CN110109441A - 一种激光惯组故障预测方法和系统 - Google Patents
一种激光惯组故障预测方法和系统 Download PDFInfo
- Publication number
- CN110109441A CN110109441A CN201910300696.2A CN201910300696A CN110109441A CN 110109441 A CN110109441 A CN 110109441A CN 201910300696 A CN201910300696 A CN 201910300696A CN 110109441 A CN110109441 A CN 110109441A
- Authority
- CN
- China
- Prior art keywords
- chamber
- long control
- overshoot
- control circuit
- mathematical model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Lasers (AREA)
Abstract
本发明公开了一种激光惯组故障预测方法和系统,该方法包括:对腔长控制电路数学模型进行解析,确定将系统动态响应特性的超调量作为系统健康指征;通过腔长控制回路仿真试验,采集得到系统动态响应特性的超调量的试验值,并根据试验值绘制超调量衰变曲线;根据绘制的超调量衰变曲线,采用趋势外推法建立拟合函数模型,并通过拟合函数模型,进行激光惯组故障预测。通过本发明实现了对激光惯组系统的故障预测。
Description
技术领域
本发明属于电子控制系统故障预测与健康管理技术领域,尤其涉及一种基于腔长控制电路数学模型的激光惯组故障预测方法和系统。
背景技术
激光惯组系统是一种应用惯性敏感元件(激光陀螺与加速度计)构成的惯性测量装置或惯性测量系统。从结构上看,可把激光陀螺控制电路分为主控逻辑电路(单片机及外围电路)、抖动控制电路、腔长控制电路、稳流电路、信号放大与处理电路几个部分。其中,腔长控制电路的目的就是要稳定激光陀螺的腔长,确保标度因数稳定不变;以及,将在消除了相向行波模式竞争的环形激光器内形成稳定的双向行波振荡,获得稳定的输出功率。
激光陀螺的腔长控制通常采用压电陶瓷驱动一面或多面反射镜沿其法线方向平移来调节谐振腔腔长,从而使纵模频率稳定在增益曲线的峰值点上。根据光电探测器探测的增益曲线的变化,采用电子线路来控制压电陶瓷的伸缩。因此,腔长控制的过程是一个动态的闭环跟踪过程,如图1,给出了激光陀螺腔长闭环控制系统框图。
故障预测是指以装备的使用状态为起点,结合已知的装备结构特性、性能参数、环境条件及运行历史,对装备未来时间或任务段内可能发生的故障进行预报、分析和判断,确定故障性质、类别、程度、原因及部位,指出故障发展趋势及后果,包括确定装备的剩余寿命、故障发生的概率或正常工作的时间等。
当前对于控制电路故障预测技术的研究主要分为基于失效物理的方法和基于数据驱动的方法,其中,基于失效物理的方法是通过分析电路中关键元器件电性能的衰退特性,建立电子电路的衰退模型,并据此进行故障预测。但是随着电子电路复杂性的不断提高,衰退模型建立的难度会成几何级数的增长,很多系统甚至无法建立准确的模型。
基于数据驱动的方法依赖于产品的监测数据,通过建立相应的统计或者随机模型对监测数据进行建模,利用具有时间序列性质的监测数据来学习模型中未知的状态和参数。一旦未知状态和参数确定下来,便可以根据模型的性质进行故障预测和剩余寿命预测。基于数据驱动的故障预测方法不依赖于系统的物理或数学模型,无需对系统内部故障传播机理进行深入的研究,仅需要通过获取系统测试或传感器的历史数据,从中挖掘出包含的故障信息,据此建立预测模型,完成对系统故障趋势的预测。但是,实际应用中典型数据的获取代价通常十分高昂;而且即使能够获得需要的故障样本数据,其往往具有很强的不确定性和不完整性,也很难获得足够的、覆盖系统整个生命周期的样本数据。
对于激光惯组系统故障预测方法的研究国内主要是采用数据驱动的方法,基于激光陀螺逐日漂移系数数据进行故障预测。如基于支持向量机的惯性测量组合故障预测,基于极端学习机的惯性测量组合故障预测,基于小样本条件下的惯性测量组合故障预测等。但是激光陀螺是高可靠性器件,短期内获得的激光陀螺逐日漂移系数数据很难反映激光陀螺的衰变趋势,因此根据这些数据进行的故障预测结果也很难具有高准确性。而国内对于基于失效物理的激光惯组故障预测方法的研究主要是进行了基于退化过程建模的剩余寿命在线估计算法的理论研究,还没有实际的试验案例。
可见,对于激光惯组系统的故障预测,基于失效物理模型的方法很难建立准确的衰退模型;基于数据驱动的方法也很难获得足够的、覆盖系统整个生命周期的样本数据。
发明内容
本发明的技术解决问题:克服现有技术的不足,提供一种基于腔长控制电路数学模型的激光惯组故障预测方法和系统,实现了对激光惯组系统的故障预测。
为了解决上述技术问题,本发明公开了一种基于腔长控制电路数学模型的激光惯组故障预测方法,包括:
对腔长控制电路数学模型进行解析,确定将系统动态响应特性的超调量作为系统健康指征;
通过腔长控制回路仿真试验,采集得到系统动态响应特性的超调量的试验值,并根据试验值绘制超调量衰变曲线;
根据绘制的超调量衰变曲线,采用趋势外推法建立拟合函数模型,并通过拟合函数模型,进行激光惯组故障预测。
在上述基于腔长控制电路数学模型的激光惯组故障预测方法中,所述腔长控制电路数学模型为:实际电路中的腔长控制机构对应的数学模型;所述腔长控制电路数学模型中的原始传递函数为其中,s表示复变量,τ表示时间常数。
在上述基于腔长控制电路数学模型的激光惯组故障预测方法中,对腔长控制电路数学模型进行解析,确定将系统动态响应特性的超调量作为系统健康指征,包括:
确定腔长控制电路数学模型中的原始传递函数
将原始传递函数转换为状态方程:
其中,x表示状态向量,表示状态向量的微分,u表示输入向量,y表示量测值;
根据状态方程随时间变化的规律,使原始传递函数中的时间常数τ随着仿真时间发生线性变化,以模拟腔长控制机构的退化过程;
根据对退化过程的分析比较,确定将系统动态响应特性的超调量作为系统健康指征;其中,所述系统动态响应特性用于指示系统性能的衰退。
在上述基于腔长控制电路数学模型的激光惯组故障预测方法中,通过腔长控制回路仿真试验,采集得到系统动态响应特性的超调量的试验值,并根据试验值绘制超调量衰变曲线,包括:
进行腔长控制回路仿真试验,每隔1个时间单位加入幅值为1的脉冲信号,以模拟实际系统运行过程中负载的变化情况;
采集得到系统动态响应特性的超调量的试验值,并根据试验值绘制超调量衰变曲线。
在上述基于腔长控制电路数学模型的激光惯组故障预测方法中,根据绘制的超调量衰变曲线,采用趋势外推法建立拟合函数模型,并通过拟合函数模型,进行激光惯组故障预测,包括:
从超调量衰变曲线中提取前31个时间单位的数据作为趋势外推法的初始数据;
对所述初始数据进行一次移动平均,得到一次移动平均结果
对一次移动平均结果进行二次移动平均,得到二次移动平均结果Mt (2):
根据和确定拟合函数模型的平滑系数bt和修正滞后偏差at:
确定拟合函数模型的表达式:
其中,y表示被预测的变量,yt表示第t期的测量值,N表示移动平均值的跨越期,T表示向未来预期的期数;
根据拟合函数模型得到激光惯组故障预测结果。
本发明还公开了一种腔长控制电路数学模型的激光惯组故障预测系统,包括:
系统健康指征确定模块,用于对腔长控制电路数学模型进行解析,确定将系统动态响应特性的超调量作为系统健康指征;
数据采集模块,用于通过腔长控制回路仿真试验,采集得到系统动态响应特性的超调量的试验值,并根据试验值绘制超调量衰变曲线;
预测模块,用于根据绘制的超调量衰变曲线,采用趋势外推法建立拟合函数模型,并通过拟合函数模型,进行激光惯组故障预测。
在上述腔长控制电路数学模型的激光惯组故障预测系统中,所述腔长控制电路数学模型为:实际电路中的腔长控制机构对应的数学模型;所述腔长控制电路数学模型中的原始传递函数为其中,s表示复变量,τ表示时间常数。
在上述腔长控制电路数学模型的激光惯组故障预测系统中,系统健康指征确定模块,用于:
确定腔长控制电路数学模型中的原始传递函数
将原始传递函数转换为状态方程:
其中,x表示状态向量,表示状态向量的微分,u表示输入向量,y表示量测值;
根据状态方程随时间变化的规律,使原始传递函数中的时间常数τ随着仿真时间发生线性变化,以模拟腔长控制机构的退化过程;
根据对退化过程的分析比较,确定将系统动态响应特性的超调量作为系统健康指征;其中,所述系统动态响应特性用于指示系统性能的衰退。
在上述腔长控制电路数学模型的激光惯组故障预测系统中,数据采集模块,用于:
进行腔长控制回路仿真试验,每隔1个时间单位加入幅值为1的脉冲信号,以模拟实际系统运行过程中负载的变化情况;
采集得到系统动态响应特性的超调量的试验值,并根据试验值绘制超调量衰变曲线。
在上述腔长控制电路数学模型的激光惯组故障预测系统中,预测模块,用于:
从超调量衰变曲线中提取前31个时间单位的数据作为趋势外推法的初始数据;
对所述初始数据进行一次移动平均,得到一次移动平均结果
对一次移动平均结果进行二次移动平均,得到二次移动平均结果
根据和确定拟合函数模型的平滑系数bt和修正滞后偏差at:
确定拟合函数模型的表达式:
其中,y表示被预测的变量,yt表示第t期的测量值,N表示移动平均值的跨越期,T表示向未来预期的期数;
根据拟合函数模型得到激光惯组故障预测结果。
本发明具有以下优点:
本发明通过建立激光惯组腔长控制电路数学模型来寻找腔长控制电路的健康指征,克服了对于复杂的激光惯组系统,很难通过建立失效物理模型的方法找到其健康指征的缺点,能更快更准确地找到影响激光惯组系统健康状态的特征点,建立基于健康指征的系统衰变曲线。然后通过各种仿真试验对数学模型进行分析,获得健康指征退化曲线和失效阈值,从而克服了数据驱动方法很难获得足够的、覆盖系统整个生命周期的样本数据的缺点。最后根据退化曲线,用趋势外推法进行趋势外推。当趋势外推到健康指征到达失效阈值时,认为激光惯组系统将发生故障,并将发生故障的时刻作为故障预估点,从而完成对激光惯组系统的故障预测。
附图说明
图1是一种激光陀螺腔长闭环控制系统框图;
图2是本发明实施例中一种腔长控制电路数学模型的激光惯组故障预测的步骤流程图;
图3是本发明实施例中一种腔长控制电路数学模型的示意图;
图4是本发明实施例中一种超调量衰变曲线曲线示意图;
图5是本发明实施例中一种超调量外推曲线示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明公开的实施方式作进一步详细描述。
如图2,在本实施例中,该基于腔长控制电路数学模型的激光惯组故障预测方法,包括:
步骤101,对腔长控制电路数学模型进行解析,确定将系统动态响应特性的超调量作为系统健康指征。
在本实施例中,腔长控制电路数学模型如图3所示,S-Function模块(腔长控制模块)对应了实际电路中的腔长控制机构,包括了压电陶瓷、差分放大和D/A模块;原始传递函数为也即,腔长控制电路数学模型为:实际电路中的腔长控制机构对应的数学模型;所述腔长控制电路数学模型中的原始传递函数为其中,s表示复变量,τ表示时间常数。
其中,传递函数是腔长控制机构在频域上的描述模型,而系统退化所引起的模型参数变化是在时域上进行的。在本实施例中,可将原始传递函数转换为状态方程:
其中,x表示状态向量,表示状态向量的微分,u表示输入向量,y表示量测值。
进一步的,根据状态方程随时间变化的规律,使原始传递函数中的时间常数τ随着仿真时间发生线性变化,以模拟腔长控制机构的退化过程。
原始传递函数中的时间常数τ的变化会引起系统动态响应特性的变化,如超调量变大等,通过分析比较发现,这些动态响应特性能反映系统性能的衰退,因此,可根据对退化过程的分析比较,确定将系统动态响应特性的超调量作为系统健康指征;其中,所述系统动态响应特性用于指示系统性能的衰退。
步骤102,通过腔长控制回路仿真试验,采集得到系统动态响应特性的超调量的试验值,并根据试验值绘制超调量衰变曲线。
在本实施例中,可进行腔长控制回路仿真试验,每隔1个时间单位加入幅值为1的脉冲信号,以模拟实际系统运行过程中负载的变化情况;进而采集得到系统动态响应特性的超调量的试验值,并根据试验值绘制超调量衰变曲线,如图4所示。
步骤103,根据绘制的超调量衰变曲线,采用趋势外推法建立拟合函数模型,并通过拟合函数模型,进行激光惯组故障预测。
在本实施例中,考虑样本数据随时间序列水平型变动的数据特征,采用一次指数平滑预测法和二次移动平均值预测法进行预测。预测值如图5所示,其中,图5中原始曲线是从原始仿真信号中提取的最大峰值点连线,从31s开始的点画线是利用二次滑动平均法进行一步外推得到的最大峰值预测点的连线。一次移动平均法是收集一组历史数据,以它们的平均值作为下一期预测值的过程,并可以根据不断推进的新数据对最新一期的预测值进行实时更新。二次滑动平均法是对一次移动平均值再进行第二次移动平均,并以对一次移动平均值和二次滑动平均值处理后的结果作为线性预测模型的平滑系数和修正滞后偏差,从而确定拟合曲线公式。对于随时间序列呈线性趋势变化的数据,采用一次移动平均法获得的预测值会滞后于历史数据的变化,并且只能预测一期的未来数据。因此,可以采用二次滑动平均法对这一滞后偏差进行修正。
具体实现如下:
从超调量衰变曲线中提取前31个时间单位的数据作为趋势外推法的初始数据;对所述初始数据进行一次移动平均,得到一次移动平均结果
对一次移动平均结果进行二次移动平均,得到二次移动平均结果
根据和确定拟合函数模型的平滑系数bt和修正滞后偏差at:
确定拟合函数模型的表达式:
其中,y表示被预测的变量,yt表示第t期的测量值,N表示移动平均值的跨越期,T表示向未来预期的期数。
最后,根据拟合函数模型得到激光惯组故障预测结果。
在上述实施例的基础上,本发明还公开了一种腔长控制电路数学模型的激光惯组故障预测系统,包括:系统健康指征确定模块,用于对腔长控制电路数学模型进行解析,确定将系统动态响应特性的超调量作为系统健康指征;数据采集模块,用于通过腔长控制回路仿真试验,采集得到系统动态响应特性的超调量的试验值,并根据试验值绘制超调量衰变曲线;预测模块,用于根据绘制的超调量衰变曲线,采用趋势外推法建立拟合函数模型,并通过拟合函数模型,进行激光惯组故障预测。
优选的,腔长控制电路数学模型为:实际电路中的腔长控制机构对应的数学模型;所述腔长控制电路数学模型中的原始传递函数为其中,s表示复变量,τ表示时间常数。
优选的,系统健康指征确定模块,用于:
确定腔长控制电路数学模型中的原始传递函数
将原始传递函数转换为状态方程:
其中,x表示状态向量,表示状态向量的微分,u表示输入向量,y表示量测值;
根据状态方程随时间变化的规律,使原始传递函数中的时间常数τ随着仿真时间发生线性变化,以模拟腔长控制机构的退化过程;
根据对退化过程的分析比较,确定将系统动态响应特性的超调量作为系统健康指征;其中,所述系统动态响应特性用于指示系统性能的衰退。
优选的,数据采集模块,用于:
进行腔长控制回路仿真试验,每隔1个时间单位加入幅值为1的脉冲信号,以模拟实际系统运行过程中负载的变化情况;
采集得到系统动态响应特性的超调量的试验值,并根据试验值绘制超调量衰变曲线。
优选的,预测模块,用于:
从超调量衰变曲线中提取前31个时间单位的数据作为趋势外推法的初始数据;
对所述初始数据进行一次移动平均,得到一次移动平均结果
对一次移动平均结果进行二次移动平均,得到二次移动平均结果
根据和确定拟合函数模型的平滑系数bt和修正滞后偏差at:
确定拟合函数模型的表达式:
其中,y表示被预测的变量,yt表示第t期的测量值,N表示移动平均值的跨越期,T表示向未来预期的期数;
根据拟合函数模型得到激光惯组故障预测结果。
对于系统实施例而言,由于其与方法实施例相对应,所以描述的比较简单,相关之处参见方法实施例部分的说明即可。
本说明中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
以上所述,仅为本发明最佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。
Claims (10)
1.一种基于腔长控制电路数学模型的激光惯组故障预测方法,其特征在于,包括:
对腔长控制电路数学模型进行解析,确定将系统动态响应特性的超调量作为系统健康指征;
通过腔长控制回路仿真试验,采集得到系统动态响应特性的超调量的试验值,并根据试验值绘制超调量衰变曲线;
根据绘制的超调量衰变曲线,采用趋势外推法建立拟合函数模型,并通过拟合函数模型,进行激光惯组故障预测。
2.根据权利要求1所述的基于腔长控制电路数学模型的激光惯组故障预测方法,其特征在于,所述腔长控制电路数学模型为:实际电路中的腔长控制机构对应的数学模型;所述腔长控制电路数学模型中的原始传递函数为其中,s表示复变量,τ表示时间常数。
3.根据权利要求2所述的基于腔长控制电路数学模型的激光惯组故障预测方法,其特征在于,对腔长控制电路数学模型进行解析,确定将系统动态响应特性的超调量作为系统健康指征,包括:
确定腔长控制电路数学模型中的原始传递函数
将原始传递函数转换为状态方程:
其中,x表示状态向量,表示状态向量的微分,u表示输入向量,y表示量测值;
根据状态方程随时间变化的规律,使原始传递函数中的时间常数τ随着仿真时间发生线性变化,以模拟腔长控制机构的退化过程;
根据对退化过程的分析比较,确定将系统动态响应特性的超调量作为系统健康指征;其中,所述系统动态响应特性用于指示系统性能的衰退。
4.根据权利要求1所述的基于腔长控制电路数学模型的激光惯组故障预测方法,其特征在于,通过腔长控制回路仿真试验,采集得到系统动态响应特性的超调量的试验值,并根据试验值绘制超调量衰变曲线,包括:
进行腔长控制回路仿真试验,每隔1个时间单位加入幅值为1的脉冲信号,以模拟实际系统运行过程中负载的变化情况;
采集得到系统动态响应特性的超调量的试验值,并根据试验值绘制超调量衰变曲线。
5.根据权利要求1所述的基于腔长控制电路数学模型的激光惯组故障预测方法,其特征在于,根据绘制的超调量衰变曲线,采用趋势外推法建立拟合函数模型,并通过拟合函数模型,进行激光惯组故障预测,包括:
从超调量衰变曲线中提取前31个时间单位的数据作为趋势外推法的初始数据;
对所述初始数据进行一次移动平均,得到一次移动平均结果
对一次移动平均结果进行二次移动平均,得到二次移动平均结果
根据和确定拟合函数模型的平滑系数bt和修正滞后偏差at:
确定拟合函数模型的表达式:
其中,y表示被预测的变量,yt表示第t期的测量值,N表示移动平均值的跨越期,T表示向未来预期的期数;
根据拟合函数模型得到激光惯组故障预测结果。
6.一种腔长控制电路数学模型的激光惯组故障预测系统,其特征在于,包括:
系统健康指征确定模块,用于对腔长控制电路数学模型进行解析,确定将系统动态响应特性的超调量作为系统健康指征;
数据采集模块,用于通过腔长控制回路仿真试验,采集得到系统动态响应特性的超调量的试验值,并根据试验值绘制超调量衰变曲线;
预测模块,用于根据绘制的超调量衰变曲线,采用趋势外推法建立拟合函数模型,并通过拟合函数模型,进行激光惯组故障预测。
7.根据权利要求6所述的基于腔长控制电路数学模型的激光惯组故障预测系统,其特征在于,所述腔长控制电路数学模型为:实际电路中的腔长控制机构对应的数学模型;所述腔长控制电路数学模型中的原始传递函数为其中,s表示复变量,τ表示时间常数。
8.根据权利要求7所述的基于腔长控制电路数学模型的激光惯组故障预测系统,其特征在于,系统健康指征确定模块,用于:
确定腔长控制电路数学模型中的原始传递函数
将原始传递函数转换为状态方程:
其中,x表示状态向量,表示状态向量的微分,u表示输入向量,y表示量测值;
根据状态方程随时间变化的规律,使原始传递函数中的时间常数τ随着仿真时间发生线性变化,以模拟腔长控制机构的退化过程;
根据对退化过程的分析比较,确定将系统动态响应特性的超调量作为系统健康指征;其中,所述系统动态响应特性用于指示系统性能的衰退。
9.根据权利要求6所述的基于腔长控制电路数学模型的激光惯组故障预测系统,其特征在于,数据采集模块,用于:
进行腔长控制回路仿真试验,每隔1个时间单位加入幅值为1的脉冲信号,以模拟实际系统运行过程中负载的变化情况;
采集得到系统动态响应特性的超调量的试验值,并根据试验值绘制超调量衰变曲线。
10.根据权利要求6所述的基于腔长控制电路数学模型的激光惯组故障预测系统,其特征在于,预测模块,用于:
从超调量衰变曲线中提取前31个时间单位的数据作为趋势外推法的初始数据;
对所述初始数据进行一次移动平均,得到一次移动平均结果
对一次移动平均结果进行二次移动平均,得到二次移动平均结果
根据和确定拟合函数模型的平滑系数bt和修正滞后偏差at:
确定拟合函数模型的表达式:
其中,y表示被预测的变量,yt表示第t期的测量值,N表示移动平均值的跨越期,T表示向未来预期的期数;
根据拟合函数模型得到激光惯组故障预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300696.2A CN110109441B (zh) | 2019-04-15 | 2019-04-15 | 一种激光惯组故障预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300696.2A CN110109441B (zh) | 2019-04-15 | 2019-04-15 | 一种激光惯组故障预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110109441A true CN110109441A (zh) | 2019-08-09 |
CN110109441B CN110109441B (zh) | 2020-11-10 |
Family
ID=67483858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910300696.2A Active CN110109441B (zh) | 2019-04-15 | 2019-04-15 | 一种激光惯组故障预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110109441B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705840A (zh) * | 2021-09-23 | 2021-11-26 | 重庆允成互联网科技有限公司 | 一种设备预测性维护方法、装置、计算机设备及存储介质 |
CN113723439A (zh) * | 2021-06-03 | 2021-11-30 | 西北工业大学 | 一种基于外推法的变压器状态故障诊断和预测方法 |
CN114035553A (zh) * | 2021-11-16 | 2022-02-11 | 湖南机电职业技术学院 | 基于系统辨识和拟合度的控制系统故障检测方法及装置 |
CN115615466A (zh) * | 2022-12-20 | 2023-01-17 | 中国人民解放军火箭军工程大学 | 一种复杂工程系统健康状态确定方法及系统 |
CN115993138A (zh) * | 2023-03-23 | 2023-04-21 | 中国人民解放军火箭军工程大学 | 一种多表冗余激光惯组故障诊断方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4825260A (en) * | 1987-02-20 | 1989-04-25 | Litton Systems, Inc. | Apparatus and method using amplification cells for ring laser gyroscope cavity length control |
CN101949700A (zh) * | 2010-08-27 | 2011-01-19 | 中国航空工业第六一八研究所 | 一种激光陀螺腔长控制反射镜组件 |
CN103901881A (zh) * | 2014-04-14 | 2014-07-02 | 上海航天电子通讯设备研究所 | 用于运载火箭等效器系统兼容多种测试状态的装置 |
CN104567927A (zh) * | 2014-12-19 | 2015-04-29 | 北京航天时代激光导航技术有限责任公司 | 一种机载激光惯导设备故障搜集和可靠性评估方法 |
CN104713539A (zh) * | 2013-12-11 | 2015-06-17 | 中国航空工业第六一八研究所 | 一种激光陀螺腔长控制系统及控制方法 |
CN205317211U (zh) * | 2015-12-21 | 2016-06-15 | 河北汉光重工有限责任公司 | 一种基于dsp的激光陀螺稳频控制电路 |
EP3043264A1 (fr) * | 2015-01-07 | 2016-07-13 | Centre National d'Etudes Spatiales | Système de commande de véhicule, notamment aérien |
CN107631724A (zh) * | 2017-09-01 | 2018-01-26 | 北京航天发射技术研究所 | 一种获取激光惯组寻北导航大数据的方法 |
CN208505331U (zh) * | 2017-12-26 | 2019-02-15 | 四川图林科技发展有限公司 | 一种共抖陀螺惯性测量单元imu |
-
2019
- 2019-04-15 CN CN201910300696.2A patent/CN110109441B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4825260A (en) * | 1987-02-20 | 1989-04-25 | Litton Systems, Inc. | Apparatus and method using amplification cells for ring laser gyroscope cavity length control |
CN101949700A (zh) * | 2010-08-27 | 2011-01-19 | 中国航空工业第六一八研究所 | 一种激光陀螺腔长控制反射镜组件 |
CN104713539A (zh) * | 2013-12-11 | 2015-06-17 | 中国航空工业第六一八研究所 | 一种激光陀螺腔长控制系统及控制方法 |
CN103901881A (zh) * | 2014-04-14 | 2014-07-02 | 上海航天电子通讯设备研究所 | 用于运载火箭等效器系统兼容多种测试状态的装置 |
CN104567927A (zh) * | 2014-12-19 | 2015-04-29 | 北京航天时代激光导航技术有限责任公司 | 一种机载激光惯导设备故障搜集和可靠性评估方法 |
EP3043264A1 (fr) * | 2015-01-07 | 2016-07-13 | Centre National d'Etudes Spatiales | Système de commande de véhicule, notamment aérien |
CN205317211U (zh) * | 2015-12-21 | 2016-06-15 | 河北汉光重工有限责任公司 | 一种基于dsp的激光陀螺稳频控制电路 |
CN107631724A (zh) * | 2017-09-01 | 2018-01-26 | 北京航天发射技术研究所 | 一种获取激光惯组寻北导航大数据的方法 |
CN208505331U (zh) * | 2017-12-26 | 2019-02-15 | 四川图林科技发展有限公司 | 一种共抖陀螺惯性测量单元imu |
Non-Patent Citations (4)
Title |
---|
SIMON POTVIN: "Optical Sampling by Laser Cavity Tuning with a Highly Varying Laser Length", 《CLEO:2013》 * |
刘晶晶,黄丽莎: "基于稳流电路退化过程建模的激光惯组剩余寿命预测方法", 《航天控制》 * |
梁浩,等: "一种数字式激光陀螺腔长和抖动控制系统", 《导航与控制》 * |
石玉巍,于旭东: "激光陀螺惯性导航系统在线快速诊断技术", 《电子测量技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723439A (zh) * | 2021-06-03 | 2021-11-30 | 西北工业大学 | 一种基于外推法的变压器状态故障诊断和预测方法 |
CN113705840A (zh) * | 2021-09-23 | 2021-11-26 | 重庆允成互联网科技有限公司 | 一种设备预测性维护方法、装置、计算机设备及存储介质 |
CN114035553A (zh) * | 2021-11-16 | 2022-02-11 | 湖南机电职业技术学院 | 基于系统辨识和拟合度的控制系统故障检测方法及装置 |
CN114035553B (zh) * | 2021-11-16 | 2023-11-24 | 湖南机电职业技术学院 | 基于系统辨识和拟合度的控制系统故障检测方法及装置 |
CN115615466A (zh) * | 2022-12-20 | 2023-01-17 | 中国人民解放军火箭军工程大学 | 一种复杂工程系统健康状态确定方法及系统 |
CN115993138A (zh) * | 2023-03-23 | 2023-04-21 | 中国人民解放军火箭军工程大学 | 一种多表冗余激光惯组故障诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110109441B (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110109441A (zh) | 一种激光惯组故障预测方法和系统 | |
CN102055201B (zh) | 基于微扰动信号振荡模式辨识的电力系统低频振荡机理分析方法 | |
CN111242021B (zh) | 一种分布式光纤振动信号特征提取与识别方法 | |
CN104573248B (zh) | 基于emd的光纤陀螺温度漂移多尺度极限学习机训练方法 | |
Rente et al. | Lithium-ion battery state-of-charge estimator based on FBG-based strain sensor and employing machine learning | |
US20080047362A1 (en) | Method and device to determine the q factor for flow meters | |
KR102181966B1 (ko) | 유압실린더 종합 테스트 스테이션에 대한 소프트 측량방법 및 시스템 | |
CN104921736A (zh) | 一种包含参数估计功能滤波模块的连续血糖监测设备 | |
AU2020102396A4 (en) | Machine learning-based method for analyzing characteristics of laser beam propagation through turbulent atmosphere | |
CN104062236A (zh) | 一种基于腔衰荡技术的大气能见度检测装置及应用方法 | |
Liang et al. | Research on sensor error compensation of comprehensive logging unit based on machine learning | |
Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
CN104516991A (zh) | 一种伽马传感器全温度范围补偿方法 | |
CN107977730A (zh) | 一种多传感器数据融合技术的风速测量方法 | |
CN110472315A (zh) | 基于ersa算法的结构参数识别方法 | |
Teodorescu | Sensors based on nonlinear dynamic systems—A survey | |
Fang et al. | Distributed optical fiber vibration sensing implemented with delayed feedback reservoir computing | |
Li et al. | Abnormal signal recognition method of wearable sensor based on machine learning | |
CN116840764A (zh) | 一种电容式电压互感器综合误差状态评估方法及系统 | |
Zhong et al. | An Intelligent Calculation Method of Volterra Time‐Domain Kernel Based on Time‐Delay Artificial Neural Network | |
CN110287625A (zh) | 存储系统性能评估装置、方法、电子设备及存储介质 | |
CN114184296A (zh) | 基于迁移学习的多模微环谐振腔温度传感处理方法及装置 | |
Huu et al. | Development of warning and predicting system for quality of air in smart cities using RNN | |
Qianqian et al. | Study on life prediction of radar based on non-parametric regression model | |
Liu et al. | Research on nonlinear compensation scheme of yarn tension sensor using SAW devices based on SSA–SVR model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |