王志偉,侯書銘,王宏力,呂永佳
(第二炮兵工程學院陜西西安710025)
光纖陀螺隨機誤差是影響光纖陀螺精度的重要因素,隨著隨機誤差理論及分析方法的不斷進步,人們對激光陀螺隨機誤差的分析也不斷深入。盡管ARMA模型已經(jīng)形成相當完善的理論,而且也廣泛應用于光纖陀螺隨機誤差的分析中去,但是應用前提是光纖陀螺隨機誤差是線性的。而陀螺的漂移是弱非線性和弱時變的[1]。通過對實測數(shù)據(jù)的分析,溫度等環(huán)境的影響會加劇這種非線性,因此為得到更完美的光纖陀螺隨機誤差模型,筆者提出應用動態(tài)數(shù)據(jù)建模法(DDS建模法)對光纖陀螺隨機漂移進行建模。
潘迪特和吳賢銘在1986年提出了一套建立ARMA模型的策略和步驟[2],簡稱動態(tài)數(shù)據(jù)系統(tǒng)(DDS)。它的主要思想是在獲得適用的ARMA(2,1)模型之前,不對觀測數(shù)據(jù)進行平穩(wěn)化處理,而是在獲得適用的模型之后,根據(jù)模型的特征根來判斷建模對象的平穩(wěn)性。它對ARMA模型參數(shù)的辨識步驟是:先從ARMA(2,1)開始,依次是ARMA(4,3),ARMA(6,5),…,參數(shù)估計是用非線性最小二乘法,然后根據(jù)殘差平方和的F檢驗確定適用模型,最后去掉模型中小的MA參數(shù),再擬合低階的ARMA,AR或MA模型,用F檢驗確定最終的適用模型。F檢驗的公式為:
建立統(tǒng)計假設:
H0:模型Ⅰ,即ARMA(p,q)適用;
H0:模型Ⅱ,即ARMA(p+Δp,q+Δq)適用,其中:Δp,Δq≥0則統(tǒng)計量:
服從F分布F(4,N-P-ΔP),其中:
A0=ARMA(p,q)的殘差平方和RSS;
A1=ARMA(p+Δp,q+Δq)的殘差平方和RSS;
N=觀測數(shù)據(jù)長度;
P=p+q;
ΔP=Δp+Δq=4。
從F分布表中可查出,在α=0.05的置信度下,F(xiàn)α=F(4,∞)=2.37,當F>Fα時,拒絕原假設,即模型參數(shù)少的模型Ⅰ不適用;當F<Fα時,則接受原假設,模型Ⅰ適用。
根據(jù)非平穩(wěn)時間序列的DDS建模步驟,對光纖陀螺隨機漂移進行建模。建模結(jié)果如表1、表2所示。
取光纖陀螺的隨機漂移原始數(shù)據(jù),直接采用非線性最小二乘法,從ARMA(2,1)開始擬合,辨識出各模型參數(shù),求出殘差平方和,同時擬合AR(1)、AR(2)模型進行比較。通過F檢驗確定適用模型。通過表2可以看出ARMA(2,1)與ARMA(4,3)比較,F(xiàn)統(tǒng)計量的觀測值小于臨界值,故ARMA(2,1)為相對適用模型;ARMA(4,3)與ARMA(6,5)比較,觀測值小于臨界值,故ARMA(4,3)適用;同理,再將其他模型相互比較得出最終結(jié)論:ARMA(2,1)為適用模型。其模型為:
表1 光纖陀螺隨機漂移DDS建模結(jié)果Tab.1Result of FOG random error DDS modeling
表2 隨機漂移模型F檢驗數(shù)據(jù)Tab.2F-test data of radom error modeling
現(xiàn)在來估計模型中的隨機斜坡項。DDS建模中,模型殘差序列均值不為零,可以利用這個均值估計出隨機斜坡項。
對于ARMA(2,1)模型有:
則模型殘差序列為:
顯然,當ut為零均值白噪聲時,殘差序列st的均值為零;當ut含有常值偏差時,殘差序列的均值不為零。
令:ut=k+ωt
其中,ωt為零均值白噪聲,k為常值偏差。則此時st變?yōu)椋?/p>
由建模結(jié)果得出,ARMA(2,1)的殘差結(jié)果為s=0.005 1,標準差為σs=0.034,采樣數(shù)為1 000,b=0.531 3,所以,k=0.019±0.002。綜合上述結(jié)果,得到光纖陀螺隨機漂移的模型為:
式中:ut=ωt+0.019,ωt~N(0,0.0342)
由DDS建模方法得到的式(1)也可以變?yōu)椋?/p>
于是可知X軸模型的特征根為:λ1=0.994 4,λ2=0.291 6。對于λ1來說,由于它很接近于1,近似在單位圓上,所以表現(xiàn)為隨機游動分量。
將式(5)利用格林函數(shù)正交分解得:
對于ARMA(2,1)模型,格林函數(shù)Gi為:
陀螺隨機漂移的脈沖響應[3]如圖1所示。
圖1 隨機漂移的脈沖響應Fig.1Impulse response of random drift
從圖中可以看出,陀螺隨機漂移的脈沖響應一開始有很陡的衰減,然后衰減速度減慢,最后基本保持水平,表現(xiàn)出長記憶的特性。由式(5)也可看出,陀螺X軸漂移由兩部分組成。第一部分是由特征根λ1=0.994 4引起的慢衰減、強慣性和長記憶的過程,類似于λ=1的隨機游動特征。它基本上保持一個固定的水平,衰減很慢,它將引起一個非時變的穩(wěn)態(tài)漂移。換句話說,陀螺一旦受到干擾,將從初始角速度以隨機游動方式漂移,因此,角速度誤差將隨時間增長。而且,因為隨機游動的預報誤差隨時間增長趨于無窮,所以,對隨機游動的辨識和估計是陀螺漂移分析中最重要的一個部分。第二部分是由特征根λ2=0.291 6引起的相關(guān)噪聲分量,如圖1中的G1,它呈現(xiàn)出一個指數(shù)衰減過程,經(jīng)過1 000 s就基本衰減到零,所以,它是一個短期過程,而隨機游動是一個長期的過程。基于這一點,在陀螺的應用中可以強調(diào)這一點而忽略另一個。當然,在應用時間小于相關(guān)時間的情況下,相關(guān)噪聲部分是不能忽略的,相反,如果陀螺的工作時間很長,則可以僅考慮隨機游動分量,而忽略相關(guān)噪聲分量。于是,在船用平臺羅經(jīng)系統(tǒng)和GPS組合系統(tǒng)中,就可以將陀螺隨機漂移模型簡化為AR(1)模型,并可以很方便的轉(zhuǎn)化為微分方程,放入組合卡爾曼濾波器的系統(tǒng)方程中,進行實時在線辨識和補償[4]。
DDS法在不使用差分算子將非平穩(wěn)序列平穩(wěn)化的情況下,就能很準確的估計出特征根的值,這不僅是對數(shù)據(jù)的精確表達,而且也使對隨機游動分量的作用進行定量分析成為可能,從而可以從原始數(shù)據(jù)中獲得更多的信息。
隨機漂移誤差中的隨機斜坡項,可以認為是陀螺靜態(tài)誤差漂移中沒有補償干凈的部分,也就是所謂的陀螺隨機常值漂移[5],它在慣性導航系統(tǒng)中引起一定時間不衰減的舒拉振蕩誤差[6]。通過DDS方法,辨識和估計出陀螺漂移中的隨機斜坡項,就可以進行補償,提高導航精度。同時,在組合系統(tǒng)中也可以實時辨識出陀螺的隨機常值漂移,并給予補償,最后達到提高整個組合導航精度的目的。另外,我們還可以通過譜分析來判斷一個陀螺的質(zhì)量、陀螺的采樣周期和上述各個部分的能量,以便更好地選擇陀螺,了解陀螺性能并組成導航系統(tǒng)。
[1]HOU Hai-ying,NIU Xiao-ji.Analysis and modeling of inertial sensors using Allan variance[J].IEEE Transaction on Instrumentation and Measurement 2008,57(1):140-149.
[2]何志昆,王雪梅.激光陀螺隨機誤差的非參數(shù)建模與濾波[J].航天控制,2009(27):24-28.HE Zhi-kun,WANG Xue-mei.Nonparametric modeling and filtering of laser Gyro random error[J].Aerospace Control,2009(27):24-28.
[3]曹鮮花,吳美平,胡小平.Matlab在光纖陀螺隨機漂移建模中的應用[J].航天控制,2007(25):18-20.CAO Xian-hua,WU Mei-ping,HU Xiao-ping.Application of matlab in modeling of FOG random drift[J].Aerospace Control,2007(25):18-20.
[4]PEI Jin-cheng,YANG Xi-chun,ZHU Ru-de,et al.Stimulated brillouin optical fiber gyroscope[J].Laser and Optoelectronics Progress,2006(43):53-60.
[5]Tang J H,F(xiàn)u Z X,Deng Z L.Identification method for RLG random errors based on allan variance and equivalent theorem[J].Chinese Journal of Aeronautics,2009,22(3):273-278.
[6]Poornachandra S.Wavelet-based denoising using sub-band dependent threshold for ECG signals[J].Digital Signal Processing,2008(18):49-55.