CN112035787B - 一种基于ude估计器的噪声估计方法 - Google Patents

一种基于ude估计器的噪声估计方法 Download PDF

Info

Publication number
CN112035787B
CN112035787B CN202010892605.1A CN202010892605A CN112035787B CN 112035787 B CN112035787 B CN 112035787B CN 202010892605 A CN202010892605 A CN 202010892605A CN 112035787 B CN112035787 B CN 112035787B
Authority
CN
China
Prior art keywords
sensor
noise estimation
control system
state vector
matrix
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
CN202010892605.1A
Other languages
English (en)
Other versions
CN112035787A (zh
Inventor
王强
何先定
刘明鑫
王思源
田园
黄爱华
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.)
Chengdu Aeronautic Polytechnic
Original Assignee
Chengdu Aeronautic Polytechnic
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 Chengdu Aeronautic Polytechnic filed Critical Chengdu Aeronautic Polytechnic
Priority to CN202010892605.1A priority Critical patent/CN112035787B/zh
Publication of CN112035787A publication Critical patent/CN112035787A/zh
Application granted granted Critical
Publication of CN112035787B publication Critical patent/CN112035787B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Micromachines (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于UDE估计器的噪声估计方法，包括以下步骤：S1：根据控制系统微分方程建立状态空间表达式，并得到系统特征矩阵；S2：根据控制系统阶数选定高频滤波器；S3：根据控制系统阶数选定滤波参数阵；S4：根据系统特征矩阵、高频滤波器和滤波参数阵，计算传感器噪声估计值，完成噪声估计。本发明针对低成本的MEMS传感器，提出了一种基于UDE思想的传感器噪声估计方法。根据估计的传感器噪声估计值，可以实现对传感器的校正，从而实现对传感器数据的有效应用，可以实现对传感器噪声的精准估计。本发明可以将滤波器作为控制系统的一部分集成于系统中，避免在数据初始阶段直接进行滤波带来的延迟。

Description

一种基于UDE估计器的噪声估计方法
技术领域
本发明属于传感器滤波技术领域，具体涉及一种基于UDE估计器的传感器噪声估计方法。
背景技术
近年来，新兴电子产业的快速发展得益于价格优惠且性能强劲的MEMS传感器的大量应用。在诸如无人机、手机以及VR等设备中，MEMS传感器发挥了巨大的作用。尽管如此，但是受限于采用低成本的MEMS传感器对噪声的敏感，无人机、手机以及VR等设备的性能也受到了巨大的影响。如果能估计传感器的噪声，从而在应用传感器数据时进行补偿，这对采用MEMS传感器的设备性能提升具有积极的应用意义。
发明内容
本发明的目的是为了解决传感器噪声的估计问题，提出了一种基于UDE估计器的传感器噪声估计方法。
本发明的技术方案是：一种基于UDE估计器的噪声估计方法包括以下步骤：
S1：根据控制系统微分方程建立状态空间表达式，并得到系统特征矩阵；
S2：根据控制系统阶数选定高频滤波器；
S3：根据控制系统阶数选定滤波参数阵；
S4：根据系统特征矩阵、高频滤波器和滤波参数阵，计算传感器噪声估计值，完成噪声估计。
本发明的有益效果是：
(1)本发明针对低成本的MEMS传感器，提出了一种基于UDE思想的传感器噪声估计方法。根据估计的传感器噪声估计值，可以实现对传感器的校正，从而实现对传感器数据的有效应用，可以实现对传感器噪声的精准估计。
(2)本发明可以将滤波器作为控制系统的一部分集成于系统中，避免在数据初始阶段直接进行滤波带来的延迟。
(3)和典型低通滤波器相比，具有更好的性能，和kalman滤波器相比，计算成本更低。
(4)针对大量采用MEMS传感器的小型无人机、手机和VR设备，可以提升其传感器测量效果。
进一步地，步骤S1中，系统特征矩阵包括系统状态向量矩阵A和系统输入矩阵B，其状态空间表达式为：
Figure GDA0003955383110000021
其中，
Figure GDA0003955383110000022
表示系统状态向量的微分，x表示系统的状态向量，u表示系统的控制输入向量。
进一步地，步骤S2中，若控制系统为典型一阶系统，则系统状态向量矩阵A＝0，系统输入矩阵B＝1，高频滤波器Gf的计算公式为：
Figure GDA0003955383110000023
其中，a＝0.1，s表示频域；
若控制系统为典型二阶系统，则
Figure GDA0003955383110000024
Figure GDA0003955383110000025
高频滤波器Gf的计算公式为：
Figure GDA0003955383110000026
其中，a＝0.1，b＝0.1。
上述进一步方案的有益效果是：在本发明中，和典型低通滤波器相比，高频滤波器具有更好的性能，和kalman滤波器相比，计算成本更低。若控制系统为典型一阶系统，a的值可根据噪声的截止频率做一定调整，但是一定要大于0。若控制系统为典型二阶系统，a和b的值可根据噪声的截止频率做一定调整,但是a和b一定要大于0。
进一步地，步骤S3中，若控制系统为典型一阶系统，则滤波参数阵K＝1；
若控制系统为典型二阶系统，则滤波参数阵K＝[1 1]。
上述进一步方案的有益效果是：在本发明中，对于典型一阶系统和典型二阶系统，滤波参数阵K的值可根据噪声的截止频率做一定调整，但是一定要大于0。
进一步地，步骤S4包括以下子步骤：
S41：根据控制系统的状态向量计算传感器测量数据；
S42：根据控制系统的状态向量计算传感器跟踪误差；
S43：根据系统特征矩阵、高频滤波器、滤波参数阵、传感器测量数据和传感器跟踪误差计算传感器噪声估计值。
进一步地，步骤S41中，传感器测量数据xm的计算公式为：
xm＝x+n
其中，x表示系统的状态向量，n表示噪声。
进一步地，步骤S42中，传感器跟踪误差
Figure GDA0003955383110000031
的计算公式为：
Figure GDA0003955383110000032
其中，x表示系统的状态向量，xd表示期望传感器状态值。
上述进一步方案的有益效果是：在本发明中，针对大量采用MEMS传感器的小型无人机、手机和VR设备，可以提升其传感器测量效果。
进一步地，步骤S43中，传感器噪声估计值Enoise的计算公式为：
Figure GDA0003955383110000041
其中，A表示系统状态向量矩阵，B表示系统输入矩阵，Gf表示高频滤波器，K表示滤波参数阵，xm表示传感器测量数据，
Figure GDA0003955383110000042
表示传感器跟踪误差。
附图说明
图1为基于UDE估计器的噪声估计方法的流程图；
图2为典型一阶系统传感器噪声估计误差图；
图3为典型二阶系统传感器噪声估计误差图；
图4为基于UDE估计器的噪声估计方法校正值同传感器原始数据对比图；
图5为基于UDE估计器的噪声估计方法校正值同低通滤波器效果对比图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
在本发明中，UDE表示基于模型不确定性和外部扰动估计。
如图1所示，本发明提供了一种基于UDE估计器的噪声估计方法，包括以下步骤：
S1：根据控制系统微分方程建立状态空间表达式，并得到系统特征矩阵；
S2：根据控制系统阶数选定高频滤波器；
S3：根据控制系统阶数选定滤波参数阵；
S4：根据系统特征矩阵、高频滤波器和滤波参数阵，计算传感器噪声估计值，完成噪声估计。
在本发明实施例中，如图1所示，步骤S1中，系统特征矩阵包括系统状态向量矩阵A和系统输入矩阵B，其状态空间表达式为：
Figure GDA0003955383110000043
其中，
Figure GDA0003955383110000044
表示系统状态向量的微分，x表示系统的状态向量，u表示系统的控制输入向量。
在本发明实施例中，如图1所示，步骤S2中，若控制系统为典型一阶系统，则系统状态向量矩阵A＝0，系统输入矩阵B＝1，高频滤波器Gf的计算公式为：
Figure GDA0003955383110000051
其中，a＝0.1，s表示频域；
若控制系统为典型二阶系统，则
Figure GDA0003955383110000052
Figure GDA0003955383110000053
高频滤波器Gf的计算公式为：
Figure GDA0003955383110000054
其中，a＝0.1，b＝0.1。
在本发明中，和典型低通滤波器相比，高频滤波器具有更好的性能，和kalman滤波器相比，计算成本更低。若控制系统为典型一阶系统，a的值可根据噪声的截止频率做一定调整，但是一定要大于0。若控制系统为典型二阶系统，a和b的值可根据噪声的截止频率做一定调整,但是a和b一定要大于0。
在本发明实施例中，如图1所示，步骤S3中，若控制系统为典型一阶系统，则滤波参数阵K＝1；
若控制系统为典型二阶系统，则滤波参数阵K＝[1 1]。
在本发明中，对于典型一阶系统和典型二阶系统，滤波参数阵K的值可根据噪声的截止频率做一定调整，但是一定要大于0。
在本发明实施例中，如图1所示，步骤S4包括以下子步骤：
S41：根据控制系统的状态向量计算传感器测量数据；
S42：根据控制系统的状态向量计算传感器跟踪误差；
S43：根据系统特征矩阵、高频滤波器、滤波参数阵、传感器测量数据和传感器跟踪误差计算传感器噪声估计值。
在本发明实施例中，如图1所示，步骤S41中，传感器测量数据xm的计算公式为：
xm＝x+n
其中，x表示系统的状态向量，n表示噪声。
在本发明实施例中，如图1所示，步骤S42中，传感器跟踪误差
Figure GDA0003955383110000061
的计算公式为：
Figure GDA0003955383110000062
其中，x表示系统的状态向量，xd表示期望传感器状态值。
在本发明中，针对大量采用MEMS传感器的小型无人机、手机和VR设备，可以提升其传感器测量效果。
在本发明实施例中，如图1所示，步骤S43中，传感器噪声估计值Enoise的计算公式为：
Figure GDA0003955383110000063
其中，A表示系统状态向量矩阵，B表示系统输入矩阵，Gf表示高频滤波器，K表示滤波参数阵，xm表示传感器测量数据，
Figure GDA0003955383110000064
表示传感器跟踪误差。
如图2所示，为典型一阶系统传感器噪声估计误差图；
如图3所示，为典型二阶系统传感器噪声估计误差图；
如图4所示，为基于UDE估计器的噪声估计方法校正值同传感器原始数据对比图，表明本方法可以消除传感器的高频噪声；
如图5所示，为基于UDE估计器的噪声估计方法校正值同低通滤波器效果对比图，表明该方法比普通的低噪声滤波器效果更好。
本发明的工作原理及过程为：本发明首先根据控制系统模微分方程或传递函数等模型建立其典型的状态空间表达式，得到系统特征矩阵；再根据系统阶数选定对应的高频滤波器Gf和合适的滤波参数阵K；最后根据系统状态向量矩阵A、系统输入矩阵B、高频滤波器Gf及滤波参数阵K，采用UDE估计器的思想设计噪声估计器。
本发明的有益效果为：
(1)本发明针对低成本的MEMS传感器，提出了一种基于UDE思想的传感器噪声估计方法。根据估计的传感器噪声估计值，可以实现对传感器的校正，从而实现对传感器数据的有效应用，可以实现对传感器噪声的精准估计。
(2)本发明可以将滤波器作为控制系统的一部分集成于系统中，避免在数据初始阶段直接进行滤波带来的延迟。
(3)和典型低通滤波器相比，具有更好的性能，和kalman滤波器相比，计算成本更低。
(4)针对大量采用MEMS传感器的小型无人机、手机和VR设备，可以提升其传感器测量效果。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (4)

1.一种基于UDE估计器的噪声估计方法，其特征在于，包括以下步骤：
S1：根据控制系统微分方程建立状态空间表达式，并得到系统特征矩阵；
S2：根据控制系统阶数选定高频滤波器；
S3：根据控制系统阶数选定滤波参数阵；
S4：根据系统特征矩阵、高频滤波器和滤波参数阵，计算传感器噪声估计值，完成噪声估计；
所述步骤S4包括以下子步骤：
S41：根据控制系统的状态向量计算传感器测量数据；
S42：根据控制系统的状态向量计算传感器跟踪误差；
S43：根据系统特征矩阵、高频滤波器、滤波参数阵、传感器测量数据和传感器跟踪误差计算传感器噪声估计值；
所述步骤S41中，传感器测量数据xm的计算公式为：
xm＝x+n
其中，x表示系统的状态向量，n表示噪声；
所述步骤S42中，传感器跟踪误差
Figure FDA0003955383100000011
的计算公式为：
Figure FDA0003955383100000012
其中，x表示系统的状态向量，xd表示期望传感器状态值；
所述步骤S43中，传感器噪声估计值Enoise的计算公式为：
Figure FDA0003955383100000013
其中，A表示系统状态向量矩阵，B表示系统输入矩阵，Gf表示高频滤波器，K表示滤波参数阵，xm表示传感器测量数据，
Figure FDA0003955383100000014
表示传感器跟踪误差。
2.根据权利要求1所述的基于UDE估计器的噪声估计方法，其特征在于，所述步骤S1中，系统特征矩阵包括系统状态向量矩阵A和系统输入矩阵B，其状态空间表达式为：
Figure FDA0003955383100000021
其中，
Figure FDA0003955383100000022
表示系统状态向量的微分，x表示系统的状态向量，u表示系统的控制输入向量。
3.根据权利要求2所述的基于UDE估计器的噪声估计方法，其特征在于，所述步骤S2中，若控制系统为典型一阶系统，则系统状态向量矩阵A＝0，系统输入矩阵B＝1，高频滤波器Gf的计算公式为：
Figure FDA0003955383100000023
其中，a＝0.1，s表示频域；
若控制系统为典型二阶系统，则
Figure FDA0003955383100000024
高频滤波器Gf的计算公式为：
Figure FDA0003955383100000025
其中，a＝0.1，b＝0.1。
4.根据权利要求1所述的基于UDE估计器的噪声估计方法，其特征在于，所述步骤S3中，若控制系统为典型一阶系统，则滤波参数阵K＝1；
若控制系统为典型二阶系统，则滤波参数阵K＝[11]。
CN202010892605.1A 2020-08-31 2020-08-31 一种基于ude估计器的噪声估计方法 Active CN112035787B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010892605.1A CN112035787B (zh) 2020-08-31 2020-08-31 一种基于ude估计器的噪声估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010892605.1A CN112035787B (zh) 2020-08-31 2020-08-31 一种基于ude估计器的噪声估计方法

Publications (2)

Publication Number Publication Date
CN112035787A CN112035787A (zh) 2020-12-04
CN112035787B true CN112035787B (zh) 2023-02-28

Family

ID=73587519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010892605.1A Active CN112035787B (zh) 2020-08-31 2020-08-31 一种基于ude估计器的噪声估计方法

Country Status (1)

Country Link
CN (1) CN112035787B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345735A (zh) * 2013-07-16 2013-10-09 上海交通大学 一种基于Kalman滤波器的压缩时空多传感器融合跟踪方法
CN107516295A (zh) * 2016-06-15 2017-12-26 诺基亚技术有限公司 去除图像中的噪声的方法和装置
CN108132599A (zh) * 2017-11-28 2018-06-08 东南大学 一种基于迭代反馈整定的ude控制系统设计方法
CN109840517A (zh) * 2019-03-08 2019-06-04 兰州交通大学 一种mems陀螺噪声估计和滤波方法
CN110285830A (zh) * 2019-07-01 2019-09-27 中科探海(苏州)海洋科技有限责任公司 基于mems传感器的sins/gps速度匹配对准方法
CN110365199A (zh) * 2019-07-31 2019-10-22 哈尔滨工业大学 Lcl滤波器并网逆变器的不确定参数干扰抑制方法
CN110596425A (zh) * 2019-09-23 2019-12-20 成都航空职业技术学院 一种无人机mems加速度传感器噪声消除方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009116291A1 (ja) * 2008-03-21 2009-09-24 学校法人東京理科大学 雑音抑圧装置および雑音抑圧方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345735A (zh) * 2013-07-16 2013-10-09 上海交通大学 一种基于Kalman滤波器的压缩时空多传感器融合跟踪方法
CN107516295A (zh) * 2016-06-15 2017-12-26 诺基亚技术有限公司 去除图像中的噪声的方法和装置
CN108132599A (zh) * 2017-11-28 2018-06-08 东南大学 一种基于迭代反馈整定的ude控制系统设计方法
CN109840517A (zh) * 2019-03-08 2019-06-04 兰州交通大学 一种mems陀螺噪声估计和滤波方法
CN110285830A (zh) * 2019-07-01 2019-09-27 中科探海(苏州)海洋科技有限责任公司 基于mems传感器的sins/gps速度匹配对准方法
CN110365199A (zh) * 2019-07-31 2019-10-22 哈尔滨工业大学 Lcl滤波器并网逆变器的不确定参数干扰抑制方法
CN110596425A (zh) * 2019-09-23 2019-12-20 成都航空职业技术学院 一种无人机mems加速度传感器噪声消除方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
PMSM无位置传感器混合控制策略研究;于帅;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20170715(第07期);C042-76 *
Robust aircraft control based on UDE theory;Kodhanda Adarsh 等;《Proceedings of the Institution of Mechanical Engineers, Part G: Journal of Aerospace Engineering》;20160401;第231卷(第4期);728-742 *
Robust control of flexible joint robot manipulator;Patel Aditya 等;《2006 IEEE International Conference on Industrial Technology》;20061231;649-653 *
Robust sliding mode control for systems with noise and unmodeled dynamics based on uncertainty and disturbance estimation (UDE);Shendge P. D. 等;《International Journal of Computer Applications》;20101231;第1卷(第9期);37-43 *

Also Published As

Publication number Publication date
CN112035787A (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
CN109163721A (zh) 姿态测量方法及终端设备
CN109443342A (zh) 新型自适应卡尔曼无人机姿态解算方法
CN112762962A (zh) 基于温度滞后模型的微机电系统加速度计零偏补偿方法
CN109840517A (zh) 一种mems陀螺噪声估计和滤波方法
CN110595434B (zh) 基于mems传感器的四元数融合姿态估计方法
CN112035787B (zh) 一种基于ude估计器的噪声估计方法
CN104280047A (zh) 一种多传感器融合的陀螺漂移滤波系统及方法
CN112304337A (zh) 基于陀螺仪和加速度计的运动角度估计方法和系统
CN110243363B (zh) 一种基于低成本imu与rfid技术结合的agv实时定位方法
CN116243048A (zh) 一种电压检测方法、电路、设备及存储介质
CN113791240B (zh) 基于高阶滑膜跟踪微分器的加速度估计方法、系统、设备和介质
CN112067844B (zh) Mems传感器阵列式高精度输出控制方法
CN108255108B (zh) 一种mems传感器控制器电路
CN111427262B (zh) 极端环境下mems传感器未知扰动智能控制方法
CN113434806A (zh) 一种抗差自适应多模型滤波方法
CN111060147B (zh) 用于将感测的物理参数进行自校正的设备和方法
CN110816654B (zh) 一种信号估计方法、装置、车辆和存储介质
CN112398407A (zh) 一种转子的最优转矩补偿角度的确定方法及装置
CN115388914B (zh) 传感器的参数标定方法、装置、存储介质和电子装置
CN106679659A (zh) 一种基于参数可调非线性跟踪微分器的信号去噪方法
US20040153216A1 (en) Method for estimating a vehicle's velocity
CN111856941B (zh) 一种基于主动抗扰的自适应终端动态滑模控制方法
CN115498980A (zh) 一种基于M估计的递归最小p阶自适应滤波定位方法
CN112067032B (zh) 一种提升mems传感器环境适应性的智能自校准控制方法
US11333678B2 (en) Method for offset calibration of a yaw rate sensor signal of a yaw rate sensor, system and computer program

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