Influence of Random Error of Temperature Sensors on the Quality of Temperature Compensation of Fog Bias by the Neural Network
https://doi.org/10.17285/0869-7035.0049
Abstract
The formulas are obtained for estimating the «random walk» type noise of algorithmic compensation for the gyro bias. An example of estimating the statistical significance of the factors influencing the bias when calibrating a fiber-optic gyroscope in the operating temperature range and at different rates of their change is given. It is shown that the random error of temperature sensors can play a major role in the “random walk” noise of the algorithmic compensation for the gyro bias and exceed the gyro self noise. An example of obtaining a regression dependence of algorithmic compensation for gyro bias using a neural network with a multilayer perceptron is given. The factors influencing the choice of the time constant of the differentiating low-frequency temperature filter are considered. Experimental dependences of the random error of the bias algorithmic compensation on the value of the random error of temperature sensors are presented and the necessity of using temperature sensors with a minimum random error is shown.
Keywords
Fiber-optic gyro,
temperature dependence of bias,
calibration,
neural network,
neural network training,
statistical significance of factors,
Allan variance,
additional noise of algorithmic compensating component,
temperature scenario during calibration and check,
selection of time constant of temperature filter.
About the Author
B. V. Klimkovich
OKB TSP Scientific Production Limited Liability Company, Minsk, Belarus
Belarus
Belarus
References
1. Bergh, R.A., Lefevre, H.C., Shaw, H.J., An overview of fiber-optic gyroscopes, Journal of Lightwave Technology, 1984, 2, pp. 91–107.
2. Lefevre, H.C., The Fiber-Optic Gyroscope, Second Edition, 2014, 416 p.
3. Carr, K., May, M.B., Gift, S., Greer, R., Navy Testing of the IXBLueMARINS FOG Inertial Navigator, Proceedings of IEEE/ION PLANS 2014, Monterey, CA, May 2014, pp. 1392-1408.
4. Колеватов А.П., Николаев С.Г., Андреев А.Г., Ермаков В.С., Кель О.Л., Шевцов Д.И. Волоконно-оптический гироскоп бесплатформенных инерциальных систем навигационного класса. Разработка, термокомпенсация, испытания // Гироскопия и навигация. 2010. №3 (70). С. 49–60.
5. Shupe, D.M., Thermally induced nonreciprocity in the fiber-optic interferometer, Applied Optics, 1980, vol. 19, no. 5, pp. 654–655.
6. Kurbatov, A.M, Kurbatov, R.A., Temperature Characteristics of Fiber-Optic Gyroscope Sensing Coils, Journal of Comunications Technology and Electronics, 2013, vol. 58, no. 7, pp. 745–752.
7. Quatraro, E. et al., High performance FOG for non temperature stabilized environment, Inertial Sensors and Systems, 2011. pp. 1.1–2.14.
8. Джашитов В.Э., Панкратов В.М. Математические модели теплового дрейфа гироскопических датчиков инерциальных систем / под ред. В.Г. Пешехонова. СПб: ГНЦ РФ «ЦНИИ «Электроприбор», 2001. 150 с.
9. Джашитов В.Э. и др. Иерархические тепловые модели бесплатформенной инерциальной навигационной системы на волоконно-оптических гироскопах // Гироскопия и навигация. 2013. №1 (80). С. 49–63.
10. Савин М.А., Ошивалов М.А., Галягин К.С. Влияние дефектов укладки волоконно-оптического контура на тепловой дрейф гироскопа // Информатика, вычислительная техника и управление. 2018. С. 185–190.
11. Драницына Е.В., Егоров Д.Ф., Унтилов А.А., Дейнека Г.Б., Шарков И.А., Дейнека И.Г. Снижение влияния изменения температуры на выходной сигнал волоконно-оптического гироскопа // Гироскопия и навигация. 2012. №4. С. 10–20.
12. Шарков И.А., Виноградов А.В., Козлов В.Н., Стригалев В.Е., Кикилич Н.Е. Влияние давления на выходной сигнал волоконно-оптического гироскопа // Научно-технический вестник информационных технологий, механики и оптики. 2017. Т.17. №3. С. 380–386.
13. Джашитов В.Э., Панкратов В.М., Голиков А.В. Математическое моделирование управления температурными полями бесплатформенной инерциальной навигационной системы на волоконно-оптичеких датчиках. Автоматизация и управление в машиностроении // Проблемы машиностроения и надежности машин. 2014. №1. С. 92–100.
14. Джашитов В.Э., Панкратов В.М., Голиков А.В. и др. Обеспечение термоинвариантности волоконно-оптического гироскопа // Гироскопия и навигация. 2011. №4(75). С. 42–56.
15. Кузнецов Ю.А., Олейник С.В., Успенский В.Б., Хацько Н.Е. Исследование температурной зависимости дрейфа ВОГ. Управление в технических системах // Радиоэлектроника, информатика, управление. 2012. №2. С. 152–156.
16. Галягин К.С., Ошивалов М.А., Вахрамеев Е.И., Ивонин А.С. Расчетный прогноз теплового дрейфа волоконно-оптического гироскопа // Вестник ПНИПУ. Аэрокосмическая техника. 2012. №32. С. 127–140.
17. Chen, X., Song, R., Shen, C., Zhang, H., Application of a genetic algorithm Elman network in temperature drift modeling for a fiber-optic gyroscope, Applied Optics. 10 September 2014/ Vol. 53, №26. p. 6043-60-50.
18. Chen, X., Song, R., Shen, C., Zhang, H., Modelling FOG Drift Using Back-Propagation Neural Network Optimized by Artifical Fish Swarm Algorithm, Journal of Sensors, Volume 2014 , Article ID 273043, 6 pages. doi.org/10.1155/2014/273043.
19. Wang, G., Wang, Q., Zhao, B.,Wang, Z., Compensation method for temperature error of fiber optical gyroscope based on relevance vector machine, Applied optics, 2016, vol. 55, no. 5, pp. 1061–1066.
20. Wang, W., Chen, X., Temperature drift modelling and compensation of fiber optical gyroscope based on improved support vector machine and particle swarm optimization algorithms, Applied optics, 2016, vol. 55, no.23, pp. 6243–6250.
21. Вахрамеев Е.И., Галягин К.С., Ошивалов М.А., Савин М.А. Методика численного прогнозирования и коррекции теплового дрейфа волоконно-оптического гироскопа // Изв. вузов. Приборостроение. 2017. Т.60. №1. С. 32–38.
22. Cheng, J., Qi, B., Chen D., Landry, R.J., Modification of an RBF ANN-Based Temperature Compensation Model of Interferometric Fiber Optical Gyroscopes, Sensors, 2015, 15, pp. 11189–11207.
23. Голиков А.В., Панкратов В.М., Ефремов М.В. Анализ температурных полей блока измерения угловых скоростей на волоконно-оптических гироскопах // Гироскопия и навигация. 2017. №4 (99). С. 60–71. DOI 10.17285/0869-7035.2017.25.4.060-071.
24. Курбатов А.М., Курбатов Р.А., Горячкин А.М. Повышение точности волоконно-оптического гироскопа за счет подавления паразитных эффектов в интегрально-оптических фазовых модуляторах // Гироскопия и навигация. 2019. Т. 27. №2. С. 52–69. DOI: 10.17285/0869-7035.2019.27.2.052-069.
25. Тарыгин И.Е. Методика калибровки тепловой модели блока чувствительных элементов, состоящего из трех датчиков угловой скорости // Гироскопия и навигация. 2019. Т. 27. №4. С. 88–102. DOI 10.17285/0869-7035.0016
26. IEEE Standard Specification Format Guide and Test Procedure for Single-Axes Interferometric Fiber Optic Gyros. IEEE Std. 952-1997 (R2008).
27. Федоров Д.С., Ивойлов А.Ю., Жмудь В.А., Трубин В.Г. Использование дифференцирующего фильтра второго порядка для фильтрации сигналов акселерометра и определения производной // Автоматика и программная инженерия. 2014. № 4(10). C. 9–14.
28. Pearson, K., On lines and plains of closest fit to systems of points in space, Philosophical Magazine, 1901, no.2, pp. 559–572.
29. Tibshirani, R., Regression Shrinkage and Selection via the lasso, Journal Royal Statistical Society, Series B, 1996, no. 58 (1), pp. 267–288.
30. Андронов А.М., Копытов Е.А., Гринглаз Л.Я. Теория вероятностей и математическая статистика. Учебник для вузов. СПб.: Питер, 2004. 461 с.
31. Моисеев Н.А. Вычисление истинного уровня значимости предикторов при проведении процедуры спецификации уравнения регрессии // Статистика и экономика. 2017. Т. 14. №3 С. 10–20.
32. Wold, H., Kotz, S., Johnson, N.L., Partial least squares, Encyclopedia of statistcal sciences, New York, Wiley, 1985, no. 6, pp. 581–591.
33. Larose, D.T., Data mining methods and models, John Wiley & Sons Inc., 2006, 322 p.
34. Нейронные сети. Statistica Neural Networks. Методология и технологии современного анализа данных / под ред. В.П. Боровикова. 2-е издание, переработанное и дополненное. М., 2008. 392 с.
35. Хайкин С. Нейронные сети. Полный курс. Изд. второе. М., 2006. 1104 с.
Review
For citations:
Klimkovich B.V. Influence of Random Error of Temperature Sensors on the Quality of Temperature Compensation of Fog Bias by the Neural Network. Giroskopiya i Navigatsiya. 2020;28(4):53-70. (In Russ.) https://doi.org/10.17285/0869-7035.0049
Views:
24
Email this article 