基于支持向量机的动调陀螺仪寿命预测方法研究

论文摘要

随着我国航天技术的发展,航天器越来越向着高可靠、长寿命、高有效性方向发展。作为这些航天器中必不可少的姿态控制执行机构和姿态测量部件——飞轮、陀螺仪等旋转机电部件,由于其成本高、批量小等特点,如何评估这些产品及其部件的可靠性寿命成为一个迫切需要解决的难题。动调陀螺仪作为一种被广泛应用于航天器导航与制导系统中的中高精度陀螺仪,对其进行可靠性寿命预测方法研究具有十分重要的现实意义和理论研究价值。本文根据学校实验室现有的试验条件,在只有单个动调陀螺仪试验子样情况下,给出了一个在极小子样条件下的动调陀螺仪寿命试验和寿命预测方法研究思路、方案,即以支持向量机作为理论基础,采用参数外推法进行动调陀螺仪寿命评估与预测方法研究。通过对动调陀螺仪在极小子样条件下进行1:1完全寿命试验,测试与分析影响动调陀螺仪寿命的性能参数,研究并提取能够表征陀螺可靠性和寿命的关键因子,通过对其的分析与处理建立寿命预测模型,进而对单个动调陀螺仪的寿命进行评估和预测研究。本文主要完成了如下几方面的工作:第一,结合动调陀螺仪的结构特点及试验条件,采用一种新的寿命评估思路（即性能参数外推法）对陀螺仪寿命进行评估与预测研究,并给出了整个动调陀螺仪寿命预测研究方案。同时,根据此方案及陀螺仪自身的特点,确定陀螺振动、漂移、工作和环境温度、陀螺供电电压、功率等作为监测的性能参数,通过相应的测试电路、软件及界面等设计,建立动调陀螺仪寿命测试系统,完成其状态监测与数据采集。第二,由于测试系统及动调陀螺仪自身的结构温度特性,文中结合小波分析优越的多尺度（多分辨率）分析特性,提出了一种基于小波变换和支持向量机的温度建模与补偿模型,对陀螺各参数的长期测试数据进行温度建模补偿与预处理。另外,根据陀螺仪自身的性能状态变化,采用基于支持向量机的启发式搜索策略,以陀螺参数特征集的交叉验证错误率为评价指标进行自学习识别与提取分析,最终选取陀螺振动作为关键特征因子对陀螺仪性能进行评估和预测研究。第三,根据陀螺振动信号的非平稳特性,采用经验模态分解（EMD）的信号分析方法对陀螺振动进行分析。针对EMD分析方法自身的缺陷,文中提出了一种改进EMD方法的混合信号分析策略,并利用其对动调陀螺仪振动信号进行频域能量分析。同时,根据陀螺长期测试期间自身性能的变化,采用基于支持向量机的权重贡献分配方法对陀螺频域能量特征进行自学习提取,并以此建立反映动调陀螺仪性能状态渐进变化趋势的陀螺振动频率能量。第四,结合支持向量机预测及灰色数据生成操作的优势,提出了一种新的灰色支持向量机预测模型（即AGO-SVM预测模型）,并利用其对实际陀螺振动能量数据进行建模预测比较研究。预测结果表明所提出的灰色支持向量机模型预测精度优于单一灰色预测和SVM预测方法,具有更好的建模预测性能。另外,根据提取的陀螺寿命指标——振动特征能量趋势,利用灰色支持向量机预测模型对动调陀螺仪进行寿命评估与预测研究。同时,通过对单个动调陀螺仪历史能量数据进行多次分段建模预测统计分析,从而建立多步预测误差模型,以此来评估动调陀螺仪寿命预测的误差及可信度。本论文的研究工作可为我国航天等领域机电旋转部件的寿命预测研究工作提供参考与借鉴。

论文目录

• 摘要
• ABSTRACT
• 缩略语和符号说明
• 第一章 绪论
• 1.1 概述
• 1.2 陀螺寿命预测研究的背景及意义
• 1.3 陀螺寿命预测研究的现状
• 1.4 信号预处理及建模预测技术发展概括
• 1.4.1 信号预处理发展综述
• 1.4.2 建模预测技术综述
• 1.5 本文研究内容及结构
• 本章参考文献
• 第二章 统计学习理论和支持向量机
• 2.1 机器学习
• 2.1.1 学习问题的表示
• 2.1.2 经验风险最小化原则
• 2.1.3 模型复杂度和推广能力
• 2.2 统计学习理论的基本思想
• 2.2.1 VC 维
• 2.2.2 推广能力的界
• 2.2.3 结构风险最小化原理
• 2.3 支持向量机
• 2.3.1 概述
• 2.3.2 支持向量分类机
• 2.3.2.1 线性支持向量分类机
• 2.3.2.2 非线性支持向量分类机
• 2.3.3 支持向量回归机
• 2.4 本章小结
• 本章参考文献
• 第三章 陀螺寿命预测研究方案及测试系统设计
• 3.1 动调陀螺仪寿命预测研究方案
• 3.2 陀螺仪寿命测试系统
• 3.2.1 系统框图
• 3.2.2 测试系统硬件设计
• 3.2.2.1 动调陀螺仪
• 3.2.2.2 数据采集模块
• 3.2.2.3 试验参数的测量
• 3.2.3 测试系统软件设计
• 3.2.3.1 系统软件框图
• 3.2.3.2 多线程技术
• 3.2.3.3 数据采集程序
• 3.2.3.4 用户界面
• 3.3 本章小结
• 本章参考文献
• 第四章 陀螺数据预处理及寿命特征因子提取分析
• 4.1 陀螺仪温度特性分析
• 4.2 陀螺参数数据分析
• 4.2.1 灰色关联模型
• 4.2.2 实测数据分析
• 4.3 陀螺仪测试参数温度建模与补偿
• 4.3.1 概述
• 4.3.2 小波变换技术
• 4.3.2.1 小波变换
• 4.3.2.2 多分辨率分析
• 4.3.3 基于WT 和SVM 的温度补偿模型
• 4.3.4 陀螺参数温度建模补偿结果和分析
• 4.4 动调陀螺仪寿命特征因子提取分析
• 4.4.1 概述
• 4.4.2 特征因子提取模型
• 4.4.3 数据样本的选取与处理
• 4.4.4 结果分析
• 4.5 本章小结
• 本章参考文献
• 第五章 基于EMD 方法的陀螺振动频域能量分析
• 5.1 概述
• 5.2 经验模态分解（EMD）方法和HILBERT 变换
• 5.2.1 瞬时频率和本征模态函数
• 5.2.2 经验模态分解（EMD）方法
• 5.2.3 希尔伯特变换和HILBERT谱
• 5.3 改进的EMD 信号分析策略
• 5.3.1 RBF 神经网络
• 5.3.2 小波包变换技术
• 5.3.3 改进EMD 分析策略的拓扑结构
• 5.3.4 仿真实例分析
• 5.4 陀螺振动频域特征能量分析
• 5.4.1 概述
• 5.4.2 基于改进EMD 方法的陀螺振动频域分析
• 5.4.3 基于支持向量机的陀螺频域特征能量分析
• 5.4.4 陀螺特征频率能量的建立
• 5.5 本章小结
• 本章参考文献
• 第六章 基于支持向量机的陀螺寿命建模预测分析
• 6.1 概述
• 6.2 灰色理论
• 6.2.1 灰色数据生成操作
• 6.2.1.1 累加生成操作（AGO）
• 6.2.1.2 累减生成操作（IAGO）
• 6.2.2 GM（1,1）预测模型
• 6.3 支持向量机预测模型
• 6.4 灰色支持向量机（SVM）预测模型
• 6.4.1 灰色SVM 预测模型拓扑结构
• 6.4.2 振动频域能量建模预测实例分析
• 6.5 陀螺寿命建模预测与结果分析
• 6.5.1 误差评价指标
• 6.5.2 预测误差模型
• 6.5.3 动调陀螺仪寿命预测分析
• 6.5.3.1 陀螺寿命定义
• 6.5.3.2 寿命预测结果与分析
• 6.6 本章小结
• 本章参考文献
• 第七章 总结与展望
• 7.1 本文研究工作及创新点
• 7.2 研究展望
• 致谢
• 攻读博士学位期间发表的论文