论文部分内容阅读
陀螺仪作为无人机测量姿态信息的重要传感器,其工作稳定性和可靠性直接影响着无人机的飞行安全。本文针对陀螺仪故障特点,提出一种基于增量式模糊支持向量机的陀螺仪故障诊断系统。主要工作如下:首先,分析并解决陀螺输出样本不平衡和噪声干扰问题。一方面陀螺仪故障样本有限,正常样本和故障样本存在不平衡问题,另一方面陀螺仪易受到机载环境干扰,输出信号噪声污染大,容易影响故障诊断精度。为此,设计一种改进的模糊支持向量机,它的模糊隶属度函数由样本不平衡特征因子和去噪模糊因子组合构成,用于解决样本不平衡和噪声干扰导致支持向量机分类精度降低的问题。其次,为了实现样本采集和算法学习同步进行,提出一种基于模糊支持向量机的增量学习算法。当有新增样本加入训练时,传统的增量学习算法筛选的初始样本往往会有大量的样本冗余。本文分析得到非支持向量可能转化为支持向量的两个条件:一是分布于类边界;二是离异类较近。利用这两个条件,提出基于样本距同类和异类中心距离的双权重函数来筛选重要的样本信息。然后结合KKT条件,实现模糊支持向量机的在线增量学习过程。再次,以模糊支持向量机和增量学习算法为基础搭建陀螺仪故障诊断系统,并在Matlab仿真环境下验证系统的性能。实验以速率陀螺为研究对象,根据故障输出信号特点,通过仿真模拟完全、偏置、漂移和周期干扰四类故障输出信号,并使用小波包变换提取信号的能量特征作为模糊支持向量机分类器的输入,然后分别实验验证模糊支持向量机和增量学习算法的合理性和正确性。最后,搭建以TMS320F28335芯片为核心的硬件平台,在模糊支持向量机数字仿真验证的基础上,将训练得到的分类模型移植到DSP上,并且在DSP上实现信号的特征提取、归一化和分类识别,从而完成陀螺仪故障诊断系统的硬件实现。Matlab数字仿真实验和DSP硬件仿真实验结果表明:本文设计的陀螺仪故障诊断系统不仅提高了故障样本的诊断精度,降低了漏警率,而且满足系统实时性要求,具有一定的实际应用价值。