深海潜航器导航系统故障检测方法综述

韩若曦, 李海兵, 郭子伟

（1. 崂山国家实验室, 青岛 266237; 2. 北京航天控制仪器研究所, 北京 100039）

0 引言

随着我国对海洋开发力度的增加, 潜航器的应用领域逐渐扩大, 工作环境也更加复杂。 二十大报告指出, 推动人工智能、 新能源、 高端装备等新一代信息技术的发展, 有助于加速海洋安全保障体系建设。 深入海洋领域探测装备技术研究,对于提升我国海防实力、 促进新型能源勘测水平智能技术的发展具有重要作用。 深海环境受到洋流、 温度、 海洋生物干扰等多方面影响, 且潜航器的任务难度大、 潜航时间长、 航速高, 因此故障率有所上升。 组合导航系统由惯性、 声学、 卫星、 地球物理等多种导航方式组成, 可以提供高精度的位置、 速度和方向信息。 然而, 由于导航传感器本身的不确定性和环境干扰等因素可能导致故障发生, 水下环境人工可干预场景极少, 因此需要建立检测方案及时发现故障, 为后续及时切断故障数据污染、 进行导航补偿和系统重构做准备。

当前, 常用的故障检测方案首先基于系统量测信息产生残差, 再对残差进行分析来判断故障信息。 残差产生可由硬件冗余和分析冗余两种方法实现: 硬件冗余在系统中增加额外硬件元件,提升可靠性的同时, 可通过投票、 比较的方式确定输出结果; 分析冗余从系统模型中得到一组包含观测变量的等式, 通过系统内部关系推导输出,与估计系统输出量测值比较来获得故障信息。 在水下环境中, 硬件冗余会增加功耗、 体积、 成本,不利于长航时作业, 且硬件切换执行繁琐, 因此不利于实现; 分析冗余在建立模型时相对复杂,但不需增加硬件, 并能通过对输出的估计进行适当转换得到残差, 可以充分利用系统信息并提高可观测性, 因此应用更加广泛。 两种方法的原理如图1 所示。

图1 硬件冗余和分析冗余检测方法原理Fig.1 Principles of hardware redundancy and analytical redundancy detection methods

深海潜航器的导航系统传感器种类多样、 结构复杂, 且潜航器航行时间长, 因此导航系统面临数据量增加的问题。 此外, 随着物联网和互联网技术的发展, 数据传输效率大幅提升, 这为故障检测提供了充分的信息, 同时也给故障检测技术带来了数据处理方面的挑战。 常用的故障检测方法主要基于模型、 信号建立, 在不同的水下场景下具有相应优势和广泛应用。 随着人工智能技术的发展, 基于智能算法建立检测方案在应对系统模型复杂以及处理多源、 高维数据等问题时优势凸显, 因此在水下导航系统故障检测领域中不断发展应用。 基于文献分析总结, 本文对深海潜航器的应用场景和系统特点进行分析, 对不同检测方法的实际应用展开介绍。

1 深海潜航器干扰分析

1.1 深海环境与潜航任务特点

海洋环境中, 随着深度的变化, 潜航器使用的组合导航传感器不同。 高精度的位置与时间信息是维持稳定运行的关键保障, 深海环境中的干扰因素和潜航器在其中的运动方式与导航系统潜在风险相关联。 在深海中面临的干扰复杂多变,在影响定位精度的同时也会对设备机动模式产生影响, 间接导致能耗增加和器件损耗加快, 增加了设备维护和修复成本。 海洋环境影响因素总结如表1 所示。

表1 海洋环境影响因素Table 1 Impact factors of marine environment

水下导航方式以惯性导航系统（Inertial Navigation System, INS）、 全球卫星导航系统（Global Navigation Satellite System, GNSS）、 多普勒计程仪（Doppler Velocity Log, DVL）、 长基线定位系统（Long Baseline, LBL）、 超短基线定位系统（Ultrashort Baseline, USBL）、 航位推算（Dead Reckoning,DR）、 地球物理匹配（地磁、 地形、 重力匹配）等方式为主, 不同方式存在各自的局限性: DR/INS 误差随时间累积; 水声定位方式维修成本高, 对布放、 回收技术要求高, 应用受限; DVL 在水下受洋流影响可能对地失锁, 精度降低, 且与声学传感器都易受海洋环境影响; 地球物理导航精度依赖于数据库信息, 现有数据库难以满足技术需求。因此, 在不同深度需要针对环境特点进行合理组合导航配置以降低风险。

深海环境作业过程包括“下潜”、 “上浮”、“回收” 三个阶段。 水面准备与航行阶段依靠INS/GNSS 组合方式进行定位; 在深海中层水域, GNSS信号失效, 需借助水声设备提供定位信息, 采用INS/DVL/USBL 方式; 考虑到DVL 易受洋流影响,也可采用INS/USBL、 INS/LBL 配合磁罗盘、 深度计的组合方式。 中层水域导航信息源受限使得导航系统面临较大风险。 DVL 在海底能够实现有效底跟踪, 导航方式以INS/DVL/LBL 为主。 综上可知, 中层水域是深海潜航器故障检测关注的重点区域, 此范围以INS/声学组合导航方式为主导。深海潜航器任务过程及水域环境中面临的风险如图2 所示。

图2 深海潜航器任务过程及风险因素Fig.2 Mission process and risk factors for deep-sea submersible

深海潜航器水下导航过程中需要密切关注环境影响和传感器的异常情况, 因此在设计水下导航系统故障检测方法时需考虑干扰源特点以及多源、 高维量测数据处理问题。

1.2 导航系统与传感器干扰因素

为满足深远海、 长航时和超高航速下的精确定位需求, 水下组合导航系统愈加复杂、 传感器数量和功能不断扩展、 装配规模不断提升, 这也导致了故障概率增加和故障事件复杂。 分析组合导航系统内部结构和传感器组成有利于根据故障表征定位故障事件, 从而提升检测效率, 为后续组合方式切换、 系统重构等任务做准备。 立足深海环境和任务场景, 总结水下组合导航系统常用传感器设置, 细化分析故障产生原因、 故障特性、有效表征量。 基于导航系统传感器、 子系统类型进行分类总结故障分析类型如图3 所示。

图3 潜航器组合导航系统及传感器故障分析Fig.3 Fault analysis of submarine integrated navigation system and sensors

实际应用中, 潜航器面对重力、 体积、 功耗、 成本诸多因素的制约, 装载的传感器种类较多、 精度不一。 如低成本导航器件往往系统噪声特性易受载体机动模式改变的影响, 后续进行分析时若仍采用线性化模型则会造成较大误差。 而高精度器件结构精密, 面对复杂水下环境对设备损耗和老化的影响, 可能出现传感器漂移、 噪声和误差等问题, 从而影响量测精度和鲁棒性, 实际应用时需要进行适当补偿。 此外, 高精度传感器数据量较大, 如何应对数据处理和存储复杂性是后续导航算法和故障检测方案需要考虑的问题。

综上可知, 深海潜航器的导航过程面临的干扰来自环境与系统内部。 具体来说, 故障可能产生于水声干扰、 数据传输、 基阵布放与回收等多个环节。 而在故障检测时还需面临数据量大、 干扰未知、 故障样本有限、 不同水层传感器组合切换等问题, 对检测方案的设计提出了更高要求。

2 水下导航系统故障检测方法

2.1 传统故障检测方法分析

惯性导航作为主导导航方式, 在潜航器上量测传感器一般设置冗余配备, 因此定位数据的异常概率极小。 在数据融合时常将惯性导航设为无故障主导航方式, 与多种辅助传感器构成子系统。传统故障检测方法基于信号、 模型、 统计进行故障检测, 常用方法原理及特点如表2 所示［1-6］。

表2 基于信号、 模型、 统计的故障检测方法总结Table 2 Summary of fault detection methods based on signal, model and statistics

传统方法基于导航系统的模型和传感器量测数据进行故障检测, 由前述对深海环境的分析,在水下环境中需要应对未知干扰, 需要处理水声传感器如DVL、 USBL 等设备的数据失效、 噪声干扰、 时间不同步等多方面问题, 根据实际应用情况进行改进。

对于异步传感器时间差异问题, 文献［7］针对弹性导航框架提出了一种基于因子图的卡尔曼滤波故障检测方法, 该方法利用GNSS 伪距观测值和惯性传感器数据通过因子图实现融合, 不同类型传感器表示为因子节点, 卡尔曼滤波器为特殊因子节点, 用于生成残差序列, 之后基于残差χ2算法检测故障, 在持续干扰条件下将所提方法与χ2检测进行仿真与实测数据对比, 结果显示该方法较传统方法在定位精度上提升了近40%, 误警率和漏警率等都有所改善。

声学信号对环境敏感, 如INS/DVL 组合导航,受洋流和多径效应影响可能存在多种故障。 文献［8］基于滤波构造预测误差序列, 可以充分利用传感器信息, 基于χ2检测进行判断, 此方法对突发故障有效, 但对误差序列的相关性有要求, 推广应用困难并且对慢变故障检测效果欠佳。 对此,文献［9］提出了双状态χ2检测方案, 利用两个状态递推器相互校正, 提高了慢变故障检测效果, 避免了序列相关性要求。 基于滤波的χ2检测法其效果依赖量测数据和通信数据的质量, 而双状态χ2方案靠内部状态递推器即可进行有效检测, 因此实现相对简单。

导航故障由于概率较小, 即使系统采集数据量较大, 但仍存在故障数据样本量不足的限制。文献［10］基于序贯概率比检测（Sequential Probability Ratio Test, SPRT）对INS/GNSS/DVL 系统中每个子系统的残差进行检测, 并依据故障和正常状态下的有限数据分布状态建立假设, 基于概率比判断故障。 实现在故障样本量有限条件下有效检测故障, 根据子系统故障概率和重要程度调整检测阈值, 使得检测过程准确性和灵敏度提升。 基于SPRT 等统计方法进行故障检测可以避免大量数据处理带来的延迟、 降低传感器采样周期不匹配导致的计算量和复杂度, 也可改善基于残差进行故障检测方法的局限性。

受精度要求, 有些惯性传感器或声学传感器需要冗余配置, 随之引起多输入、 多输出和模型非线性问题对系统产生干扰。 对此, 可采用等价空间法进行处理。 该方法基本思想是利用系统输入、 输出测量值检验系统数学模型的等价性, 以检测和分离故障, 应用流程如图4 所示。 故障检测函数的设置根据解耦方式不同可分为广义似然比法、 最优奇偶向量法、 奇异值分解法。

图4 等价空间法流程图Fig.4 Flowchart of equivalent space method

等价空间法需寻找与系统解耦的等价方程,构造等价向量进行故障检测。 对于惯性导航系统的不同冗余配置情况, 用于构造等价矩阵的方式不同, 具体如表3 所示。

表3 等价空间矩阵构造与INS 冗余配置关系Table 3 Relationship between the construction of equivalent space matrix and INS redundancy configuration

该方法处理冗余配置信息时可以有效降低计算量, 并保证检测性能。 文献［11］基于广义似然比法进行改进, 处理惯性传感器安装误差、 刻度系数误差和常值偏差敏感带来的影响, 使得缓变故障的检测效果得到提升。 当已知系统精确模型情况下, 可以通过设置自适应门限［12］或做偏差分离估计［13］来对奇偶残差进行补偿, 以提升检测效果。

传统故障检测方法基于数据分析和信号处理技术来完成, 对传感器实时采集的导航数据进行预处理和分析, 得到系统状态和性能指标。 在此基础上, 通过对数据进行信号处理、 模型拟合和统计分析等, 以检测系统中的故障信息。 这些方法可以相互补充, 如使用模型方法校准传感器数据, 基于信号处理方法和统计分析方法来修正系统模型, 可以充分发挥不同方法的优势。

2.2 基于智能算法的故障检测方法

水下环境使得潜航器机动状态变化, 海况不易预测, 为传感器尤其是声学传感器测量带来阻力。 配置多传感器的系统存在多输入多输出的冗余情况, 需要面对较大数据量, 后续无论是数据预处理、 信息融合还是故障检测过程都面临较大的计算压力, 需要较高的计算资源和存储空间。在整个导航过程中, 还要考虑噪声干扰和非线性系统难以建模的情况。 为保证故障检测质量, 近年来将人工智能方法应用于故障检测领域的技术逐渐成熟, 典型方法有神经网络（Neural Network,NN）、 支持向量机（Support Vector Machine, SVM）、遗传算法（Genetic Algorithm, GA）等［14］。 本文基于文献分析, 整理了不同方法进行对比, 如表4所示［15-18］。

表4 基于智能算法的故障检测方法Table 4 Fault detection methods based on intelligent algorithms

由表4 可知, 将智能算法应用于导航系统故障检测, 在分析大量数据、 自适应调节参数时具有显著优势。 通过机器学习和数据挖掘算法, 能够从历史数据中提取故障状态特征, 从而更加准确地确定和识别故障。 智能算法可以实时监测导航系统的各种参数, 并及时发现异常情况, 避免系统在出现故障后长时间处于不稳定状态。 在实际应用中, 对于不同的系统特点, 智能方法的应用又有特定的方向, 本文基于案例进行总结分析。

（1）基于神经网络的故障检测

在进行数据处理时, 通常会假设惯性导航系统是主导航系统, 且假设INS 无故障。 因此, 一旦惯性器件出现故障, 可能会误将故障归咎于其他传感器, 导致误差不断发散。 此外, 随着水下导航系统中传感器种类的增加和系统规模的扩大,故障情况更加复杂。 针对这些问题, 使用神经网络检测方法可以降低对系统模型的依赖, 并能够充分利用样本数据, 基于自学习和自适应能力来识别故障, 更好地兼容多传感器系统。 总体来说,基于神经网络建立的故障检测包括数据收集、 特征提取和故障判断三步, 如图5 所示。

图5 神经网络故障检测流程图Fig.5 Flowchart of neural network fault detection

面对多类型干扰时, 基于NN 快速建立复杂数据与故障信息的映射, 提升导航系统的模型准确性。 面对复杂干扰情况, 文献［19］将故障类型细化为5 种: 1）GNSS 接收机故障; 2）INS 传感器故障;3）GNSS/INS 偏差故障; 4） GNSS/INS 噪声故障;5）GNSS/INS 突变故障。 以GNSS/INS 偏差故障情况为例, NN 对大量数据进行学习和建模, 当检测到故障时即用GNSS 修正。 借助NN 可以实现自适应和在线的故障检测, 细化故障类型辅助解决惯性传感器的故障诊断问题。

文献［20］基于深度学习建立了深度置信网, 创建了IMU 故障数据集。 为进一步提升检测精度,利用GA 辅助权值调整过程, 加快了整体检测速度, 可剔除传感器自身误差和外部干扰的异常值。通过清洗样本数据, 提高了数据处理的实时性,但目前未进行实际应用, 且算法整体复杂度较高,不利于实现。 文献［4］提出了GA-BP 神经网络用于集成组合导航系统检测, 利用GA 优化BP 神经网络的初始权值和阈值, 提高了网络的收敛速度和精度。 但本案例中, 应用过程的计算矩阵受求逆限制, 因此不便推广应用。

对于数据分布和噪声水平随时间动态变化的情况, 文献［15］利用自组织增量神经网络（Self-organizing Incremental Neural Network, SOINN）进行故障检测。 该方法分为两步: 首先, SOINN 基于数据建立不同过程的标签聚类; 其次, 比较当前数据与已有类群得出故障信息。 相比于传统统计检测方法需要先验模型参数和足够的训练数据, 所提方法建立的检测方案只需基于有限样本量即可确定分类标准。 由于SOINN 本身具备自适应性和增量性, 可以应对数据分布和噪声水平的动态变化, 而传统方法对此可能出现模型不匹配、 产生估计误差。 此外, SOINN 降低了计算复杂度, 适于实时应用。

基于GA 优化的智能故障检测方法可以更高效地处理多传感器序列。 根据文献［16］和文献［21］,INS、 USBL、 DVL 和深度计几种传感器的输出量纲不同, 通过归一化处理消除量纲、 幅值影响, 基于GA-NN 对归一化残差序列进行分类, 从而可以判断故障类型和位置。 GA-NN 根据训练数据自适应调节结构和参数, 以适应不同故障。 此外, GA还可以集成多种智能算法, 如SVM、 随机森林（Random Forest, RF）、 K 最邻近（K-nearest Neighbor, KNN）等, 构成支持集成学习算法［16］, 优势在于可以选择最相关子集特征和分类器参数。 与单独使用GA-NN 或其他智能算法相比, 该方法准确率和鲁棒性更优, 可以在故障检测时更好地应对潜航器面临的水下噪声、 不平衡和多样性故障问题。

（2）基于SVM 的故障检测

故障样本量不充足问题导致神经网络训练的模型精度受限、 权值调整受影响。 SVM 具有小样本下较强分类推广性能, 可以较好解决小样本、非线性和高维数限制, 并克服NN 处理数据时面临的网络结构难以确定、 收敛速度慢、 局部最优、过拟合或欠拟合现象, 将该方法应用于水下导航系统领域为故障诊断提供了新思路［22］。

水下导航常用检测方法有基于最小二乘支持向量机（Least Squares SVM, LS-SVM）、 支持向量回归（Support Vector Regression, SVR）、 单分类支持向量机（One-Class SVM, OCSVM） 和基于聚类的支持向量机（Cluster SVM, C-SVM）［23-26］, 不同方法介绍如表5 所示［27-29］。

表5 基于SVM 的故障检测方法介绍Table 5 Introduction of fault detection methods base on SVM

LS-SVM 通过改变目标函数能够降低运算量,文献［30］利用LS-SVM 建立了GPS/INS 组合导航系统的故障检测模型, 输入为导航状态误差, 输出为故障指标。 利用自主完好性监测外推法（Autonomous Integrity Monitored Extrapolation, AIME） 将故障指标分解为不同频率成分, 根据每个频率成分的幅值和相位判断软故障, 根据检测结果可以利用AIME 对软故障进行补偿。 此外, 此方法可以确定故障类型和程度, 便于后续补偿方案的构建。

SVR 对于存在切换的导航系统具有较好的检测效果。 潜航器在中层水域活动时, INS/DVL/USBL 组合模式受洋流和多径干扰, 不能维持稳定输出。 对此, 文献［27］ 基于SVR 模型建立了INS、DVL、 USBL 的拟合模型, 并对下一时刻输出进行预测, 当后续判断传感器出现故障时可及时切换,如INS 故障可切换到DVL 导航模式, DVL 故障可切换到INS/USBL 组合模式, 适用于海况复杂的情况和极端海域。

OCSVM 只需要正常数据即可建立检测边界,对于缺少故障样本的情况意义较大。 文献［28］使用导航系统输出的位置、 速度和姿态信息训练OCSVM 模型, 仿真实验中对GNSS/INS 导航系统和惯性测量单元在不同的故障条件下进行检测, 结果显示可达到预期效果。 OCSVM 将非线性映射为二分类问题, 对于突变故障、 缓变故障具有较好的实时性。 但该方法对异常值敏感, 因此文献［28］中提到可以对训练数据进行预处理, 以提高检测精度。

文献［29］ 基于聚类构建分类器, 利用C-SVM对INS 和GNSS 的数据进行聚类分析, 并根据聚类结果判断是否存在故障, 若有故障则采取后续措施, 若无故障则继续更新滤波。 滤波过程中进行故障检测, 优势在于减少了故障检测时间, 噪声和干扰可以被去除, 从而减少了误报率, 并且可以降低数据存储的成本, 提升综合效率。

基于SVM 的方法对于多种故障混合情况可以实现较好的检测效果。 文献［23］对突变故障、 缓变故障、 参数敏感进行试验, 可不依赖系统模型实现小样本下良好训练效果。 文献［31］对导航数据时序信息做空间重构, 利用OCSVM 进行故障预报和检测, 该方法能够快速确定故障, 对突变故障、缓变故障敏感性较高。

3 结论与展望

3.1 结论

本文对深海潜航器使用场景进行分析, 指出了不同水层导航方案、 干扰因素、 故障风险, 对传统故障检测和基于智能算法的故障检测进行了总结。 介绍了传统故障检测方法, 如奇偶方程法、卡尔曼滤波法和自适应观测器法等常用于水下组合导航系统中的方法, 适用于具有已知模型和参数的线性系统, 但在处理具有不确定性和存在扰动的非线性系统时仍有局限性。

在数据量大、 环境因素复杂、 潜航器任务难度大的综合背景下, 基于智能算法建立的故障检测方案较传统方法更能及时应对多种突变、 提高大样本量下的检测效率, 对组合导航子系统进行更全面的检测并在故障样本有限的情况下保证效果, 因此基于智能算法建立的故障检测方案是研究的重点方向之一。 然而, 基于智能算法的故障检测方案在深海环境的实际应用中仍存在以下难点:

1）数据量和质量问题。 深海导航中需要处理的数据往往是高维、 非线性、 非高斯、 非平稳的,而且可能存在噪声、 干扰、 缺失等问题, 这对人工智能算法的训练和测试提出了很高的要求。 同时, 深海环境下获取数据也是一项困难的任务,需要考虑成本、 效率和安全等因素。

2）模型复杂度和可解释性问题。 人工智能算法往往需要构建复杂的模型来拟合数据和提取特征,这可能导致过拟合、 欠泛化或计算效率低下等问题。 同时, 人工智能模型的内部机制和逻辑往往是不透明或难以理解的, 这可能影响到模型的可信度和可靠性。

3）环境变化和不确定性问题。 深海环境是一个动态变化且具有不确定性的环境, 这对人工智能算法的适应性和鲁棒性提出了挑战。 例如, 水声信道的传播特性会随着时间、 空间、 温度、 盐度等因素而变化, 这可能导致传感器之间的通信质量下降或失效; 水下目标或障碍物也会随机出现或移动, 这可能导致导航系统发生碰撞或偏离预定轨迹等。

3.2 展望

立足潜航器的使用需求, 深海环境下进行组合导航系统故障检测方案的设计建立在多种传感器和信号源基础上, 可以综合传统方法的特点进行改进, 进一步发挥智能算法的优势, 提高故障检测性能。 基于当前国内外研究热点, 本文总结了导航系统故障检测方法的发展方向, 具体如下:

1）基于非线性动力学模型改进传统检测方法。针对传统检测方法对模型参数敏感、 处理非线性系统效果欠佳的问题, 基于非线性动力学模型描述导航系统状态和故障机理, 在此基础上进行残差检测。 具体来说: ①建模过程可基于物理建模或数据驱动（如神经网络、 模糊逻辑）方法完成, 提升非线性模型和残差数据精度; ②结构分析、 特征提取（或降维）方法依据残差特性来选择, 如主成分分析、 独立成分分析或小波变换; ③残差检测方法根据残差特性来选择, 包括统计方法、 时序分析方法, 如累积和检验、 广义似然比检验;④门限设置方法可基于模型, 即根据观测器预测状态设置残差范围, 也可基于量测数据统计分布特征来设置。 已有的改进检测应用案例有: “物理建模-统计分析”［32］、 “数据建模-时序分析”［15］和“物理建模/观测器-卡方检测”［33］方案, 对特定场景都有较好的检测效果。 此外, 改进过程需要兼顾计算成本、 实时性、 算法复杂度、 数据量和样本质量多种因素。

2）神经网络故障检测方法的改进方向。 基于神经网络建立的检测方案面临以下问题: 对训练数据质量和计算资源要求高、 网络结构和参数对噪声敏感、 模型解释性低、 算法复杂度高。 此外,海洋环境受洋流影响, 载体机动模型可能大幅变化, 导致神经网络不稳定。 对此建立的改进方向如下: ①使用采样数据增强方法调整样本质量;②增加数据预处理过程提高效率, 如数据清洗、正则化、 特征选择、 降维等操作; ③灵活确定核函数, 如基于自适应方法动态切换线性核函数、高斯核函数等参数; ④加入网络建立混和模型,降低最优解和过拟合事件的发生概率。 对上述改进方案, 还需要考虑应用可行性问题, 如网络结构和参数调整过程中的计算成本、 面对大数据如何处理数据接口和数据传输问题、 如何解决不同设备之间的兼容性等。

3）SVM 故障检测方法的改进方向。 结合前述内容与SVM 方法原理, 分析现有研究结论可得:①LS-SVM 方法处理非线性问题时效率低, 可以建立双SVM 方案降低单SVM 规划问题的维度, 将寻优过程转化为求解线性方程。 ②对于SVR 检测方法需在训练时间、 计算复杂度两方面改进, 一种方法是加入随机梯度下降步骤, 优化目标函数;也可考虑使用分布式并行计算框架（如Spark）来加速SVR 的训练过程。 ③对于OCSVM 对异常值敏感问题, 可以引入自适应滤波调整量测噪声阵, 以抑制缓变故障; 或者基于支持向量数据分类（Support Vector Data Description, SVDD） 构造最小超球体处理非线性和高维数据问题。 ④对于C-SVM 检测方法对核函数敏感问题, 可以基于核函数聚类分析选择参数, 以实现降维。 改进方法在实施方面仍存在挑战, 需要对特征工程、 滤波理论和聚类算法具有较深了解, 以便针对实际导航系统和深海环境需要做出调整。

在检测方法的应用中, 还可以考虑其他智能算法的加入, 如决策树模型和随机森林模型适用于大型数据场景, K 最邻近（K-nearest Neighbor,KNN）方法训练时间短、 可解释性强。 但这些方法亦有限制: 决策树和随机森林适用于需要对模型进行解释和理解的场景, 而KNN 适用于需要快速分类的场景。 总体来说, 不同检测方法的应用建立在具体场景和问题基础上。 完善故障检测方案与提升深海组合导航精度的另一个方向是建立可靠的导航技术方案、 提升传感器工艺, 因此还可考虑以下方向: ①建立浮标、 信标与北斗导航系统结合方案, 充分利用多源信息与稳定的导航、定位、 授时服务来提高抗干扰能力和多模式服务能力; ②提升传感器工艺, 提升水下通信稳定性和抗干扰能力; ③发展深海光学辅助导航定位技术, 提升深海目标识别能力, 增强潜航器的环境感知能力。