半球谐振陀螺仪寿命的一种长周期预测方法

为了缩短半球谐振陀螺仪寿命实验周期,降低实验成本,提出了一种针对漂移数据的残差修正ARGM(1,1)(Autoregressive GM(1,1))寿命预测方法。该方法利用神经网络与支持向量机中的自回归方式改进灰色模型,提高了模型的自适应能力,增强了模型的学习能力与预测能力,降低了模型回归学习的时间消耗和数据量要求,提高了预测效率。采用小波包络分析预处理某型号半球谐振陀螺仪的漂移数据,利用提出的预测方法对处理后的数据进行长周期预测,并结合灰色关联分析方法,分析失效阶段并最终预测出半球谐振陀螺仪的寿命。实验表明,残差修正ARGM(1,1)模型对半球谐振陀螺仪漂移数据的长期预测精度高于传统GM(1,1)模型、BP神经网络与支持向量机,结果也表明了研究方法的正确性和有效性。