光电跟踪平台中惯性元件误差建模与补偿技术研究

《光电跟踪平台中惯性元件误差建模与补偿技术研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、１補瞧議－‘？＇乂，ＨＶ＞中曝科学院乂学苗！ｉｖｅｒｓｉ巧ｏｆＣｈｍｅｓｅＡｃ幻ｄｅｍｏｆＳｃｉｅｎｃｅｓ叫ｙ？？，＇？ｉ－．Ｖ：‘；得．，、ｒ．九’邀頸硕±学位论文游；．’－‘－＇？？？，－．．，．－，／．．光电跋踪平台中惯性元件误差建模与补偿技术研究－，．．；．－，：‘．‘、，：＇．１ＶＶ—．＂＇丰‘＇／．：．；‘．Ｗ销車巧女ｖ—产．＇．！记矿Ｖ￣如卢＾．＾＇—作者

2、姓名赛微著＾＾：’＇＇＇’＾．记．－＾＞；：知ｖ．指导教师杨立保研究员典多：心’／Ｖ：中国科学院长春光学精密化械与物理研究所妾＂．－．．：：．１＇—：ｆ－学位类别：：工学硕±ｔｒ￣ｙ。学科专业：机械制造及其自动化Ｉ巧，－Ｉ較’ｂ如培养单位：中国科学院长春光学精密机械与物理研究所一’．人：＇襲年＞＾．１０月／Ｕ；冷；ｆ私兰＾’’＇‘、己‘乃－：，＼一、／杳扣；；／：：；，—、；：’，、＊。’，，‘．’、如

3、Ｈ＇。户？产、寒之；可托丫，一、＇二■二’’＞、二Ｖ、占、？、．／巧７：；■一’４－’＇－，，去＾．‘《－＾式＾、’：ｔ货ｒ密级:硕士学位论文光电跟踪平台中惯性元件误差建模与补偿技术研究作者姓名:骞微著指导教师:杨立保副研究员中国科学院长春光学精密机械与物理研究所学位类别:工学硕士学科专业:机械制造及其自动化培养单位:中国科学院长春光学精密机械与物理研究所2016年10月StudyonModelingandCompensationMethodsforDeviationofthe

4、InertialUnitinanOptic-electricalTrackingPlatformByQianWei-zhuADissertationSubmittedtoUniversityofChineseAcademyofSciencesInpartialfulfillmentoftherequirementForthedegreeofMasterofScienceinEngineeringChangchunInstituteofOptics,FineMechanicsandPhysicsChineseAc

5、ademyofSciencesOctober,2016摘要光电跟踪平台中惯性元件误差建模与补偿技术研究骞微著（机械制造及其自动化）导师：杨立保副研究员摘要惯性测量元件在光电跟踪平台伺服控制回路中，作为测量载体在惯性空间角速率的敏感元件，为控制系统提供速率反馈。因此，提高惯性测量元件的精度对提升光电跟踪平台的整体精度有十分重要的意义。光纤陀螺由于测量精度高、性能稳定等优点目前常被用作稳定平台的测量元件。由于加工精度的限制和安装时人为因素的影响，惯性元件的敏感方向与载体的轴向存在角度偏差，由此产生安装误差。针对这个

6、问题，本文给出了一种基于速率实验的三轴陀螺安装误差的标定补偿方法。先推导出陀螺角速率输出的数学表达式。然后利用三轴精密惯导测试转台，设计速率实验对安装误差进行标定。在标定实验中，对光纤陀螺的三个轴向分别取一系列的角速率点，采集数据。最后，利用采集到的数据，解算出安装误差补偿公式的未知参数。为补偿光纤陀螺的随机漂移误差，本文给出了一种结合ARMA模型和Kalman算法的补偿方法。这是一种基于参数辨识的误差补偿方法。首先，利用自相关系数和偏相关系数对光纤陀螺的原始输出信号进行了平稳性检验并使用差分运算进行了平稳化处

7、理。根据AIC准则和Burg方法，建立光纤陀螺信号的AR(3)模型。根据建立的AR(3)模型，推导出Kalman算法中相应的状态方程。针对传统Kalman算法需要先验噪声统计量的问题，结合Sage-Husa方法形成自适应Kalman滤波算法，并对光纤陀螺信号进行滤波。最后，用最小二乘法拟合出Allan方差中各误差项的系数，进行补偿效果评价。计算结果表明，经过补偿后，光纤陀螺输出的均方差从0.0034(°/s)2降低到了1.4339e-04(°/s)2。I中国科学院大学硕士学位论文：光电跟踪平台中惯性元件误差建模

8、与补偿技术研究本文给出了一种结合小波分析和神经网络的光纤陀螺建模方法。这是一种基于非参数辨识的误差方法，对非线性模型具有很高的拟合精度。先使用小波分析中的Mallat分解算法提取出光纤陀螺信号中的主趋势项，对其误差余项进行了重构。之后将重构后的信号作为神经网络的目标输出，将原始输出作为神经网络的输入。为了提高神经网络的收敛速度和其拟合精度，本文采用了增加动量因子和自适应调整学习速率的方