，通過狀態增強法可以使得各子系統互相修正，得到較小的隨機誤差，可保證整個定姿系統的定姿精度較高.

3)方差矩陣加權法.通過各子系統濾波后得到的方差矩陣Pi對最終的數據進行加權融合，即

當各個子系統的工作狀態都很好，即各個子系統置信度都很高時，通過方差矩陣加權法可以使得個子系統互補長短，從而進一步提高定姿精度.

其中在第3種情況下，也可以應用狀態矢量加權法來進一步對融合結果進行優化.所謂的狀態矢量加權法就是根據各個敏感器的權值，對它們的數據進行加權融合.在這里使用拉格朗日乘數法來推導相應敏感器的歸一化權值.當每部敏感器的工作狀態都較穩定時可采用此方法.此時，隨機誤差可被平均掉，故隨機誤差小.

其中ωi可以采用拉格朗日乘數法來求解.

4 仿真實驗及結果分析

4.1 實驗環境設定及實驗目的

仿真時設定，陀螺儀常值漂移((°)/h)為(3，-5，-5)，白噪聲標準差((°)/h)為0.05，紅外地平儀(GEO擺動掃描式)系統誤差0.05°，隨機誤差0.03°，太陽敏感器測量誤差0.05°［8］，星敏感器測量誤差9.9″，仿真時間300 s，在此仿真環境下做100次蒙特卡羅實驗［9-10］.

實驗1:驗證基于波門預處理技術的故障規避模塊有效性.針對上述復合結構進行100次蒙特卡羅仿真實驗，仿真時間取300 s，在其中隨機選取80 s加入污染數據，以模擬由于外界環境干擾以及敏感器自身故障原因造成的數據污染，從而驗證故障規避模塊的性能.

實驗2:驗證基于NFE模型的智能融合算法有效性.實驗共分兩組，一組采用統一的方差矩陣加權法進行融合，另一組采用智能融合算法進行融合，分別進行100次蒙特卡羅實驗，仿真時間都為300 s，以驗證智能融合算法選擇模塊的性能.然后，在相同的仿真環境下，利用其他現有的定姿結構對衛星進行定姿，通過對比以驗證本文提出的復合結構的定姿性能.

4.2 實驗結果及分析

實驗1:圖2是各個子系統各時刻測量值相對于波門中心的歸一化距離，通過本文給出的自適應波門門限確定方法可以得到最優門限為0.30.表2給出了最優門限(0.30)與人為設定門限值剔除污染數據的性能比較.

從圖2中不難看出，當敏感器工作不正常的情況下即輸出污染數據時，其測量值與波門中心的距離明顯大于其他測量值到中心的距離，這就為本文提出的基于波門預處理技術的故障規避模塊提供了可靠依據.從表2中數據可以看出:當波門門限值取得過小時雖然可以剔除污染數據，但是很多真實數據也被剔除掉了(真值落入概率小于100%);當門限值取得過大時，雖然保證了真實值落入波門的概率，但是許多污染數據無法剔除從而導致定姿精度嚴重下降;當門限值為通過本文方法得到的自適應門限0.30時，不但剔除了所有污染數據，而且保證了真實數據的落入概率，從而提高了定姿精度.

實驗2:圖3為本文提出的復合結構定姿精度，表3為各個時刻子系統的置信度和系統選擇的融合方法，其中a表示狀態選擇法，b表示狀態增強法，c表示狀態矢量加權法.在同等仿真背景下進行定姿的橫向比較，表4給出了各種敏感器組合以及復合結構定姿精度的比較.

圖2 各時刻測量值到波門中心的距離

由表3可以看出，本方法用置信度來描述各個子系統的工作狀態和定姿精度，并根據前面設定的智能選擇原則來選擇相應的融合方法，以貼近實際的定姿環境.如在第一秒3個子系統的置信度均在0.7之上，都比較高，證明各個子系統的工作狀態都很穩定，此時采用狀態矢量加權法c進行融合，隨機誤差可被平均掉;又如第296 s，子系統3的置信度明顯高于其他兩個子系統，即其他2個子系統可能由于干擾和自身故障導致工作狀態不穩定，此時系統智能選擇狀態選擇法a進行融合，即選擇置信度最佳的子系統提供的數據對公共狀態進行修正，從而保證較高的定姿精度.可見，本方法可以根據定姿環境和敏感器工作狀態的具體情況智能選擇融合方法.由表4可以看出，復合結構的最終定姿精度高于現有定姿系統和未使用智能融合的復合結構(統一采用方差矩陣加權法)的定姿精度，可見在定姿系統中加入故障規避模塊及融合算法智能選擇模塊使得污染數據得以剔除，并能夠根據不同的敏感器工作狀態智能選擇相應的融合方法，從而提高了定姿精度.

表2 不同距離門限下的波門效果比較

圖3 復合結構仿真結果

表3 各子系統的置信度和融合算法的選擇

表4 各種定姿系統的精度比較

4 結論

本文針對配置多敏感器的衛星姿態確定系統，設計了以聯邦濾波器為基礎的高精度衛星姿態信息融合結構，提出了基于波門預處理技術的故障規避模塊以及基于NFE模型的智能融合算法.本文設計的復合定姿結構，將不同敏感器組合提供的定姿數據進行融合，取長補短;利用波門技術剔除污染數據，保證參與融合的數據的有效性和準確性，從而達到最終融合的全局最優;并通過模糊神經網絡和專家系統計算出各子系統姿態敏感器的置信度，以描述其工作狀態，最后根據不同的情況選擇相應的融合方法.通過實驗證明，本定姿方法不但可以實現不同敏感器定姿信息的融合，而且可以剔除實際定姿環境中，因干擾及敏感器自身故障引起的數據污染，并能夠隨著各個敏感器的工作狀態變化而智能選擇相應的融合方法，從而實現更高精度的衛星定姿.

［1］DOWGIALLO D J，BOBAK J P.An economical and highly accurate attitude and position determination system for airborne polarimetric sensors［J］.IEEE transactions，2008，10:1620-1622.

［2］OKATAN A，HAJIYEV C H.Kalman filter innovation sequence based fault detection in LEO satellite attitude determination and control system［J］.IEEE transactions，2008，20:411-416.

［3］WANG Zhisheng.A new kind of satellite integrated attitude determination system［C］//Proceedings of 2007 IEEE International conference on control and automation.Guangzhou:［s.n.］，2007:3254-3258.

［4］CAI Lin，HUANG Yuancan.A genetic-based fuzzy clustering algorithm for fault diagnosis in satellite attitude determination system［C］//Proceedings of 2003 IEEE Conference on Control Applications.Seattle:［s.n.］，2003(1):115-119.

［5］GEBRE-EGZIABHER D，HAYWARD R C.Design of multi-sensor attitude determination systems［J］.IEEE transactions on aerospace and electronic systems，2004，40:627-649.

［6］顧冬晴.多敏感器衛星姿態確定的聯邦濾波器設計［J］.中國空間科學技術，2004，24(3):7-13.

［7］OKATAN A，HAJIYEV C H.Kalman filter innovation sequence based fault detection in LEO satellite attitude determination and control system［J］.IEEE transactions，2007，1:411-416.

［8］KUTLU A，HACIYEV C H.Attitude determination and rotational motion parameters identification of a LEO satellite through magnetometer and sun sensor data［C］// Proceedings of 2007 Recent advances in space technologies.Istanbul:［s.n.］，2007:458-461.

［9］MORTON B P.Attitude determination and orbital estimation using earth position and magnetic field vector measurements［C］//Proceedings of 2004 American control conference.Boston:［s.n.］，2004:4084-4089.

［10］LAM Q M，CRASSIDIS J L.Precision attitude determination usingamultiple modeladaptiveestimation scheme［J］.IEEEAC，2006，9:1-20.