Метод подавления случайных шумов инерциальных датчиков на основе комплексирования AR-модели и адаптивного фильтра Калмана типа SRUKF при начальной выставке БИНС на неподвижном основании

Введение. В режиме гирокомпасирования начальный угол курса бесплатформенной инерциальной навигационной системы (БИНС) определяется на основе данных акселерометров и гироскопов, измеряющих проекции вектора гравитационного ускорения и вектора угловой скорости вращения Земли на оси связанной системы координат в начальном неподвижном режиме работы БИНС. Из-за неизбежного наличия нестабильности смещения нуля и случайных шумов в сигналах акселерометров и гироскопов требуется длительное время для получения достаточного объема данных датчиков, чтобы достичь требуемой точности определения полезных измеряемых значений методом усреднения. Поэтому, чтобы сократить время режима гирокомпасирования, необходимо использовать методы обработки данных для снижения нестабильности смещения нуля и случайных шумов в полученных от инерциальных датчиков БИНС сигналах.
Цель работы. Разработка метода подавления случайных шумов и уменьшения нестабильности смещения нуля в сигналах инерциальных датчиков, благодаря чему сокращается время режима гирокомпасирования БИНС при обеспечении требуемой точности определения ее начального угла курса.
Материалы и методы. Используется модель авторегрессии (англ. autoregressive – AR) для построения математической модели случайных шумов в сигналах датчиков, затем эти шумы фильтруются путем использования фильтра Калмана типа SKURF (англ. Square-Root Unscented Kalman Filter) с применением Sage-окна (англ. Sage window Square-Root Unscented Kalman Filter – SW-SRUKF).
Результаты. Математическая модель случайных шумов инерциальных датчиков в неподвижном режиме. Алгоритм подавления случайных шумов. Результаты обработки реальных данных в виде рисунков и таблиц для апробации эффективности предложенного метода.
Заключение. Предлагается метод шумоподавления для снижения нестабильности смещения нуля и случайных шумов акселерометров и гироскопов БИНС путем комплексирования AR-модели и SW-SRUKF. Корректность и эффективность предложенного метода подтверждена результатами обработки реальных данных с инерциальных датчиков. Полученные результаты значимы для сокращения времени начальной выставки БИНС в режиме гирокомпасирования.

1. Боронахин А. М., Лукьянов Д. П., Филатов Ю. В. Оптические и микромеханические инерциальные приборы. СПб.: Элмор, 2008. 400 с.

2. Матвеев В. В., Распопов В. Я. Основы построения бесплатформенных инерциальных навигационных систем. СПб.: РНЦ РФ ОАО «Концерн «ЦНИИ "Электроприбор"», 2009. 208 с.

3. Random Error Reduction Algorithms for MEMS Inertial Sensor Accuracy Improvement / Sh. Han, Zh. Meng, O. Omisore, T. Akinyemi, Y. Yan // A Review. Micromachines. 2020. Vol. 11, iss. 11. P. 1021. doi:10.3390/mi11111021

4. Huang L. Auto Regressive Moving Average (ARMA) Modeling Method for Gyro Random Noise Using a Robust Kalman Filter // Sensors. 2015. Vol. 15, iss. 10. P. 25277–25286. doi:10.3390/s151025277

5. An improved Sage Husa adaptive robust Kalman filter for de-noising the MEMS IMU drift signal / M. Narasimhappa, A. D. Mahindrakar, V. C. Guizilini, M. H. Terra, S. L. Sabat // Proc. of the IEEE Conf. on Indian Control Conf. (ICC). Kanpur, India, 04–06 January 2018. IEEE, 2018. P. 229–234. doi:10.1109/INDIANCC.2018.8307983

6. Duan D. Study on modeling and filtering of random drift on FOG // Proc. of SPIE. 2011. Vol. 8191. P. 81912G. doi:10.1117/12.90323

7. ARMA model based adaptive unscented fading Kalman filter for reducing drift of fiber optic gyroscope / M. Narasimhappa, J. Nayak, M. H. Terra, S. L. Sabat // Sensor and Actuator A. 2016. Vol. 251. P. 42–51. doi:10.1016/j.sna.2016.09.036

8. Sage A. P., Husa W. Adaptive Filtering with Unknown Prior Statistics // Proc. of the Joint Automatic Control Conf., Washington, DC, USA, 22–24 June 1969. P. 760–769.

9. FOG random drift signal denoising based on the improved AR model and modified Sage-Husa adaptive Kalman filter / J. Sun, X. Xu, Y. Liu, T. Zhang, Y. Li // Sensors. 2016. Vol. 16, № 7. P. 1–19. doi:10.3390/s16071073

10. Julier S. J., Uhlmann J. K. Unscented filtering and nonlinear estimation // Proc. of the IEEE, 2004. Vol. 92, № 3. P. 401–422. doi:10.1109/JPROC.2003.823141

11. Viswanathan M. Wireless Communication Systems in Matlab. 2nd Ed. Independently published, 2020. 382 p.

12. Wang P., Li G., Gao Ya. A compensation method for gyroscope random drift based on unscented Kalman filter and support vector regression optimized by adaptive beetle antennae search algorithm // Applied Intelligence. 2022. Vol. 53. P. 4350–4365. doi:10.1007/s10489-022-03734-7

13. Yang Yu., Gao W. Comparison of Adaptive Factors in Kalman Filters on Navigation Results // The J. of Navigation. 2005. Vol. 58, iss. 3. P. 471–478. doi:10.1017/S0373463305003292

14. Yang Y., Xu T. An adaptive Kalman filter based on Sage windowing weights and variance components // The J. of Navigation. 2003. Vol. 56, iss. 2. P. 231–240. doi:10.1017/S0373463303002248

15. Sage windowing and random weighting adaptive filtering method for kinematic model error / Sh. Gao, W. Wei, Yo. Zhong, A. Subic // IEEE transactions on aerospace and electronic systems. 2015. Vol. 51, № 2. P. 1488–1500. doi:10.1109/TAES.2015.130656

16. Gao Sh., Hu G., Zhong Yo. Windowing and random weighting-based adaptive unscented Kalman filter // Int. J. Adapt. Control Signal Process. 2015. Vol. 29, iss. 2. P. 201–223. doi:10.1002/acs.2467

17. ARIMA models for time series forecasting. URL: https://people.duke.edu/~rnau/411arim3.htm (дата обращения 10.04.2022)

18. Merwe R. Van der, Wan E. A. The square-root unscented Kalman filter for state and parameterestimation // 2001 IEEE Intern. Conf. on Acoustics, Speech and Signal Processing. Proc. (Cat. No.01CH37221). Salt Lake City, USA, 07–11 May 2001. IEEE, 2001. Vol. 6. P. 3461–3464 doi:10.1109/ICASSP.2001.940586

19. Radar Target Tracking for Unmanned Surface Vehicle Based on Square Root Sage–Husa Adaptive Robust Kalman Filter / Shuanghu Qiao, Yunsheng Fan, Guofeng Wang, Dongdong Mu, Zhiping He // Sensors. 2022. Vol. 22, iss. 8. P. 2924. doi:10.3390/s22082924

20. Moving Average Proofs. URL: https://realstatistics.com/time-series-analysis/moving-averageprocesses/moving-average-proofs/ (дата обращения 16.03.2022)

21. Unscented Kalman filter: limitation and combination / L. Chang, B. Hu, A. Li, F. Qin // IET Signal Process. 2013. Vol. 7, iss. 3. P. 167–176. doi:10.1049/iet-spr.2012.0330

22. Datasheet SINS-2M. Electrooptika. URL: http://www.electrooptika.ru/index.php/bins/bins-mezhvidovogo-primeneniya (дата обращения 15.02.2022)