CN111427262B - 极端环境下mems传感器未知扰动智能控制方法 - Google Patents

Abstract

本发明涉及一种极端环境未知干扰作用下的MEMS传感器零位稳定输出的智能控制方法，属于微机电系统领域。该方法以实现极端环境未知干扰作用下MEMS传感器的扰动智能抑制，该方法基于量测数据驱动控制的自适应期望最大值，它通过基于历史少量样本数据的斜率变化标准作为驱动模型判别环境扰动特征类型，构建输出样本数据的斜率与滤波器带宽函数自适应关系，通过对带宽内的量测数据建立完整数据的对数似然函数，并计算对似然函数的数学期望，然后分别在E步进行状态估计和M步进行参数识别，执行对数似然函数的数学期望最大化，通过对E步和M步进行交替迭代，达到收敛极限时，得到MEMS传感器输出最优估计值。

Description

极端环境下MEMS传感器未知扰动智能控制方法

技术领域

本发明涉及一种极端环境未知干扰作用下的MEMS传感器零位稳定输出的智能控制方法，属于微机电系统领域。

背景技术

微机电系统技术已经成功地实现了多种传感器的小型化和成本降低。这些传感器已广泛应用于许多领域，包括人工智能，物联网和工业4.0等。

外部极端环境因素，如大温差、压差、强辐射、高真空、微重力、大冲击等，广泛作用于MEMS传感器，导致传感器灵敏度及其线性度、零位偏差、重复性、零位漂移等参数显著恶化，极大降低了传感器精度。多种方法被用来提高环境干扰作用的MEMS传感器输出精度，主要包括MEMS传感器机械结构拓扑设计、力平衡闭环电路控制以及封装隔离技术等三种方法。

机械结构拓扑设计是一种常见的提升MEMS传感器抗扰动性能的方法，检索发现，文献“Design and fabrication ofthe high Q gyroscope with ring springstructure”中描述了一种采用环形拓扑结构的技术方案，这种结构特征没有可动的弹性梁结构，同时采用中心支撑的对称分布结构，上述结构具有优于其他形状如四质量、音叉等结构的温度共模抑制以及抗振动特性，然而，环形拓扑结构的电容变化量极小导致灵敏度极低，严重制约MEMS传感器精度提升空间；力平衡闭环电路控制方法是另一种常见的提升MEMS传感器抗扰动性能的方法，检索发现，文献“A single-mass self-resonatingclosed-loop capacitive MEMS accelerometer”中描述了一种采用闭环控制电路有效降低传感器结构的交叉灵敏度误差以及模态耦合误差，在一定程度上抑制了外部扰动引入的传感器零位漂移，然而，该方法需要严格控制闭环电路的相位关系，同时，额外的调制、解调单元增加了传感器系统的复杂度；封装技术是一种间接提升MEMS 传感器环境扰动抑制能力的方法，检索发现，文献“Anovel packaging stress isolation structure for SOIbased MEMS gyroscopes”中提出了一种用于基于绝缘体上硅(SOI)的微机电系统 (MEMS)陀螺仪的封装应力隔离结构，该技术通过在传感器和密封壳之间添加额外的缓冲组件(如：减震片、有机胶水)来隔离外部扰动，然而，该方法仅能实现有限振动、冲击扰动抑制，而对于温度、辐射等干扰很难有效隔离。基于以上已有方案以及存在的相应问题，本发明提出一种能够有效降低未知扰动作用下的MEMS传感器输出波动抑制控制方法，显著提升传感器抗干扰特性。

发明内容

本发明提出一种极端环境下MEMS传感器未知扰动智能控制方法，以实现极端环境未知干扰作用下MEMS传感器的扰动智能抑制，该方法基于量测数据驱动控制的自适应期望最大值，它通过基于历史少量样本数据的斜率变化标准作为驱动模型判别环境扰动特征类型，构建输出样本数据的斜率与滤波器带宽函数自适应关系，通过对带宽内的量测数据建立完整数据的对数似然函数，并计算对似然函数的数学期望，然后分别在E步进行状态估计和M步进行参数识别，执行对数似然函数的数学期望最大化，通过对E步和M步进行交替迭代，达到收敛极限时，得到MEMS传感器输出最优估计值。

参考图1，本发明提出的极端环境下MEMS传感器未知扰动智能控制方法，包括如下步骤：

步骤一：MEMS传感器包括机械部分1和电路部分2，具体的，MEMS传感器由质量块振动引起梳齿电容变化，电容变化量经过C/V模块转换成电压，再经过移相器、自动增益控制等模块后，生成驱动激励电压，施加到驱动激励电极控制驱动模态稳幅振动，移相器输出Y作为量测信号进入数据处理模块3进行处理；

步骤二：由于传感器真实输入信号通常可以被认为与前一时间点的输入信号相关，因此采用一阶马尔科夫过程进行描述，分别构建传感器真实输入信号的动态和量测模型，从而建立MEMS传感器的状态空间模型，并通过待估参数的输出观测值的概率密度函数建立传感器的输出完整数据的对数似然函数。

步骤三：根据不同的扰动特性，其中，外部扰动持续时间短且剧烈的特性，内部扰动的缓慢扰动特性，从而建立对应的斜率变化关系，并构造由历史少量样本数据驱动的斜率变化与扰动抑制滤波器带宽的关系，其关系可表达如下：由于外部扰动持续时间短暂且剧烈，会导致采样过程中的数据波动幅度较大，则历史样本数据的斜率变化大，选择较小的滤波带宽；内部扰动缓慢且较为平缓，其采样过程中的数据波动幅度较小，则历史样本数据的斜率变化小，选择较大的滤波带宽。具体地，历史样本数据的斜率变化给定两个阈值，分别是Δk₁、Δk₂，Δk₁＜Δk₂。其描述如下：当历史样本数据的斜率变化小于Δk₁时，其数据波动缓慢，可认为系统的内部扰动，其滤波带宽选择n₁；当历史样本数据的斜率变化大于Δk₂时，其数据波动较大，可认定系统外部扰动，其滤波带宽选择n₃；当历史样本数据的斜率变化介于是Δk₁和Δk₂之间时，其数据的滤波带宽可选择n₂。n₁、n₂、n₃满足：n₁>n₂>n₃，且通常情况下，n₁、 n₂、n₃均介于5-15的范围内，从而实现滤波器带宽的自适应选择，以便同时抑制这不同扰动。

步骤四：用KF估计传感器的最佳状态值，建立带宽内的对数似然函数的数学期望，此步骤一般称为E步。

步骤五：识别扰动参数以确保数学期望取得最大值，此步骤一般称为M步。

步骤六：当未达到收敛时，步骤五的运行结果将返回到步骤四，通过步骤四和步骤五交替迭代直至达到迭代收敛，得到MEMS传感器真实状态最优估计值和扰动参数辨识，实现未知扰动对MEMS传感器输出波动的有效抑制，提高MEMS传感器高精度输出，输出最优估计值

本发明的有益效果：采用一种基于量测数据驱动控制的自适应期望最大化方法，基于未知的外部和内部扰动的不同的数据斜率特性，通过构造由历史少量样本数据驱动的斜率变化标准以确定滤波器的带宽，实现滤波器带宽的自适应选择，实现状态估计与扰动辨识的同步迭代优化处理，显著提升极端环境未知扰动输入下MEMS传感器输出的状态估计与扰动参数辨识性能。

下面结合图和实施例对本发明进一步说明。

附图说明

图1是实施例中基于量测数据驱动控制的自适应期望最大化方法的流程图。

图中，1-机械部分，2-电路部分，3-数据处理模块。

图2是实施例中本发明方法与KF、LMS、EM滤波去噪方法进行仿真测试比较结果示意图；

图3是实施例中本发明方法与KF、LMS、SEM滤波去噪方法进行仿真测试比较结果示意图；

具体实施方案

本实施例中，极端环境下MEMS传感器未知扰动智能控制方法，是用于对一个MEMS谐振加速度计进行未知扰动智能控制，该实施例中的步骤如下：

步骤一：MEMS谐振加速度计驱动模态的检测信号Ds进入驱动电路模块，经过C/V转换、移相器、自动增益控制、加法器等模块后，生成驱动激励电压，施加到驱动激励电极，产生驱动信号D_r，控制驱动模态稳幅振动；然后检测电路经过C/V转换、移相器等模块，得到输出的量测数据Y_k，其离散时间模型可以用公式(1)表示

Y_k＝s_k+u_ex,k+u_in,k+w_k (1)

其中s_k是MEMS谐振加速度计传感器的真实等效输入，u_ex,k表示在时间点t_k由外部未知干扰引起的等效输入，具有剧烈幅度和短持续时间的特性，u_in,k表示由时间点t_k处的内部未知干扰引起的等效输入，w_k表示零均值白高斯噪声。

步骤二：对加速度计的输出建立状态空间模型，由于后续时间点t_k+1的真实输入信号s_k+1可以被认为与前一时间点t_k的输入信号s_k相关，利用一阶马尔科夫过程进行描述，该过程的处理时间常数τ_s根据系统的带宽和运动幅度极限的相关过程的噪声来设定，根据表达式(1)，传感器的真实输入信号的动态和量测模型可以用公式(2)和(3)表示

x_k＝Φ_kx_k+v_k (2)

z_k+1＝Η_k+1x_k+1+Γu_ex,k+1+Ψ_k+1u_in,k+1+w_k+1 (3)

其中x_k＝s_k表示传感器的状态，z_k+1表示量测值，u_ex,k+1和u_in,k+1分别是未知的外部和内部扰动，系数标量Φ_k＝-1/τ_s，τ_s是基于一阶马尔可夫过程的过程时间常数，Η_k+1、Γ_k+1、Ψ_k+1都是一维恒等矩阵，v_k表示过程高斯白噪声，协方差矩阵Q＝0.91，w_k+1表示量测高斯白噪声，协方差矩阵R＝0.99，v_k、w_k+1可以通过基于Allan方差方法计算单个传感器的最终输出数据来获得，σ(τ)是狄拉克函数。

设定

为一个滤波带宽内的样本数据，参数Θ代表矢量

用其输出观测值的概率密度函数的对数来建立传感器的输出数据，完整数据的对数似然函数可以用公式(4)表示

其中n是滤波器窗口的长度，p是传感器输出量测的概率密度函数且服从高斯分布。

步骤三：根据不同的扰动特征，构造基于历史样本数据驱动的斜率变化Δk_s的标准,Δk＝maxk_s{z'_i,z'_j}-mink_s{z'_i,z'_j},k_s{z'_i,z'_j}是基于历史样本量测数据拟合的曲线上任意两点之间的斜率值，z_i'与z'_j分别是对应于历史样本点z_i和z_j的新拟合样本点。滤波器的带宽模型用公式(5)表示，将历史样本数据的斜率变化给定两个阈值，分别是

其描述如下：当历史样本数据的斜率变化小于

时，其数据波动缓慢，可认为系统的内部扰动，其滤波带宽选择15；当历史样本数据的斜率变化大于

时，其数据波动较大，可认定系统外部扰动，其滤波带宽选择5；当历史样本数据的斜率变化介于二者之间时，其数据的滤波带宽可选择10。从而实现滤波器带宽的自适应选择，以便同时抑制这不同扰动。

步骤四：用KF估计传感器的最佳状态值，带宽内的对数似然函数的数学期望可以用公式(6)表示

其中r代表迭代次数，此步骤一般称为E步。

步骤五：对数似然函数的条件期望相对于内部扰动求偏导数并令偏导数为零，用最大化条件期望对参数进行辨识

通过用

替换

中的

来迭代

此步骤一般称为M步。

步骤六：反复经过步骤四和步骤五，当连续两次迭代的增量小于极限误差δ或者迭代次数到达设定的上限r_max时，终止迭代，估计出传感器的等效加速度最佳输入和扰动参数的识别，这里，δ取0.01为平衡输出精度和算法运行速度。

为了评价本实施例中极端环境下MEMS谐振加速度计传感器未知扰动智能控制方法的效果，将所提方法与KF、LMS、EM等滤波去噪方法进行仿真测试比较，结果显示所提方法可以显著对未知扰动进行显著抑制。

由上述可知，通过对传感器的输出量测数据建立对数似然函数，构造由历史小样本数据驱动的斜率变化标准以实现滤波带宽的自适应选择，同时抑制内部与外部两种不同特征的扰动，接着建立条件数学期望以及执行期望最大化，建立了状态估计与参数辨识的闭环回路，获得扰动辨识、状态最佳估计值及其方差，提升了MEMS传感器输出精度。

Claims (2)

1.极端环境下MEMS传感器未知扰动智能控制方法，其特征在于，包括如下步骤：

步骤一：MEMS传感器由质量块振动引起梳齿电容变化，电容变化量经过C/V模块转换成电压，再经过移相器、自动增益控制模块后，生成驱动激励电压，施加到驱动激励电极控制驱动模态稳幅振动，移相器输出Y作为量测信号进入数据处理模块3进行处理；

步骤二：采用一阶马尔科夫过程分别构建传感器真实输入信号的动态和量测模型，从而建立MEMS传感器的状态空间模型，并通过待估参数的输出观测值的概率密度函数建立传感器的输出完整数据的对数似然函数；

步骤三：根据不同的扰动特性建立对应的斜率变化关系，并构造由历史样本数据驱动的斜率变化与扰动抑制滤波器带宽的关系，其关系表达如下：历史样本数据的斜率变化给定两个阈值，分别是Δk₁、Δk₂，Δk₁＜Δk₂；当历史样本数据的斜率变化小于Δk₁时，其滤波带宽选择n₁；当历史样本数据的斜率变化大于Δk₂时，其滤波带宽选择n₃；当历史样本数据的斜率变化介于是Δk₁和Δk₂之间时，其数据的滤波带宽选择n₂；n₁、n₂、n₃满足：n₁>n₂>n₃；

步骤四：用KF估计传感器的最佳状态值，建立带宽内的对数似然函数的数学期望；

步骤五：识别扰动参数以确保数学期望取得最大值；

步骤六：当未达到收敛时，返回步骤四，通过步骤四和步骤五交替迭代直至达到迭代收敛，得到MEMS传感器真实状态最优估计值和扰动参数辨识，实现未知扰动对MEMS传感器输出波动的有效抑制，输出最优估计值

2.如权利要求1所述的极端环境下MEMS传感器未知扰动智能控制方法，其特征在于，所述步骤三中的n₁、n₂、n₃均介于5-15的范围。

Images