BP神经网络提升缓变故障检测效率：双阈值与预测辅助策略

在现代信息技术领域，惯性/卫星组合导航系统（Integrated Navigation System, INS）在航空、航海等领域具有广泛的应用。然而，这类系统对缓变故障（Sudden Drift Fault, SDF）的检测效率一直是研究的热点问题。传统的$\chi^2$检测法在处理这类故障时可能会出现效率不高、滤波精度受影响和漏警率增加等问题。针对这些问题，赵修斌、高超、庞春雷和张闯等人提出了一个创新的方法：BP神经网络辅助的缓变故障双阈值检测法。 BP（Back Propagation）神经网络是一种常用的机器学习模型，它通过反向传播算法训练多层感知器，用于解决非线性问题。在这个研究中，研究人员利用BP神经网络构建了一个位置与速度子预测器，对卫星导航量测数据进行预测。通过预测结果，他们提出了一个双阈值策略。较低的检测门限是基于预测精度设定的，当实际测量值与预测值之间的偏差超过这个门限时，系统将进入故障检测模式。这种方法可以提高对缓变故障的敏感性，同时辅助传统的$\chi^2$残差检测法，增强对故障的识别能力，减少误报。 与传统的单阈值检测相比，双阈值策略更精细地处理了故障情况，提高了系统的鲁棒性和可靠性。它在缓变故障期间能够保持较高的滤波精度，降低因误报导致的系统重构频率，从而确保导航系统的稳定运行。这种方法的应用不仅改进了惯性/卫星组合导航系统的性能，也为其他领域的故障诊断提供了一种新的思路和方法。 此外，文中提到的其他研究如基于卷积神经网络的故障诊断、DropOut降噪自编码的磨矿系统故障诊断、证据推理的联合故障检测、分层DSmT的多故障诊断和基于支持向量回归（Support Vector Regression, SVR）的INS故障诊断，都是当前故障诊断领域的前沿技术。这些研究展示了科研人员在不断提升导航系统故障检测能力和智能化水平方面的努力，为保障复杂系统安全运行提供了强大的技术支持。 总结来说，赵修斌等人提出的BP神经网络辅助的缓变故障双阈值检测法是针对惯性/卫星组合导航系统中缓变故障问题的一种创新解决方案，它结合了神经网络的预测能力和双阈值策略的灵活性，优化了故障检测性能。同时，这一研究还展示了与其他先进技术（如卷积神经网络、DropOut等）在故障诊断领域的交叉应用前景，预示着未来导航系统故障诊断将更加精准和智能化。