CPSO优化PNN的陀螺故障诊断方法

针对惯性导航系统中的陀螺仪输出信号非线性、故障特征不明显的问题,为提高惯导系统中惯性器件的故障诊断正确率,提出一种基于改进粒子群算法(PSO)优化概率神经网络(PNN)的陀螺信号故障诊断方法。首先,针对光纤陀螺运行过程中常见的四种故障信号,建立数学模型并进行小波变换提取其故障特征系数;其次,使用Cubic混沌映射以及非线性递减的惯性权重系数对粒子群进行粒子更新,并用于概率神经网络的最优平滑因子选择;最后,训练概率神经网络对陀螺仪故障信号进行分类和诊断。离线测试结果表明,CPSO算法优化的PNN网络针对四种故障分类的平均正确率达到95.8%。

基于星体角速度估计的陀螺故障诊断

为在星载惯性基准单元(IMU)正常工作的陀螺的冗余度不满足奇偶方程法条件时诊断陀螺故障,通过卫星稳态运行期间高精度星敏感器输出的姿态四元数信息,根据卫星姿态运动学和动力学方程,采用非线性广义卡尔曼滤波(EKF)得到星体角速度的估计值。在此基础上,通过设计的故障诊断器对陀螺故障进行定位。仿真结果表明,该法可检测陀螺的突变和缓变故障。

基于UKF的陀螺故障预报方法

针对陀螺漂移增大这种渐变故障,提出了一种UKF(Unscented Kalman Filtering)结合姿态运动学方程进行角速率估计,从而进行陀螺故障预报的方法。用四元数表示姿态运动学方程,以卫星姿态角和陀螺角速率为状态量,太阳敏感器和地球敏感器确定的姿态角为观测量,创建了UKF滤波器模型。根据估计角速率与陀螺测量值产生的残差序列,提出陀螺故障预报方法。避免了动力学方程受星体惯量和控制力矩影响产生的误差以及EKF,PF滤波算法的不足。在MATLAB环境中进行了仿真,仿真结果表明,该算法可以及时准确的预报陀螺漂移增大故障,模型简单,易于构建,计算量小,具有很好的工程实用性。

组合导航系统中陀螺故障的智能诊断

本文讨论了容错组合导航系统中的故障检测及隔离问题，提出了一种基于人工神经网络的智能诊断方法。通过仿真分析，验证了这种方法的可行性。

基于长短时神经网络的卫星陀螺仪故障检测

针对卫星陀螺仪故障检测中存在的冗余依赖、微小故障覆盖问题,提出一种基于长短时神经网络(LSTM)的故障检测方法。首先对卫星陀螺仪建模,考虑到卫星姿态控制回路对陀螺仪微小故障覆盖影响,利用半物理仿真平台采集陀螺仪正常与故障数据;然后使用部分正常数据训练LSTM神经网络,使得网络具有预测陀螺仪输出的能力,并将另一部分正常数据输入到训练好的网络模型,得到预测误差,进一步设定故障阈值;最后,将测试数据输入提出的故障检测模型,仿真验证其时效性和准确性。结果表明,在采样频率为10Hz时,对于陀螺仪的卡死、噪声以及偏差故障,基于LSTM神经网络的故障检测模型能在故障发生2s内检测出故障,并达到了98.9%的准确率。