一种应用于在线标定的可观测度分析方法

对惯性器件误差标定前必须进行可观测性分析,针对当前可观测性分析方法不能得到每一个误差参数的可观测度,无法为标定过程中载体的机动路径设计提供足够依据这一问题,提出了一种新的动态系统可观测度分析方法并用于惯性器件在线标定中。该方法定义各误差参数都独立对应一个可观测度,通过合理拆分可观测矩阵,利用范数最优化受约束理论,计算得到每一个参数的可观测度。利用MATLAB软件搭建仿真平台,对比分析了基于奇异值分解的可观测度分析方法和新方法计算结果的特点,并利用新方法计算结果针对性调整载体机动路径,试验结果表明:利用该方法得到的各误差参数的可观测度与标定中各状态量的滤波收敛特性具有一致性,证明了该算法的特点及准确性。

基于SVD的陀螺阵列异常诊断及识别方法

陀螺阵列系统中出现的数据异常包括野值点、可恢复故障以及永久性故障(不可恢复故障)。提出了一种基于奇异值分解的数据异常诊断及模式识别的新方法,验证了该方法对不同模式数据异常诊断的有效性,分析了不同模式数据异常的表现形式,构造了新的统计量对不同模式数据异常进行辨识,进行了仿真实验。实验结果表明:该方法对数据异常有较好的诊断效果,计算量小,容易实现,能较准确地识别出陀螺阵列中数据异常的类型。

基于EMD-DFA-小波阈值的MEMS陀螺信号去噪方法

针对MEMS陀螺仪输出信号中噪声较大的问题,提出了一种EMD-DFA-小波阈值去噪的方法。利用EMD理论将信号按照频率高低分解为若干IMF分量和余量,将DFA方法应用到噪声与信息主导的IMF分量临界点的判定中,并通过仿真实验证明了DFA判定方法的有效性。针对传统EMD去噪方法直接去除噪声分量导致的信号缺失等问题,采用小波阈值去噪法对噪声主导的IMF分量去噪后再与低频分量重构,最大程度地保留了有用信息。同时,对小波阈值去噪的核心步骤进行了改进采用随分解尺度的增加而逐渐减小的动态阈值选取规则,最大程度上保留了各层的有用信号;对阈值函数进行了改进,既对较大的小波系数进行了收缩变换,又保留了较小的小波系数,使之兼顾软、硬阈值函数的性能。为验证提出方法的有效性,分别对仿真信号和实测MEMS陀螺仪数据进行了去噪分析,结果表明和传统EMD去噪法相比,新方法去噪后的均方差降低了22%,信噪比提高了59%;和EMD-DFA-传统小波阈值去噪相比,均方差降低了12%,信噪比提高了13%。

基于优化VMD-小波阈值的MEMS陀螺信号降噪

针对MEMS陀螺仪输出信号中噪声较大,提出了一种遗传算法优化的VMD-小波阈值降噪方法。首先利用遗传算法对VMD分解的2个关键参数进行优化,经过VMD分解得到各阶IMF分量,通过计算各阶分量的相关系数并将其分为3类,对噪声主导的IMF分量进行小波阈值降噪,舍弃噪声分量,将信号主导分量和降噪后的噪声主导分量重构得到原信号。仿真试验证明了所提出方法的有效性,实测数据降噪结果表明:在静态条件下,与小波阈值降噪相比,均方差降低46.9%,信噪比提高20.5%,与传统模态分解降噪方法相比,均方差降低36.2%,信噪比提高7.4%;在动态条件下,与小波阈值降噪相比,均方差降低了12.1%,信噪比提高了14.1%,与传统模态分解降噪方法相比,均方差降低8.1%,信噪比提高6.7%。