考虑旋转调制INS轴角误差的船体变形测量方法

旋转调制式惯导已成为舰船主惯导,在采用旋转调制式惯导进行船体变形角测量时,由于旋转轴与惯性测量组件的坐标系不完全重合,导致船体变形角中被引入与旋转相关的波动误差。针对这一问题,提出了考虑旋转调制惯导转轴倾角误差的船体变形测量方法。推导了单轴旋转系统转轴倾角误差与船体变形测量之间的数学关系,构建了含有轴角误差的状态观测数学模型,利用卡尔曼滤波器实现了船体变形测量的同时对转轴倾角进行估计。实验结果表明,所提方法可以估计出旋转调制惯导中存在的转轴倾角大小,有效提高测得船体变形角精度,其中水平方向提升到6″,纵向方向提升到6″,为利用旋转调制式惯导进行船体变形测量提供参考。

基于BP神经网络的船体变形角估计方法

惯性匹配法等传统船体变形角估计方法存在建模困难、模型参数难以确定等问题。提出了一种基于BP神经网络的船体变形角估计方法,其以角速度匹配为导向,将两套惯性测量装置测得的三轴角速度作为BP神经网络输入;对应的船体变形角作为BP神经网络输出,训练得到关于角速度与船体变形角的函数映射关系。探讨了BP神经网络设计参数,构建具有四层神经网络、50个隐层节点的BP神经网络系统。开展仿真实验,对比了基于Kalman滤波的惯性匹配法和基于BP神经网络的船体变形角估计方法的估计精度。经验证,当基于Kalman滤波的惯性匹配法无误差时,二者估计精度相当;但当基于Kalman滤波的惯性匹配法含误差时,基于BP神经网络估计船体变形角的精度比之高46.07%,且具有更快的收敛速度。