3. 故障检测基础：残差生成、阈值设定、卡方检验、一致性检验

各位同学，咱们今天聊点实在的。故障检测，说白了就是给导航系统装个“健康监测仪”。你想想看，一个组合导航系统在天上飞、地上跑，传感器随时可能出幺蛾子——陀螺漂移、加速度计卡死、GPS被干扰……要是没有一套靠谱的检测手段，系统就像个瞎子开车，迟早要出事。

我个人习惯把故障检测拆成四个核心环节：残差生成、阈值设定、卡方检验、一致性检验。这四步走下来，基本能把大部分故障揪出来。咱们一个一个说。

3.1 残差生成——故障的“影子”

残差是什么？说白了就是实际测量值与模型预测值之间的差值。系统正常时，残差应该很小，像个听话的小跟班；一旦出故障，残差就会突然变大，像影子突然跳起来吓你一跳。

在组合导航里，残差通常来自卡尔曼滤波器的新息序列（innovation sequence）。公式很简单：

r_k = z_k - H_k * x̂_k|k-1

其中，z_k 是实际观测值，H_k * x̂_k|k-1 是预测观测值。残差 r_k 就是两者的差。

我在项目中遇到过一件事：有个同事直接用原始传感器数据做检测，结果误报率奇高。后来我帮他改成用卡尔曼新息，问题立马解决了。为什么？因为新息已经经过了滤波处理，噪声被压制了，故障特征更明显。

3.2 阈值设定——划条“红线”

有了残差，下一步就是定个标准：多大算大？多小算正常？这就是阈值设定。

阈值设得太宽，故障漏报；设得太窄，误报满天飞。我见过一个项目，阈值设得跟头发丝一样细，结果系统每秒钟报三次警，操作员直接崩溃。

常用的阈值设定方法有几种：

方法	原理	适用场景
固定阈值	根据经验或标定数据设定常数	噪声特性稳定的系统
自适应阈值	根据实时噪声统计量动态调整	噪声时变的系统
统计阈值	基于残差分布的概率密度函数	需要定量化误报率/漏报率

嗯，这里要注意：阈值设定不是一劳永逸的。系统老化、环境变化都会影响最优阈值。我习惯在系统里留个“阈值校准模式”，定期跑一下标定流程。

3.3 卡方检验——给残差“打分”

卡方检验，听起来高大上，其实核心思想很简单：判断残差是否服从预期的统计分布。

在卡尔曼滤波框架下，如果系统正常，新息序列应该服从零均值高斯分布，其马氏距离（Mahalanobis distance）服从卡方分布。检验统计量是：

q_k = r_k^T * S_k^{-1} * r_k

其中，S_k 是新息协方差矩阵。q_k 服从自由度为 m 的卡方分布（m 是观测维数）。

判断逻辑：

• 如果 q_k ≤ χ²_α(m)，认为系统正常
• 如果 q_k > χ²_α(m)，认为存在故障

α 是显著性水平，通常取 0.05 或 0.01。查卡方分布表就能得到阈值。

3.4 一致性检验——多源信息“对账”

一致性检验，说白了就是让多个传感器互相“对账”。你想想看，如果GPS说你在北京，惯导说你在上海，那肯定有一个在撒谎。

常用的方法包括：

• 状态估计一致性：比较不同滤波器输出的状态估计值，看差异是否在合理范围内
• 观测一致性：比较实际观测与预测观测的差异
• 协方差一致性：检查估计协方差与实际误差是否匹配

我特别喜欢用归一化新息平方和（NIS）来做一致性检验。公式是：

NIS_k = (1/N) * Σ_{i=k-N+1}^{k} q_i

N 是滑动窗口长度。NIS 同样服从卡方分布，但因为是滑动平均，对缓变故障更敏感。

3.5 知识体系总览

下面这张图，是我自己画的故障检测知识体系。你看一眼，就能明白这四个环节怎么串起来的。

从图上你能看到，整个流程是闭环的。残差生成是入口，阈值设定和卡方检验是核心判断逻辑，一致性检验是兜底方案。最后，检测结果还能反馈回去调整参数——这就是自适应故障检测的雏形。

3.6 实战要点总结

说了这么多，我给大家总结几条实战经验：

1. 残差要“干净”——滤波器没调好之前，别急着做故障检测。否则你检测到的不是故障，是滤波器自己的抖动。
2. 阈值要“留余量”——理论阈值往往偏紧。我习惯在理论值基础上乘以1.2~1.5的安全系数，先跑一段时间再微调。
3. 卡方检验要“看窗口”——单点卡方检验对突变故障敏感，但对缓变故障不敏感。配合滑动窗口（比如NIS）效果更好。
4. 一致性检验要“多维度”——别只盯着一个指标。状态一致性、观测一致性、协方差一致性，三个维度都看看，才能全面评估系统健康状态。

好了，这一章的内容就到这里。故障检测是容错设计的第一步，也是最重要的一步。检测不准，后面所有容错策略都是白搭。希望大家在实际项目中，能把这四个环节扎扎实实落地。

---

公众号:蓝海资料掘金营，微信deep3321