一种光纤陀螺仪分布式分层级温度误差补偿方法

摘要

一种光纤陀螺仪分布式分层级温度误差补偿方法，步骤如下：(1)将光纤环、光源、Y波导、探测器、耦合器五个光学元器件作为温度监测对象，确定各个光学元器件的温度监测点数量及分布形式；(2)对所述的各个温度监测点的监测值进行自适应递推最小二乘处理，得到光纤陀螺仪的温度输出值；(3)利用所述的光纤陀螺仪的温度输出值与光纤陀螺仪的实时输出数据，建立神经网络模型，获得温度漂移补偿值；(4)将光纤陀螺仪的实时输出数据减去所述的温度漂移补偿值，即对光纤陀螺仪进行了温度补偿。本发明克服现有技术的不足，能够系统全面的反映光纤陀螺仪内部的温度场，对光纤陀螺仪在温度环境条件下的性能研究与改善具有重要工程意义。

说明书

技术领域

本发明涉及一种光纤陀螺仪温度补偿方法。

背景技术

温度对光纤陀螺仪尤其是高精度光纤陀螺仪的性能有很大影响，温度变化来源于光纤陀螺仪自身发热与环境温度变化。由于光纤陀螺仪随温度变化的不平稳性与时变性，若采用通常的时间序列等基于参数辨识的技术，则使模型的准确性较差，补偿效果不尽理想。而且，大多数光纤陀螺仪的温度模型仅限于静态温度模型或者是对局部进行温度监测所建立的简化动态温度模型，其远不能满足工程应用中对高精度光纤陀螺仪提出的温度变化下性能的稳定与一致性。

目前所建立的光纤陀螺仪温度模型，存在的主要问题是：对光纤陀螺仪的温度场没有进行系统全面的分析，对所有光学元器件缺乏分析，没有设定温度监测点的选取原则，重点只关注光纤环，忽略了其他重要环节，导致建立的模型没有体现光纤陀螺真实的温度场，在系统应用时，光纤陀螺性能随着外部温度变化而劣化。

专利公开号CN101013035A，发明名称“一种基于神经网络进行温度补偿的光纤陀螺”，中公开了一种基于神经网络进行温度补偿的光纤陀螺，该陀螺似采用神经网络学习算法进行的温度漂移补偿方式，经该温度补偿方法获得的修正温度补偿系数是为光纤陀螺高精度输出提供参数。该申请中共安装了4个传感器，分别安装在光源、Y波导和光纤环上，其中光纤环的内外侧各安装一个。通过这四个传感器的采集温度值对上述四路实时温度进行基于神经网络的温度补偿，文中的重点是如何基于神经网络的温度补偿，包括神经网络的权值系数的提取，温度补偿模型的建立，没有详细说明传感器数量的确定原则，并且该申请中只是考虑光源、Y波导和光纤环，没有考虑探测器和耦合器的温度，也没有介绍如何将采集的温度进行处理。

发明内容

本发明的技术解决问题是：克服现有技术的不足，提供一种光纤陀螺仪分布式分层级温度误差补偿方法，该方法能够系统全面的反映光纤陀螺仪内部的温度场。

本发明的技术解决方案是：一种光纤陀螺仪分布式分层级温度误差补偿方法，步骤如下：

(1)将光纤环、光源、Y波导、探测器、耦合器五个光学元器件作为温度监测对象，确定各个光学元器件的温度监测点数量及分布形式；

(2)对所述的各个温度监测点的监测值进行自适应递推最小二乘处理，得到光纤陀螺仪的温度输出值；

(3)利用所述的光纤陀螺仪的温度输出值与光纤陀螺仪的实时输出数据，建立神经网络模型，获得温度漂移补偿值；

(4)将光纤陀螺仪的实时输出数据减去所述的温度漂移补偿值，即对光纤陀螺仪进行了温度补偿。

所述步骤(1)的光纤环的温度监测点的数量确定公式为：

$n=\Delta ·{(L·D·{\left(\frac{\lambda }{\alpha }\right)}^2)}^{1/6}$

其中，n为温度监测点个数；

L为光纤环长度；

D光纤环直径；

λ为光纤环骨架材料的热传导系数；

α为光纤环骨架材料的热膨胀系数；

Δ为经验参数，通常在0.85～5.35之间取值。

当所述的光源为掺铒光纤光源时，其温度监测点的数量确定公式为：

$n={\Delta }^{\prime }·\frac{\bar{\lambda }}{{\lambda }_{\mathrm{pump}}}·P_{\mathrm{pump}}$

其中，λ为掺铒光纤平均波长；

λ_pump为泵浦波长；

P_pump为泵浦功率；

Δ′为经验参数，通常在50～80之间取值。

所述步骤(1)中的分布形式一般采用对称均布。

所述的Y波导、探测器、耦合器温度监测点的数量根据经验确定，一般取1个，放置在Y波导、探测器、耦合器的外壳的正中央。

所述的建立神经网络模型选取三层BP神经网络N_1，5，1，即输入层与输出层均取一个节点，隐含层取5个节点，隐节点的激发函数选择公式：

$f\left(x\right)=\frac{1}{1+e^{-2x}}$

BP神经网络的权值调整公式：

$w_{\mathrm{ij}}(t+1)=w_{\mathrm{ij}}\left(t\right)-0.5\frac{\partial J\left(t\right)}{\partial w_{\mathrm{ij}}\left(t\right)}+0.1[w_{\mathrm{ij}}\left(t\right)-w_{\mathrm{ij}}(t-1)]$

式中，

为误差目标函数，是经t次权值调整后BP网络的实际输出。

本发明与现有技术相比有益效果为：

(1)本发明通过将光纤环、光源、Y波导、探测器、耦合器五个光学元器件作为温度监测对象，并且确定各个温度监测点的数量及分布方式，并对采集的温度处理后进行温度补偿，该方法能够系统全面的反映光纤陀螺仪内部的温度场，提高光纤陀螺仪在温度变化条件下的精度。

(2)本发明采用自适应递推最小二乘处理五大光学元器件的温度采集值，确保了神经网络模型的真实与全面。

附图说明

图1为本发明方法流程图；

图2为本发明的光纤陀螺仪原理图及温度传感器布局示意图；

图3为本发明的光纤环温度监测点分布图；

图4为本发明的光源温度监测点分布图；

图5为本发明的Y波导温度监测点分布图；

图6为本发明的探测器温度监测点分布图；

图7为本发明的耦合器温度监测点分布图；

图8为本发明的BP学习方法流程图；

图9为本发明的BP网络输出曲线与实际输出曲线对比；

图10为本发明的光纤陀螺仪温度补偿后输出曲线。

具体实施方式

下面结合具体的实施例，详细介绍本发明方法。

如图1、2所示，本发明一种光纤陀螺仪分布式分层级温度误差补偿方法的步骤如下：

(1)将光纤环、光源、Y波导、探测器、耦合器五个光学元器件作为温度监测对象，确定各个光学元器件的温度监测点数量及分布形式；

利用公式(1)可以获取光纤环所需的温度监测点的数量：

$n=\Delta ·{(L·D·{\left(\frac{\lambda }{\alpha }\right)}^2)}^{1/6}---\left(1\right)$

其中，n为温度监测点个数；

L为光纤环长度(m)；

D光纤环直径(m)；

λ为光纤环骨架材料的热传导系数(W/(m·K))；

α为光纤环骨架材料的热膨胀系数(1/K)；

Δ为经验参数(个/)，通常在0.85～5.35之间取值。

光纤环温度场和光纤环的长度与光纤环直径的乘积直接相关，即n∝(L·D)^1/6，而光纤环骨架材料对光纤环的散热与热膨胀影响很大，散热与膨胀的性能决定温度监测点的多少，而且散热与膨胀通常是相互作用，相互影响，确定$n\propto {\left(\frac{\lambda }{\alpha }\right)}^{1/3},$因此，$n={(L·D·{\left(\frac{\lambda }{\alpha }\right)}^2)}^{1/6},$为了更好的反映光纤陀螺仪的研制工艺，通常需要增加一个经验参数Δ进行调整，以获得更好的温度场监测效果。最终，光纤环温度监测点数量的计算公式如公式(1)所示。

通过计算本实施例中光纤环的温度监测点数量为10，如图3所示，光纤环外层均布4个，光纤环内层均布4个，光纤环上下各一个。

本发明中所述的光源可以采用SLD，也可以采用掺铒光纤光源，对于SLD温度监测点一般取1个，对于掺铒光纤光源所需的温度监测点利用公式(2)可以获取：

$n={\Delta }^{\prime }·\frac{\bar{\lambda }}{{\lambda }_{\mathrm{pump}}}·P_{\mathrm{pump}}---\left(2\right)$

其中，λ为掺铒光纤平均波长(nm)；

λ_pump为泵浦波长(nm)；

P_pump为泵浦功率(W)；

Δ′为经验参数(个/W)，通常在50～80之间取值。

掺铒光纤光源的温度场主要与掺铒光纤平均波长、泵浦波长、泵浦功率相关。温度监测点的数量和掺铒光纤平均波长与泵浦功率的乘积呈正比关系，即n∝λ·P_pump，而与泵浦波长成反比关系，即n∝1/λ_pump，为了更好的反映光纤陀螺仪的研制工艺，通常需要增加一个经验参数Δ′进行调整，以获得更好的温度场监测效果。最终，掺铒光纤光源温度监测点数量的计算公式如公式(2)所示。

通过计算本实施例中掺铒光纤光源的温度监测点数量为4，如图4所示，泵浦激光器放置1个，在光纤线圈周围按圆周呈120度均布。

所述的Y波导、探测器、耦合器温度监测点的数量根据经验确定，一般取1个，放置在Y波导、探测器、耦合器的外壳的正中央，分别如图5～7所示。

(2)对所述的各个温度监测点的监测值进行自适应递推最小二乘处理，得到光纤陀螺仪的温度输出值；

确定了上述五大光学元器件的温度监测点后，对光纤环的温度输出值进行加权处理，可利用公式(3)获得：

T_f＝0.13·(T₁+T₃+T₅+T₈)+0.095·(T₂+T₄+T₆+T₇)+0.055·(T₉+T₁₀)    (3)

光源的温度输出值可利用公式(4)获得：

T_S＝0.12·(T₁+T₂+T₃)+0.65·T₄    (4)

Y波导的温度输出值为T_Y，探测器的温度输出值为T_p，耦合器的温度输出值T_c。

对上面得到的五个温度值进行自适应递推最小二乘处理，利用公式(5)获取光纤陀螺仪的温度值：

T＝0.4·T_f+0.25·T_S+0.1·T_Y+0.2·T_p+0.05·T_c    (5)

(3)利用所述的光纤陀螺仪的温度输出值与光纤陀螺仪的实时输出数据，建立BP神经网络模型，获得温度漂移补偿值；过程如下：

第一步，选择高精度高低温试验箱，在给定的温度范围内(本例中取-20～+40℃)，多次进行高精度光纤陀螺仪一次通电试验，获取多组试验样本。

第二步，输入样本集T＝-20∶0.05∶40，输出样本集O＝f(T)。

第三步，选取三层BP神经网络N_1，5，1，即输入层与输出层均取一个节点，隐含层取5个节点。隐节点的激发函数选择公式(6)所示的非对称型Sigmoid函数：

$f\left(x\right)=\frac{1}{1+e^{-2x}}---\left(6\right)$

第四步，取定权值调整公式：

$w_{\mathrm{ij}}(t+1)=w_{\mathrm{ij}}\left(t\right)-0.5\frac{\partial J\left(t\right)}{\partial w_{\mathrm{ij}}\left(t\right)}+0.1[w_{\mathrm{ij}}\left(t\right)-w_{\mathrm{ij}}(t-1)]---\left(7\right)$

式中，为误差目标函数。(是经t次权值调整后BP网络的实际输出)

第五步，按图8的流程进行BP神经网络建模。随机设置权值的初始值，经过500次训练，误差目标函数J(t)已几乎不再减小。如图9所示，BP模型输出曲线能完好地逼近实际光纤陀螺仪的输出曲线。

第六步，将建立BP网络模型代入光纤陀螺仪实际输出中，获得光纤陀螺仪的温度漂移补偿值。

第七步，将光纤陀螺仪的实时输出数据减去所述的温度漂移补偿值，即对光纤陀螺仪进行了温度补偿，补偿后的结果如图10所示，从图中可以看出，补偿后光纤陀螺的零偏稳定性(0.005°/h)较补偿前的零偏稳定性(0.06°/h)提高近10倍。

本发明未详细说明部分属本领域技术人员公知常识。