一种基于AGO-RVM的陀螺仪故障预测方法技术

一种基于AGO‑RVM的陀螺仪故障预测方法，它属于故障预测技术领域。本发明专利技术解决了传统灰色理论方法对陀螺仪的故障进行预测时，存在的预测精度低和预测稳定性差的问题。本发明专利技术利用灰色理论的AGO对原始数据进行预处理改善了原始数据随机性大、数据复杂的问题，使本发明专利技术AGO‑RVM模型的精度高于单一RVM模型约69％；再利用RVM模型对AGO处理后的数据进行预测，最终利用灰色关联分析的方法分析预测数据与原始数据的相关性，依据分析结果对RVM模型的相关向量进行动态更新，重复利用RVM模型进行预测，克服了预测稳定性差的问题；本发明专利技术在保证精度的同时，可以节约29％的计算时间，能够显著提高陀螺仪故障预测的精度和实时性。本发明专利技术可以应用于故障预测技术领域。

A Gyroscope Fault Prediction Method Based on AGO-RVM

A gyroscope fault prediction method based on AGO RVM belongs to the field of fault prediction technology. The invention solves the problems of low prediction accuracy and poor prediction stability when the traditional grey theory method is used to predict the faults of gyroscopes. The method uses AGO of grey theory to pretreat the original data, which improves the randomness and complexity of the original data, makes the precision of the AGO RVM model of the invention higher than that of the single RVM model by about 69%; then uses RVM model to predict the data processed by AGO, and finally uses the method of grey correlation analysis to analyze the correlation between the predicted data and the original data, based on the analysis. Results Relevant vectors of RVM model are updated dynamically, and RVM model is repeatedly used to predict, which overcomes the problem of poor prediction stability; while ensuring accuracy, the invention can save 29% calculation time, and can significantly improve the accuracy and real-time performance of gyroscope fault prediction. The invention can be applied to the technical field of fault prediction.

【技术实现步骤摘要】
一种基于AGO-RVM的陀螺仪故障预测方法
本专利技术属于故障预测
，具体涉及一种陀螺仪故障预测方法。
技术介绍
陀螺仪是一种基于角动量不灭理论设计出来的用于感知和维持方向的装置，其问世以后初期被用于航海领域，后来逐渐被应用于航空航天领域。现如今，陀螺仪已经发展为惯性导航系统中用来确保系统保持精准姿态基准的重要部件，它的稳定性、可靠性决定了惯导系统的性能。惯性导航系统属于高精度的系统，结构复杂、精度要求高且工作在天上或者海面等恶劣环境中，导致其故障定位与检测较为困难、故障诊断周期长、维修成本高，这就对惯性导航系统的性能检测、故障诊断、故障预测提出了很高的要求，而在惯性平台故障中，陀螺仪故障是惯性导航系统故障的主要来源，因此对陀螺仪的故障趋势进行预测是保障惯性导航系统正常运行的重要条件。传统陀螺仪的故障预测方法包括自回归滑动平均模型(ARMA)、小波分析、神经网络、支持向量回归(SVW)、灰色理论等方法。其中：运用ARMA模型、小波分析、神经网络和SVM处理时需要的处理模型较为复杂，所以，在对模型的复杂程度有要求的情况下，往往采用灰色理论方法来对陀螺仪的故障预测，而且，相比较于其本文档来自技高网...

【技术保护点】
1.一种基于AGO‑RVM的陀螺仪故障预测方法，其特征在于，该方法包括以下步骤：步骤一、采集待测陀螺仪整个工作周期内的M组数据，将采集的M组数据分别作为第1,2,…,M组原始灰色数据序列X1,X2,…,Xj,…,XM，j＝1,2,…,M；步骤二、采用AGO的方法对M组原始灰色数据序列X1,X2,…,Xj,…,XM进行预处理，生成M组新数据X′1,X′2,…,X′j,…,X′M；步骤三、分别对步骤二预处理得到的新数据序列X′1,X′2,…,X′j,…,X′M进行相空间重构，获得输入矩阵训练集和输出矩阵训练集；步骤四、初始化RVM回归预测模型的权值向量ω和方差σ2，并利用初始化的权值向量ω和方差σ...

【技术特征摘要】
1.一种基于AGO-RVM的陀螺仪故障预测方法，其特征在于，该方法包括以下步骤：步骤一、采集待测陀螺仪整个工作周期内的M组数据，将采集的M组数据分别作为第1,2,…,M组原始灰色数据序列X1,X2,…,Xj,…,XM，j＝1,2,…,M；步骤二、采用AGO的方法对M组原始灰色数据序列X1,X2,…,Xj,…,XM进行预处理，生成M组新数据X′1,X′2,…,X′j,…,X′M；步骤三、分别对步骤二预处理得到的新数据序列X′1,X′2,…,X′j,…,X′M进行相空间重构，获得输入矩阵训练集和输出矩阵训练集；步骤四、初始化RVM回归预测模型的权值向量ω和方差σ2，并利用初始化的权值向量ω和方差σ2来迭代更新获得新的权值向量ω和方差σ2，设置迭代阈值δ作为迭代停止条件，将最后一次迭代对应的权值向量ω和方差σ2的值作为RVM回归预测模型的初始权值和初始方差；步骤五、利用步骤四得到的初始权值和初始方差建立RVM回归预测模型，利用步骤三得到的输入矩阵训练集和输出矩阵训练集对建立的RVM回归预测模型进行训练；步骤六、将输出矩阵已知的陀螺仪漂移模型输入训练好的RVM回归预测模型，获得RVM回归预测模型的实际输出；步骤七、对步骤六的实际输出进行IAGO来得到新的输出训练样本，并采用灰色关联分析方法来分析新的输出训练样本与陀螺仪漂移模型已知的输出矩阵的相关性；若二者相关性大于等于设定的相关性阈值，则不更新RVM回归预测模型，利用其他输出矩阵已知的陀螺仪漂移模型继续进行预测；若二者相关性小于设定的相关性阈值，则利用步骤六的实际输出更新RVM回归预测模型，再利用更新后的RVM回归预测模型预测；直至预测时间达到设置的迭代步长时停止预测，将停止预测时得到的RVM回归预测模型作为最终的RVM回归预测模型，利用最终的RVM回归预测模型来进行陀螺仪的故障预测。2.根据权利要求1所述的一种基于AGO-RVM的陀螺仪故障预测方法，其特征在于，所述步骤一的具体过程为：采集待测陀螺仪整个工作周期内的M组数据，将采集的M组数据分别作为第1,2,…,M组原始灰色数据序列X1,X2,…,Xj,…,XM，j＝1,2,…,M：Xj＝{xj,1,xj,2,...,xj,i,...,xj,N},xj,i∈R,i＝1,2,...,N(1)其中：xj,i为第j组原始灰色数据序列Xj中的第i个序列值，且xj,i对应于第j组原始灰色数据序列Xj中时刻i的陀螺仪系统输出，R代表实数域，N称作维数。3.根据权利要求2所述的一种基于AGO-RVM的陀螺仪故障预测方法，其特征在于，所述步骤二的具体过程为：采用AGO的方法分别对M组原始灰色数据序列X1,X2,…,Xj,…,XM进行预处理，即对于第j组原始灰色数据序列，将第j组原始灰色数据序列中各时刻的数据依次进行累加生成新数据序列X′j，生成的新数据序列X′j表示为：其中：同理，对每一组原始灰色数据序列均进行预处理，生成M组新数据序列X′1,X′2,…,X′j,…,X′M。4.根据权利要求1所述的一种基于AGO-RVM的陀螺仪故障预测...

【专利技术属性】
技术研发人员：刘晓东，杨京礼，张天瀛，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23