论文部分内容阅读
激光陀螺仪是捷联惯性导航系统中的重要惯性元件,本文基于一种二频机械抖动激光陀螺,利用现代信号处理技术和神经网络法对其稳频控制电路和抖动控制电路的故障诊断方法进行研究。基于FMECA分析报告,对功能电路级的部分故障模式进行数据采集实验。首先在稳频控制电路和抖动控制电路中选择合适的测试点,并通过故障注入完成信号的采集。针对两种电路不同的信号特性,分别采取不同的诊断方法。故障诊断技术本质上是模式分类与识别的问题,提取稳定有效的故障信号特征是诊断技术的关键环节。稳频控制电路的测试信号多为直流量,其中小抖动信号为正弦波信号,通过对故障信号的分析发现,在不同故障模式下,测试信号的成分比较简单,故障表现往往是阈值的改变和一定范围的波动,因而选择平均值和标准差作为特征参量,并筛选出与故障模式之间具有较好相关性的特征参量。然后,利用BP神经网络强大的学习能力和非线性映射能力,对数据样本的学习,将知识以数值的形式并在网络的连接中进行存储,从而取代复杂的推理过程。针对BP网络结构和初始参数难以确定,采用遗传算法对网络的初始连接权值和阈值进行选择。实验结果表明,遗传算法求取的近似最优解作为神经网络的初始权值和阈值,明显加快了收敛速度,提高了故障识别率。抖动控制电路是对激光陀螺抖动装置的检测与反馈控制,信号为幅值随机变化的正弦波,在一些故障模式下,信号成分比较复杂,故障特征微弱、不易提取,具有非平稳性。小波包变换是十分先进的信号处理工具,可同时对信号的高频部分和低频部分进行分解,在高低频部分都具有良好的时频分辨率,能最大限度地保留了信号的原貌。因此本文尝试利用小波包分解结合信号各频段能量来提取故障特征向量。结果表明,不同故障模式下测试信号各频带内信号能量的分布有所差异,小波包能量谱是一种有效的故障特征向量。然后,利用RBF神经网络对样本进行学习,通过对比发现,基于不同测试信号的故障诊断结果差异很大,通过多测试信号组合方式可以提高故障诊断精度。