CN115913993B - Gnss接收机观测数据故障建模与仿真方法及其装置 - Google Patents

Abstract

本发明涉及卫星通信技术领域，公开了一种GNSS接收机观测数据故障建模与仿真方法及其装置。该GNSS接收机观测数据故障建模与仿真方法包括：从GNSS接收机观测数据中提取与GNSS接收机有关的误差，所述与GNSS接收机有关的误差包括伪距多路径误差、载波多路径误差、载波周跳误差和多普勒频移误差中的至少一者；对所述与GNSS接收机有关的误差进行故障特征分析与建模，并生成故障模型；根据所述故障模型向待注入的GNSS接收机观测数据中注入与GNSS接收机有关的仿真故障，得到GNSS接收机故障仿真数据。对与GNSS接收机有关的误差进行故障建模与仿真，能够为GNSS定位算法升级迭代以及完好性验证生成任意数量的观测数据。

Description

GNSS接收机观测数据故障建模与仿真方法及其装置

技术领域

本发明涉及卫星通信技术领域，特别涉及一种GNSS接收机观测数据故障建模与仿真技术。

背景技术

全球导航卫星***(GNSS)，是一种能在地球表面或近地空间的任何地点为用户提供全天候的三维坐标、速度以及时间信息的空基无线电导航定位***。GNSS接收机对每颗卫星产生伪距和载波相位两个基本距离观测值，以及载波相位附带的多普勒频移和积分多普勒观测值。按照来源不同，可将GNSS接收机观测数据包含的误差分为三个方面：与卫星有关的误差、与信号传播的误差以及与接收机有关的误差。其中与接收机有关的误差包含伪距和载波的多路径效应、载波周跳以及多普勒频移误差。这些误差的特征与接收机软硬件以及所处环境有关，目前缺乏***性的研究。

对于搭载GNSS接收机的自动驾驶汽车，由于大部分时间行驶在城市峡谷中，与接收机有关的误差比如多路径效应十分严重，因此研究这些误差对于GNSS定位结果的影响十分重要。目前定位算法的升级迭代以及完好性验证需要大量的路测数据，以验证完好性(风险指标1E-6/h 95％)为例，需要400万小时的路测数据，使用一台车进行路测数据的采集大约需要457年。利用传统方法收集路测数据所需数据量巨大且不切实际，因此对接收机故障的建模仿真是非常必要的。

目前，国内外几乎没有对该方面的研究。现有方法中只有对卫星相关故障的建模与仿真，无法应用到接收机端的故障仿真。

因此，目前亟需一种GNSS接收机端的故障仿真方法。

发明内容

本发明的目的在于提供一种GNSS接收机观测数据故障建模与仿真方法及其装置，对与GNSS接收机有关的误差进行故障建模与仿真，能够为GNSS定位算法升级迭代以及完好性验证生成任意数量的观测数据。

为解决上述技术问题，本发明的实施方式公开了一种GNSS接收机观测数据故障建模与仿真方法，包括以下步骤：

从GNSS接收机观测数据中提取与GNSS接收机有关的误差，所述与GNSS接收机有关的误差包括伪距多路径误差、载波多路径误差、载波周跳误差和多普勒频移误差中的至少一者；

对所述与GNSS接收机有关的误差进行故障特征分析与建模，并生成故障模型；

根据所述故障模型向待注入的GNSS接收机观测数据中注入与GNSS接收机有关的仿真故障，得到GNSS接收机故障仿真数据。

在另一优选例中，在所述对所述与GNSS接收机有关的误差进行故障特征分析与建模，并生成故障模型的步骤中，进一步包括：

统计所述误差的故障门限，当所述误差的绝对值超过所述故障门限时，确定所述GNSS接收机发生故障；

识别所述故障的故障模式；

统计获得任意周期内所述故障的发生概率；

统计每个周期内所述故障的发生次数，以获得所述故障发生次数的概率密度函数；

计算每次故障涉及的随机变量的概率密度函数，所述随机变量包括各频点故障峰值、故障持续时间和故障卫星占比；

根据所述故障模式、所述故障的发生概率、所述故障发生次数的概率密度函数和所述每次故障涉及的随机变量的概率密度函数进行建模，生成所述故障模型。

在另一优选例中，在所述计算每次故障涉及的随机变量的概率密度函数的步骤之后，还包括以下步骤：

使用Copula方法获得所述随机变量的相关性；

所述根据所述故障模式、所述故障的发生概率、所述故障发生次数的概率密度函数和所述每次故障涉及的随机变量的概率密度函数进行建模，生成所述故障模型的步骤，进一步包括：

根据所述故障模式、所述故障的发生概率、所述故障发生次数的概率密度函数、所述每次故障涉及的随机变量的概率密度函数和所述随机变量的相关性进行建模，生成所述故障模型。

在另一优选例中，所述随机变量还包括：信噪比下降量。

在另一优选例中，在所述使用Copula方法获得所述随机变量的相关性的步骤中，进一步包括：

使用t-Copula方法，计算所述随机变量间的相关系数和自由度。

在另一优选例中，所述故障模式包括：三角形故障模式、梯形故障模式或弧形故障模式。

在另一优选例中，在所述统计所述误差的故障门限的步骤中，计算所述故障门限的方法为取所述误差所形成序列的95分位数、99分位数或99.99分位数。

在另一优选例中，在所述根据所述故障模型向待注入的GNSS接收机观测数据中注入与GNSS接收机有关的仿真故障，得到GNSS接收机故障仿真数据的步骤中，进一步包括：

根据所述故障的发生概率，判断每个周期内是否需要注入故障；

根据所述故障发生次数的概率密度函数，获得在判断需要注入故障的周期内，所述故障的发生次数；

根据所述每次故障涉及的随机变量的概率密度函数中的故障卫星占比的概率密度函数，得到每次故障涉及的故障卫星个数；

根据所述每次故障涉及的随机变量的概率密度函数中的各频点故障峰的概率密度函数、故障持续时间的概率密度函数和所述故障模式，得到每颗故障卫星的各频点故障峰值和故障持续时间；

根据所述每颗故障卫星的各频点故障峰值和故障持续时间，生成GNSS接收机观测数据的故障值；

将所述故障值注入到待注入的GNSS接收机观测数据中，得到GNSS接收机故障观测数据。

本发明的实施方式还公开了一种GNSS接收机观测数据故障建模与仿真装置，包括：

预处理模块，用于从GNSS接收机观测数据中提取与GNSS接收机有关的误差，所述与GNSS接收机有关的误差包括伪距多路径误差、载波多路径误差、载波周跳误差和多普勒频移误差中的至少一者；

建模模块，用于对所述与GNSS接收机有关的误差进行故障特征分析与建模，并生成故障模型；

仿真模块，用于根据所述故障模型向待注入的GNSS接收机观测数据中注入与GNSS接收机有关的仿真故障，得到GNSS接收机故障仿真数据。

在另一优选例中，所述建模模块，进一步包括以下子模块：

故障门限子模块，用于统计所述误差的故障门限，当所述误差的绝对值超过所述故障门限时，确定所述GNSS接收机发生故障；

故障模式子模块，用于识别所述故障的故障模式；

发生概率子模块，用于统计获得任意周期内所述故障的发生概率；

第一PDF子模块，用于统计每个周期内所述故障的发生次数，以获得所述故障发生次数的概率密度函数；

第二PDF子模块，用于计算每次故障涉及的随机变量的概率密度函数，所述随机变量包括各频点故障峰值、故障持续时间和故障卫星占比；

故障模型子模块，用于根据所述故障模式、所述故障的发生概率、所述故障发生次数的概率密度函数和所述每次故障涉及的随机变量的概率密度函数进行建模，生成所述故障模型。

本发明实施方式与现有技术相比，主要区别及其效果在于：

对与GNSS接收机有关的误差进行故障建模与仿真，能够为GNSS定位算法升级迭代以及完好性验证生成任意数量的观测数据。

本申请的说明书中记载了大量的技术特征，分布在各个技术方案中，如果要罗列出本申请所有可能的技术特征的组合(即技术方案)的话，会使得说明书过于冗长。为了避免这个问题，本申请上述发明内容中公开的各个技术特征、在下文各个实施方式和例子中公开的各技术特征、以及附图中公开的各个技术特征，都可以自由地互相组合，从而构成各种新的技术方案(这些技术方案均因视为在本说明书中已经记载)，除非这种技术特征的组合在技术上是不可行的。例如，在一个例子中公开了特征A+B+C，在另一个例子中公开了特征A+B+D+E，而特征C和D是起到相同作用的等同技术手段，技术上只要择一使用即可，不可能同时采用，特征E技术上可以与特征C相组合，则，A+B+C+D的方案因技术不可行而应当不被视为已经记载，而A+B+C+E的方案应当视为已经被记载。

附图说明

图1是本发明第一实施方式中一种GNSS接收机观测数据故障建模与仿真方法的流程示意图；

图2是本发明第一实施方式的一个优选例中一种卫星伪距多径误差的时序图，其中三角形代表了故障模式为三角形故障模式；

图3是本发明第二实施方式中一种GNSS接收机观测数据故障建模与仿真装置的结构示意图。

具体实施方式

在以下的叙述中，为了使读者更好地理解本申请而提出了许多技术细节。但是，本领域的普通技术人员可以理解，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请各权利要求所要求保护的技术方案。

部分概念的说明：

GNSS(Global Navigation Satellite System)：全球导航卫星***

SSR(State Space Representation)：状态域

PPP-RTK：是基于状态域(SSR)的一种高精度定位技术

PDF(Probability Density Function)：概率密度函数

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。

本发明第一实施方式涉及一种GNSS接收机观测数据故障建模与仿真方法。图1是该GNSS接收机观测数据故障建模与仿真方法的流程示意图。

具体地说，如图1所示，该GNSS接收机观测数据故障建模与仿真方法，包括以下步骤：

在步骤101中，从GNSS接收机观测数据中提取与GNSS接收机有关的误差，所述与GNSS接收机有关的误差包括伪距多路径误差、载波多路径误差、载波周跳误差和多普勒频移误差中的至少一者。

在本实施方式中，优选地，与GNSS接收机有关的误差可以同时包括伪距多路径误差、载波多路径误差、载波周跳误差和多普勒频移误差这全部四者。

此后进入步骤102，对所述与GNSS接收机有关的误差进行故障特征分析与建模，并生成故障模型。

在本实施方式中，优选地，在步骤102中，可以进一步包括：

统计所述误差的故障门限，当所述误差的绝对值超过所述故障门限时，确定所述GNSS接收机发生故障。

在本实施方式中，优选地，在上述统计所述误差的故障门限的步骤中，计算所述故障门限的方法为取所述误差所形成序列的95分位数、99分位数或99.99分位数。

识别所述故障的故障模式。

在本实施方式中，优选地，所述故障模式包括：三角形故障模式、梯形故障模式或弧形故障模式等。以三角形故障模式为例，其中三角形的底为故障持续时间，三角形的高是故障峰值。

统计获得任意周期内所述故障的发生概率。

在本实施方式中，优选地，所述周期可以为1小时、2小时、8小时和24小时等。

进一步地，优选地，故障发生概率的计算方式可以为发生故障的周期数除以总的周期数。

统计每个周期内所述故障的发生次数，以获得所述故障发生次数的概率密度函数。

在本实施方式中，优选地，根据每个周期内故障发生次数的直方图，计算故障发生次数的概率密度函数(PDF)。

计算每次故障涉及的随机变量的概率密度函数，所述随机变量包括各频点故障峰值、故障持续时间和故障卫星占比。

在本实施方式中，优选地，所述随机变量还包括：信噪比下降量。

根据所述故障模式、所述故障的发生概率、所述故障发生次数的概率密度函数和所述每次故障涉及的随机变量的概率密度函数进行建模，生成所述故障模型。

进一步地，优选地，在上述计算每次故障涉及的随机变量的概率密度函数的步骤之后，还可以包括以下步骤：

使用Copula方法获得所述随机变量的相关性。

则相应地，上述根据所述故障模式、所述故障的发生概率、所述故障发生次数的概率密度函数和所述每次故障涉及的随机变量的概率密度函数进行建模，生成所述故障模型的步骤，进一步包括：

根据所述故障模式、所述故障的发生概率、所述故障发生次数的概率密度函数、所述每次故障涉及的随机变量的概率密度函数和所述随机变量的相关性进行建模，生成所述故障模型。

更进一步地，优选地，在上述使用Copula方法获得所述随机变量的相关性的步骤中，可以进一步包括：

使用t-Copula方法，计算所述随机变量间的相关系数和自由度。

需要说明的是，使用t-Copula方法只是本发明的一种优选实施方式，并不以此为限。

例如，在其他优选例中，也可以使用Gaussian-Copula方法或者Frank-Copula方法获得所述随机变量的相关性。

此后进入步骤103，根据所述故障模型向待注入的GNSS接收机观测数据中注入与GNSS接收机有关的仿真故障，得到GNSS接收机故障仿真数据。

在本实施方式中，优选地，在步骤103中，可以进一步包括：

根据所述故障的发生概率，判断每个周期内是否需要注入故障；

根据所述故障发生次数的概率密度函数，获得在判断需要注入故障的周期内，所述故障的发生次数；

根据所述每次故障涉及的随机变量的概率密度函数中的故障卫星占比的概率密度函数，得到每次故障涉及的故障卫星个数；

根据所述每次故障涉及的随机变量的概率密度函数中的各频点故障峰的概率密度函数、故障持续时间的概率密度函数和所述故障模式，得到每颗故障卫星的各频点故障峰值和故障持续时间；

根据所述每颗故障卫星的各频点故障峰值和故障持续时间，生成GNSS接收机观测数据的故障值；

将所述故障值注入到待注入的GNSS接收机观测数据中，得到GNSS接收机故障观测数据。

此后结束本流程。

综上所述，本申请实施方式对与GNSS接收机有关的误差进行故障建模与仿真，能够为GNSS定位算法升级迭代以及完好性验证生成任意数量的观测数据。

为了能够更好地理解本说明书的技术方案，下面结合一个优选实施例来进行说明，该优选实施例中罗列的细节主要是为了便于理解，不作为对本申请保护范围的限制。

本优选实施例的技术方案，包括了以下步骤：

1.数据预处理。基于真实路测的GNSS接收机观测数据(真实数据)与SSR改正数，提取伪距和载波的多路径效应、载波周跳以及多普勒频移误差。

具体步骤如下：

1.1提取伪距多路径误差：根据原始伪距观测方程，将观测量减去计算量之后，得到伪距多路径误差。其中观测量为原始伪距观测量，计算量包括卫地距、卫星与接收机钟差、对流层延迟与电离层延迟。计算量由接收机的参考位置以及改正数计算得到。

1.2提取载波多路径误差：基于原始观测数据以及改正数，使用PPP-RTK算法，固定非差模糊度后，将接收机的参考坐标代入观测方程，并利用无电离层组合方法，得到无电离层组合残差，认为残差项中只包含载波多路径和载波噪声。

1.3提取载波周跳误差：基于原始观测数据以及改正数，使用星间单差模糊度结合历元间做差的方法提取载波周跳。

1.4提取多普勒频移误差：基于多普勒测速原理，当已知接收机速度真值时，可以计算一个理论多普勒频移。将理论多普勒和观测多普勒相减即可得到多普勒频移误差。

2.故障特征分析与建模。对上述步骤1中得到的各项误差分别使用以下步骤进行故障特征分析与建模：

2.1统计误差的故障门限，当误差的绝对值超过该门限时认为发生故障。一种计算故障门限的方法为取误差序列的95分位数。

2.2故障模式识别。一种简化后的故障模式为三角形故障，其中三角形的底为故障持续时间，三角形的高是故障峰值。

图2示出了一种卫星伪距多径误差的时序图，其中三角形代表了故障模式为三角形故障模式。

2.3统计每个操作周期内故障的发生概率及发生次数。故障发生概率的计算方式为发生故障的周期数除以总的周期数。根据每个操作周期内故障发生次数的直方图，计算对应概率密度函数(PDF)。

2.4统计并计算单次故障涉及的随机变量的PDF。其中单次故障涉及的随机变量包括各频点故障峰值、故障持续时间、故障卫星占比与信噪比下降量。

2.5使用Copula方法对上述步骤2.4中各随机变量的相关性进行建模。以t-copula为例，计算几组随机变量间的相关系数rho和自由度nu。由于该方法属于普遍方法，故在此不加赘述。

3.故障生成与注入。根据上述步骤2中各误差的故障模型，向接收机原始观测数据(未含有故障的数据)中注入仿真故障。具体步骤如下：

3.1根据上述步骤2.3中得到的每个操作周期内的故障发生概率，确定每个操作周期内是否发生故障。

3.2若确定某周期内发生故障，根据上述步骤2.3中得到的每个操作周期内故障发生次数的PDF，仿真得到该操作周期内发生故障的次数。

3.3根据上述步骤2.4中得到的故障卫星占比的PDF，仿真得到每次故障时故障卫星个数。

3.4根据上述步骤2.4中得到的单次故障涉及的随机变量各自的PDF，以及上述步骤2.5中的rho和nu，利用Copula方法仿真得到每颗故障卫星的各频点故障峰值、故障持续时间和信噪比下降量，并由此生成接收机观测数据的故障值。

3.5将生成的故障值注入到接收机原始观测数据中得到接收机故障观测数据。

本发明能够对与GNSS接收机有关的误差(包括伪距和载波的多路径效应、载波周跳以及多普勒频移误差)进行故障建模与仿真，为GNSS定位算法升级迭代以及完好性验证生成任意数量的观测数据。

本发明的各方法实施方式均可以以软件、硬件、固件等方式实现。不管本发明是以软件、硬件、还是固件方式实现，指令代码都可以存储在任何类型的计算机可访问的存储器中(例如永久的或者可修改的，易失性的或者非易失性的，固态的或者非固态的，固定的或者可更换的介质等等)。同样，存储器可以例如是可编程阵列逻辑(Programmable ArrayLogic，简称“PAL”)、随机存取存储器(Random Access Memory，简称“RAM”)、可编程只读存储器(Programmable Read Only Memory，简称“PROM”)、只读存储器(Read-Only Memory，简称“ROM”)、电可擦除可编程只读存储器(Electrically Erasable Programmable ROM，简称“EEPROM”)、磁盘、光盘、数字通用光盘(Digital Versatile Disc，简称“DVD”)等等。

本发明第二实施方式涉及一种GNSS接收机观测数据故障建模与仿真装置。图3是该GNSS接收机观测数据故障建模与仿真装置的结构示意图。

具体地说，如图3所示，该GNSS接收机观测数据故障建模与仿真装置，包括：

预处理模块，用于从GNSS接收机观测数据中提取与GNSS接收机有关的误差，所述与GNSS接收机有关的误差包括伪距多路径误差、载波多路径误差、载波周跳误差和多普勒频移误差中的至少一者；

建模模块，用于对所述与GNSS接收机有关的误差进行故障特征分析与建模，并生成故障模型；

仿真模块，用于根据所述故障模型向待注入的GNSS接收机观测数据中注入与GNSS接收机有关的仿真故障，得到GNSS接收机故障仿真数据。

在本实施方式中，优选地，所述建模模块，进一步包括以下子模块：

故障门限子模块，用于统计所述误差的故障门限，当所述误差的绝对值超过所述故障门限时，确定所述GNSS接收机发生故障；

故障模式子模块，用于识别所述故障的故障模式；

发生概率子模块，用于统计获得任意周期内所述故障的发生概率；

第一PDF子模块，用于统计每个周期内所述故障的发生次数，以获得所述故障发生次数的概率密度函数；

第二PDF子模块，用于计算每次故障涉及的随机变量的概率密度函数，所述随机变量包括各频点故障峰值、故障持续时间和故障卫星占比；

故障模型子模块，用于根据所述故障模式、所述故障的发生概率、所述故障发生次数的概率密度函数和所述每次故障涉及的随机变量的概率密度函数进行建模，生成所述故障模型。

本实施方式是与第一实施方式相对应的装置实施方式，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。

需要说明的是，本发明各装置实施方式中提到的各模块都是逻辑模块，在物理上，一个逻辑模块可以是一个物理模块，也可以是一个物理模块的一部分，还可以以多个物理模块的组合实现，这些逻辑模块本身的物理实现方式并不是最重要的，这些逻辑模块所实现的功能的组合才是解决本发明所提出的技术问题的关键。此外，为了突出本发明的创新部分，本发明上述各设备实施方式并没有将与解决本发明所提出的技术问题关系不太密切的模块引入，这并不表明上述设备实施方式并不存在其它的模块。

需要说明的是，本领域技术人员应当理解，上述各装置的实施方式中所示的各模块的实现功能可参照前述对应方法的相关描述而理解。上述各装置的实施方式中所示的各模块的功能可通过运行于处理器上的程序(可执行指令)而实现，也可通过具体的逻辑电路而实现。本说明书实施例的上述各装置如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本说明书实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本说明书各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本说明书实施例不限制于任何特定的硬件和软件结合。

需要说明的是，在本专利的申请文件中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本专利的申请文件中，如果提到根据某要素执行某行为，则是指至少根据该要素执行该行为的意思，其中包括了两种情况：仅根据该要素执行该行为、和根据该要素和其它要素执行该行为。多个、多次、多种等表达包括2个、2次、2种以及2个以上、2次以上、2种以上。

在本申请提及的所有文献都被认为是整体性地包括在本申请的公开内容中，以便在必要时可以作为修改的依据。此外应理解，在阅读了本申请的上述公开内容之后，本领域技术人员可以对本申请作各种改动或修改，这些等价形式同样落于本申请所要求保护的范围。

Claims (8)

1.一种GNSS接收机观测数据故障建模与仿真方法，其特征在于，包括以下步骤：

从GNSS接收机观测数据中提取与GNSS接收机有关的误差，所述与GNSS接收机有关的误差包括伪距多路径误差、载波多路径误差、载波周跳误差和多普勒频移误差中的至少一者；

对所述与GNSS接收机有关的误差进行故障特征分析与建模，并生成故障模型；

根据所述故障模型向待注入的GNSS接收机观测数据中注入与GNSS接收机有关的仿真故障，得到GNSS接收机故障仿真数据；

在所述对所述与GNSS接收机有关的误差进行故障特征分析与建模，并生成故障模型的步骤中，进一步包括：

统计所述误差的故障门限，当所述误差的绝对值超过所述故障门限时，确定所述GNSS接收机发生故障；

识别所述故障的故障模式；

统计获得任意周期内所述故障的发生概率；

统计每个周期内所述故障的发生次数，以获得所述故障发生次数的概率密度函数；

计算每次故障涉及的随机变量的概率密度函数，所述随机变量包括各频点故障峰值、故障持续时间和故障卫星占比；

根据所述故障模式、所述故障的发生概率、所述故障发生次数的概率密度函数和所述每次故障涉及的随机变量的概率密度函数进行建模，生成所述故障模型。

2.根据权利要求1所述的方法，其特征在于，在所述计算每次故障涉及的随机变量的概率密度函数的步骤之后，还包括以下步骤：

使用Copula方法获得所述随机变量的相关性；

所述根据所述故障模式、所述故障的发生概率、所述故障发生次数的概率密度函数和所述每次故障涉及的随机变量的概率密度函数进行建模，生成所述故障模型的步骤，进一步包括：

根据所述故障模式、所述故障的发生概率、所述故障发生次数的概率密度函数、所述每次故障涉及的随机变量的概率密度函数和所述随机变量的相关性进行建模，生成所述故障模型。

3.根据权利要求1所述的方法，其特征在于，所述随机变量还包括：信噪比下降量。

4.根据权利要求2所述的方法，其特征在于，在所述使用Copula方法获得所述随机变量的相关性的步骤中，进一步包括：

使用t-Copula方法，计算所述随机变量间的相关系数和自由度。

5.根据权利要求1所述的方法，其特征在于，所述故障模式包括：三角形故障模式、梯形故障模式或弧形故障模式。

6.根据权利要求1所述的方法，其特征在于，在所述统计所述误差的故障门限的步骤中，计算所述故障门限的方法为取所述误差所形成序列的95分位数、99分位数或99.99分位数。

7.根据权利要求1-6中任一项所述的方法，其特征在于，在所述根据所述故障模型向待注入的GNSS接收机观测数据中注入与GNSS接收机有关的仿真故障，得到GNSS接收机故障仿真数据的步骤中，进一步包括：

根据所述故障的发生概率，判断每个周期内是否需要注入故障；

根据所述故障发生次数的概率密度函数，获得在判断需要注入故障的周期内，所述故障的发生次数；

根据所述每次故障涉及的随机变量的概率密度函数中的故障卫星占比的概率密度函数，得到每次故障涉及的故障卫星个数；

根据所述每次故障涉及的随机变量的概率密度函数中的各频点故障峰的概率密度函数、故障持续时间的概率密度函数和所述故障模式，得到每颗故障卫星的各频点故障峰值和故障持续时间；

根据所述每颗故障卫星的各频点故障峰值和故障持续时间，生成GNSS接收机观测数据的故障值；

将所述故障值注入到待注入的GNSS接收机观测数据中，得到GNSS接收机故障观测数据。

8.一种GNSS接收机观测数据故障建模与仿真装置，其特征在于，包括：

预处理模块，用于从GNSS接收机观测数据中提取与GNSS接收机有关的误差，所述与GNSS接收机有关的误差包括伪距多路径误差、载波多路径误差、载波周跳误差和多普勒频移误差中的至少一者；

建模模块，用于对所述与GNSS接收机有关的误差进行故障特征分析与建模，并生成故障模型；

仿真模块，用于根据所述故障模型向待注入的GNSS接收机观测数据中注入与GNSS接收机有关的仿真故障，得到GNSS接收机故障仿真数据；

所述建模模块，进一步包括以下子模块：

故障门限子模块，用于统计所述误差的故障门限，当所述误差的绝对值超过所述故障门限时，确定所述GNSS接收机发生故障；

故障模式子模块，用于识别所述故障的故障模式；

发生概率子模块，用于统计获得任意周期内所述故障的发生概率；

第一PDF子模块，用于统计每个周期内所述故障的发生次数，以获得所述故障发生次数的概率密度函数；

第二PDF子模块，用于计算每次故障涉及的随机变量的概率密度函数，所述随机变量包括各频点故障峰值、故障持续时间和故障卫星占比；

故障模型子模块，用于根据所述故障模式、所述故障的发生概率、所述故障发生次数的概率密度函数和所述每次故障涉及的随机变量的概率密度函数进行建模，生成所述故障模型。