加速度传感器数据处理与分析系统设计

发布时间：2017-08-21 13:23

  本文关键词：加速度传感器数据处理与分析系统设计

  更多相关文章： 加速度计 稳定性 标定实验 零偏 标度因数

【摘要】：加速度计是惯导系统的关键组件之一,用来测量运载体的加速度值。而石英挠性加速度计具有精度高,抗干扰能力强的特点,是惯性导航和制导系统中不可缺少的关键器件之一,其性能的好坏在整个系统中起着关键性的作用。通过理论研究和产品测试数据分表明,影响石英挠性加速度计稳定性主要因素是零偏和标度因数的稳定性。本文设计了一套加速度传感器数据处理与分析系统用于零偏和标度因数的稳定性研究。本文首先分析了加速度计的工作原理,根据加速度计常用标定方法以及现有测试平台给出了本文所用的实验方案、实验坏境以及系统的总体设计方案,并以人机交互界面为例进行了简单介绍。其次,文章完成了对加速度计实验数据处理模块的设计,分别从数据帧、通信网关、数据预处理等多个方面对模块进行了详细的介绍。数据处理模块可从测控平台获取标定实验数据,并实现可对实验数据进行坏点剔除、参数标定等功能。最后,根据综合自回归滑动平均时间序列模型以及参数回归模型的模型原理,完成了加速度计参数的预测建模软件的设计,并给出了仿真示例。根据“分而治之”算法,基于小波分解的多尺度分析能力与径向基神经网络的非线性集成能力,本文发展了小波-滑动自回归移动平均-径向基神经网络组合模型以及径向基非线性集成模型两种改进的组合模型,并与单一模型进行了仿真对比。仿真结果表明,改进模型较单一模型的预测精度更高,为后续系统的开发提供了理论支持。
【关键词】：加速度计 稳定性 标定实验 零偏 标度因数
【学位授予单位】：西南科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TH824.4
【目录】：

• 摘要4-5
• ABSTRACT5-9
• 1 绪论9-14
• 1.1 课题研究背景及意义9-10
• 1.2 挠性加速度计在国内外的研究与发展现状10-12
• 1.2.1 挠性加速度计国外研究与发展现状10-11
• 1.2.2 挠性加速度计国内研究现状11-12
• 1.3 课题研究目标12
• 1.4 本文主要工作和内容安排12-14
• 1.4.1 主要工作12
• 1.4.2 内容安排12-14
• 2 系统总体设计14-26
• 2.1 实验方案设计与实验条件设定14-20
• 2.1.1 石英挠性加速度计工作原理14-16
• 2.1.2 石英挠性加速度计标定实验16-18
• 2.1.3 实验方案设计与实验条件设定18-20
• 2.2 系统总体方案20-25
• 2.2.1 系统总体方案20-22
• 2.2.2 人机交互界面22-25
• 2.3 本章小结25-26
• 3 系统交互通信与数据处理模块26-37
• 3.1 基于Zigbee技术的加速度计网络化测控平台介绍26-28
• 3.1.1 测控平台网络拓扑26-27
• 3.1.2 基于握手方式控制命令的可靠性传输27-28
• 3.2 节点映射及数据帧格式设计28-29
• 3.2.1 节点命名与端口映射28-29
• 3.2.2 数据帧格式设计29
• 3.3 通信网关29-31
• 3.4 标定实验控制模式31-32
• 3.5 标定实验数据处理模块32-36
• 3.5.1 高效数据结构设计32-33
• 3.5.2 基于拉依达准则法的坏点过滤33-34
• 3.5.3 基于最小二乘的加速度计参数拟合34-36
• 3.6 本章小结36-37
• 4 零偏ARIMA模型与标度因数参数回归模型37-51
• 4.1 基于ARIMA时间序列模型的零偏参数预测模型37-43
• 4.1.1 平稳时间序列检验37-38
• 4.1.2 ARMA模型原理38-42
• 4.1.3 ARIMA模型建模流程42-43
• 4.2 基于参数回归模型的标度因数建模预测模型43-45
• 4.3 零偏与标度因数预测分析模块45-50
• 4.3.1 预测分析模块介绍45-46
• 4.3.2 常规预测模型建模仿真46-50
• 4.4 本章小结50-51
• 5 基于小波变换的组合预测模型51-67
• 5.1 小波变换原理51-52
• 5.2 RBF神经网络模型52-56
• 5.2.1 RBF神经网络算法52-54
• 5.2.2 RBF神经网络建模步骤54-56
• 5.3 WT-ARMA-RBF组合预测模型56-61
• 5.3.1 WT-ARMA-RBF组合预测模型的基本思想56
• 5.3.2 WT-ARMA-RBF组合预测模型的建模步骤56-58
• 5.3.3 实证分析58-61
• 5.4 RBF非线性集成预测模型61-66
• 5.4.1 RBF非线性集成预测模型的基本思想61-62
• 5.4.2 RBF非线性集成预测模型的建模步骤62-63
• 5.4.3 实证分析63-66
• 5.5 本章小结66-67
• 结论67-69
• 致谢69-70
• 参考文献70-73
• 攻读学位期间发表的学术论文及研究成果73

，

本文编号：713128