吴新锋 段 然 许 琦 周 虎

北京航天自动控制研究所，北京 100854

近年来随着航天发射需求日益递增，惯性器件故障在运载火箭研制、测试过程中逐渐凸显，而随机游走故障在测试过程中通常难以发现，为航天发射埋下了重大安全隐患。激光陀螺以其高精度、高可靠性等优点，在航空、航天及航海领域得到了广泛应用。文献[1]针对惯组的参数故障(标度因子等突变)和线性、正弦缓变故障及输出故障(常零、满量程和倍频输出)提出了动态阈值故障检测方法，克服了传统恒定阈值不能反映载体运动变化的不足，但对于小幅值故障检测效果较差。文献[2]针对MEMS陀螺的小幅值故障提出了将假设检验与PCA算法相结合的故障检测方法，有效降低了噪声对小幅值故障检测的影响，对小幅值突变型故障有较好的检测效果，但难以检测随机游走故障。基于数据驱动的故障诊断，主要是从陀螺的输出时间序列中挖掘出故障特征并进行识别，而单纯的频谱分析无法满足故障诊断的需求，因而出现了一系列的时间序列分解方法，文献[3]和[4]分别将经验模态分解、集成经验模态分解运用到光纤陀螺的随机游走故障诊断中。随着深度学习热潮的再次来临，也出现了运用深度学习理论的故障诊断方法，其没有传统意义上的故障特征提取，特征提取与分类是同时完成的，直接利用大量样本数据对深度学习网络进行训练，如文献[5]将深度学习用于航空发动机零部件的故障诊断。……