水下超高速航行体微惯性测量组合设计及其相关技术研究

摘要

以超空化减阻技术运动的航行体在速度、灵活性等方面都有了全新的改善，改变了传统水下航行体普遍存在速度慢、航程短、精度低的缺点，开辟了水下超高速航行体更为广阔的发展空间，在水下超高速航行体上装置导航制导设备，将大大提高航行体的效能，随着航行体结构设计的不断优化，以及在体积、可靠性和抗冲击性能等诸多方面的要求更加突出，使得航行体内置惯导装置小型化发展成为一种必然趋势。随着微机电技术的发展，加之微惯性导航系统可在不依赖任何外部信息条件下实现全自主导航的突出优点，微惯性测量组合技术在水下超高速航行体上具有广阔的应用前景。但是，与传统的惯性测量组合相比，微惯性测量组合的精度明显偏低，这极大地限制了它的应用。如何充分发挥微惯性器件的优势，不断提高其测量精度，进而提高微惯性测量组合的测量精度，具有极其重要的意义。本文的研究工作正是针对提高微惯性元件和微惯性测量组合可靠性及精度这一中心展开的。
　　 进行了一种新型的九陀螺的微惯性测量组合设计，在设计中，采取斜置轴冗余配置方式，运用第4轴冗余信息实现对3个正交轴信息的校验和互补，系统的可靠性和精度较以往常用配置方式有一定的提高。
　　 对微机械陀螺漂移特性进行了分析，微机械陀螺的随机漂移比系统性漂移更复杂，对它的建模补偿对于提高测量信息精度非常重要。论文分别运用基于指数平滑的GM(1,1)模型和基于动窗平滑的GM(1,1)模型对漂移中的确定性趋势项进行了提取，并运用AR(3)模型对随机漂移进行了建模分析，经Allan方差分析表明，经GM-AR模型补偿后的漂移噪声有大幅度的降低。此外，通过对微机械陀螺同一日内的多组数据和不同日期的多组数据进行了重复性检验，结果表明，同一环境条件下的随机漂移数据具有很好的重复性，可以通过多次测量结果预先离线估计出来。在时间序列分析模型基础上，对微机械陀螺随机漂移信号进行了卡尔曼滤波处理，随机漂移信号在滤波后虽然没有完全消除，但却大幅度降低，在实际应用中，通过以上方法对微机械陀螺仪的输出信号进行滤波处理，得到了更高精度的测量结果。
　　 采用数据融合算法进一步提高本文设计系统精度。分别采用基于最优加权的最小二乘算法、有限窗加权最小二乘算法和测量方差自学习的最小二乘算法，综合利用分布在不同位置传感器的冗余和互补信息，降低了测量信息的不确定性，系统测量精度进一步提高。
　　 研究结果表明，适应水下超高速航行的复杂环境设计的新型微惯性测量组合，可以充分发挥微惯性器件高可靠性、抗动态冲击能力强的突出优点，使系统的可靠性和精度综合性能显著提高，通过漂移误差模型的补偿技术和数据融合方法，能够在现有的硬件基础上进一步提高微惯性测量组合的精度，具有良好的效果。

目录

文摘

英文文摘

声明

第1章 绪论

1.1课题研究的来源、背景和意义

1.2水下超高速航行体的发展现状

1.3微惯性传感器及其测量组合的相关研究

1.3.1微惯性传感器的研究与发展

1.3.2微惯性测量组合的研究与发展

1.3.3微惯性传感器及其测量组合在军事领域的典型应用

1.4陀螺漂移辨识技术研究现状

1.5多传感器数据融合算法的相关研究

1.6本文的主要工作

第2章水下超高速航行体MIMU相关技术研究

2.1 MIMU的构成及主要性能指标

2.2水下超高速航行体微机械陀螺漂移分析

2.3漂移特性的时间序列分析

2.4漂移特性的Allan方差分析

2.4.1 Allan方差的数学原理

2.4.2随机漂移Allan特性分析

2.5本章小结

第3章水下超高速航行体MIMU的冗余配置研究

3.1微惯性测量组合斜置冗余设计

3.1.1微惯性测量元件冗余配置原则

3.1.2常用的惯性测量组合设计

3.1.3新型的九陀螺四轴冗余配置

3.1.4敏感轴测量值的数值关系

3.2冗余配置的故障检测与诊断

3.2.1基于奇偶校验方程的故障检测与识别

3.2.2基于广义似然比的故障检测与识别

3.3冗余配置的可靠性分析

3.4系统配置的精度分析

3.5本章小结

第4章微机械陀螺非平稳漂移信号建模及补偿

4.1确定性漂移信号模型建立及仿真

4.1.1微机械陀螺信号的采集

4.1.2趋势项的提取

4.1.3趋势项提取及仿真实现

4.1.4残差信号的检验

4.2随机漂移的时间序列分析模型

4.2.1漂移信号的时间序列分析

4.2.2时间序列模型的确定

4.2.3时间序列模型的定阶及建立

4.3随机漂移模型的重复性检验

4.4漂移的Allan方差分析

4.5漂移信号的随机漂移误差的补偿

4.5.1经典卡尔曼滤波的数学描述

4.5.2离散卡尔曼滤波方程

4.5.3基于卡尔曼滤波的随机漂移信号补偿

4.6本章小结

第5章多传感器冗余设计的数据融合算法实现

5.1多传感器数据融合的技术

5.1.1多传感器数据融合的原理

5.1.2多传感器数据融合特点

5.2水下超高速航行体传感器融合算法实现

5.2.1传统最小二乘算法

5.2.2最优加权最小二乘分级融合算法

5.2.3有限窗加权的最小二乘算法

5.2.4测量方差自学习加权最小二乘算法

5.3算法验证及仿真实现

5.4本章小结

结 论

参考文献

攻读博士学位期间发表的论文和取得的科研成果

致谢