一种基于遗传算法的加速度计免转台标定方法

摘要

本发明涉及一种基于遗传算法的加速度计免转台标定方法，在现场工作环境中，对加速度计进行任意姿态位置摆放并进行静态数据采集，对采集后获得的原始数据进行平均计算；将待标定的各项参数作为状态变量，构造目标函数，将标定问题转化为最小化求解问题；确定初始搜索区间，采用实数编码方式，在区间内生成初始种群，针对种群内各个体，计算出相应的适应值；对初始种群进行交叉和变异计算；保留当代最优个体，并根据交叉变异后的个体，形成新的种群；根据适应值，判定算法迭代过程是否收敛，如不满足收敛条件，则继续进行下一次的迭代过程，直到满足收敛条件，判断满足收敛条件后，得到最优化的状态变量求解值，即为待标定的各项参数值。

说明书

技术领域

本发明属于惯性技术领域，具体涉及一种基于遗传算法的加速度计免转台标定方法。

背景技术

加速度计现有常规的标定手段依赖于实验室转台等高精度仪器设备，由此带来的问题是标定过程中操作繁琐、过程复杂，这无形中增加了加速度计的使用成本，同时限制了加速度计的标定场所及环境。因此需要对不依赖转台的标定方法进行研究。

文献“微机电三轴加速度计的无转台标定，中国科技信息，2012，vol31(04)，p70-71”公开了一种无转台微机电三轴加速度计的标定方法，其在假定交叉耦合项不变的情况下，根据加速度计误差方程构造多维非线性方程组，转化为线性方程组后采用最小二乘求解，得到唯一解后，根据线性方程转化过程逆推，得到待标定参数。该方法在现场标定过程中，只对标度因数、常值误差进行了标定，且通过转化为线性方程组进行求解会带来较大的计算误差。

发明内容

要解决的技术问题

为解决现场工作环境中，不借助转台等高精度仪器设备，实现对加速度计的标度因数、常值误差、交叉耦合项等误差参数进行标定。本发明提出一种基于遗传算法的加速度计免转台标定方法，用以解决无精确重力加速度输入作为标定基准的条件下，对加速度计的标定及补偿问题。

技术方案

1.一种基于遗传算法的加速度计免转台标定方法，其特征在于步骤如下：

步骤1：对加速度计进行任意姿态位置摆放并进行静态数据采集，对采集后获得的静态数据进行平均计算；

步骤2：将待标定的各项参数作为状态变量，构造目标函数，将标定问题转化为最小化求解问题；

步骤3：给定一个初始搜索区间，采用实数编码方式，在初始搜索区间内生成初始种群，计算出种群内各个体相应的适应值；

步骤4：根据各个体相应的适应值计算选进匹配池的概率，对选进匹配池中的个体按照交叉和变异概率分别进行交叉和变异计算；

步骤5：根据交叉及变异计算后得到的种群，加上保留的当代适应值最佳的个体，形成新的种群；对新的种群继续进行适应值的计算及收敛性的判断；

步骤6：设定满足精度的价值函数最大适应值为收敛判定因素，判定算法迭代过程是否收敛，判断满足收敛条件后，得到最优化的状态变量求解值，即为待标定的各项参数值；否则，继续进行下一次的迭代过程。

有益效果

本发明提出的一种本发明提出的加速度计免转台标定方法，实现了在现场工作环境中对加速度计进行标定，摆脱了标定过程对转台等仪器设备的依赖，保证了标定精度。能够形成一套完整、规范、可行的加速度计免转台标定方法。

附图说明

图1基于遗传算法的加计免转台标定流程框图

具体实施方式

参照图1-基于遗传算法的加计免转台标定流程框图。对技术方案进行进一步具体描述，各个编号对应于技术方案中的各个步骤：

1)M位置静态数据采集并进行预处理

在现场工作环境中(使得加速度计处于静止状态)，对加速度计进行18个位置的任意摆放，对每个位置进行约1min的静态数据采集，对采集后的原始数据进行平均处理，得到18个位置的加速度计原始输出脉冲数增量N_ai(i＝1...18)，包括x、y、z三个轴的分量。

2)构造价值函数

根据原理：补偿后加速度计敏感到的矢量和与重力加速度矢量和之差的绝对值接近于0，以待标定的各项参数为状态变量，构造价值函数，即：

θ＝(S_ax>ay>az>axy>axz>ayx>ayz>azx>azy>ax>ay>az)(2)

其中：

i——翻转位置的次数；

——经过补偿后的加速度计输出；

S_ax、S_ay、S_az——加速度计的刻度因数；

K_axy、K_axz、K_ayx、K_ayz、K_azx、K_azy——加速度计的交叉耦合项；

N_ax、N_ay、N_az——加速度计的原始输出；

b_ax、b_ay、b_az——加速度计的零偏；

g——重力加速度矢量和；

θ为待标定的各项参数的集合；

L(θ)为价值函数，即适应值。

3)形成新种群搜索并计算适应值

对应需标定的各项参数构成的状态变量θ_k(k＝1...12)，给定(比如以各项参数的经验值为中心，给定一个区间范围)一个初始搜索区间(a_k,b_k)。采用实数编码方式，在区间内随机生成一个种群，例如：

θ_k,size＝a_k+(b_k-a_k)×rand(size)(4)

式中：

size——种群规模数，即种群中个体数；

k——状态变量数，即待标定参数；

θ_k,size——第k个状态变量的生成种群；

a_k、b_k——区间上、下界；

rand(size)——生成size个随机数；

将各项参数种群中的个体代入式(3)，计算每个个体的适应值L(θ)；

4)进行交叉和变异计算

判定个体适应值的优劣，提取个体加入匹配池，待进行交叉变异过程。个体被甄选进匹配池的概率p_i参考下式：

针对实数编码，为避免局部产生过早收敛的现象，同时又不破坏搜索过程中的遗传模式。采用自适应调整的交叉和变异概率。

其中：

f_max——群体中最大的适应值；

——每代群体的平均适应值；

f′——要交叉的2个个体中较大的适应值；

f——要变异个体的适应值；

P_c——交叉概率；

P_m——变异概率；

k₁、k₂、k₃、k₄——概率系数。

对匹配池中每个个体按上述概率分别进行交叉及变异过程。

交叉过程：

其中α₁为0到1上均匀分布的随机数，上述交叉算子可保证搜索区域覆盖个体X(t,m)和个体X(t,n)的所有领域，且二者之间的区域搜索几率大。其中，m、n为选定参与交叉过程的个体编号。

变异过程：

其中，l为选定参与变异过程的个体编号，均匀随机数rand∈(0,1)；Δ(t,x)是在[0,x]范围内符合非均匀分布的随机数，其表达式为：

其中，

t——进化的代数；

r——0到1之间的随机数；

T——最大进化代数；

b——系统参数。

5)保留当代最优个体，并形成新的种群

根据交叉及变异过程后得到的种群，加上保留的当代适应值最佳(即本具体实施例中适应值最小)的个体，形成新的种群，继续进行适应值的计算及收敛性的判断。

6)得到需标定各项参数

设定满足精度的价值函数最大适应值为收敛判定因素。满足收敛判断因素即跳出迭代过程，此时，满足收敛判定的个体所对应的标定各项参数即为最终需标定及补偿的刻度因数、常值误差、交叉耦合项值。