激光陀螺捷联惯组角动态误差分析及其抑制方法CSCD

二频机抖激光陀螺捷联惯组在高动态载体上的角动态误差日渐成为影响其应用精度提升的重要因素。针对此问题,从各陀螺抖动耦合激励惯性敏感器本体组件圆锥运动产生误差,以及载体过载、振动环境引起陀螺敏感轴弯曲变形摆动产生单表级圆锥误差两个方面,对激光陀螺动态误差进行了理论分析。结合工程应用实际情况,分别对两项误差进行计算和仿真,得出理论误差可达0.01(°)/h以上,必须进行抑制的结论。根据误差产生机理,总结了合理配置各陀螺抖动频率和提升陀螺敏感轴弯曲刚度以抑制其弯曲变形的措施,并给出了抑制效果,可为提升激光陀螺捷联惯组角动态精度提供参考。     

神经网络修正的速度约束辅助车载SINS定位算法

对于车载全球导航卫星系统(GNSS)/捷联惯性导航系统(SINS)组合导航系统，针对GNSS失效而SINS单独工作时仅使用速度约束辅助SINS其纵向位置误差逐渐发散的问题，提出一种神经网络修正的速度约束辅助车载SINS定位算法。通过径向基函数(RBF)神经网络预测SINS纵向位置误差修正系数，以提高SINS单独工作时的定位精度；此外，提出一种限定记忆指数加权实时估计量测噪声的自适应滤波算法。在人为设置GNSS失效以及真实隧道场景下进行车载试验，结果表明本文算法能够在不停车情况下在线修正SINS纵向位置误差，相比于速度约束与卡尔曼滤波相结合的常规算法，有效地提高了GNSS失效时的车载SINS定位精度。     

舰载捷联惯导数字仿真器的设计与研究

针对舰载惯导系统在边界工作条件尤其是极地地区性能评估存在实时输出数据难度大的问题,以舰艇的运动特性为依据,建立舰艇的运动学模型和惯性器件的数学模型,设计了一种舰载捷联惯导系统数字仿真器,实现了在不同的航行状态、不同的海况条件,以及不同的惯性器件精度条件下惯导系统的实时仿真,仿真输出的数据在虚拟多功能显示器以文字和曲线的形式显示。结果表明,该仿真器能灵活的模拟各种导航参数,有助于突破舰载导航系统性能评估受试验海域和试验载体等因素限制的局限性,可以为研究边界工作条件下惯导系统性能提供试验依据。     

光学捷联基准导航计算机设计与实现

为满足当前光学捷联基准解算精度高、低功耗、小型化的需求，设计了一种基于现场可编程门阵列（FPGA）和数字信号处理器（DSP）为核心的嵌入式导航计算机。对导航计算机（ENC）硬件设计进行了阐述，并重点研究了导航计算机信息处理模块（MPM）和数据采集通信模块（DCM）的协同使用，充分体现了DSP和FPGA联合使用的优点。其次，研究了基于主惯导航向和计程仪速度组合的Kalman滤波器设计，以解决长时间工作对系统精度的影响。最后，将该导航计算机实际应用于捷联基准中，通过半实物仿真试验，验证了导航计算机硬件方案的可行性和Kalman滤波器设计的合理性。结果表明，基于FPGA和DSP双核的嵌入式导航计算机性能稳定，设计合理，满足光学捷联基准高精度、低功耗的使用要求。     

捷联惯组空间八点减振IMU组合设计CSCD

为了研究捷联惯组空间八点减振IMU组合的力学性能及其在抑制线角耦合方面的作用,采用NX三维建模及ANSYS仿真分析工具对IMU组合的刚度、减振器的线角频率、减振性能方面进行了充分的理论验证。同时,推导出平衡机的调平原理,通过调平使IMU弹性中心与质心重合,然后对惯组进行振动试验,观察其减振性能及三向陀螺角速度输出值。结果表明,经理论分析该IMU组合模态为875.7Hz,具备足够的刚度;减振器线角频率差值在50Hz以上,具有较高的离散度。经试验验证,该IMU组合调平小于0.1mm时,减振效率不低于42%,三向陀螺角速度输出不大于11(°)/s,具有较好的力学环境适应性与极高的角速度输出特性。     

一种补偿t-OPT噪声的冗余捷联惯组故障检测方法

为提高基于等价空间原理的故障检测方法在冗余捷联惯组故障检测中的适用性和鲁棒性，提出了一种补偿噪声的t检验最优奇偶向量法(t-OPT)。该方法在最优奇偶向量法(OPT)的基础上引入t检验构造了新的故障检测函数，使用卡尔曼滤波算法补偿了t-OPT方法中故障检测函数的随机噪声，使检测方法在奇偶残差统计特性未知、存在噪声干扰和故障幅值较小的情况下，仍可以实现对故障器件的准确定位。仿真结果表明：该方法可以检测到冗余捷联惯组中低故障幅值的常值漂移，有效降低了常值漂移故障检测的虚警率以及线性漂移故障的检测时延。     

鲁棒Kalman滤波及其在水下组合导航中的应用

在水下捷联惯导(SINS)/多普勒计程仪(DVL)组合导航系统中,当外部辅助信息受到野值等非高斯噪声污染时,选取调节因子γ为固定值将会降低基于Huber方法的鲁棒Kalman滤波(HRKF)算法的精度和鲁棒性。针对此问题,提出了一种基于马氏距离(MD)算法的调节因子自适应的鲁棒Kalman滤波(HRAKF)算法。首先利用MD算法对正常/异常的观测量进行辨识;进而建立γk递推关系式,并根据量测噪声特性对γ值进行实时调整;最后利用γk求取Huber权函数,并对量测噪声阵进行修正。选取8000s船载实测数据,分别利用Kalman滤波(KF)、HRKF及HRAKF算法进行水下组合导航半物理仿真试验。试验结果初步表明:在观测量受到野值或混合高斯分布噪声污染时,相较于KF和HRKF,HRAKF可实现更高精度、更加稳定的组合导航。