CN104820757A - 基于物理模型的mems陀螺温漂特性神经网络建模方法 - Google Patents

Abstract

本发明提供了一种基于物理模型的MEMS陀螺温漂特性神经网络建模方法，首先采集多组学习样本建立MEMS陀螺温度补偿模型，然后依次建立并训练基于温度补偿模型的神经网络、建立并训练RBF神经网络，最终得到MEMS陀螺输出补偿。本发明提高了神经网络的训练速度，降低了信号中噪声抖动的影响，模型相对简单，缩短了陀螺的准备时间，提高了工作效率。

Description

基于物理模型的MEMS陀螺温漂特性神经网络建模方法

技术领域

本发明涉及一种MEMS陀螺温漂特性神经网络建模方法，是惯性导航、组合导航等领域的关键技术。

背景技术

MEMS陀螺具有体积小、重量轻、成本低、功耗小以及可靠性高等特点，在微小型飞行器导航制导中得到了广泛的应用，在未来中低精度导航领域具有较大的发展前景。然而MEMS陀螺也有两大缺陷，首先MEMS陀螺对温度变化比较敏感，主要表现在陀螺零位随温度变化有很大的漂移，严重影响其测量精度。其次MEMS陀螺开机工作到工作温度需要长时间的预热，一般需要1～2h的预热，很多情况下陀螺用于测量的时间远小于陀螺的预热时间，这严重的制约了MEMS陀螺的适用范围。

温度变化包括外界环境温度变化和上电后陀螺自身发热引起的温度变化。目前已有很多对外界环境温度变化引起陀螺零位发生漂移做了研究。如：专利CN103256941A《一种MEMS陀螺仪高阶温度补偿的使用方法》中将温度漂移模型表达为一个含有21个参数的5阶多项式

$\mathrm{Rate}\left(T\right)=\underset{m=0}{\overset{5}{\mathrm{\Σ}}}{C}_i{N}_R^m{T}^{5-m}$

(T为环境温度，C_i为各次项系数，N_R为陀螺输出，Rate(T)为补偿后输出)

其中N_R为MEMS陀螺温度达到新的平衡后的输出。该模型研究的是温度平衡后MEMS陀螺零位输出与环境温度之间的关系。为获得高精度的补偿，该模型设置了21个的待确定参数，模型比较复杂。

其次陀螺在上电后自身发出的热量会引起MEMS陀螺器件温度升高，影响陀螺的输出，而该上升过程一般持续1小时左右。很多情况下陀螺的工作时间大约为20min远小于陀螺预热时间1h，为了提高效率要求陀螺经过短时间的预热就能够投入使用。

发明内容

为了克服现有技术的不足，本发明提供一种基于物理模型的MEMS陀螺温度补偿神经网络建模方法，模型简单，提高了工作效率。

本发明解决其技术问题所采用的技术方案包括下列步骤：

(1)等间隔获取不同环境温度下的MEMS陀螺输出，以及对应该环境温度的MEMS陀螺内部温度值作为学习样本，使学习样本覆盖整个MEMS工作温度区间范围，每个环境温度点下，采集3组数据，每组数据包括一个MEMS陀螺输出和对应的一个MEMS陀螺内部温度值，每组数据采集30分钟，且相邻两组数据之间间隔1小时；

所述的间隔选取为3℃～5℃。

(2)针对环境温度T不变的情况，建立基于MEMS陀螺内部温度增量的温度补偿模型Δω＝K₂ΔT²+K₁ΔT+K₀，其中，MEMS陀螺输出补偿值Δω＝ω_m-ω_r，ω_m为当前时刻的MEMS陀螺实测值，ω_r为MEMS陀螺输出真实值；MEMS陀螺内部的温度增量ΔT＝T_in-T₀，T₀为MEMS上电后达到稳定状态时的内部温度，T_in为MEMS当前时刻的内部温度；K₁、K₂为MEMS陀螺温度补偿模型参数，K₀为MEMS陀螺初始零位；

(3)取ΔT为输入量，ω_m-ω_r-K₀为目标向量来构建三层结构的前向神经网络ω_m-ω_r-K₀＝K₂ΔT²+K₁ΔT，所述的三层为输入层、隐层、输出层，

采用最小二乘法训练神经网络，修正神经网络权值的反馈信号为网络的输出与目标向量差值的积分值；训练时用每个环境温度点下采集的数据训练网络，得到各个不同环境温度点下MEMS陀螺温度补偿模型参数K₁、K₂的具体值，K₀取MEMS陀螺稳定输出30秒的平均值；

(4)针对不同环境温度的情况，以每个环境温度点为输入量，MEMS陀螺温度补偿模型的模型参数K₁、K₂为目标向量，建立单输入、双输出的RBF神经网络；利用步骤(3)得到的不同温度点下的K₁、K₂作为目标向量训练RBF神经网络；

(5)将环境温度值T代入步骤(4)中训练好的RBF神经网络，得到对应温度下MEMS陀螺温度补偿模型中的K₁、K₂值；将K₀、K₁、K₂以及ΔT代入步骤(3)中的温度补偿模型，求得补偿值Δω，得到修正的MEMS陀螺输出ω_r＝ω_m-Δω。

本发明的有益效果是：基于温度增量的MEMS陀螺温度补偿模型的建立减少了神经网络训练的盲目性，提高了神经网络的训练速度；神经网络训练方法采用的积分环节有效地降低了信号中噪声抖动的影响，通过外部反馈信号来调整权值；模型相对简单，在短时间的预热后即可进入正常测量，大大的缩短了陀螺的准备时间，提高了工作效率。

附图说明

图1为本发明中建模方法流程图；

图2为MEMS陀螺基于温度补偿模型的神经网络结构图；

图3为RBF神经网络结构图；

图4为低温段MEMS陀螺补偿效果图；

图5为常温段MEMS陀螺补偿效果图；

图6为高温段MEMS陀螺补偿效果图。

具体实施方式

下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。

本发明基于物理模型的MEMS陀螺温漂特性神经网络建模方法包括下列步骤：

(1)采集多组学习样本

等间隔(一般选取间隔3℃～5℃)分别获取不同环境温度下的MEMS陀螺输出，以及采集过程中MEMS陀螺内部温度值作为学习样本，使学习样本覆盖整个MEMS工作温度区间范围。每个环境温度点下，采集3组条件相同的数据(每组数据包括MEMS陀螺输出和MEMS陀螺内部温度值)，每组数据采集30分钟，且3组数据采集之间间隔1小时。

(2)建立MEMS陀螺温度补偿模型

针对环境温度T不变的情况，建立基于MEMS陀螺内部温度增量的温度补偿模型为：

Δω＝K₂ΔT²+K₁ΔT+K₀   (1)

其中：Δω＝ω_m-ω_r，Δω为MEMS陀螺输出补偿值，ω_m为当前时刻的MEMS陀螺实测值，ω_r为MEMS陀螺输出真实值；

ΔT＝T_in-T₀，ΔT为MEMS陀螺内部的温度增量，T₀为MEMS上电后达到稳定状态时的内部温度，T_in为MEMS当前时刻的内部温度；

K₁、K₂为MEMS陀螺温度补偿模型参数，K₀为MEMS陀螺初始零位。

(3)建立并训练基于温度补偿模型的神经网络

将式(1)改写为：

ω_m-ω_r-K₀＝K₂ΔT²+K₁ΔT   (2)

取ΔT为输入量，ω_m-ω_r-K₀为目标向量来构建三层(即输入层、隐层、输出层)结构的前向神经网络系统。

训练神经网络所采用的算法为最小二乘法，修正神经网络权值的反馈信号为网络的输出与目标向量差值的积分值。训练时用每个环境温度点下采集的数据训练网络，得到各个不同环境温度点下，MEMS陀螺温度补偿模型参数K₁、K₂具体值，K₀取MEMS陀螺稳定输出30秒的平均值。

网络结构参见图2，其中，输入层中ΔT为MEMS陀螺内部的温度增量，第一隐层中IW1为输入对第一隐层的权值矩阵，B为偏差，传递函数为tansig函数，输出层中IW1为输入对输出层的权值矩阵，LW为隐层对输出的层权值矩阵，传递函数为线性函数，K(K₁、K₂)为网络输出。网络的初始化函数为initlay，网络的性能函数为mse函数。

(4)建立并训练RBF神经网络

针对不同环境温度的情况，以每个环境温度点为输入量，MEMS陀螺温度补偿模型的模型参数K₁、K₂为目标向量，建立单输入、双输出的RBF神经网络。

利用步骤(3)得到的不同温度点下的K₁、K₂作为目标向量训练RBF神经网络，得到环境温度与模型参数之间的关系。

网络结构参见图3，其中，输入层中T为环境温度，径向基神经元层中IW为输入权值矩阵，||dist||为输入向量与它的权值向量之间的距离，B1为偏差，传递函数为高斯函数(radbas)，”.*”表示偏差B1与||dist||相乘，线性输出层中LW为层权值矩阵，B2为偏差，传递函数为线性函数，y为网络输出。

(5)MEMS陀螺输出补偿

将环境温度值T代入步骤(4)中训练好的RBF神经网络，得到对应温度下MEMS陀螺温度补偿模型中的K₁、K₂值。

将K₀、K₁、K₂以及ΔT代入步骤(3)中的温度补偿模型，求得补偿值Δω，用实测值减去补偿值来修正MEMS陀螺输出，即ω_r＝ω_m-Δω。

以AD公司的ADIS16488a型MEMS陀螺的温度补偿为例来阐述本发明的具体实施过程。

(1)采集3组学习样本

以3℃为间隔分段采集低温(-19℃～-13℃)、常温(15℃～21℃)、高温(55℃～61℃)3种具有代表性的不同环境温度段的MEMS陀螺输出，以及采集过程中MEMS陀螺的内部温度值，并且每个温度点下，采集3组数据，每组数据采集30分钟，数据采集前需要保证器件与周围环境达到温度平衡，同一温度下多组采集时也要注意数据采集前温度一致，即3组数据采集之间需间隔1小时。

(2)建立MEMS陀螺温度补偿模型

针对环境温度不变的情况，由于陀螺上电后自身发出的热量会引起MEMS陀螺器件内部温度升高，并且陀螺输出随温度增长呈非线性变化，基于此，建立MEMS陀螺温度补偿模型为内部温度增量的二次表达式：

Δω＝K₂ΔT²+K₁ΔT+K₀   (1)

其中：Δω＝ω_m-ω_r，Δω为MEMS陀螺输出补偿值，ω_m为当前时刻的MEMS陀螺实测值，ω_r为MEMS陀螺输出真实值；

ΔT＝T_in-T₀，ΔT为MEMS陀螺内部的温度增量，T₀为MEMS陀螺上电30秒后，达到稳定状态时的内部温度，T_in为MEMS陀螺上电30秒后，当前时刻的内部温度；

K₁、K₂为MEMS陀螺温度补偿模型参数，K₀为MEMS陀螺初始零位。

(3)建立并训练基于温度补偿模型的神经网络

将式(1)改写为：

ω_m-ω_r-K₀＝K₂ΔT²+K₁ΔT   (2)

取ΔT为输入量，ω_m-ω_r-K₀为目标向量来构建三层(即输入层、隐层、输出层)结构的前向神经网络系统。

由于MEMS陀螺输出夹杂着大量白噪声，因此采用神经网络的输出与目标向量差值的积分值作为修正网络权值的反馈信号，训练神经网络所采用的算法为最小二乘法。训练时用每个温度点下采集的数据训练网络，得到不同温度点下，MEMS陀螺温度补偿模型参数K₁、K₂具体值，K₀取MEMS陀螺稳定输出30秒的平均值。

分别求出3组数据中对应的网络输入ΔT和目标向量ω_m-ω_r-K₀(实验时由于陀螺静止，即ω_r＝0)，用其中任意两组数据依次训练该神经网络，将第3组数据对应的ΔT代入已训练好的神经网络，用以验证网络性能。提取出训练好的神经网络权值，即为所求取的K₁、K₂，数据如下表：

(4)建立并训练RBF神经网络

由于RBF神经网络具有良好的局部拟合能力，故采用RBF神经网络对MEMS陀螺温度补偿模型中的参数K₁、K₂随环境温度T的变化曲线做拟合，得到环境温度与模型参数的关系。

针对不同环境温度的情况，以每个温度点为输入量，MEMS陀螺温度补偿模型的模型参数K₁、K₂为目标向量，建立单输入、双输出的RBF神经网络。

将步骤(3)中训练得到的3个温度段两端点温度对应的K₁、K₂值和端点温度值，代入建好的RBF网络，对其进行训练，得到表征环境温度与模型参数之间关系的网络权值，将其保存在该RBF神经网络中，形成低温、常温、高温3组网络。

(5)MEMS陀螺输出补偿

将待求温度点的温度值代入步骤(4)中所在温度段对应的神经网络，得到该温度点下温度补偿模型中的K₁、K₂具体值，并求得该次实验的初始零位K₀，数据如下表：

将K₀、K₁、K₂和该次实验的MEMS陀螺内部温度增量ΔT代入步骤(3)中的温度补偿模型，求得补偿值Δω，用实测值减去补偿值来修正MEMS陀螺输出，即ω_r＝ω_m-Δω。补偿效果参见下表及图4～图6.

Claims (2)

1.一种基于物理模型的MEMS陀螺温漂特性神经网络建模方法，其特征在于包括下述步骤：

(1)等间隔获取不同环境温度下的MEMS陀螺输出，以及对应该环境温度的MEMS陀螺内部温度值作为学习样本，使学习样本覆盖整个MEMS工作温度区间范围，每个环境温度点下，采集3组数据，每组数据包括一个MEMS陀螺输出和对应的一个MEMS陀螺内部温度值，每组数据采集30分钟，且相邻两组数据之间间隔1小时；

(2)针对环境温度T不变的情况，建立基于MEMS陀螺内部温度增量的温度补偿模型Δω＝K₂ΔT²+K₁ΔT+K₀，其中，MEMS陀螺输出补偿值Δω＝ω_m-ω_r，ω_m为当前时刻的MEMS陀螺实测值，ω_r为MEMS陀螺输出真实值；MEMS陀螺内部的温度增量ΔT＝T_in-T₀，T₀为MEMS上电后达到稳定状态时的内部温度，T_in为MEMS当前时刻的内部温度；K₁、K₂为MEMS陀螺温度补偿模型参数，K₀为MEMS陀螺初始零位；

(3)取ΔT为输入量，ω_m-ω_r-K₀为目标向量来构建三层结构的前向神经网络ω_m-ω_r-K₀＝K₂ΔT²+K₁ΔT，所述的三层为输入层、隐层、输出层，

采用最小二乘法训练神经网络，修正神经网络权值的反馈信号为网络的输出与目标向量差值的积分值；训练时用每个环境温度点下采集的数据训练网络，得到各个不同环境温度点下MEMS陀螺温度补偿模型参数K₁、K₂的具体值，K₀取MEMS陀螺稳定输出30秒的平均值；

(4)针对不同环境温度的情况，以每个环境温度点为输入量，MEMS陀螺温度补偿模型的模型参数K₁、K₂为目标向量，建立单输入、双输出的RBF神经网络；利用步骤(3)得到的不同温度点下的K₁、K₂作为目标向量训练RBF神经网络；

(5)将环境温度值T代入步骤(4)中训练好的RBF神经网络，得到对应温度下MEMS陀螺温度补偿模型中的K₁、K₂值；将K₀、K₁、K₂以及ΔT代入步骤(3)中的温度补偿模型，求得补偿值Δω，得到修正的MEMS陀螺输出ω_r＝ω_m-Δω。

2.根据权利要求1所述的基于物理模型的MEMS陀螺温漂特性神经网络建模方法，其特征在于：所述的间隔选取为3℃～5℃。