基于智能濾波技術的抗高過載陀螺信號處理方法

李佩娟，徐曉蘇，劉亦亭，樊海霞

（1.微慣性儀表與先進導航技術教育部重點實驗室，南京210096；2.東南大學 儀器科學與工程學院，南京 210096；3.南京工業職業技術學院，南京 210023）

基于智能濾波技術的抗高過載陀螺信號處理方法

李佩娟1,2，徐曉蘇1,2，劉亦亭1,2，樊海霞3

（1.微慣性儀表與先進導航技術教育部重點實驗室，南京210096；2.東南大學 儀器科學與工程學院，南京 210096；3.南京工業職業技術學院，南京 210023）

陀螺作為捷聯慣性導航系統的關鍵傳感器，其測量精度直接決定了整個系統的性能和精度指標。針對艦船高過載環境下捷聯慣性導航系統陀螺輸出信號出現畸變的問題，提出一種基于 BP神經網絡技術的陀螺信號智能模擬濾波方法。該方法根據系統加速度計輸出值對艦船運動狀態進行判斷，當其輸出小于設定閾值時，視為非過載環境，此時將陀螺輸出用于導航計算并作為 BP神經網絡在線訓練樣本，以保證網絡參數與當前艦船運動態勢的一致性；否則視為進入高過載環境，并利用之前最新訓練好的BP神經網絡模擬當前陀螺信號輸出，保證捷聯慣性系統的平穩工作。采用智能模擬的優點是：數據并行計算速度快，不需要改變系統硬件條件。半物理仿真試驗結果表明：該方法在加速度計輸出為5～50g的高過載環境下，可有效改善陀螺輸出信號出現畸變的問題，實現艦船運動狀態的實時模擬。

捷聯慣性導航系統；姿態基準測量系統；高過載；BP神經網絡

姿態測量系統廣泛應用于各個領域中，無論是定位定向還是測姿和導航上，其精度都將直接影響最終的系統性能。對于艦載武器系統，姿態測量是其必不可少的基準信息，它所提供的載體實時姿態基準信息是武器系統火控解算的基礎平臺，其測量精度是決定武器打擊精度的第一級保證[1-2]。

捷聯慣性導航系統(SINS)具有體積小、重量輕、成本低、可靠性高的優點，目前被廣泛應用在航空航海等領域。對于艦船系統，其主要用于戰術武器的局部基準、導彈平臺的導航系統、平臺式主慣導系統的備份系統等[3]。當捷聯慣性導航系統作為艦載武器的局部基準進行姿態測量時，隨著現代戰爭中防護功能的加深，相對應的武器系統穿甲破壞力也需相應提升，艦炮口徑的增大和射速的提高，使得發射時的巨大反沖力量對局部基準造成瞬時沖擊將達20～50g，捷聯慣性系統陀螺輸出結果受到很大影響，不能準確地表示實時姿態基準信息，因此捷聯慣性導航系統的抗過載能力也需相應提高。盡管艦炮發射時間很短在0.5～1 s之間，但相對于陀螺采樣間隔時間來說造成的受影響數據將達到上百個，當它們作為量測量引入到導航解算時，將會對系統精度產生很大的影響，因此降低高過載環境下陀螺輸出信號畸變對捷聯慣性導航系統精度的影響具有重要意義[4-6]。

近年來，神經網絡以其獨特的容錯、聯想、推測、記憶、自適應、自學習和處理復雜多模式等優點，在許多學科中掀起了研究熱潮[7]。BP算法作為應用最普遍的神經網絡學習算法之一，具有很強的生物背景，其卓越的輸入輸出映射特性，使得BP網絡在多變量函數逼近方面具有很強的優勢，并以其獨特的結構和處理信息的方法，在許多實際應用領域中取得了顯著的成效[8-9]。本文充分考慮到艦船運動特點，即其運動具有周期性，在定常狀態下，前進速度在比較長的時間段內的平均值具有定值，其它方向上的自由度在比較長的時間段內的平均值為零，提出一種基于神經網絡技術的高過載環境下船用姿態測量捷聯慣性導航系統陀螺信號智能濾波方法。該方法的優點是不改變系統硬件要求，通過在捷聯慣導系統的導航計算機中增加一個與導航計算主線程并行運行的陀螺信號智能濾波專用線程實現高過載環境下陀螺信號智能模擬輸出功能，使其在高過載環境下能夠保持平穩輸出，大大提高了武器系統在高過載條件下的精確打擊能力。

1 陀螺信號智能濾波方法設計

為盡量避免武器發射時的沖擊力對局部基準陀螺輸出的影響，并考慮到艦船運動實際情況，本文采用陀螺信號智能濾波技術，利用工程實用性強的 BP網絡方法對于非線性變量的實時學習、建模和模擬的特點，在捷聯慣性導航系統的計算機中增加一個與捷聯慣性導航系統導航計算主線程并行運行的捷聯慣性導航系統陀螺信號智能濾波專用線程實現高過載環境下陀螺信號智能模擬輸出功能。當判斷艦船處于非過載環境時，導航計算主線程通過采集陀螺實際輸出完成導航計算，而陀螺信號智能濾波線程則工作在學習狀態，并利用當前陀螺輸出訓練更新BP網絡內部參數，更好的保證 BP網絡結構與當前載體運動狀態一致；當判斷艦船處于高過載環境時，控制陀螺信號智能濾波線程切換到模擬輸出狀態，導航計算主線程采用陀螺模擬輸出代替陀螺實際輸出，這樣避免了陀螺輸出信號畸變對捷聯慣性導航系統的測量精度影響；高過載結束后，陀螺信號智能模擬模塊恢復到在線訓練學習模式。其工作原理如圖1所示。

圖1 捷聯慣性導航系統陀螺信號智能濾波工作原理圖Fig.1 Intelligent gyro signal filtering diagram of SINS

2 BP網絡結構設計

BP網絡通常由一個輸入層，一個輸出層和隱含層構成，隱含層可以有一層或者多層，網絡通過改變隱含層的狀態來影響輸入輸出之間的映射關系。本文通過采集非過載環境下的陀螺輸出信息來訓練網絡結構，改變隱含層的權系數，從而調整整個網絡的性能，使其更逼近載體的運動特性。理論上已經證明，在BP神經網絡隱含層節點數量可以根據實際需要進行自由設置的前提下，三層前向神經網絡可以實現以任意精度逼近任意連續函數的功能[10]，因此本文采用標準的三層網絡拓撲結構形式組成輸入層、隱含層與輸出層三部分，BP網絡具體結構如圖2。其中網絡輸入變量為時間相關值，輸出為艦船姿態信息，相鄰層采用互聯方式連接，3個BP網絡輸入層到隱含層的連接權值為，i、j表示輸入層第i個節點與隱含層第j個節點；隱含層到輸出層之間的連接權值為，k表示輸出層第k個節點，；3個BP網絡隱含層激活函數都為Sigmoidal函數，表達式如下（在此以X方向陀螺輸出為例）：

各神經元之間沒有任何連接，輸出層與輸入層之間也沒有直接的聯系，各隱含層節點計算結果如下：

圖2 模擬陀螺輸出的BP網絡結構圖Fig.2 BPNN structure used to simulate the gyro output

3 智能濾波算法過程

建立3個上節所述結構的BP網絡結構，分別模擬高過載環境下X、Y、Z軸陀螺輸出。根據捷聯慣性導航系統的加速度計輸出值判斷艦船當前運動狀態，當加速度計輸出大于設定閾值5g時，則視為進入高過載環境，否則視為非高過載環境；如果判斷為非高過載環境，則利用X、Y、Z軸上的陀螺輸出信號，對BP網絡進行訓練，改變隱含層的權系數，調整整個神經網絡的性能，使其更逼近當前載體的運動特性（在此以X方向陀螺輸出為例），訓練過程如下：

② 依次輸入p個學習樣本，計算各層的輸入及輸出值：。

④ 記錄已學習過的樣本個數p。如果p＜N，轉步驟②繼續計算；如果p=N，轉步驟⑤。

⑤ 按權值修正公式修正各層權值：

上述算法在調節 BP網絡連接權值時，每次均是以一個與網絡誤差函數或其對權值導數大小成正比的固定因子η進行的，因此在誤差曲面較平坦處，由于偏導數值較小，以至需要經過多次調整才能將誤差函數曲面降低；而在誤差曲面較高曲率處，偏導數較大，權值參數調節的幅度也較大，以至在誤差函數最小點附近發生過沖現象，使權值調節路徑變為鋸齒形，難以收斂到最小點，導致網絡收斂速度慢。

為改進算法收斂速度，本文采用加入有關上一時刻權值調節方向記憶的動量項，即：

本文設計了自主切換和被動切換兩種方式，自主切換采用加速度計輸出作為判據，被動切換由外部武器火控平臺控制。當判斷艦船處于高過載環境時，則利用 BP網絡模擬陀螺輸出信號，且分別以當前最新權值的神經網絡輸出作為X、Y、Z軸上陀螺的模擬輸出信號用于導航計算。當過載消失后，系統自動恢復正常工作模式，考慮到陀螺輸出狀態的恢復需要一個過渡過程，故在過載結束5 s后切換智能濾波線程，系統恢復正常工作模式。

4 計算機仿真驗證

本研究采用上述 BP算法模型模擬陀螺輸出，仿真試驗采用VC++6.0與Matlab7.5工具箱完成。為盡量減小神經網絡的復雜性，根據以上理論分析和介紹，實驗采用三個單輸入單輸出的三層 BP網絡結構分別代替X、Y、Z軸上的陀螺輸出，隱層單元數采用公式來確定。其中，n和r分別為輸入和輸出單元個數此處都為1，而a為[1,10]之間的某一數，a的最終取值通過多次試驗確定。

根據多次試驗得到的對艦船運動狀態的模型分析，仿真獲取3000組艦船運動樣本對BP網絡進行離線訓練學習，訓練的期望誤差設為 0.001°，最大迭代次數為1000。以模擬X軸陀螺輸出的BP網絡為例，抽取不同訓練樣本進行離線多次仿真試驗比較，部分代表性訓練結果參數見表1。

表1 網絡訓練相關參數結果統計表Tab.1 Statistics of network correlated parameters

根據訓練結果統計分析，從網絡結構復雜度和運行效率綜合考慮，本文3個BP網絡隱含層節點數確定為10，即1-10-1的BP網路結構。

根據確定的網絡結構和智能濾波算法，利用計算機仿真艦船正常工作狀態的陀螺輸出數據對 BP神經網絡進行離線訓練和測試，該仿真選取了600組樣本對 BP神經網絡進行離線訓練，訓練的期望誤差為0.001°，最大訓練步數為1000，以X軸陀螺輸出為例，訓練結果如圖5。結果可見由于艦船運動狀態具有較強的規律性，600組樣本數據經過30步訓練結束后模型誤差就可到達期望誤差，該神經網絡結構設計能夠滿足本文應用需求，神經網絡可以有效模擬非過載環境下艦船運動狀態。

圖3 訓練結果Fig.3 Training result

圖4 BP網絡輔助智能濾波輸出結果Fig.4 Simulation result of BPNN aided intelligent filter

圖5 過載環境下陀螺輸出與智能濾波輸出對比結果Fig.5 Compared results of gyro output and intelligent filter output under overload environment

利用訓練好的網絡進行計算機仿真試驗，仿真時間為5 min，仿真數據發生器在第3 min時給數據加上跳變誤差，圖4為本文設計的智能濾波算法輸出的結果圖，圖5為過載過程中陀螺輸出與神經網絡模擬輸出結果對比圖，黑色曲線代表陀螺實際輸出，紅色虛線代表神經網絡輸出。

5 半物理仿真試驗

試驗采用時間長度為45 s的海試陀螺輸出信息，在第 41.5 s時艦載武器發射造成艦船處于高過載狀態，此時利用陀螺信號智能模擬輸出替代系統陀螺輸出。以模擬X軸陀螺輸出為例，系統實際輸出如圖6；高過載環境下利用陀螺信號智能模擬輸出替代陀螺輸出的結果如圖7；圖8為實際陀螺輸出與智能模擬模塊輔助輸出結果對比圖，實線代表根據陀螺實際輸出解算的結果，虛線代表陀螺信號智能模擬功能模塊輔助輸出結果。

圖6 過載環境下陀螺實際輸出結果Fig.6 Gyro output under overload environment

圖7 陀螺信號智能模擬輔助輸出結果Fig.7 Intelligent analog output of gyro signal

圖8 陀螺輸出與智能模擬輔助輸出對比結果Fig.8 Compared results of gyro output and intelligent analog output under overload environment

6 結 論

實驗室離線仿真試驗和半物理實驗結果表明，利用BP網絡可以模擬艦船捷聯慣性導航系統在高頻、過載沖擊的高海況環境下的陀螺輸出，從而避免因為沖擊、振動條件下陀螺輸出畸變引起的捷聯慣性導航系統解算誤差，為艦載武器的對準和導航提供相對更加準確的姿態信息。

（References）：

[1]Silson P M G.Coarse alignment of a ship's strapdown inertial attitude reference system using velocity loci[J].IEEE Transactions on Instrumentation and Measurement,2011,60(6):1930-1941.

[2]張磊，李輝，韓濤，等.艦船武器系統姿態基準塢內標校新方法[J].中國慣性技術學報，2013，21(2)：275-280.ZHANG Lei,LI Hui,HAN Tao,et al.New method of dock calibration for naval vessel weapon system attitude reference[J].Journal of Chinese Inertial Technology,2013,21(2):275-280.

[3]Grandvallet B,Zemouche A，Boutayeb M，et al.A realtime sliding window filter for projectile attitude estimation[C]//AIAA Guidance,Navigation and Control Conference.Toronto,Ontario Canada,2010:1-14.

[4]錢偉行，劉建業，李榮冰，等.高速、高動態下的捷聯慣導空中粗對準方法[J].中國慣性技術學報，2009，17(4)：388-392.QIAN Wei-xing,LIU Jian-ye,LI Rong-bing,et al.Coarse alignment method of airborne SINS in high speed and high dynamic conditions[J].Journal of Chinese Inertial Technology,2009,17(4):388-392.

[5]Muhammad U,Fang Jiancheng.A robust data fusion scheme for integrated navigation systems employing fault detection methodology augmented with fuzzy adaptive filtering[C]//Proceedings of SPIE- The International Society for Optical Engineering.2013,8916(3Q):1-15.

[6]王星來，岳鳳英，孫笠森.彈載慣性測量系統抗高過載技術[J].火力與指揮控制，2013，38(4)：165-168.WANG Xing-lai,YUE Feng-ying,SUN Li-sen.Study on anti-high-g technology of missile body attitude measurement system[J].Fire Control and Command Control,2013,38(4):165-168.

[7]尚琳，劉國華，張銳，李國通.基于BP神經網絡的自主定軌自適應Kalman濾波算法[J].宇航學報，2013，34(7)：926-931.SHANG Lin,LIU Guo-hua,ZHANG Rui,et al.An adaptive Kalman filtering algorithm for autonomous orbit determination based-on BP neural network[J].Journal of Astronautics,2013,34(7):926-931.

[8]Wang Gensheng.An improved BP neural network algorithm and it's application in customer classification[J].International Journal of Applied Mathematics and Statistics,2013,46(16):111-118.

[9]Zhang Huo-Ming,Sun Zhi-Lin,Gao Ming-Zheng.Application of the improved BP neural network in ship and ocean engineering[J].Journal of Ship Mechanics,2010,14(6):619-632.

[10]Ito Y.Approximation of continuous functions on Rdby linear combination of shifted rotations of a sigmoidal function with and without scaling[J].Neural Netwroks,1992(5):105-115.

Anti-high-overload gyro signal processing method based on intelligent filtering technology

LI Pei-juan1,2,XU Xiao-su1,2,LIU Yi-ting1,2,FAN Hai-xia3
(1.Key Laboratory of Micro-inertial Instrument and Advanced Navigation Technology,Ministry of Education,Southeast University,Nanjing 210096,China;2.School of Instrument Science &Engineering,Southeast University,Nanjing 210096,China;3.Nanjing Institute of Industry Technology,Nanjing 210023,China)

Under high-overload ship environment,the gyro signal in strapdown inertial navigation system may have the problem of distortion.To solve this problem,an intelligent gyro signal filtering method based on BP neural network is proposed.This method takes the accelerometer output values as the threshold to judge whether the high overload happens or not.If the output is less than the setting threshold,it means a non-overload environment,in this case the gyro outputs are used for navigation calculation and used to train BP neural networks online,to ensure that the network parameters are kept consistent with the current situation of the ship movements;otherwise it means high overload happened,and the latest trained BP neural networks are used to replace the gyro signal outputs,which can ensure the strapdown inertial navigation system works smoothly.Adopting intelligent filtering technology has lots of advantages,such as fast speed in parallel calculating,and not having to change the system hardware environment.The simulation results show that this method can effectively improve the problem of the gyro signal distortion under high overload environment with 5gto 50gaccelerometer outputs,and achieve real time calculating of ship movements.

strapdown inertial navigation system;attitude measuring system;high overload;BP neural network

聯 系 人：徐曉蘇（1961—），男，教授，研究方向為慣性組合導航技術。Email：xxs@seu.edu.cn

U666.1

A

1005-6734(2014)03-0322-05

10.13695/j.cnki.12-1222/o3.2014.03.009

2013-12-07；

2014-04-03

國家自然科學基金項目（51175082，51375088，61203192，61273056）；中央高校基本科研業務費專項資金資助（3222003061）；江蘇省博士后科研資助項目

李佩娟（1982—），女，博士后，研究方向為導航、制導與控制。Email：lpj4444@126.com