第4章基于解析模型的方法

基于解析模型的方法：状态估计法、参数估计法与等价空间法

各位同学，今天我们来聊聊GNC系统故障诊断里最经典的一类方法——基于解析模型的方法。说白了，就是用数学模型去描述系统，然后通过模型和实际系统之间的差异来揪出故障。

我个人习惯把这三种方法看作一套组合拳：状态估计法盯着系统内部状态，参数估计法盯着系统参数变化，等价空间法盯着输入输出关系的一致性。各有各的脾气，也各有各的用武之地。

一、状态估计法：卡尔曼滤波

状态估计法，核心思想就是：我建一个模型，预测系统下一时刻的状态，然后用实际测量值去修正这个预测。如果预测和测量对不上，那就有问题了。

卡尔曼滤波是这里面最常用的工具。我在项目中遇到过好几次，传感器噪声大得离谱，但卡尔曼滤波一上，状态估计稳得像老狗。为什么？因为它会算一个“卡尔曼增益”，自动权衡模型预测和测量值谁更可信。

核心逻辑：

预测步：根据模型和上一时刻状态，预测当前状态和误差协方差
更新步：用实际测量值修正预测，计算卡尔曼增益
残差分析：如果残差（测量值 - 预测值）显著偏离零均值，说明可能有故障

嗯，这里要注意：卡尔曼滤波假设噪声是高斯白噪声。你想想看，如果实际噪声不是这样，那估计就会偏。我曾经吃过这个亏，在某个航天器姿态控制系统中，振动噪声有低频分量，卡尔曼滤波直接发散。后来加了自适应噪声协方差调整才稳住。

// 简化的卡尔曼滤波残差检测伪代码
// 预测
x_pred = A * x_est + B * u
P_pred = A * P_est * A' + Q

// 更新
K = P_pred * H' * (H * P_pred * H' + R)^-1
x_est = x_pred + K * (z - H * x_pred)
P_est = (I - K * H) * P_pred

// 残差检测
residual = z - H * x_pred
if (residual^2 > threshold) {
    // 报警：可能发生故障
}

二、参数估计法

参数估计法换个思路：我不直接看状态，我看系统参数。比如一个执行机构的增益、时间常数，或者一个传感器的偏置。这些参数如果变了，说明硬件可能出问题了。

常用的方法有最小二乘、递推最小二乘、极大似然估计等。我个人习惯用递推最小二乘，因为它可以在线实时更新参数，适合GNC系统这种需要实时监控的场景。

方法	优点	缺点	适用场景
最小二乘	简单、计算量小	不能在线更新	离线分析
递推最小二乘	在线实时、内存占用小	对初值敏感	在线故障诊断
极大似然估计	统计最优	计算复杂	高精度需求

避坑指南：我曾经在某个项目中用递推最小二乘估计执行机构增益，结果发现参数估计值一直在漂。查了半天，原来是输入信号激励不够充分。说白了，参数估计需要系统被充分“激励”，否则你估计出来的参数根本不可信。

三、等价空间法

等价空间法，名字听着玄乎，其实思路很直接：系统的输入和输出之间应该满足某种数学关系。如果这个关系被破坏了，那就是故障。

具体做法是：构造一个“等价空间”，把系统模型投影到这个空间里。在无故障时，投影结果应该接近零。有故障时，投影结果会显著偏离零。

我举个例子：假设你有一个线性系统 y = G*u。正常情况下，y和u满足这个关系。如果执行器卡死，那实际输出y和模型预测的G*u就不一样了。等价空间法就是通过数学变换，把这个差异放大，让故障更容易被检测到。

实用技巧：

等价空间法和状态估计法可以互补。状态估计法对传感器故障敏感，等价空间法对执行器故障敏感。我在做GNC系统设计时，经常把两者结合起来用，效果比单一方法好很多。

注意事项：

等价空间法对模型精度要求很高。模型误差稍微大一点，就可能误报。我曾经在一个项目中，模型参数有5%的误差，结果等价空间法天天报警，搞得大家都不敢信了。后来加了自适应阈值才解决。

三种方法的对比与选择

这三种方法没有绝对的好坏，关键看你的系统特点和应用场景。

状态估计法：适合系统状态可观测、噪声特性已知的场景。比如卫星姿态确定、飞行器导航。
参数估计法：适合参数缓慢变化的故障，比如执行机构老化、传感器漂移。
等价空间法：适合突变故障，比如执行器卡死、传感器完全失效。

我个人建议：在实际工程中，不要只依赖一种方法。把三种方法组合起来，做一个多通道的故障诊断系统，鲁棒性会好很多。

好了，以上就是基于解析模型的三种核心方法。说实话，这些方法在航天、航空、工业控制领域已经用了三四十年，非常成熟。但要注意，模型精度永远是绕不开的坎。模型越准，诊断越可靠。模型有偏差，再好的方法也白搭。