CN107976206B - 一种基于信息熵的mems陀螺性能评价方法 - Google Patents

一种基于信息熵的mems陀螺性能评价方法 Download PDF

Info

Publication number
CN107976206B
CN107976206B CN201711080609.4A CN201711080609A CN107976206B CN 107976206 B CN107976206 B CN 107976206B CN 201711080609 A CN201711080609 A CN 201711080609A CN 107976206 B CN107976206 B CN 107976206B
Authority
CN
China
Prior art keywords
data
gyroscope
random error
gyro
information entropy
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711080609.4A
Other languages
English (en)
Other versions
CN107976206A (zh
Inventor
左庆
张书文
曹海波
雷雯雯
刘亦男
李宁
陈希
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei Sanjiang Aerospace Wanfeng Technology Development Co Ltd
Original Assignee
Hubei Sanjiang Aerospace Wanfeng Technology Development Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hubei Sanjiang Aerospace Wanfeng Technology Development Co Ltd filed Critical Hubei Sanjiang Aerospace Wanfeng Technology Development Co Ltd
Priority to CN201711080609.4A priority Critical patent/CN107976206B/zh
Publication of CN107976206A publication Critical patent/CN107976206A/zh
Application granted granted Critical
Publication of CN107976206B publication Critical patent/CN107976206B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
    • G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Gyroscopes (AREA)

Abstract

本发明公开了一种基于信息熵的MEMS陀螺性能评价方法，包括采集陀螺输出数据，构建陀螺输出数据集；对陀螺输出数据集中的数据进行预处理，去除噪声数据；计算陀螺输出数据的均值，获取陀螺的随机误差，构建陀螺随机误差数据集；对陀螺随机误差数据集进行数据分类，根据分类结果获得陀螺随机数据集中每类数据所占比例，所述比例作为陀螺随机误差的隐性特征向量；根据陀螺随机误差的隐性特征向量，计算陀螺随机误差的信息熵，根据信息熵对陀螺性能进行评价。本发明技术方案的方法，针对现有技术中的MEMS陀螺精度性能评价问题，采用信息熵对MEMS陀螺的随机误差进行评价，可以对不同陀螺随机误差的不确定性进行定量描述。

Description

一种基于信息熵的MEMS陀螺性能评价方法
技术领域
本发明属于陀螺性能评价领域，具体涉及一种基于信息熵的MEMS陀螺性能评价方法。
背景技术
近些年，随着微电子加工技术的发展，MEMS惯性传感器特别是陀螺仪的精度已得到大幅提高，MEMS陀螺凭借其在体积、成本、功耗和抗冲击能力等方面的优势，利用MEMS陀螺的惯性导航技术有了广泛的应用场景，如无人机控制导航技术，机器人运动控制，具有动作识别的可穿戴设备等。基于MEMS陀螺的惯性系统己成为当今惯性技术领域的一个重要的研究热点。
然而低成本的MEMS陀螺虽然瞬态性能较好，但误差漂移会随着时间逐渐累积，对测量精度影响很大。如何提高MEMS陀螺的精度一直以来是研究人员们比较关注的一个重要问题。MEMS陀螺的误差包括确定性误差和随机误差，即陀螺的漂移。确定性误差主要由陀螺结构设计、材料特性、加工工艺等因素引起。对确定性误差，可以比较容易的用代数方程来表示，并通过标定补偿。随机误差主要是由陀螺机械部分和电路部分的非稳定性引起的，是制约MEMS陀螺性能进一步提高的重要因素，特别对于工作时间较长的系统来说陀螺随机漂移对系统性能的影响更大。由于MEMS陀螺随机误差是无规律且随时间变化的，无法进行标定和补偿。因此，研究MEMS陀螺随机误差的特性对进一步提高陀螺性能有着重要的借鉴意义。
信息熵是在物理熵的基础上衍生出的一个概念，是对随机变量不确定性程度进行度量的一种重要方法。一般意义上讲，随机变量的不确定性程度越高，信息熵熵值越大；反之，信息熵熵值越小。MEMS陀螺随机误差具有随机性，有些陀螺的随机性高，有些陀螺的随机性低。为了定量描述不同陀螺随机误差的不确定性程度，本发明采用信息熵对陀螺输出的随机误差的随机性进行度量。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于信息熵的MEMS陀螺性能评价方法。本发明技术方案的方法，针对现有技术中的MEMS陀螺精度性能评价问题，采用信息熵对MEMS陀螺的随机误差进行评价，可以对不同陀螺随机误差的不确定性进行定量描述。
为实现上述目的，按照本发明的一个方面，提供了一种基于信息熵的MEMS陀螺性能评价方法，其特征在于，包括
S1采集陀螺输出数据，构建陀螺输出数据集；
S2对陀螺输出数据集中的数据进行预处理，去除噪声数据；
S3计算陀螺输出数据的均值，获取陀螺的随机误差，构建陀螺随机误差数据集；
S4对陀螺随机误差数据集进行数据分类，根据分类结果获得陀螺随机数据集中每类数据所占比例，所述比例作为陀螺随机误差的隐性特征向量；
S5根据陀螺随机误差的隐性特征向量，计算陀螺随机误差的信息熵，根据信息熵对陀螺性能进行评价。
作为本发明技术方案的一个优选，步骤S1中还包括对陀螺输出的数据进行确定性误差标定，所述确定性误差标定对象包括陀螺的标度因素、安装误差和零偏。
作为本发明技术方案的一个优选，步骤S2中的噪声数据包括奇点数据、趋势项数据和周期项数据。
作为本发明技术方案的一个优选，步骤S3包括，
S31计算陀螺输出数据集的均值；
S32陀螺数据数据集中的每个数据分别减去均值，获取陀螺的随机误差；
S33利用陀螺的随机误差构建陀螺随机误差数据集。
作为本发明技术方案的一个优选，步骤S4包括
S41从陀螺随机误差数据集中随机选取k个数据点作为初始聚类中心；
S42计算剩余数据点到每个初始聚类中心的距离，根据距离最小原则将剩余数据点分配给k个初始聚类中心，以此在陀螺随机数据集中形成k个数据类别；
S43分别计算每个类别的聚类中心，计算剩余数据点到每个初始聚类中心的距离，根据距离最小原则将剩余数据点划分到k个数据类别中；
S44计算初始聚类中心的变化程度，判断变化程度是否达到阈值，若变化程度未达到阈值，则聚类结束，获取最终的分类结果；否则进入步骤S43。
作为本发明技术方案的一个优选，每类数据所占比例的计算公式优选为：
Figure BDA0001458954850000031
式中，nj陀螺随机误差数据集中j类数据的总数，
Figure BDA0001458954850000032
为陀螺随机误差数据集中数据总数，k为数据类别总数。
作为本发明技术方案的一个优选，陀螺随机误差隐性特征向量优选为
FV＝{σ1,σ2,…,σk}；
式中，σj为第j类数据在陀螺随机数据集中所占比例，且σ1+σ2+…+σk＝1。
作为本发明技术方案的一个优选，所述信息熵计算公式优选为：
Figure BDA0001458954850000033
其中，b的是对数所使用的底数，k为数据类别总数，σi为第i类数据所占比例。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
1)本发明技术方案的方法，针对现有技术中缺乏对MEMS陀螺的性能进行评价的缺点，通过分析MEMS陀螺的随机误差数据，提供了一种具有一定准确度的MEMS陀螺性能评价方法；
2)本发明技术方案的方法，通过对陀螺性能进行评价，可以有效评估MEMS陀螺的性能，为研究人员进一步提高MEMS陀螺的精度提供研究方向，也为进一步提高陀螺性能有着重要的借鉴意义。
附图说明
图1是本发明实施例中基于信息熵的MEMS陀螺性能评价方法的流程图；
图2是本发明实施例中提取MEMS陀螺随机误差的隐性特征的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面结合具体实施方式对本发明进一步详细说明。
如图1所示是本发明实施例中基于信息熵的MEMS陀螺性能评价方法的流程图。下面结合具体步骤，对本实施例中的基于信息熵的MEMS陀螺性能评价方法进行进一步的说明。
步骤一：采集MEMS陀螺的输出，构建陀螺输出数据集，对确定性误差进行标定。具体来说，其中包含有这样的步骤：a)在陀螺静止或匀速旋转的状态下，以固定的采样速率采集MEMS陀螺的输出数据；b)对采集到的陀螺输出数据进行确定性误差标定；c)根据采集到的数据构建陀螺数据集。其中，可以先构建数据集然后对其中的数据进行确定性误差标定，也可以先对采集获得的数据进行确定误差标定，然后构建数据集。
步骤二：根据MEMS陀螺的输出特性，对陀螺输出数据集中的数据进行数据预处理，去除陀螺输出数据集中的噪声数据，主要包括对数据进行奇点去除、趋势项去除和周期项去除等。通过去除噪声数据，可以进一步提高陀螺性能判断的准确度。
步骤三：获取陀螺的随机误差，并构建陀螺的随机误差数据集。其中具体包括：计算陀螺输出数据集中数据的平均值，依次取出陀螺输出数据集中的每一个数据减去平均值，所得结果即为陀螺的随机误差，利用这些随机误差构建陀螺的随机误差数据集。
步骤四：提取陀螺随机误差的隐性特征，如图2所示为本发明实施例中提取MEMS陀螺随机误差的隐性特征的流程图。具体来看，其中包含以下步骤：
(1)从陀螺随机误差数据集中随机选取k个数据点作为初始聚类中心U＝(u1,u2,…,uk)，按照以下公式计算剩余数据点到每个初始聚类中心的距离：
dij＝||xi-uj||；
式中i＝1,2,…,n-k，j＝1,2,…,k；根据距离最小原则将剩余n-k个数据划分到k个类别中。
(2)重新计算每个类的聚类中心，按照以下公式得到新的聚类中心U"：
Figure BDA0001458954850000041
式中rij∈(0,1)，i＝1,2,…,n，j＝1,2,…,k。
(3)计算每个数据点到新的聚类中心的距离，按照下式重新对数据点进行划分：
di"j＝||xi-uj"||；
式中i＝1,2,…,n，j＝1,2,…,k。
(4)计算聚类中心的变化程度Δ＝||U-U"||，如果Δ＜ε(ε为给定的阈值)，聚类结束，U"即为得到的最终聚类中心；否则，回到(2)。
(5)按照以下公式计算陀螺随机误差数据集中，每一类数据所占的比例：
Figure BDA0001458954850000051
式中，nj为陀螺随机误差数据集中，属于j类数据的数据总数。
(6)按照以下公式计算陀螺随机误差隐性特征向量FV：
FV＝{σ1,σ2,…,σk}；
式中，σ1+σ2+…+σk＝1。
步骤五：计算陀螺随机误差的信息熵，并对MEMS陀螺性能进行评价，具体的，包括以下步骤：
1)按照以下公式计算陀螺随机误差的信息熵：
Figure BDA0001458954850000052
式中b的是对数所使用的底数，通常取值自然常数e或者2和10。不同底数对应不同信息熵单位，优选的，以e为底数，信息熵单位为“nat”；以2为底数，信息熵单位为“bit”；以10为底数，信息熵单位为“dit”。
2)按照以下准则对MEMS陀螺性能进行评价：
信息熵熵值越大，表明陀螺随机误差的不确定性程度越高，陀螺越不稳定；反之，信息熵熵值越小，陀螺随机误差的不确定性程度越低，陀螺越稳定。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于信息熵的MEMS陀螺性能评价方法，其特征在于，包括
S1采集陀螺输出数据，构建陀螺输出数据集；
S2对陀螺输出数据集中的数据进行预处理，去除噪声数据；
S3计算陀螺输出数据的均值，获取陀螺的随机误差，构建陀螺随机误差数据集；
S4对陀螺随机误差数据集进行数据分类，根据分类结果获得陀螺随机误差数据集中每类数据所占比例，所述比例作为陀螺随机误差的隐性特征向量；
S5根据陀螺随机误差的隐性特征向量，计算陀螺随机误差的信息熵，根据信息熵对陀螺性能进行评价。
2.根据权利要求1所述的基于信息熵的MEMS陀螺性能评价方法，其中，步骤S1中还包括对陀螺输出的数据进行确定性误差标定，所述确定性误差标定对象包括陀螺的标度因素、安装误差和零偏。
3.根据权利要求1或2所述的基于信息熵的MEMS陀螺性能评价方法，其中，步骤S2中的噪声数据包括奇点数据、趋势项数据和周期项数据。
4.根据权利要求1或2所述的基于信息熵的MEMS陀螺性能评价方法，其中，步骤S3包括，
S31计算陀螺输出数据集的均值；
S32陀螺输出数据集中的每个数据分别减去均值，获取陀螺的随机误差；
S33利用陀螺的随机误差构建陀螺随机误差数据集。
5.根据权利要求1或2所述的基于信息熵的MEMS陀螺性能评价方法，其中，步骤S4包括
S41从陀螺随机误差数据集中随机选取k个数据点作为初始聚类中心；
S42计算剩余数据点到每个初始聚类中心的距离，根据距离最小原则将剩余数据点分配给k个初始聚类中心，以此在陀螺随机误差数据集中形成k个数据类别；
S43分别计算每个类别的聚类中心，计算剩余数据点到每个新的聚类中心的距离，根据距离最小原则将剩余数据点划分到k个数据类别中；
S44计算初始聚类中心的变化程度，判断变化程度是否达到阈值，若变化程度达到阈值，则聚类结束，获取最终的分类结果；否则进入步骤S43。
6.根据权利要求1或2所述的基于信息熵的MEMS陀螺性能评价方法，其中，每类数据所占比例的计算公式为：
Figure FDA0002441624490000021
式中，nj为陀螺随机误差数据集中第j类数据的总数，
Figure FDA0002441624490000022
为陀螺随机误差数据集中数据总数，k为数据类别总数。
7.根据权利要求1或2所述的基于信息熵的MEMS陀螺性能评价方法，其中，陀螺随机误差隐性特征向量为：
FV＝{σ1,σ2,…,σk}；
式中，k为数据类别总数，σj为第j类数据在陀螺随机误差数据集中所占比例，且σ1+σ2+…+σk＝1。
8.根据权利要求1或2所述的基于信息熵的MEMS陀螺性能评价方法，所述信息熵计算公式为：
Figure FDA0002441624490000023
其中，b是对数所使用的底数，k为数据类别总数，σj为第j类数据所占比例。
CN201711080609.4A 2017-11-06 2017-11-06 一种基于信息熵的mems陀螺性能评价方法 Active CN107976206B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711080609.4A CN107976206B (zh) 2017-11-06 2017-11-06 一种基于信息熵的mems陀螺性能评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711080609.4A CN107976206B (zh) 2017-11-06 2017-11-06 一种基于信息熵的mems陀螺性能评价方法

Publications (2)

Publication Number Publication Date
CN107976206A CN107976206A (zh) 2018-05-01
CN107976206B true CN107976206B (zh) 2020-06-02

Family

ID=62013231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711080609.4A Active CN107976206B (zh) 2017-11-06 2017-11-06 一种基于信息熵的mems陀螺性能评价方法

Country Status (1)

Country Link
CN (1) CN107976206B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360195A (zh) * 2011-11-04 2012-02-22 大连海事大学 一种船舶主机状态监控和故障监测预警系统及方法
CN103162710A (zh) * 2011-12-15 2013-06-19 洛阳理工学院 基于小波熵的mems陀螺故障检测系统及其检测方法
CN104019831A (zh) * 2014-06-20 2014-09-03 哈尔滨工业大学 基于emd和熵权的陀螺仪故障诊断方法
CN106017879A (zh) * 2016-05-18 2016-10-12 河北工业大学 基于振声信号特征融合的万能式断路器机械故障诊断方法
CN106250709A (zh) * 2016-08-18 2016-12-21 中国船舶重工集团公司第七�三研究所 基于传感器关联网络的燃气轮机异常检测与故障诊断算法
CN106936132A (zh) * 2017-04-17 2017-07-07 中国石油大学(华东) 一种基于熵的多区域互联电力系统随机控制性能评价装置与方法
CN107123989A (zh) * 2017-05-25 2017-09-01 国网上海市电力公司 一种基于改进的局部异常因子算法的电网拓扑辨识方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140111844A (ko) * 2013-03-12 2014-09-22 삼성전자주식회사 난수 발생기 및 난수 품질 테스트 방법

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360195A (zh) * 2011-11-04 2012-02-22 大连海事大学 一种船舶主机状态监控和故障监测预警系统及方法
CN103162710A (zh) * 2011-12-15 2013-06-19 洛阳理工学院 基于小波熵的mems陀螺故障检测系统及其检测方法
CN104019831A (zh) * 2014-06-20 2014-09-03 哈尔滨工业大学 基于emd和熵权的陀螺仪故障诊断方法
CN106017879A (zh) * 2016-05-18 2016-10-12 河北工业大学 基于振声信号特征融合的万能式断路器机械故障诊断方法
CN106250709A (zh) * 2016-08-18 2016-12-21 中国船舶重工集团公司第七�三研究所 基于传感器关联网络的燃气轮机异常检测与故障诊断算法
CN106936132A (zh) * 2017-04-17 2017-07-07 中国石油大学(华东) 一种基于熵的多区域互联电力系统随机控制性能评价装置与方法
CN107123989A (zh) * 2017-05-25 2017-09-01 国网上海市电力公司 一种基于改进的局部异常因子算法的电网拓扑辨识方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Minimum Entropy-Based Performance Assessment of Feedback Control Loops Subjected to Non-Gaussian Disturbances;Jianhua Zhang等;《Journal of Process Control》;20141011;第24卷(第11期);第1660-1670页 *
基于信息熵的导航传感器故障诊断技术研究;朱明;《万方学位论文数据库》;20110215;全文 *
基于信息熵的自适应窗长动态Allan方差研究;谭纪文等;《电光与控制》;20170930;第24卷(第9期);第47-49,68页 *
基于熵的C4ISR系统信息作战能力研究;赵忠文等;《电光与控制》;20110430;第18卷(第4期);第30-32,50页 *
基于维度最大熵数据流聚类的异常检测方法;耿志强等;《控制与决策》;20160229;第31卷(第2期);第343-348页 *

Also Published As

Publication number Publication date
CN107976206A (zh) 2018-05-01

Similar Documents

Publication Publication Date Title
CN104853435B (zh) 一种基于概率的室内定位方法和装置
CN105352487A (zh) 一种姿态测量系统的精度校准方法
CN106919957B (zh) 处理数据的方法及装置
CN109063242B (zh) 一种基于粒子群算法的制导工具误差辨识方法
CN107492120B (zh) 点云配准方法
CN109195110B (zh) 基于层次聚类技术和在线极限学习机的室内定位方法
CN112285676A (zh) 激光雷达与imu外参标定方法及装置
CN111983927A (zh) 一种新型的最大协熵椭球集员滤波方法
CN108225374A (zh) 一种融合遗传算法的Allan方差分析法
CN108871365B (zh) 一种航向约束下的状态估计方法及系统
CN109931952A (zh) 未知纬度条件下捷联惯导直接解析式粗对准方法
CN108450007B (zh) 使用廉价惯性传感器的冗余阵列的高性能惯性测量
CN112797967B (zh) 一种基于图优化的mems陀螺仪随机漂移误差补偿方法
CN107976206B (zh) 一种基于信息熵的mems陀螺性能评价方法
CN111731309B (zh) 坡度估计方法、装置、设备及车辆
Wang et al. Comprehensive assessment algorithm for calculating CEP of positioning accuracy
CN112747773B (zh) 基于Allan方差和随机多项式提高陀螺仪精度的方法
Liu et al. LGC-Net: A lightweight gyroscope calibration network for efficient attitude estimation
CN109520496A (zh) 一种基于盲源分离方法的惯性导航传感器数据去噪方法
CN115727871A (zh) 一种轨迹质量检测方法、装置、电子设备和存储介质
CN112697146B (zh) 一种基于稳健回归的航迹预测方法
CN114705223A (zh) 多移动智能体在目标跟踪中的惯导误差补偿方法及系统
CN102679984A (zh) 基于极小化矢量距离准则的有限模型滤波方法
Gao et al. Triaxial accelerometer error coefficients identification with a novel artificial fish swarm algorithm
CN113918556B (zh) 一种驾驶技能考试场地复核方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant