本发明涉及惯性导航系统光纤陀螺领域，更具体的说是涉及一种基于minirocket网络模型的光纤陀螺故障诊断方法。
背景技术：
1、光纤陀螺（fiber optical gyroscope， fog）作为一种高精度的角速度传感器，在航空航天、航海以及国防等领域发挥着重要作用。然而，长时间的工作环境下，光纤陀螺容易受到温度应力等环境因素的影响，导致性能下降并可能产生间歇性故障。间歇性故障通常表现为随机且不确定的行为，这对惯性导航系统的可靠性和稳定性构成了挑战。
2、目前的光纤陀螺故障诊断技术主要依赖于光纤陀螺的原始输出信号，并且大部分采用模拟信号的方法来获取间歇故障数据。这些方法基于特定的模型和假设，虽然能提供一定的故障信息，但是存在以下局限性：
3、模拟信号方法依赖于预先设定的模型，这些模型往往简化了实际工作环境中的复杂情况，因此难以真实反映间歇性故障的随机性。且所使用的信号处理方法，如经验模态分解（emd），在处理非线性、非平稳信号时可能会出现模式混叠的问题，这使得信号分解的效果不够理想。
4、同时，由于间歇故障的随机性和不确定性，现有的故障诊断方法很难准确地捕捉和识别这类故障的发生时刻和频率，限制了它们在实际应用中的准确性和可靠性。
5、传统的一维卷积神经网络（1d-cnn）往往需要大量的训练样本和较长时间的训练来优化模型参数，且在处理时间序列数据时需要调整大量的参数，这不仅增加了训练时间和计算资源的需求，而且模型的泛化能力也可能受限。
6、因此，如何设计一种基于minirocket网络模型的光纤陀螺故障诊断方法，能够在减少模型训练时间和计算资源消耗的前提下，提高光纤陀螺故障诊断的准确性和可靠性是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本发明提供了一种基于minirocket网络模型的光纤陀螺故障诊断方法，能够有效地从复杂的信号中提取出间歇故障特征；同时，借助minirocket网络模型高效的时间序列分类能力，实现快速特征提取和分类，降低了计算成本和模型训练时间，从而实现了对光纤陀螺间歇故障的准确诊断。
2、为了实现上述目的，本发明采用如下技术方案：
3、一种基于minirocket网络模型的光纤陀螺故障诊断方法，包括以下步骤：
4、s1、采用标准角速度源对多个相同型号的光纤陀螺进行校准，获取每个光纤陀螺的输出信号和对应的温度应力信号；
5、s2、对每个光纤陀螺的输出信号进行标注，并通过eemd算法进行降噪处理，构建数据集；
6、s3、利用所述数据集进行minirocket网络模型训练，结合麻雀优化算法进行模型超参数调优，获得优化后的minirocket网络模型；
7、s4、基于优化后的minirocket网络模型，进行相同型号光纤陀螺故障诊断，获得对应的故障诊断结果。
8、优选的，所述s2中，对每个光纤陀螺的输出信号进行标注，包括：
9、计算每个光纤陀螺的零漂值：
10、
11、其中，k为常数，n为输出信号的数量，为输出信号第i个采样数据点的实际输出值，为所有输出信号的平均值；
12、基于每个光纤陀螺的零漂值，结合光纤陀螺检测阈值进行正常状态、间歇故障和永久故障标注；
13、所述正常状态为光纤陀螺的零漂值小于检测阈值，所述间歇故障为光纤陀螺的零漂值大于检测阈值后恢复至正常状态，所述永久故障为光纤陀螺的零漂值大于检测阈值后无法恢复至正常状态。
14、优选的，所述s2中，通过eemd算法进行降噪处理，包括：
15、对标注后的每个光纤陀螺的输出信号添加白噪声：
16、
17、其中，为添加白噪声后的输出信号，为标注后的输出信号，为白噪声；
18、对每个添加白噪声后的输出信号进行多次emd分解，分别获得多个不同序号下的模态函数和残余项；其中，每次的emd分解过程中，获得一组模态函数和一个残余项；
19、对每次分解过程中所有相同序号的模态函数和残余项进行平均处理，获得分解结果；
20、基于所述分解结果，进行重构序列合成，获得降噪处理后的输出信号x(t)。
21、优选的，所述平均处理过程表示为：
22、
23、
24、其中，为imf估计值，为最终残余项。
25、优选的，所述eemd算法中，计算相邻模态函数之间的差异度，并结合预设差异度阈值生成emd分解终止条件；所述emd分解终止条件为：相邻模态函数之间的差异度小于预设差异度阈值。
26、优选的，所述s3中，minirocket网络模型，包括：
27、多通道随机卷积层：用于对数据进行多通道随机卷积操作，并进行特征初始融合和标准化处理，提取初始特征；
28、点卷积层：用于对所述初始特征进行点卷积特征融合，获得融合后的特征；
29、归一化层：用于对所述融合后的特征进行归一化操作；
30、一维卷积层：用于对归一化操作后的特征进行关键特征提取；
31、池化层：用于采用最大池化或平均池化降低所述关键特征的维度；
32、多层感知机mlp：用于通过低维度的关键特征进行光纤陀螺故障类型预测。
33、优选的，所述多通道随机卷积层包括一组预设数量的随机卷积核；所述随机卷积核随机生成权重和偏差进行特征提取；
34、在所述多通道随机卷积层中，标准化处理采用 z-score 标准化。
35、优选的，所述多层感知机mlp为单隐藏层结构，所述隐藏层神经元数量为100，隐藏层激活函数为relu函数，结合adam优化算法进行学习率调整；
36、多层感知机mlp输出层包括三个神经元；所述三个神经元分别对应三种光纤陀螺状态类型，采用softmax函数作为激活函数。
37、优选的，所述s3中，利用所述数据集进行minirocket网络模型训练，包括：对所述数据集进行训练集和测试集划分，分别应用于minirocket网络模型训练模式和评估模式；
38、在minirocket网络模型训练模式和评估模式下，对模型训练损失和分类准确率进行实时监控，并绘制训练损失和分类准确率曲线，进行模型的拟合或欠拟合识别。
39、优选的，所述s4中，还包括：
40、采用标准角速度源对所述相同型号光纤陀螺进行校准，获取所述相同型号光纤陀螺输出信号；
41、对所述相同型号光纤陀螺输出信号，利用所述s2中eemd算法进行降噪处理。
42、经由上述的技术方案可知，与现有技术相比，本发明技术方案存在以下有益效果：
43、1、采用标准角速度源对光纤陀螺进行校准，确保了数据采集的准确性。且对多个相同型号的光纤陀螺进行标定，同时记录输出信号和温度应力信号，有助于更全面地了解光纤陀螺的工作状态及其与环境因素的关系。
44、2、通过计算零漂值来区分不同的工作状态，并结合eemd (ensemble empiricalmode decomposition) 算法进行降噪，通过对添加了白噪声的信号进行多次emd分解并进行平均处理，能够有效去除噪声干扰，保留信号的有效成分。
45、3、基于minirocket网络模型中的多通道随机卷积层能够快速提取信号中的特征，通过点卷积层进行特征融合，进一步增强了特征表达能力。且结合麻雀优化算法进行超参数调优，有助于寻找最优模型配置，提高诊断准确率。
46、4、通过标准角速度源持续校准，结合优化的minirocket网络模型能够高效且准确地识别出光纤陀螺多种场景下的不同故障类型。
1.一种基于minirocket网络模型的光纤陀螺故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于minirocket网络模型的光纤陀螺故障诊断方法，其特征在于，所述s2中，对每个光纤陀螺的输出信号进行标注，包括：
3.根据权利要求1所述的一种基于minirocket网络模型的光纤陀螺故障诊断方法，其特征在于，所述s2中，通过eemd算法进行降噪处理，包括：
4.根据权利要求3所述的一种基于minirocket网络模型的光纤陀螺故障诊断方法，其特征在于，所述平均处理过程表示为：
5.根据权利要求3所述的一种基于minirocket网络模型的光纤陀螺故障诊断方法，其特征在于，所述eemd算法中，计算相邻模态函数之间的差异度，并结合预设差异度阈值生成emd分解终止条件；所述emd分解终止条件为：相邻模态函数之间的差异度小于预设差异度阈值。
6.根据权利要求1所述的一种基于minirocket网络模型的光纤陀螺故障诊断方法，其特征在于，所述s3中，minirocket网络模型，包括：
7.根据权利要求6所述的一种基于minirocket网络模型的光纤陀螺故障诊断方法，其特征在于，所述多通道随机卷积层包括一组预设数量的随机卷积核；所述随机卷积核随机生成权重和偏差进行特征提取；
8.根据权利要求6所述的一种基于minirocket网络模型的光纤陀螺故障诊断方法，其特征在于，所述多层感知机mlp为单隐藏层结构，所述隐藏层神经元数量为100，隐藏层激活函数为relu函数，结合adam优化算法进行学习率调整；
9.根据权利要求1所述的一种基于minirocket网络模型的光纤陀螺故障诊断方法，其特征在于，所述s3中，利用所述数据集进行minirocket网络模型训练，包括：对所述数据集进行训练集和测试集划分，分别应用于minirocket网络模型训练模式和评估模式；
10.根据权利要求1所述的一种基于minirocket网络模型的光纤陀螺故障诊断方法，其特征在于，所述s4中，还包括：
