Сравнительный анализ алгоритмов калибровки акселерометров в составе беспилотных летательных аппаратов для мониторинга нефтепроводов
УДК: 531.768
DOI: 10.33285/2782-604X-2023-5(598)-45-50
Авторы:
ОСИПОВА НИНА ВИТАЛЬЕВНА
1,2
1 РГУ нефти и газа (НИУ) имени И.М. Губкина, Москва, Россия
2 Национальный исследовательский технологический университет "МИСИС", Москва, Россия
Ключевые слова: акселерометр, калибровка, смещение нуля, перекос оси, масштабный коэффициент, регрессионная модель, нейронная сеть, критерий Стьюдента, доверительная вероятность, MATLAB
Аннотация:
В статье рассмотрены известные алгоритмы калибровки акселерометров на основе фильтра Калмана, метода наименьших квадратов и нейронных сетей. Показаны их недостатки. Автором предложен новый алгоритм вычисления паспортных данных акселерометров на основе построения регрессионной модели, где в качестве зависимой переменной используются эталонные показания акселерометров, а факторами являются неоткалиброванные данные, полученные с приборов при закреплении их на трех осях и вращении поворотного стенда в разные положения. Также представлен алгоритм вычисления паспортных данных с помощью нейросетей прямого распространения, каждая из которых отвечает за получение паспорта для определенного акселерометра, сеть имеет три входных нейрона, один нейрон на выходе. Для упрощения моделирования рассмотрены нейросеть с одним скрытым слоем, линейной функцией активации выходного слоя и обучение с учителем. Результаты расчетов паспортных данных по двум алгоритмам показали совпадение с точностью до девятого знака после запятой и более. Выполнено сравнение двух выборок по критерию Стьюдента, одна из которых представляет разность между эталонными значениями и значениями, полученными с помощью уравнения регрессии, другая – разность между эталонными значениями и значениями, вычисляемыми нейросетевой моделью. Проверялась нулевая гипотеза о равенстве нулю математического ожидания этих разностей при альтернативной гипотезе, что оно не равно нулю и доверительной вероятности 0,95. При этом нулевая гипотеза не отклонялась, что свидетельствует о нулевом различии выборок и правильности вычисления калибровочного паспорта. Такой результат получен для двух алгоритмов.
Список литературы:
1. Балман Д., Пономарев Ю. МЭМС-акселерометры компании Colibrys – прорыв в область высоких температур // Электроника: Наука, технология, бизнес. – 2016. – № 3(153). – С. 72–76.
2. Матвеев В.В., Распопов В.Я. Основы построения бесплатформенных инерциальных навигационных систем. – СПб.: Концерн "ЦНИИ "Электроприбор", 2009. – 280 с.
3. Веремеенко К.К., Галай И.А. Разработка алгоритма калибровки инерциальной навигационной системы на двухосном испытательном стенде // Тр. МАИ. – 2013. – № 63. – С. 10. – URL: https://trudymai.ru/upload/iblock/c8e/rus.pdf?lang=ru&issue=63
4. Водичева Л.В., Парышева Ю.В. Оценка точностных параметров датчиков бесплатформенного инерциального измерительного блока с помощью относительно грубого поворотного стола // Гироскопия и навигация. – 2019. – Т. 27, № 2(105). – С. 162–178. – DOI: 10.17285/0869-7035.2019.27.2.162-178
5. Смирнов В.А., Правидло М.Н., Снедков А.Б. Метод совместной калибровки инерциальных датчиков беспилотного летательного аппарата с применением нейронных сетей // Моделирование, оптимизация и информационные технологии. – 2020. – Т. 8, № 3(30). – С. 7. – DOI: 10.26102/2310-6018/2020.30.3.007
6. Осипова Н.В. Системный анализ и теория принятия решений: учеб. – М.: Изд-во МИСиС, 2021. – 254 с.
7. Бураков М.В. Нейронные сети и нейроконтроллеры: учеб. пособие. – СПб.: ГУАП, 2013. – 284 с.
8. Николаева С.Г. Нейронные сети. Реализация в Matlab: учеб. пособие. – Казань: Казан. гос. энергет. ун-т, 2015. – 92 с.
Назад в номер