基于改进最小二乘支持向量机的惯性测量组件故障在线检测方法

发布时间：2019-07-01 19:27

【摘要】：为提高惯导系统工作的可靠性和导航性能,对其惯性测量组件的故障模式和检测模型进行了分析。针对最小二乘支持向量机(LS-SVM)回归算法做了两点改进,具体方法是先对输入样本观察窗平移更新的每个样本数据进行异常点滤波判断并用牛顿插值法进行处理,接着通过对在线LS-SVM回归过程的研究,提出了一种递推求解的快速算法,将惯性测量组件的输出量、舵偏角改变量并辅以环境因素作为观测样本序列,应用该算法来提高模型检测的准确性和时效性。最后对惯性测量组件无故障和出现卡滞、恒偏差时的故障模式进行了仿真实验,结果表明,与应用LS-SVM、SVM和BP神经网络算法相比,提出的惯性测量组件故障在线检测方法具有较强的鲁棒性和较快的速度。
[Abstract]:In order to improve the reliability and navigation performance of inertial navigation system, the fault mode and detection model of inertial measurement module are analyzed. Two improvements are made to the least square support vector machine (LS-SVM) regression algorithm. The specific method is to filter and process the abnormal point of each sample data which is translated and updated by the observation window of the input sample. Then, through the study of the online LS-SVM regression process, a fast recurrence algorithm is proposed to measure the output of the inertial measurement module. The rudder deflection angle is changed and the environmental factors are used as the observation sample sequence. The algorithm is applied to improve the accuracy and timeliness of model detection. Finally, the fault modes of inertial measurement components without fault and stuck and constant deviation are simulated. The results show that compared with LS-SVM,SVM and BP neural network algorithm, the proposed on-line fault detection method for inertial measurement components has stronger robustness and faster speed.
【作者单位】： 北京航空航天大学仪器科学与光电工程学院;
【基金】：航空科学基金资助项目(20110112007,20100818018)
【分类号】：TN966

【参考文献】

相关期刊论文 前8条

1 胡良谋;曹克强;苏新兵;李小刚;;基于LS-SVM的飞控系统传感器故障诊断[J];飞行力学;2011年03期

2 王强;田学民;;基于改进的GA-LSSVM的软测量建模方法[J];北京理工大学学报;2012年10期

3 张浩然;汪晓东;;回归最小二乘支持向量机的增量和在线式学习算法[J];计算机学报;2006年03期

4 段江涛;陈怀民;王亮;;基于检测滤波器的俯仰角速率传感器故障检测研究[J];计算机测量与控制;2011年04期

5 叶美盈,汪晓东,张浩然;基于在线最小二乘支持向量机回归的混沌时间序列预测[J];物理学报;2005年06期

6 钮永胜,赵新民;基于神经网络在线建模的非线性动态系统中传感器故障检测方法[J];宇航学报;1998年01期

7 吴琼;杨以涵;刘文颖;;基于最小二乘支持向量机的电力系统暂态稳定在线预测[J];中国电机工程学报;2007年25期

8 唐圣金;郭晓松;王振业;司小胜;;基于故障树的多光纤陀螺冗余系统可靠性分析[J];中国惯性技术学报;2013年02期

【共引文献】

相关期刊论文 前10条

1 冀卫兴;陈忠海;方筝;;基于DE—BP算法的空调负荷预测研究[J];四川建筑科学研究;2010年05期

2 郭立萍;唐家奎;米素娟;张成雯;赵理君;;基于支持向量机遥感图像融合分类方法研究进展[J];安徽农业科学;2010年17期

3 王婷婷;黄燕;;基于NC-SVM的酵母蛋白功能预测研究[J];现代农业科技;2011年07期

4 王尔丹;人群运动与密度估计技术研究[J];安全;2005年03期

5 冯学军;;最小二乘支持向量机的研究与应用[J];安庆师范学院学报(自然科学版);2009年01期

6 周德强;冯建中;;建筑物沉降预测的改进Verhulst模型研究[J];地下空间与工程学报;2011年01期

7 王立平;孔小梅;付梦印;王美玲;张甲文;姜明;;Temperature Drift Modeling of FOG Based on LS-WSVM[J];Journal of China Ordnance;2008年03期

8 王亮;胡静涛;;基于LS-SVM的光刻过程R2R预测控制方法[J];半导体技术;2012年06期

9 田盛丰;基于核函数的学习算法[J];北方交通大学学报;2003年02期

10 薛彦轶;刘晓东;;基于最小二乘支持向量机的航材备件需求建模[J];兵工自动化;2007年06期

相关会议论文 前10条

1 宋海鹰;桂卫华;阳春华;;基于核偏最小二乘的简约最小二乘支持向量机及其应用研究[A];第二十六届中国控制会议论文集[C];2007年

2 宋海鹰;桂卫华;阳春华;;基于最小二乘支持向量机的Hammerstein-Wiener模型辨识[A];第二十六届中国控制会议论文集[C];2007年

3 ;Inverse System Control of Nonlinear Systems Using LS-SVM[A];第二十六届中国控制会议论文集[C];2007年

4 ;A Novel Proximal Support Vector Machine and Its Application in Radar Target Recognition[A];第二十六届中国控制会议论文集[C];2007年

5 ;A CDMA Signal Receiver Based on LS-SVM[A];第二十六届中国控制会议论文集[C];2007年

6 ;LS-SVM Based Stable Generalized Predictive Control[A];第二十七届中国控制会议论文集[C];2008年

7 阎纲;梁昔明;龙祖强;李翔;;一种新的提前一步预测控制算法[A];第二十七届中国控制会议论文集[C];2008年

8 孙玉坤;王博;丁慎平;;基于模糊支持向量机的赖氨酸发酵软测量[A];第二十七届中国控制会议论文集[C];2008年

9 ;GA Based LS-SVM Classifier for Waste Water Treatment Process[A];第二十七届中国控制会议论文集[C];2008年

10 柴伟;孙先仿;乔俊飞;;有监督的等距映射和k近邻分类结合用于集员辨识[A];第二十九届中国控制会议论文集[C];2010年

相关博士学位论文 前10条

1 赵莹;半监督支持向量机学习算法研究[D];哈尔滨工程大学;2010年

2 王敏;分布式电源的概率建模及其对电力系统的影响[D];合肥工业大学;2010年

3 李书艳;单点氨基酸多态性与疾病相关关系的预测及其机制研究[D];兰州大学;2010年

4 张明;电能质量扰动相关问题研究[D];华中科技大学;2010年

5 许伟;基于进化算法的复杂化工过程智能建模方法及其应用[D];华东理工大学;2011年

6 向国齐;支持向量回归机代理模型设计优化及应用研究[D];电子科技大学;2010年

7 桑永胜;空间数据分析的神经计算方法[D];电子科技大学;2010年

8 渠瑜;基于SVM的高不平衡分类技术研究及其在电信业的应用[D];浙江大学;2010年

9 包鑫;稳健回归技术及其在光谱分析中的应用[D];浙江大学;2010年

10 甘良志;核学习算法与集成方法研究[D];浙江大学;2010年

相关硕士学位论文 前10条

1 曾传华;基于颜色和纹理特征的竹条分级方法研究[D];华中农业大学;2010年

2 朱杰;一种基于聚类的支持向量机反问题求解算法[D];河北大学;2007年

3 田文娟;基于支持向量机的人民币序列号识别方法的研究[D];山东科技大学;2010年

4 孟培培;基于3S的土地督察信息系统研究[D];山东科技大学;2010年

5 刘维会;不平衡数据集上支持向量机算法研究[D];山东科技大学;2010年

6 李海清;支持向量机在金融市场预测中的应用[D];辽宁师范大学;2010年

7 王文栋;GEP及SVM融合的分类技术研究[D];广西师范学院;2010年

8 李光远;基于在线聚类和最小二乘支持向量机的模糊建模方法研究[D];郑州大学;2010年

9 王巧立;微生物发酵过程的建模与优化控制研究[D];郑州大学;2010年

10 刘松;基于OCSVM和主动学习的DDOS攻击分布式检测系统[D];郑州大学;2010年

【二级参考文献】

相关期刊论文 前10条

1 富立;王新玲;岳亚洲;;基于可靠性分析的最优冗余配置数量确定方法[J];北京航空航天大学学报;2010年09期

2 夏克寒;牟建华;夏治寒;;多惯性仪表冗余系统方案设计及其关键技术[J];导弹与航天运载技术;2007年06期

3 蔡开龙;孙云帆;姚武文;;航空发动机传感器故障诊断与自适应重构控制[J];电光与控制;2009年06期

4 彭疆南,孙元章,王海风;基于广域量测数据和导纳参数在线辨识的受扰轨迹预测[J];电力系统自动化;2003年22期

5 褚晓东,刘玉田,邱夕兆;基于径向基函数网络的暂态稳定极限估计与预防控制[J];电力系统自动化;2004年10期

6 许剑冰,薛禹胜,张启平,陈开庸,励刚,洪宪平,徐泰山,鲍颜红;基于系统同调性的PMU最优布点[J];电力系统自动化;2004年19期

7 常乃超,兰洲,甘德强,倪以信;广域测量系统在电力系统分析及控制中的应用综述[J];电网技术;2005年10期

8 李大虎;曹一家;;基于PMU和混合支持向量机网络的电力系统暂态稳定性分析[J];电网技术;2006年09期

9 叶美盈,汪晓东;混沌光学系统辨识的支持向量机方法[J];光学学报;2004年07期

10 赵建成,谢小荣,穆钢;基于WAMS的电力系统暂态稳定的快速预测[J];继电器;2005年07期

相关硕士学位论文 前1条

1 冒泽慧;基于自适应观测器的故障诊断与容错控制研究[D];南京航空航天大学;2006年

【相似文献】

相关期刊论文 前2条

1 I.G.Goering ,陈崇，

本文编号：2508738