一種光纖陀螺隨機振動誤差高精度建模方法

柴嘉薪， 王新龍， 王 盾， 李群生

(1. 北京航空航天大學 宇航學院， 北京 100191； 2. 天地一體化信息技術國家重點實驗室， 北京 100086； 3. 北京航空航天大學 儀器科學與光電工程學院， 北京 100191)

一種光纖陀螺隨機振動誤差高精度建模方法

柴嘉薪1， 王新龍1， 王 盾2， 李群生3

(1. 北京航空航天大學 宇航學院， 北京 100191； 2. 天地一體化信息技術國家重點實驗室， 北京 100086； 3. 北京航空航天大學 儀器科學與光電工程學院， 北京 100191)

工程應用中， 隨機振動對光纖陀螺的測量精度有著重要影響。 本文通過對光纖陀螺振動數據的特性分析， 提出了一種經驗模態分解法、 時間序列建模方法以及Kalman濾波算法相結合的光纖陀螺隨機振動誤差高精度建模方法， 實現了對光纖陀螺振動誤差的高精度擬合， 該方法可應用于工程環境中對光纖陀螺隨機振動誤差的高精度補償。

光纖陀螺； 隨機振動； 誤差； 經驗模態分解； AR模型； Kalman濾波

0 引 言

光纖陀螺在實際工程應用中， 沖擊、 振動引起的光纖環的應力變化、 器件尾纖振動以及結構的共振都將引起陀螺誤差[1]， 表現為陀螺零位發生偏移， 嚴重影響光纖陀螺在實際工作中的精度和穩定性。 目前， 工程中解決光纖陀螺敏感振動環境主要采用以下兩種技術途徑：一是在光纖陀螺的設計和生產階段采取改善封裝結構、 控制膠粘劑涂覆用量、 引入橡膠減振裝置[1]等物理方法， 在一定程度上減小振動引起的誤差， 提高器件固有精度， 但工藝水平提升空間有限， 效果仍無法滿足精度需求較高的捷聯系統； 二是在光纖陀螺精度確定的前提下， 分析振動數據特性， 并由軟件實現對振動誤差的準確建模、 濾波及補償。 第二種方法因其低成本、 應用廣的優勢， 成為提高光纖陀螺精度的重要手段。

常用的數據分析、 建模方法包括小波分析、 神經網絡建模和時間序列建模等。 基于小波分析的趨勢項提取方法[2-4]， 過程繁雜， 且自身存在的限制通常情況下會造成虛假的諧波， 依此進行的一系列分析也將失去原有的物理意義； 神經網絡建模方法得到的近似補償模型包含了所有的非線性影響因素， 但數據隨機性較大時， 建模精度很低， 不適用于處理光纖陀螺隨機振動數據； 時間序列建模方法[5-6]是利用有限樣本數據擬合成具有一定精度的時間序列模型， 具有使用方便、 可操作性好的優點， 因此應用比較廣泛。

針對以上問題， 本文研究了一種對高精度光纖陀螺在隨機振動影響下產生的有色噪聲建立誤差模型進行擬合的方法， 解決了傳統建模預處理方法無法直接提取光纖陀螺振動數據非隨機項的問題， 提高了對光纖陀螺隨機振動誤差的擬合精度， 并利用某型號光纖捷聯慣組(內含三只某型號高精度光纖陀螺儀)的實測數據， 驗證了該建模方法的有效性。

1 FOG隨機振動數據及特性分析

由光纖捷聯慣組的隨機振動試驗采集得到的X,Y,Z向陀螺通道輸出的轉動角增量脈沖數， 依據已知的陀螺通道測量模型及極性規定得到相應軸向的轉動角速度， 其中X軸振動試驗的振動數據時序分布如圖1所示。

圖1X軸振動試驗的振動數據

Fig.1 Vibration data ofXaxis vibration experiment

以X軸振動試驗中陀螺X軸通道為例進行分析， 其輸出序列y(n)振動段(1 320～1 495 s)數據的時域、 頻域分布如圖2所示。 其中， 橫坐標t表示每秒單位時間內包含2 000組采集數據， 即t=n/2 000。

圖2y(n)時域、 頻域分布圖

Fig.2 Distribution of time domain and frequency domain

由圖2可見， 隨機振動數據y(n)的振動噪聲比較明顯， 且頻譜圖上的非隨機項都淹沒在低頻噪聲的頻譜之中， 并不凸顯。 傳統的提取非隨機項方法是通過對數據y(n)時域、 頻域圖的觀察， 直觀判斷明顯的非隨機項， 再通過經驗試湊確定非隨機項的擬合函數。 因此， 傳統的提取非隨機項方法對光纖陀螺的隨機振動數據不再適用， 需要選用其他有效的數據分離方法提取非隨機項， 再進行時間序列建模和數據擬合。

2 一種光纖陀螺振動誤差建模方法

在振動試驗中， 將隨機振動看作一個隨機的角速率輸入， 以處理隨機噪聲的方式處理光纖陀螺儀的振動數據。 由于系統工作條件的變化， 往往會造成從實際系統中獲得的觀測序列的非平穩性[7]。 通常， 可以將試驗得到的數據y(n)分解為

y(n)=u(n)+s(n)+x(n)

(1)

式中：u(n)為趨勢項；s(n)為周期項， 與u(n)統稱為非隨機項；x(n)由隨機因素引起， 一般可假設為平穩時間序列。 由此可見， 獲得試驗數據y(n)后需先進行非隨機項提取。

針對隨機振動數據， 將經驗模態分解法、 時間序列建模方法以及Kalman濾波算法進行有機結合， 設計了一種光纖陀螺隨機振動誤差高精度建模方法， 如圖3所示。

圖3 光纖陀螺高精度誤差建模方法設計圖

Fig.3 Design of high precision error modeling method for fiber optic gyroscope

本建模方法主要分為提取非隨機項、 時間序列建模以及數據擬合三個部分：

(1) 提取非隨機項： 對經過預處理的振動數據進行特性分析， 針對非隨機項難以直接提取的數據特性， 采用由數據驅動的、 自適應性較強的經驗模態分解法提取振動數據y(n)中的非隨機項u(n)+s(n)， 并得到N個固有模態函數(IMF)， 各IMFs分量之和即為平穩序列x(n)。

(2) 時間序列建模： 對滿足平穩性和非白噪聲性的各IMFs分量建立滿足適應性要求的時間序列模型。

3 振動試驗數據處理方法

3.1 經驗模態分解法

(2)

3.2 時間序列建模方法

3.2.1 模型識別

表1ARMA(p,q)模型特點

Table1CharacteristicsofARMA(p,q)model

模型名稱AR(p)MA(q)ARMA(p,q)ACF拖尾q步截尾拖尾PACFp步截尾拖尾拖尾

3.2.2 模型定階與參數估計

模型定階與參數估計即確定模型參數的個數及估計值。 模型識別可初步判定AR或MA模型的階數， 為實現高精度建模， 還需結合最佳準則函數定階法[12]以確定模型的準確階數。 這里選用考評綜合最優配置的AIC準則與BIC準則對模型階數進行判斷。

AIC準則是將模型擬合效果與模型參數數量這兩個目標進行適當的綜合。 BIC準則相比于AIC準則對模型參數考慮得更多。 當樣本個數趨于無窮時， 由BIC準則確定的最佳模型階數往往比AIC準則確定的低， 且更準確。

在確定了模型階數的基礎上， 進行參數的估計值計算。 常用的參數估計方法有矩估計法[13]、 最小二乘估計法和極大似然估計法等。 與最小二乘估計法和極大似然估計法相比， 矩估計法計算量相對較小， 估計精度較低。 其基本思想是ARMA模型的自相關函數(矩函數)可以表示為未知的模型參數的函數， 反過來， 模型參數原則上也可由自相關函數(矩函數)來表示。 這樣， 用計算出的樣本自相關函數代替理論自相關函數， 就可以得到參數的估計值。 因此， 選用矩估計法進行模型的參數估計。

3.2.3 模型適應性檢驗

模型的適應性檢驗實質上就是檢驗{an}序列是否為白噪聲序列。 一個時間序列的適合模型應該完全或基本上解釋了系統的動態性(即數據序列的相關性)， 從而模型中殘差序列{an}應該是白噪聲序列。

殘差序列{an}可由估計出來的ARMA模型計算得到：

(3)

通常采用逆推方法得到殘差序列{an}:

(4)

得到殘差序列{an}后， 再利用自相關系數準則[12]對模型進行適應性檢驗。

3.3 基于AR模型的Kalman濾波擬合方法

Kalman濾波與式(3)所示的建模結果結合使用時， 需將AR模型轉化為離散系統狀態空間模型：

(5)

4 振動誤差建模方案驗證與分析

4.1 提取非隨機項

以X軸振動試驗采集得到的陀螺X軸通道輸出序列y(n)的振動段(1 320～1 495 s)序列為例， 對上述振動誤差建模方案進行正確性驗證。y(n)經過經驗模態分解為18個固有模態函數以及非隨機項r， 部分結果如圖4所示(由于篇幅所限， 這里省略了IMF9～IMF17)。

圖4X軸振動試驗IMF1～IMF8， IMF18和r

Fig.4 IMF1～IMF8, IMF18 androfXaxis vibration test

時間序列建模要求時間序列是滿足平穩性的非白噪聲序列， 因此， 需對EMD結果中各IMFs的平穩性及白噪聲性進行檢驗。

然后， 進行白噪聲性檢驗：利用自相關系數準則檢驗各IMFs的白噪聲性， 結果表明各IMFs序列均非白噪聲。

4.2 時間序列建模

對平穩時間序列IMF1進行模型識別、 模型定階， 如圖5～6所示。 由圖5可知， ACF函數呈拖尾狀, PACF函數呈截尾狀， 依據表1判斷AR(p)模型為IMF1的適用模型。 由圖6可知， AIC和BIC準則判斷出的最佳模型階數均為7。 在此基礎上， 進行模型參數估計和模型適用性檢驗， 以得到最佳擬合模型。 同理， 完成對各IMFs的時間序列建模， 部分結果如表2所示。

4.3 數據擬合

采用基于AR模型的Kalman濾波擬合方法實現對各IMFs序列的擬合，P的初值選為單位陣，X的初始值選為實際采集數據的前p個數據項。 完成各IMFs建模后， 將各AR(p)的擬合結果疊加， 再加上EMD提取所得的非隨機項的補償， 即對X軸振動試驗中陀螺X軸通道輸出序列y(n)振動段的擬合結果， 見圖7。

從圖7中可以看到， 基于AR模型的Kalman濾波擬合方法可以實現對隨機振動環境下陀螺輸出噪聲的高精度擬合， 其擬合曲線相較于單獨使用AR模型擬合的曲線更貼近原始序列。

總體概率分布曲線見圖8。 三種概率分布曲線變化趨勢基本吻合， 但峰值1 895>1 836>1 807， 基于AR模型的Kalman濾波擬合序列的分布相比于單純AR模型擬合序列更接近原始序列， 二者的擬合誤差見圖9。

圖5 IMF1模型識別

圖6 IMF1模型定階

圖7 AR模型擬合和基于AR模型的Kalman濾波擬合序列結果圖

Fig.7 Sequence fitting results of AR model and Kalman filter based on AR model

圖8 總體概率分布曲線圖

圖9 AR模型擬合和基于AR模型的Kalman濾波擬合序列誤差圖

Fig. 9 Sequence fitting errors of AR model and Kalman filter based on AR model

Kalman濾波前后擬合誤差的統計特性如表3所示。 基于AR模型的Kalman濾波擬合誤差的幅值、 均值和標準差均明顯小于AR模型擬合誤差。

表3Kalman濾波前后擬合誤差比較

Table3ComparisonoffittingerrorsbeforeandafterKalmanfiltering

Kalman濾波前Kalman濾波后誤差均值/((°)/s)7.3677×10-63.9332×10-6誤差標準差/((°)/s)0.00410.0018

因此， 使用本文提出的基于AR模型的Kalman濾波擬合方法對振動誤差的擬合結果對陀螺輸出的隨機振動誤差進行補償后， 大大減小隨機振動對光纖陀螺測量精度的影響。

5 結 論

針對工程應用中隨機振動的影響會降低光纖陀螺測量精度的問題， 提出了一種經驗模態分解法、 時間序列建模方法以及Kalman濾波算法相結合的光纖陀螺隨機振動誤差高精度建模方法。 通過經驗模態分解法對振動數據提取非隨機項， 再對平穩序列進行時間序列建模， 最后基于AR模型的Kalman濾波擬合方法實現了對光纖陀螺振動誤差的高精度擬合。 解決了傳統預處理方法無法直接提取光纖陀螺振動數據非隨機項的問題， 減小了單純時間序列建模方法對光纖陀螺振動誤差擬合的方差與標準差， 提高了擬合精度。 此方法可用于工程中對光纖陀螺隨機振動誤差的高精度補償。

[1] 吳磊, 孫楓, 程建華, 等. 光纖陀螺捷聯系統振動誤差補償研究[J]. 傳感器與微系統, 2009, 28(6): 43-45. Wu Lei, Sun Feng, Cheng Jianhua, et al. Research on Vibration Error Compensation of FOG SINS[J]. Transducer and Microsystem Technologies, 2009, 28(6): 43-45. (in Chinese)

[2] 王慶賀. 基于小波去噪與DRNN的光纖陀螺隨機誤差建模研究[J]. 航空兵器, 2015(4): 16-20. Wang Qinghe. Research of Gyro Random Error Modeling Based on the Wavelet and DRNN[J]. Aero Weaponry, 2015(4): 16-20.(in Chinese)

[3] 劉偉寧. 基于小波域擴散濾波的弱小目標檢測[J]. 中國光學, 2011, 4(5): 503-508. Liu Weining. Dim Target Detection Based on Wavelet Field Diffusion Filter[J]. Chinese Optics, 2011, 4(5):503-508.(in Chinese)

[4] 劉希佳, 陳宇, 王文生, 等. 小目標識別的小波閾值去噪方法[J]. 中國光學, 2012, 5(3): 248-256. Liu Xijia, Chen Yu, Wang Wensheng, et al. De-Noising Algorithm of Wavelet Threshold for Small Target Detection[J]. Chinese Optics, 2012, 5(3): 248-256.(in Chinese)

[5] 冀振元. 時間序列分析與現代譜估計[M]. 哈爾濱： 哈爾濱工業大學出版社, 2016. Ji Zhenyuan. Time Series Analysis and Modern Spectral Estimation[M]. Harbin: Harbin Engineering University Press, 2016.(in Chinese)

[6] 王新龍, 杜宇, 丁楊斌. 光纖陀螺隨機誤差模型分析[J]. 北京航空航天大學學報, 2006, 32(7): 769-772. Wang Xinlong, Du Yu, Ding Yangbin. Investigation of Random Error Model for Fiber Optic Gyroscope[J]. Journal of Beijing University of Aeronautics and Astronautics, 2006, 32(7): 769-772.(in Chinese)

[7] 嚴恭敏, 李四海， 秦永元. 慣性儀器測試與數據分析[M]. 北京： 國防工業出版社, 2012. Yan Gongmin， Li Sihai, Qin Yongyuan. Measurement and Data Analysis of Inertial Instrument[M]. Beijing： National Defence Industry Press, 2012.(in Chinese)

[8] Huang N E, Shen Z, Long S R. A New View of Nonlinear Water Waves: The Hilbert Spectrum[J]. Annual Review of Fluid Mechanics, 2003, 31(1): 417-457.

[9] 米劍, 張春熹, 李錚, 等. 偏光干涉對光纖陀螺性能的影響[J]. 光學學報, 2006, 26(8): 1140-1144. Mi Jian, Zhang Chunxi, Li Zheng, et al. Effect of Polarization Interference on Fiber Optic Gyro Performance[J]. Acta Optica Sinica, 2006, 26(8): 1140-1144.(in Chinese)

[10] 李新忠, 岱欽, 王希軍, 等. 多尺度小波降噪的數字散斑相關搜索[J]. 光學精密工程, 2007, 15(1): 57-62. Li Xinzhong, Dai Qin, Wang Xijun, et al. Digital Speckle Correlation Method of Multi-Scale Wavelet Noise Reduction[J]. Optics and Precision Engineering, 2007, 15(1): 57-62.(in Chinese)

[11] 趙雪花, 安莉莉, 袁旭琦. 基于HHT和R/S分析的黃河上游年徑流序列演變模式分析[J]. 水電能源科學, 2013(7): 9-12. Zhao Xuehua, An Lili, Yuan Xuqi. Analysis of Annual Runoff Series Evolution Model in the Upper Reaches of the Yellow River Based on HHT and R/S[J]. Water Resources and Power, 2013(7): 9-12.(in Chinese)

[12] 楊叔子, 吳雅, 軒建平. 時間序列分析的工程應用[M]. 武漢： 華中科技大學出版社, 2007. Yang Shuzi, Wu Ya, Xuan Jianping. Engineering Application of Time Series Analysis[M]. Wuhan：Huazhong University of Technology Press, 2007.(in Chinese)

[13] 王新龍, 陳濤, 杜宇. 基于ARMA模型的光纖陀螺漂移數據建模方法研究[J]. 彈箭與制導學報, 2006, 26(1): 5-7. Wang Xinlong, Chen Tao, Du Yu.The Drift Method of Fiber Optic Gyros Based on the ARMA Model[J]. Journal of Projectiles, Rockets, Missiles and Guidance, 2006, 26(1): 5-7.(in Chinese)

AHighPrecisionModelingMethodforRandomVibrationErrorofFiberOpticGyroscope

ChaiJiaxin1,WangXinlong1,WangDun2,LiQunsheng3

(1.SchoolofAstronautics，BeihangUniversity,Beijing100191,China;2.StateKeyLaboratoryofSpace-GroundInformationTechnology,Beijing100086,China； 3.SchoolofInstrumentationScienceandOpto-ElectronicsEngineering,BeihangUniversity,Beijing100191,China)

In engineering applications, the random vibration has important influence on the measurement accuracy of fiber optic gyroscope. Based on analyzing the vibration data characteristics of fiber optic gyroscope, a high precision modeling method for random vibration error of fiber optic gyroscope is proposed, which combines empirical mode decomposition method, time series modeling method and Kalman filtering algorithm.The proposed modeling method can realize high precision fitting to vibration error of fiber optic gyroscope. This method can be applied to the high precision compensation for random vibration error of fiber optic gyroscope in engineering environment.

fiber optic gyroscope; random vibration; error; EMD; AR model; Kalman filtering

10.19297/j.cnki.41-1228/tj.2017.04.008

2016-11-25

國家自然科學基金項目(61673040)； 航空科學基金項目(2015ZC51038)； 天地一體化信息技術國家重點實驗室開放基金項目(2015-SGIIT-KFJJ-DH-01); 2015年度北京航空航天大學教改資助項目

柴嘉薪(1993-)， 女， 河北石家莊人， 碩士研究生， 研究方向是慣性導航、 組合導航。

柴嘉薪， 王新龍， 王盾， 等. 一種光纖陀螺隨機振動誤差高精度建模方法[ J]. 航空兵器， 2017( 4)： 49-54. Chai Jiaxin, Wang Xinlong, Wang Dun, et al. A High Precision Modeling Method for Random Vibration Error of Fiber Optic Gyroscope[ J]. Aero Weaponry, 2017( 4): 49-54.( in Chinese)

TJ765; V241.5

： A

： 1673-5048(2017)04-0049-06