CN113984043B - 一种矿用惯导系统的动态误差修正方法 - Google Patents
一种矿用惯导系统的动态误差修正方法 Download PDFInfo
- Publication number
- CN113984043B CN113984043B CN202111075441.4A CN202111075441A CN113984043B CN 113984043 B CN113984043 B CN 113984043B CN 202111075441 A CN202111075441 A CN 202111075441A CN 113984043 B CN113984043 B CN 113984043B
- Authority
- CN
- China
- Prior art keywords
- data
- inertial navigation
- navigation system
- temperature
- vibration
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012937 correction Methods 0.000 title claims abstract description 31
- 238000005065 mining Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 8
- 238000011161 development Methods 0.000 abstract description 4
- 238000009412 basement excavation Methods 0.000 abstract description 3
- 230000005641 tunneling Effects 0.000 description 10
- 239000003245 coal Substances 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000013307 optical fiber Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/183—Compensation of inertial measurements, e.g. for temperature effects
- G01C21/188—Compensation of inertial measurements, e.g. for temperature effects for accumulated errors, e.g. by coupling inertial systems with absolute positioning systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
- G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Navigation (AREA)
- Gyroscopes (AREA)
Abstract
本发明提供了一种矿用惯导系统的动态误差修正方法,涉及惯导系统技术领域,能够使惯导系统无累计误差,从而在巷道内准确测量掘进机车身的动态定位数据,进行精准开挖作业;该方法步骤包括:S1、采集惯导系统的温度历史数据、振动历史数据和方位姿态历史数据;S2、根据S1中的历史数据对惯导系统施加温度、振动和方位姿态,获得惯导系统原始输出数据;S3、根据对惯导系统施加的温度数据、振动数据、方位姿态数据和惯导系统的原始输出数据,构建基于神经网络的动态误差模型;S4、根据动态误差模型和惯导系统的标准输出,构建动态误差修正模型,并用于惯导系统的输出修正。本发明提供的技术方案适用于惯导系统误差修正的过程中。
Description
技术领域
本发明涉及惯导系统技术领域,尤其涉及一种矿用惯导系统的动态误差修正方法。
背景技术
随着社会对煤矿安全生产的重视,人们对掘进机的综合性能的要求也越来越高。近年来,为了顺应市场的需求,越来越多的先进技术在掘进机上得到应用,这种需求对传统的掘进机总体设计方案提出了挑战。
在煤矿生产中,掘进机设备的重要性毋庸置疑。它不仅是打通巷道的有力保障,而且是机械化采掘产煤工作的核心支撑。掘进机中通常采用惯导系统进行钻井时的导航和定位,要提高煤矿生产的安全性,促进掘进工作的准确、高效,必然对惯导系统的定位精度有更高的要求。传统惯导系统为了解决动态误差,通常需要每隔一段时间进行一次姿态对准,即初始对准,比如常用的对准方法基于卡尔曼滤波的初始对准等。但是这种方式一般需要在非工作时间进行,且在相邻两次对准的中间时段,惯导系统依然会有动态误差的累积,从而导致惯导系统定位信息的不准确。
因此,有必要研究一种新的矿用惯导系统的动态误差修正方法来应对以上现有技术的不足,以解决或减轻上述一个或多个问题。
发明内容
有鉴于此,本发明提供了一种矿用惯导系统的动态误差修正方法,能够使惯导系统实现无累计误差,在巷道内准确测量掘进机车身的动态定位数据,以辅助悬臂掘进机进行精准的开挖作业。
本发明提供一种矿用惯导系统的动态误差修正方法,其特征在于,所述方法的步骤包括:
S1、采集惯导系统的温度历史数据、振动历史数据和方位姿态历史数据;
S2、根据S1中收集的历史数据对惯导系统施加相应的温度、振动和方位姿态,并测量和记录惯导系统的原始输出数据;
S3、根据对惯导系统施加的温度数据、振动数据、方位姿态数据和惯导系统的原始输出数据,构建基于神经网络的动态误差模型;
S4、根据动态误差模型和惯导系统的标准输出,构建动态误差修正模型,并用于惯导系统的输出修正。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,步骤S1中的温度历史数据包括各个陀螺仪的若干内部温度数据、若干外部温度数据以及惯导系统的若干外部温度数据。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,步骤S1中的振动历史数据包括各个陀螺仪的若干内部振动数据、若干外部振动数据以及惯导系统的若干外部振动数据。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,步骤S1中的方位姿态历史数据为惯导系统静止时的方位姿态数据。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,构建动态误差模型的步骤包括:
S31、分别对温度数据、振动数据、方位姿态数据和原始输出数据进行小波分解,得到每个数据的低频趋势分量和高频波动分量;
S32、对每个数据的低频趋势分量和高频波动分量分别进行小波重构;
S33、用重构后的温度数据、振动数据、方位姿态数据的低频趋势分量作为输入,原始输出数据的低频趋势分量作为输出,对LSTM神经网络进行训练,得到LSTM模型;用重构后的温度数据、振动数据、方位姿态数据的高频波动分量作为输入,原始输出数据的高频波动分量作为输出,对CNN神经网络进行训练,得到CNN模型;
S34、将得到的LSTM模型和CNN模型合并形成所述动态误差模型。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,步骤S1中的温度历史数据包括温度数值和温度随时间的变化数据;振动历史数据包括振动数值和振动随时间的变化数据;方位姿态历史数据包括方位姿态数值和方位姿态随时间的变化数据。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,对惯导系统的原始输出数据进行阶段式分类,将同一类原始输出数据对应的温度数据、振动数据、方位姿态数据进行交叉组合,并与该类中原始输出数据进行随机匹配,获得若干组新的训练样本,用于步骤S3中动态误差模型的构建。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,步骤S2通过工况模拟装置对惯导系统施加温度、振动和方位姿态;
所述工况模拟装置包括:
惯导系统固定结构,用于对惯导系统进行固定;
温度控制系统,用于对惯导系统的内部和外部施加温度;
振动施加系统,与惯导系统固定结构连接,用于对惯导系统固定结构施加动力,使其实现振动;
对惯导系统施加的外部温度为惯导系统所处的环境温度;对惯导系统施加的内部温度包括对各个陀螺内部施加的温度、对各个陀螺壳体表面施加的温度以及对各个加速度计周边施加的温度。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,步骤S1中收集历史数据时,针对不同的地质环境进行地质分类,收集每种地质类别下的历史数据,并用于后续的步骤,最终获得针对不同地质类别的动态误差修正模型。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,进行惯导系统的输出修正时,先判断待挖掘地质的类型,然后根据该类型选择相应的动态误差修正模型使用。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,动态误差修正使用过程中,依然收集惯导系统的当前温度数据、振动数据、方位姿态数据以及惯导系统的原始输出数据(即未经修正的输出数据),并作为新的训练样本集参与步骤S3的动态误差模型的构建,实现动态误差模型和动态误差修正模型的自学习。
与现有技术相比,上述技术方案中的一个技术方案具有如下优点或有益效果:本发明从温度、振动和方位姿态三者结合上对惯导系统的输出进行误差补偿,考虑因素更多,有效提高误差修正的准确性;
上述技术方案中的另一个技术方案具有如下优点或有益效果:本发明对待挖掘地质进行分类,针对每一地质类别分别构建不同的误差修正方案,避免因地质之间的较大差异性不被重视而导致模型训练的不准确,相反的,在准确率相同的情况下,本申请按照地质类别进行训练的方案能够有效减少对训练样本集数量的需求。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有技术效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明一个实施例提供的矿用惯导系统的动态误差修正方法的流程图。
具体实施方式
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
本申请采用INS300矿用惯导系统,该矿用惯导系统可实时提供载体的三维位置、姿态、角速度、加速度等信息。采用高精度光纤陀螺作为核心惯性测量单元,并精确自寻北初始对准。激光惯导是利用三个正交安装的激光陀螺、三个正交安装的石英挠性加速度计组成惯性测量单元,测量敏感载体的三维载体角速度和加速度,进行初始对准后,应用罗经算法+捷联惯导算法结合,连续实时地提供满足性能要求的水平姿态及航向信息。
零偏是输入角速度为零(即陀螺静止)时陀螺仪的输出量,是陀螺仪精度的主要表征参数。光纤陀螺仪中零偏的变化主要由于沿光纤分布的环境温度变化在光纤线圈内引入的非互易性相移误差,另外钻铤的振动也能够对零偏产生影响,导致零偏变大,影响测量精度。因此,本申请提供一种基于温度补偿和振动补偿相结合的修正方法,以最大限度地消除惯导系统工作时的动态误差。
本申请在三个正交安装的陀螺仪的内部各个位置(主要包括光纤环内部和周边)以及外部壳体上的各个位置均设置若干温度传感器和振动传感器,并在三个加速度计的周围也设置若干温度传感器和振动传感器。采用多个温度传感器能够增加参考的温度条件数量,能够更充分的反应惯导系统受温度影响时输出的情况,更加有效的补偿惯导系统的零偏漂移情况。
如图1所示,本发明惯导系统动态误差修正方法的步骤包括:
步骤1:收集掘进机在历史掘进中对应各个温度传感器和振动传感器处的温度值和振动值,以及掘进过程中惯导系统的方位数据,并进行去噪处理,用收集的数据建立温度振动方位关系模型。收集历史数据时,可以对掘进的地质情况进行分类,得到不同种类地质条件下的历史数据,针对每一种地质种类构建一个温度振动方位关系模型,用于后续的模拟。
本申请使用温度数据和振动数据外,还是用惯导系统的方位数据,这主要是由于惯导系统在进行不同方位的掘进时其测漂能力是不同的,在小井斜角时一般的惯导系统都能够实现测漂,但在大井斜角甚至水平角时,其测漂能力则不佳,尤其是大井斜角下的Z轴陀螺仪。这也表明惯导系统的方位数据对其动态误差的修正是有影响的。
步骤2:构建一个工况模拟装置,将惯导系统设置在该装置内部,根据上述采集的温度振动方位数据对惯导系统施加温度值、振动值以及方位值,采集施加温度、振动和方位的全过程中的惯导系统输出值,得到每种地质种类下的输出值。
施加的温度值和振动值包括温度和振动的具体数值以及变化速率;变化速率通常不是固定的,也不是线性的,针对不同的地形和掘进环境,是无序变化的。施加温度和振动的过程中,惯导系统保持工作状态,这是为了把惯导系统中其他元件(包括一些电子元器件等)在温度和振动环境下可能存在的误差值也考虑在内,使得最后的补偿不仅限于陀螺仪和加速度计。
模拟装置包括壳体、温度控制系统、振动施加系统、惯导系统固定装置。惯导系统固定在固定装置上,该固定装置包括安装臂和旋转机构,安装臂和旋转机构连接,并能够在旋转机构的带动下实现任意角度的旋转,以模拟不同掘进工作时惯导系统的方位。安装臂具有一定的弹力,并与振动施加系统接触连接,在振动施加系统的带动下实现振动。该安装臂的具体设计方式也可以仿照掘进机的惯导系统安装装置,包括结构和材质,以便于更好的模拟出掘进过程中的振动情况。
温度控制系统包括工作环境温度控制子系统和陀螺仪内部温度控制子系统,工作环境温度控制子系统包括若干设于壳体内部的加热单元和设于壳体外部的控制组件,通过控制组件控制加热单元的动作,从而调整惯导系统的外部工作温度。通常情况下惯导系统的外部工作温度变化时会使得陀螺仪的内部温度也随之变化,但是由于惯导系统零偏漂移的主要因素是陀螺仪的零偏漂移,因此针对该主要因素,单独设置用于控制陀螺仪内部温度的控制子系统,该子系统包括设于三个陀螺仪内部的小型加热单元,可以是易生热的电阻,每个陀螺仪内部的电阻分别对应一组设于壳体外部的控制组件,用于调整陀螺仪内部的温度。该陀螺仪内部温度控制子系统主要是在工作环境温度控制子系统的控温达到步骤1采集的温度数据要求但是陀螺仪内部温度还未达到要求时,作为微调来使用的,目的是实现对实际工况环境的精确模拟。
步骤3:针对每一种地质种类,将温度振动方位关系模型数据作为输入,将步骤2中惯导系统的输出数据作为输出,构建该地质种类的动态误差模型,该模型反映了掘进过程的温度和振动参数与惯导系统最终输出之间的关系。该动态误差模型可以是神经网络模型,采用输入和输出对神经网络模型进行训练,得到动态误差模型。神经网络模型具有结果和初始值相关的特点,还具有很好的非线性映射能力。
建模时,针对温度、振动、方位数据以及惯导系统输出数据进行小波分解,得到每个数据的低频趋势分量和高频波动分量,然后再对每个数据的低频趋势分量和高频波动分量进行小波重构,用重构后的低频趋势分量对LSTM神经网络进行训练,用重构后的高频波动分量对CNN神经网络进行训练,将得到的LSTM模型和CNN模型合并形成本申请的动态误差模型。
动态误差模型构建时的训练数据集包括原始一一对应的温度、振动、方位以及惯导系统的输出数据。为了增加训练样本集,针对惯导系统的输出数据进行阶段式分类,将同一类的惯导系统输出所对应的若干组温度、振动、方位数据进行交叉匹配,获得若干组新的数据组,并与惯导系统输出数据匹配,形成大量新的训练样本,从而大大增加训练样本集。阶段式分类采用邻近输出值分类法或相同均方根值分类法。同一类别中的惯导系统输出数据与交叉匹配后的数据组之间随机匹配。
步骤4:根据每种地质种类下的动态误差模型和该地质种类对应的惯导系统输出标准值构建动态误差修正模型。进行掘进工作时,根据实际掘进处的地质情况进行地质种类的分类,根据地质种类选择对应的动态误差模型,根据该动态误差修正模型和当前掘进采集到的温度和振动数据,对惯导系统的输出进行修正,得到准确的输出数值。
现有的惯导系统大多不具备本发明要求的多个温度传感器和多个振动传感器的设置要求,因此初期收集的历史数据有可能不全,比如可能收集不到陀螺仪内部的温度,陀螺仪外壳上的温度提取点也不一定有那么多,这就需要初期进行数据收集时,根据普遍的惯导系统热分布情况预估出无法收集的温度数据,然后再进行建模。另外,在本申请矿用惯导系统成熟以后,惯导系统产生的新的掘进数据,包括各个监测点的温度数据、振动数据、方位数据以及惯导系统未经修正的输出数据,作为新的历史数据通过上述步骤,定期对修正模型进行训练,实现本申请修正模型的自学习过程。
本发明的惯导系统是一套无累计误差的自动导向系统,能够在煤矿巷道内准确测量掘进机车身的动态定位数据,以辅助悬臂掘进机进行精准的开挖作业。
以上对本申请实施例所提供的一种矿用惯导系统的动态误差修正方法,进行了详细介绍。以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
如在说明书及权利要求书当中使用了某些词汇来指称特定组件。本领域技术人员应可理解,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求书并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求书当中所提及的“包含”、“包括”为一开放式用语,故应解释成“包含/包括但不限定于”。“大致”是指在可接收的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式,然所述描述乃以说明本申请的一般原则为目的,并非用以限定本申请的范围。本申请的保护范围当视所附权利要求书所界定者为准。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
上述说明示出并描述了本申请的若干优选实施例,但如前所述,应当理解本申请并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述申请构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围,则都应在本申请所附权利要求书的保护范围内。
Claims (9)
1.一种矿用惯导系统的动态误差修正方法,其特征在于,所述方法的步骤包括:
S1、采集惯导系统的温度历史数据、振动历史数据和方位姿态历史数据;
S2、根据S1中收集的历史数据对惯导系统施加相应的温度、振动和方位姿态,并测量和记录惯导系统的原始输出数据;
S3、根据对惯导系统施加的温度数据、振动数据、方位姿态数据和惯导系统的原始输出数据,构建基于神经网络的动态误差模型;
S4、根据动态误差模型和惯导系统的标准输出,构建动态误差修正模型,并用于惯导系统的输出修正;
步骤S3中,构建动态误差模型的步骤包括:
S31、分别对温度数据、振动数据、方位姿态数据和原始输出数据进行小波分解,得到每个数据的低频趋势分量和高频波动分量;
S32、对每个数据的低频趋势分量和高频波动分量分别进行小波重构;
S33、用重构后的温度数据、振动数据、方位姿态数据的低频趋势分量作为输入,原始输出数据的低频趋势分量作为输出,对LSTM神经网络进行训练,得到LSTM模型;用重构后的温度数据、振动数据、方位姿态数据的高频波动分量作为输入,原始输出数据的高频波动分量作为输出,对CNN神经网络进行训练,得到CNN模型;
S34、将得到的LSTM模型和CNN模型合并形成所述动态误差模型。
2.根据权利要求1所述的矿用惯导系统的动态误差修正方法,其特征在于,步骤S1中的温度历史数包括各个陀螺仪的若干内部温度数据、若干外部温度数据以及惯导系统的若干外部温度数据。
3.根据权利要求1所述的矿用惯导系统的动态误差修正方法,其特征在于,步骤S1中的振动历史数据包括各个陀螺仪的若干内部振动数据、若干外部振动数据以及惯导系统的若干外部振动数据。
4.根据权利要求1所述的矿用惯导系统的动态误差修正方法,其特征在于,步骤S1中的方位姿态历史数据为惯导系统静止时的方位姿态数据。
5.根据权利要求1所述的矿用惯导系统的动态误差修正方法,其特征在于,步骤S1中的温度历史数据包括温度数值和温度随时间的变化数据;振动历史数据包括振动数值和振动随时间的变化数据;方位姿态历史数据包括方位姿态数值和方位姿态随时间的变化数据。
6.根据权利要求1所述的矿用惯导系统的动态误差修正方法,其特征在于,对惯导系统的原始输出数据进行阶段式分类,将同一类原始输出数据对应的温度数据、振动数据、方位姿态数据进行交叉组合,并与该类中原始输出数据进行随机匹配,获得若干组新的训练样本,用于步骤S3中动态误差模型的构建。
7.根据权利要求1所述的矿用惯导系统的动态误差修正方法,其特征在于,步骤S2通过工况模拟装置对惯导系统施加温度、振动和方位姿态;
所述工况模拟装置包括:
惯导系统固定结构,用于对惯导系统进行固定;
温度控制系统,用于对惯导系统的内部和外部施加温度;
振动施加系统,与惯导系统固定结构连接,用于对惯导系统固定结构施加动力,使其实现振动;
对惯导系统施加的外部温度为惯导系统所处的环境温度;对惯导系统施加的内部温度包括对各个陀螺内部施加的温度、对各个陀螺壳体表面施加的温度以及对各个加速度计周边施加的温度。
8.根据权利要求1所述的矿用惯导系统的动态误差修正方法,其特征在于,步骤S1中收集历史数据时,针对不同的地质环境进行地质分类,收集每种地质类别下的历史数据,并用于后续的步骤,最终获得针对不同地质类别的动态误差修正模型。
9.根据权利要求8所述的矿用惯导系统的动态误差修正方法,其特征在于,进行惯导系统的输出修正时,先判断待挖掘地质的类型,然后根据该类型选择相应的动态误差修正模型使用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111075441.4A CN113984043B (zh) | 2021-09-14 | 2021-09-14 | 一种矿用惯导系统的动态误差修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111075441.4A CN113984043B (zh) | 2021-09-14 | 2021-09-14 | 一种矿用惯导系统的动态误差修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113984043A CN113984043A (zh) | 2022-01-28 |
CN113984043B true CN113984043B (zh) | 2024-05-10 |
Family
ID=79735813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111075441.4A Active CN113984043B (zh) | 2021-09-14 | 2021-09-14 | 一种矿用惯导系统的动态误差修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113984043B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114577204B (zh) * | 2022-02-09 | 2024-01-02 | 中科禾华(扬州)光电科技有限公司 | 基于神经网络的捷联惯导系统抗干扰自对准方法和装置 |
CN114894043B (zh) * | 2022-03-30 | 2023-12-22 | 北京航天飞腾装备技术有限责任公司 | 一种基于小波包变换的精确制导弹药姿态滤波方法和系统 |
CN114705177B (zh) * | 2022-06-07 | 2022-08-30 | 西安晟昕科技发展有限公司 | 一种基于误差分析的光纤陀螺测姿数据处理方法 |
CN115096304B (zh) * | 2022-08-26 | 2022-11-22 | 中国船舶重工集团公司第七0七研究所 | 延时误差修正方法、装置、电子设备和存储介质 |
CN117420350A (zh) * | 2023-11-08 | 2024-01-19 | 广州市德珑电子器件有限公司 | 一种电源滤波器的损耗测试方法、系统、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101566483A (zh) * | 2009-05-22 | 2009-10-28 | 哈尔滨工程大学 | 光纤陀螺捷联惯性测量系统振动误差补偿方法 |
CN107655472A (zh) * | 2017-08-30 | 2018-02-02 | 杨华军 | 一种基于深度学习的高精度惯性导航设备误差补偿方法 |
CN110487271A (zh) * | 2019-09-26 | 2019-11-22 | 哈尔滨工程大学 | 一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法 |
CN110749337A (zh) * | 2019-10-11 | 2020-02-04 | 南京航空航天大学 | 一种基于深度神经网络的mimu误差补偿方法 |
CN112113566A (zh) * | 2020-09-24 | 2020-12-22 | 电子科技大学 | 一种基于神经网络的惯性导航数据修正方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11378403B2 (en) * | 2019-07-26 | 2022-07-05 | Honeywell International Inc. | Apparatus and method for terrain aided navigation using inertial position |
-
2021
- 2021-09-14 CN CN202111075441.4A patent/CN113984043B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101566483A (zh) * | 2009-05-22 | 2009-10-28 | 哈尔滨工程大学 | 光纤陀螺捷联惯性测量系统振动误差补偿方法 |
CN107655472A (zh) * | 2017-08-30 | 2018-02-02 | 杨华军 | 一种基于深度学习的高精度惯性导航设备误差补偿方法 |
CN110487271A (zh) * | 2019-09-26 | 2019-11-22 | 哈尔滨工程大学 | 一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法 |
CN110749337A (zh) * | 2019-10-11 | 2020-02-04 | 南京航空航天大学 | 一种基于深度神经网络的mimu误差补偿方法 |
CN112113566A (zh) * | 2020-09-24 | 2020-12-22 | 电子科技大学 | 一种基于神经网络的惯性导航数据修正方法 |
Non-Patent Citations (3)
Title |
---|
Neural Network Approach for Modeling of Low-Cost Inertial Navigation System Errors;Maged Ismail et al.;《2016 26th International Conference on Computer Theory and Applications (ICCTA)》;20161031;51-55 * |
低成本捷联惯导不对称动态误差的神经网络补偿;谭红力;黄新生;岳冬雪;;航空学报(第02期);192-198 * |
基于智能学习方法的弹载捷联惯导系统误差分析;高晓冬等;《战术导弹技术》(第3期);51-56 * |
Also Published As
Publication number | Publication date |
---|---|
CN113984043A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113984043B (zh) | 一种矿用惯导系统的动态误差修正方法 | |
US10202841B2 (en) | Near-bit tool attitude measurement while drilling apparatus and method | |
CN109891050B (zh) | 利用相反设置的传感器改良校准来确定位置的方法 | |
CN101726295B (zh) | 考虑加速度补偿和基于无迹卡尔曼滤波的惯性位姿跟踪方法 | |
CN110792430B (zh) | 一种基于多传感器数据融合的随钻测斜方法及装置 | |
CN206158732U (zh) | 一种近钻头钻具姿态随钻测量装置 | |
CN110285810B (zh) | 一种基于惯性导航数据的采煤机自主定位方法及装置 | |
US20180058849A1 (en) | Near-bit dynamic well deviation angle measurement method and apparatus | |
CA2812062A1 (en) | Real-time definitive survey while drilling | |
CN108007461B (zh) | 油田井下设备运动轨迹的定位装置及绘制方法 | |
CN107228664A (zh) | 矿用陀螺测斜仪捷联惯导系统姿态解算及零速校正方法 | |
CN105157723A (zh) | 一种基于光纤陀螺的捷联惯导系统的标定方法 | |
CN105137804A (zh) | 一种针对飞行姿态扰动的实验室模拟方法 | |
CN110567492A (zh) | 低成本mems惯性传感器系统级标定方法 | |
AU2019203884A1 (en) | Multiple downhole sensor digital alignment using spatial transforms | |
CN110285832B (zh) | 光纤陀螺惯测产品的标定参数长期稳定性缺陷检测方法 | |
CN106703787B (zh) | 一种径向水平井的井眼轨迹参数计算方法及装置 | |
CN104727807A (zh) | 一种角度位置测量方法及系统 | |
CN104453856A (zh) | 单轴光纤陀螺在油井测斜中的三位置补偿算法 | |
CN115574815B (zh) | 一种非可视环境导航系统、方法、计算机设备及存储介质 | |
CN106917621B (zh) | 小孔径单陀螺水平井旋转定向测斜装置及方法 | |
CN112963093B (zh) | 一种旋转导向钻井工具的姿态动态测量和解算方法 | |
US11939830B2 (en) | Tool, system and method for orienting core samples during borehole drilling | |
CN105507884A (zh) | 一种井下多传感器测量系统及方法 | |
CN109033646B (zh) | 基于小量程mems加速度传感器的随钻测斜仪重力工具面角计算方法 |
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 |