管可可, 王懷野, 霍明磊

（北京航天飛騰裝備技術(shù)有限責(zé)任公司, 北京 100094）

0 引言

穩(wěn)定平臺作為框架式導(dǎo)引頭的重要組成部分,其性能直接影響導(dǎo)引頭的制導(dǎo)精度［1］。 陀螺是控制穩(wěn)定平臺和解算視線角速度的重要器件, 彈上常用的陀螺有撓性陀螺、 光纖陀螺、 激光陀螺、 微機(jī)械陀螺（Micro Electro Mechanical System, MEMS）等, 其中的MEMS 陀螺因成本低、 體積小、 質(zhì)量小以及功耗低等優(yōu)點(diǎn)被廣泛應(yīng)用于低成本的小型框架式結(jié)構(gòu)導(dǎo)引頭［2］。 圖1 為一款應(yīng)用了MEMS陀螺的導(dǎo)引頭內(nèi)部結(jié)構(gòu)。

圖1 導(dǎo)引頭內(nèi)部結(jié)構(gòu)圖Fig.1 Internal structure diagram of the seeker

圖1導(dǎo)引頭伺服控制中的MEMS 陀螺作為速率穩(wěn)定內(nèi)環(huán)的反饋器件, 輸出數(shù)據(jù)直接影響整個導(dǎo)引頭系統(tǒng)的控制品質(zhì)。 在實(shí)際應(yīng)用過程中采用傳統(tǒng)PID 控制器時, 由于MEMS 陀螺輸出數(shù)據(jù)噪聲大, 如果不經(jīng)過濾波, 微分項(xiàng)會使得控制量有明顯的隨機(jī)波動, 導(dǎo)致系統(tǒng)發(fā)散。 所以需要對導(dǎo)引頭穩(wěn)定平臺的MEMS 陀螺數(shù)據(jù)進(jìn)行濾波, 使其數(shù)據(jù)更加平穩(wěn), 且延遲必須要小。

針對MEMS 陀螺噪聲大、 濾波后有延遲等問題, 國內(nèi)外許多學(xué)者對此進(jìn)行了研究。 文獻(xiàn)［3］利用自回歸滑動平均模型對MEMS 陀螺誤差進(jìn)行建模, 并利用Kalman 濾波對誤差進(jìn)行補(bǔ)償, 但是建模前需要對MEMS 陀螺數(shù)據(jù)進(jìn)行許多預(yù)處理。 文獻(xiàn)［4］ 利用隨機(jī)加權(quán)最小二乘算法有效抑制了MEMS 陀螺的噪聲, 但是系統(tǒng)延時不好。 文獻(xiàn)［5］通過對MEMS 陀螺數(shù)據(jù)建立時間序列ARMA 模型并采用多次Kalman 濾波對陀螺隨機(jī)漂移進(jìn)行補(bǔ)償,MEMS 陀螺噪聲隨濾波次數(shù)增加而減少, 但是運(yùn)算量會明顯加大。 文獻(xiàn)［6］利用Kalman 濾波對風(fēng)速風(fēng)向的MEMS 陀螺進(jìn)行處理, 延時問題得到明顯改善, 但是濾波效果不如加權(quán)滑動均值濾波。 文獻(xiàn)［7］利用高階自回歸模型（Autoregressive, AR） 對陀螺隨機(jī)誤差進(jìn)行建模, 但擴(kuò)大濾波器維數(shù)可能會導(dǎo)致濾波不穩(wěn)定甚至發(fā)散。 文獻(xiàn)［8］也利用Kalman 濾波對隨機(jī)誤差進(jìn)行補(bǔ)償, 但是量測噪聲方差和系統(tǒng)噪聲方差均由簡單統(tǒng)計(jì)得到, 無法跟隨實(shí)際變化。

Kalman 濾波因其濾波效果好、 延遲低在工程中應(yīng)用比較廣泛, 但Kalman 濾波的效果與其模型的精確度成正比關(guān)系［9］, 固定的AR 模型不僅需要經(jīng)過大量預(yù)處理才能得到精確模型參數(shù), 而且對于陀螺實(shí)時輸出數(shù)據(jù)的擬合度無法保證, 這無疑會降低Kalman 濾波的實(shí)時效果。 因此, 本文提出一種新的方法: 利用遺忘因子遞推最小二乘實(shí)時建立AR 模型, 并將這種時變的AR 模型應(yīng)用到抗野值Kalman 濾波中, 通過與抗野值Kalman 濾波對比發(fā)現(xiàn)延時更小, 各項(xiàng)噪聲系數(shù)明顯降低。

1 遺忘因子遞推最小二乘與抗野值Kalman 濾波結(jié)合

Kalman 濾波的系統(tǒng)模型越精確, 濾波效果越好。 利用遺忘因子α對歷史數(shù)據(jù)進(jìn)行加權(quán), 使歷史數(shù)據(jù)的影響被減弱, 使新數(shù)據(jù)的權(quán)值增大, 遞推最小二乘遞推得到的AR 模型參數(shù)實(shí)時性更好,使模型參數(shù)能更好地反映信號的動態(tài)特征。 利用遺忘因子遞推最小二乘建立的時變AR 模型可以很好地解決因?yàn)榭挂爸礙alman 濾波系統(tǒng)模型不精確而導(dǎo)致的濾波效果降低問題, 同時加入了抗野值的Kalman 濾波又能降低野值對濾波結(jié)果的影響,使濾波效果再次提升。

1.1 基于遺忘因子遞推最小二乘的自回歸AR 模型參數(shù)實(shí)時更新

AR 模型一般采用最小二乘進(jìn)行參數(shù)估計(jì), 但最小二乘不僅運(yùn)算量大, 而且無法用于在線辨識,無法實(shí)時給出MEMS 數(shù)據(jù)的AR 模型參數(shù)。 遞推最小二乘無矩陣運(yùn)算, 能大幅減少計(jì)算量和存儲量,可實(shí)現(xiàn)在線辨識。 隨著參數(shù)的迭代, 辨識的結(jié)果也越來越精確。

式（1） ～式（5）中,α為遺忘因子, 一般取值范圍為［0.95, 1］;θk、θk+1、分別為遞推最小二乘第k次和第k+1 次迭代的系數(shù)解以及第k+1 個估計(jì)值;yk+1為第k+1 個觀測數(shù)據(jù);hk+1為第k+1 次更新的觀測數(shù)據(jù)矩陣;Pk、Pk+1分別為第k次和第k+1 次系統(tǒng)協(xié)方差;Gk+1為第k+1 次迭代的增益矩陣;ek+1為方程誤差。 為了在工程上減少計(jì)算量, 故采用一階AR 模型。

1.2 自適應(yīng)抗野值Kalman 濾波

MEMS 陀螺的輸出信號中含有較多的野值, 如果不采取措施去除這些野值, 將對Kalman 濾波效果造成不小的影響。 所以本文采用了一種自適應(yīng)抗野值的Kalman 濾波, 這種方法能在Kalman 濾波的基礎(chǔ)上進(jìn)一步對濾波增益和預(yù)測值進(jìn)行修正,使濾波效果更好。

根據(jù)遺忘因子遞推最小二乘得到的時變AR 模型參數(shù)θk-1, 可以得到Kalman 濾波狀態(tài)方程的狀態(tài)轉(zhuǎn)移矩陣Φk,k-1

預(yù)測過程如下

更新過程如下

式（6） ～式（12）中,Xk,k-1為系統(tǒng)狀態(tài)向量tk-1時刻到tk時刻的一步預(yù)測值,Pk-1與Pk為tk-1、tk時刻系統(tǒng)均方誤差陣,Pk,k-1為tk-1時刻到tk時刻系統(tǒng)均方誤差陣的一步預(yù)測值,Kk為tk時刻的卡Kalman 濾波增益。

式（13）、 式（14）中,εk為tk時刻系統(tǒng)的最優(yōu)估計(jì)值與實(shí)際觀測值的誤差, 序列ε為 {ε1,ε2, …,εk},E（ε）為序列ε的均值,Sk為序列ε的方差。 令, 其中的為前k時刻序列ε的標(biāo)準(zhǔn)差。

2 實(shí)驗(yàn)結(jié)果與分析

導(dǎo)引頭所用的濾波器對延時和濾波效果要求比較高, 利用變幅值、 變周期的正弦波對時變AR模型的抗野值Kalman 濾波進(jìn)行仿真測試, 可以分析濾波器的延時、 信噪比和濾波效果, 其仿真結(jié)果如圖2 所示。

圖2 仿真濾波前后對比Fig.2 Diagram of comparison before and after simulation filtering

圖2 的仿真測試是在真實(shí)數(shù)據(jù)基礎(chǔ)上加入信噪比為3dB 的零均值白噪聲來模擬陀螺輸出數(shù)據(jù)。Kalman 濾波雖然能濾掉大部分噪聲, 但是對野值濾波效果不好, 濾波后的曲線受野值影響較大;而時變AR 模型的抗野值Kalman 濾波不僅能有效降低野值干擾, 且延遲相對Kalman 濾波更小。

對MEMS 陀螺輸出的原始數(shù)據(jù)進(jìn)行抗野值Kalman 濾波和時變AR 模型的抗野值Kalman 濾波,根據(jù)濾波后數(shù)據(jù)的均值方差以及Allan 方差的各項(xiàng)噪聲系數(shù)來對比濾波效果, 圖3 為濾波對比數(shù)據(jù)曲線。

圖3 MEMS 陀螺數(shù)據(jù)濾波前后對比Fig.3 Comparison of MEMS gyroscope data before and after filtering

由圖3 可知, 時變AR 模型的抗野值Kalman濾波輸出更穩(wěn)定, 且對于野值的抗干擾性能更好。表1 為幾種方法濾波前后的均值和方差對比。

表1 中, 抗野值Kalman 濾波不會降低陀螺輸出均值, 而其方差降低了70.9%; 經(jīng)過時變AR 模型的抗野值Kalman 濾波后, MEMS 陀螺輸出均值降低了83.0%, 方差降低了83.5%。 從數(shù)據(jù)上看,時變AR 模型抗野值Kalman 濾波更具有優(yōu)勢。 Allan 方差對比結(jié)果如圖4 和表2 所示。

表1 濾波前后均值和方差對比Table 1 Comparison of means and variances before and after filtering

圖4 Allan 方差對比結(jié)果Fig.4 Comparison results of Allan variance

表2 濾波前后噪聲項(xiàng)對比Table 2 Comparison of noise terms before and after filtering

表2 中, 經(jīng)過抗野值Kalman 濾波之后, 原始數(shù)據(jù)的隨機(jī)誤差得到了改善, 降低了50%以上;而時變AR 模型的抗野值Kalman 濾波效果更為明顯, 隨機(jī)誤差降低了90%以上。

將時變AR 模型的抗野值Kalman 濾波加入到導(dǎo)引頭伺服控制回路進(jìn)行閉環(huán)實(shí)驗(yàn), 結(jié)果如圖5所示。

圖5 導(dǎo)引頭閉環(huán)測試Fig.5 Diagram of seeker closed-loop test

由圖5 可知, 在導(dǎo)引頭的閉環(huán)測試中, 導(dǎo)引頭能夠穩(wěn)定控制框架角, 從而穩(wěn)定跟蹤目標(biāo), 驗(yàn)證了時變AR 抗野值Kalman 濾波延遲小、 能有效降低MEMS 陀螺噪聲等特點(diǎn)。

3 結(jié)論

為了減少M(fèi)EMS 陀螺輸出的隨機(jī)誤差對導(dǎo)引頭伺服控制回路的影響, 本文提出了基于遺忘因子遞推最小二乘進(jìn)行時變AR 模型建模并與抗野值Kalman 濾波相結(jié)合的方法, 不僅能減少因系統(tǒng)模型不精確造成的影響, 還能降低野值對導(dǎo)引頭伺服控制的干擾。 通過實(shí)驗(yàn)可以得到, 經(jīng)過時變AR模型抗野值Kalman 濾波, MEMS 陀螺數(shù)據(jù)的均值、方差降低了80%以上; Allan 方差的各個噪聲項(xiàng)均比原始數(shù)據(jù)降低了90%以上, 測試結(jié)果均優(yōu)于抗野值Kalman 濾波。 時變AR 模型抗野值Kalman 濾波方法在導(dǎo)引頭伺服控制回路的閉環(huán)測試中效果良好, 具有很好的工程應(yīng)用前景。