CN112067032B - 一种提升mems传感器环境适应性的智能自校准控制方法 - Google Patents
一种提升mems传感器环境适应性的智能自校准控制方法 Download PDFInfo
- Publication number
- CN112067032B CN112067032B CN202010871880.5A CN202010871880A CN112067032B CN 112067032 B CN112067032 B CN 112067032B CN 202010871880 A CN202010871880 A CN 202010871880A CN 112067032 B CN112067032 B CN 112067032B
- Authority
- CN
- China
- Prior art keywords
- disturbance
- bandwidth
- value
- sensor
- mems sensor
- 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
Links
Images
Classifications
-
- 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
Abstract
本发明涉及一种提升MEMS传感器环境适应性的智能自校准控制方法，属于微机电系统领域。该方法由两级期望最大化方法组成，在第一级期望最大化方法中，基于小带宽的滤波器识别环境中具有短时间持续且强度剧烈的外部扰动，估计出相应偏差；在第二级期望最大化方法中，将缓慢变化的内部扰动与真值耦合到传感器确定的偏差上，选取大带宽的滤波器以匹配内部扰动的特性，然后分别识别和估计相应的扰动参数和真值。本发明通过一种可变期望最大化方法，基于扰动参数的不同特性改变平滑带宽，逐级进行状态估计与扰动辨识的同步迭代优化处理，抑制环境扰动对MEMS传感器产生的偏差，有效提升MEMS传感器的环境特性。
Description
技术领域
本发明涉及一种提升MEMS传感器环境适应性的智能自校准控制方法，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MEMS传感器的小型化和成本降低。这些MEMS传感器已广泛众多领域，包括航空航天，工业领域。
MEMS传感器由于在受到振动、冲击、温度漂移等环境因素作用时，其性能包括共振频率，驱动模式激励电压，驱动模式共振位移的幅度和相位，比例因子和零速率输出，都将受到严重影响，这将不可避免地导致偏差稳定性的恶化，甚至导致机械结构不可逆的物理破坏，限制其进一步的高端应用，目前该问题在技术领域引起广泛研究关注。有效提升MEMS传感器环境适应性是实现MEMS传感器高性能及工程化应用的关键步骤。
一般提升MEMS传感器环境适应性的控制方法主要有“硬”方法和“软”方法两大类：“硬”方法包含机械结构改进、优化控制电路以及封装技术，检索发现，文献“A Laser-Assisted Bonding Method Using a Liquid Crystal Polymer Film for MEMS andSensor Packaging”中采用一种液晶聚合物(LCP)薄膜进行传感器和MEMS器件腔基封装的激光键合方法，该技术方案采用在传感器和密封壳之间添加缓冲组件来隔离外部环境振动，提升MEMS传感器抗振特性。然而，该类方法仅能实现对环境振动、冲击的有限抑制，对于温度、电磁等干扰不能实现有效的隔离；“软”方法主要是基于数字信号的线性模型补偿方法，检索发现，文献“Application of the Digital Signal Processioning the MEMSGyroscope De-drift”中采用一种新的中值滤波方法，通过对漂移信号进行数字信号处理，并利用在线的漂移信号小波分析提取MEMS传感器漂移特征。建立原始信号与特征漂移信号之间的二阶AR模型，然后建立一组卡尔曼滤波的矩阵方程，采用自适应卡尔曼滤波自适应跟踪剩余信号的变化，其方法只可以实现MEMS传感器在温度漂移上的去漂移效果，而不能对环境外部扰动进行抑制。因此，本发明提出一种提升MEMS传感器环境适应性的智能自校准控制方法，以实现MEME传感器既能包括温漂在内的内部扰动和剧烈外部扰动的抑制，提升MEMS传感器的环境特性以满足实际工程化应用。
发明内容
本发明提出一种提升MEMS传感器环境适应性的智能自校准控制方法，以改善MEMS传感器的环境特性。该方法由两级期望最大化方法组成，在第一级期望最大化方法中，基于小带宽的滤波器识别环境中具有短时间持续且强度剧烈的外部扰动，估计出相应偏差；在第二级期望最大化方法中，将缓慢变化的内部扰动与真值耦合到传感器确定的偏差上，选取大带宽的滤波器以匹配内部扰动的特性，然后分别识别和估计相应的扰动参数和真值。
本发明提出的一种提升MEMS传感器环境适应性的智能自校准控制方法流程是：参考图1。
本发明提出的一种提升MEMS传感器环境适应性的智能自校准控制方法，包括如下步骤：
步骤一：MEMS传感器主要由机械部分a和电路部分b组成，工作状态下，MEMS传感器质量块振动引起梳齿电容变化，电容变化量经过C/V转换成电压、再经过移相器、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控制驱动模态稳幅振动；其中，移相器输出Y作为量测数据输入到信号处理模块c。
步骤二：用一阶马尔科夫过程描述传感器信号，构建传感器量测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。
步骤三：根据环境中的不同扰动特性，其中，外部扰动持续时间短且剧烈，内部扰动缓慢，建立对应的滤波带宽，带宽和扰动特性的关系可表达如下：由于外部扰动持续时间短暂且剧烈，其观测数据波动幅度大，选取小带宽；内部扰动缓慢且较为平缓，其观测数据波动幅度小，选择大带宽，具体的，基于观测数据的波动幅度给定一个阈值a。其描述如下：当观测数据的波动幅度大于阈值a时，视为外部扰动，带宽选择v；当观测数据的波动幅度小于阈值a时，视为内部扰动，带宽选择m。且v、m满足经验公式m＝kwin×v，kwin∈[2,5]，从而可以分别对不同特性的环境扰动进行抑制。
步骤四：根据输出观测值的概率密度函数的对数建立完备数据的似然函数L1，根据外部扰动持续时间短且扰动剧烈的特性选择小滤波带宽，在E步估计伪量测值的最佳状态值并建立带宽内的似然函数的数学期望，通过在M步极大化数学期望以获得扰动参数Θ1，将E步和M步进行迭代直至收敛，获得伪量测值最佳估计值和扰动参数Θ1的辨识。
步骤五：将获得的伪量测值的最佳估计值作为观测矢量建立完备数据的似然函数L2，根据内部扰动的缓慢特性延长平滑带宽，在E步估计真值的最佳估计值并建立带宽内的似然函数的数学期望，在M步极大化数学期望获得扰动参数Θ2，将E步和M步进行迭代直至收敛以获得真值的最佳估计值和扰动参数Θ2的辨识。
本发明的有益效果：通过一种可变期望最大化方法，基于扰动参数的不同特性改变平滑带宽，逐级进行状态估计与扰动辨识的同步迭代优化处理，抑制环境扰动对MEMS传感器产生的偏差，有效提升MEMS传感器的环境特性。
附图说明
图1是实施例中一种提升MEMS传感器环境适应性的智能自校准控制方法的流程图，图2是仿真测试结果图。
图1中，a-机械部分，b-电路部分，c-信号处理部分。
具体实施方式
本实施例中提出一种提升MEMS传感器环境适应性的智能自校准控制方法，是用于对一个MEMS陀螺仪进行环境扰动抑制控制，该实施例中的步骤如下：
步骤一：MEMS陀螺仪的驱动模态检测信号Ds进入电路模块，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Dr，控制驱动模态稳幅振动；然后检测电路经过C/V转换、移相器等模块后，得到输出的量测数据Y，其组成形式可由公式(1)表示
其中，ω代表陀螺仪的角速率真值，fex(t)代表陀螺仪的外部扰动量，fin(t)代表陀螺仪的内部扰动量，
表示角速率伪量测值，w(t)代表零均值白高斯噪声。
步骤二：对MEMS陀螺仪的量测建立连续时间状态空间模型，在第一阶段处理中，定义状态向量
角速率的伪量测状态可以用公式(2)表示
其中该过程的处理时间常数τs根据系统带宽的相关过程的噪声来设定，X(t)∈R1与Z(t)∈R1分别表示系统状态和测量矢量。对于单个传感器，矩阵Φ＝0，H和Γ设置为单1×1位矩阵，v(t)和w(t)分别表示过程高斯白噪声和量测噪声。通过Allan方差法量化MEMS陀螺仪的上述噪声项，过程高斯噪声与量测噪声的方差分别为
在第二阶段处理中，角速率真值ω连续时间状态空间模型可以描述如公式(3)，Λ(t)∈R1和
表示状态向量与量测向量，
是角速率伪量测的估计值，矩阵K＝0，M和N设置为1×1单位矩阵,ψ(t)和ζ(t)分别表示过程噪声与量测噪声。通过Allan方差法量化噪声项，过程噪声与量测噪声的方差分别为
步骤三：设定
为一个滤波带宽内的样本数据，在第一阶段的处理中，参数Θ1代表矢量{fex,Q,R}，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L1可以用公式(4)表示
其中v是滤波带宽，p是传感器输出量测的概率密度函数且服从高斯分布；在第二阶段处理中，设定
为一个滤波带宽内的样本数据，参数Θ2代表矢量{fin,Z,P}，通过参数Θ2的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L2可以用公式(5)表示
其中m是滤波带宽，p是传感器输出量测的概率密度函数且服从高斯分布。
步骤四：以采样时间τ0对MEMS陀螺仪输出角速率进行采样，共采样N个数据点，根据内外的不同扰动特征，设定量测数据波动变化a的阈值，
其中
Yi是采样数据点。本实施例中，给定阈值a为10，其描述如下：当量测数据的波动幅度大于a时，即认为系统的外部扰动，则滤波带宽选择v为10；当量测数据的波动幅度小于a时，即认为系统的内部扰动，则滤波带宽选择m为30，从而实现滤波器带宽的选择。
步骤五：估计角速率伪量测值的最佳状态值，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r1代表迭代次数，此步骤一般称为E步；接着对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，最大化条件期望对参数进行辨识，可以用公式(7)表示
通过用
替换
中的
来迭代
此步骤一般称为M步，如此反复经过E步和M步，当连续两次迭代的增量小于极限误差δ1或者迭代次数到达设定的上限
时，终止迭代，获得角速率伪量测值的最佳估计值和外部扰动参数的辨识。这里，δ1取0.01为平衡输出精度和算法运行速度。
步骤六：估计角速率真值的最佳状态值，其带宽内的对数似然函数的数学期望可以用公式(8)表示
其中r2代表迭代次数，此步骤一般称为E步；接着对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，最大化条件期望对参数进行辨识，可以用公式(9)表示
通过用
替换
中的
来迭代
此步骤一般称为M步，如此反复经过E步和M步，当连续两次迭代的增量小于极限误差δ2或者迭代次数到达设定的上限
时，终止迭代，获得角速率真值的最佳估计值和内部扰动参数的辨识。这里，δ2取0.01为平衡输出精度和算法运行速度。
为了评价本实施案例中一种提升MEMS传感器环境适应性的智能自校准控制方法(简称TSVEM)的效果，将所提方法与KF、LMS、SEM等滤波算法进行仿真测试比较，结果显示TSVEM可以显著抑制环境作用下MEMS传感器的输出偏置，而KF、LMS、SEM等滤波算法的抑制效果有限。由结果可表明TSVEM通过对环境内外扰动的抑制从而能提升MEMS传感器的环境适应性。
由上述可知，通过对传感器的输出量测数据建立似然函数，根据环境中不同扰动特征选择不同的滤波带宽，逐级抑制内部与外部两种不同特征的扰动，建立条件数学期望以及执行期望最大化，构建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，从而提升MEMS传感器的环境适应性能以及输出精度。
Claims (1)
1.一种提升MEMS传感器环境适应性的智能自校准控制方法，包括如下步骤：
步骤一：MEMS传感器主要由机械部分a和电路部分b组成，工作状态下，MEMS传感器质量块振动引起梳齿电容变化，电容变化量经过C/V转换成电压、再经过移相器、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控制驱动模态稳幅振动；然后检测电路经过C/V转换后，移相器输出Y作为量测数据输入到信号处理模块c；
步骤二：用一阶马尔科夫过程描述传感器信号，构建传感器量测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；
步骤三：根据环境中的不同扰动特性，其中，外部扰动持续时间短且剧烈，内部扰动缓慢，建立对应的滤波带宽，带宽和扰动特性的关系可表达如下：由于外部扰动持续时间短暂且剧烈，其观测数据波动幅度大，选取小带宽；内部扰动缓慢且较为平缓，其观测数据波动幅度小，选择大带宽，具体的，基于观测数据的波动幅度给定一个阈值a；其描述如下：当观测数据的波动幅度大于阈值a时，视为外部扰动，带宽选择v；当观测数据的波动幅度小于阈值a时，视为内部扰动，带宽选择m；且v、m满足经验公式m＝kwin×v，kwin∈[2,5]，从而可以分别对不同特性的环境扰动进行抑制；
步骤四：根据输出观测值的概率密度函数的对数建立完备数据的似然函数L1，根据外部扰动持续时间短且扰动剧烈的特性选择小滤波带宽，在E步估计伪量测值的最佳状态值并建立带宽内的似然函数的数学期望，通过在M步极大化数学期望以获得扰动参数Θ1，将E步和M步进行迭代直至收敛，获得伪量测值最佳估计值和扰动参数Θ1的辨识；
估计角速率伪量测值的最佳状态值，带宽内的对数似然函数的数学期望用下式表示：
其中r1代表迭代次数，此步骤一般称为E步；接着对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，最大化条件期望对参数进行辨识，通过下式表示：
步骤五：将获得的伪量测值的最佳估计值作为观测矢量建立完备数据的似然函数L2，根据内部扰动的缓慢特性延长平滑带宽，在E步估计真值的最佳估计值并建立带宽内的似然函数的数学期望，在M步极大化数学期望获得扰动参数Θ2，将E步和M步进行迭代直至收敛以获得真值的最佳估计值和扰动参数Θ2的辨识；
估计角速率真值的最佳状态值，其带宽内的对数似然函数的数学期望用下式表示：
其中r2代表迭代次数，此步骤一般称为E步；接着对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，最大化条件期望对参数进行辨识，通过下式表示：
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010008228 | 2020-01-06 | ||
| CN2020100082280 | 2020-01-06 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112067032A CN112067032A (zh) | 2020-12-11 |
| CN112067032B true CN112067032B (zh) | 2023-01-31 |
Family
ID=73660073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010871880.5A Active CN112067032B (zh) | 2020-01-06 | 2020-08-26 | 一种提升mems传感器环境适应性的智能自校准控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112067032B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114001759B (zh) * | 2021-10-28 | 2024-01-09 | 西北工业大学 | 一种阵列式mems传感器控制方法及系统 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102620726B (zh) * | 2012-04-04 | 2014-10-29 | 西北工业大学 | 微机械陀螺的双闭环控制电路 |
| CN102879655B (zh) * | 2012-10-31 | 2013-06-05 | 南京信息工程大学 | 一种振动式微机械电场传感器 |
| US9335340B2 (en) * | 2013-07-23 | 2016-05-10 | Freescale Semiconductor, Inc. | MEMS parameter identification using modulated waveforms |
| CN107045120B (zh) * | 2017-01-20 | 2019-10-11 | 南京航空航天大学 | 一种基于因子分析模型的一维距离像自适应分帧方法 |
| CN108924667B (zh) * | 2018-08-03 | 2021-01-15 | 阳雨哲 | 一种支持QoE最大化的可用带宽自适应视频分片请求方法 |
| 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 |
| CN110482479B (zh) * | 2019-07-16 | 2022-11-01 | 西北工业大学 | 一种简化的mems多环谐振陀螺自适应闭环控制方法 |
-
2020
- 2020-08-26 CN CN202010871880.5A patent/CN112067032B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112067032A (zh) | 2020-12-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3047573B1 (en) | Pll and adaptive compensation method in pll | |
| US6856920B2 (en) | Adaptation performance improvements for active control of sound or vibration | |
| Narasimhappa et al. | A modified Sage-Husa adaptive Kalman filter for denoising Fiber Optic Gyroscope signal | |
| Narasimhappa et al. | Fiber-optic gyroscope signal denoising using an adaptive robust Kalman filter | |
| Young | Data-based mechanistic modeling of engineering systems | |
| 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 | |
| CN110705041B (zh) | 一种基于easi的线性结构工作模态参数识别方法 | |
| Narasimhappa et al. | An innovation based random weighting estimation mechanism for denoising fiber optic gyro drift signal | |
| Houtzager et al. | VARMAX-based closed-loop subspace model identification | |
| CN111427262B (zh) | 极端环境下mems传感器未知扰动智能控制方法 | |
| CN109840517A (zh) | 一种mems陀螺噪声估计和滤波方法 | |
| CN104280047A (zh) | 一种多传感器融合的陀螺漂移滤波系统及方法 | |
| CN112067844B (zh) | Mems传感器阵列式高精度输出控制方法 | |
| CN113175926B (zh) | 一种基于运动状态监测的自适应水平姿态测量方法 | |
| Sircoulomb et al. | State estimation under nonlinear state inequality constraints. A tracking application | |
| Karimi et al. | Convergence analysis of an iterative correlation-based controller tuning method | |
| CN113589085A (zh) | 一种发电机调频系统虚假数据注入攻击的检测缓解方法 | |
| Singh et al. | Weighted robust Sage-Husa adaptive Kalman filtering for angular velocity estimation | |
| CN110440779B (zh) | 一种高动态mems谐振式陀螺仪力平衡控制方法 | |
| CN113777350A (zh) | 基于稳定化数值积分的加速度传感器数据处理方法 | |
| Zheng et al. | Disturbance rejection in MEMS gyroscope: Problems and solutions | |
| CN114742006B (zh) | 基于fw-esn的石英晶振动态温频特性建模方法 | |
| Tiano | Comparison of non linear identification methods for underwater vehicles | |
| Vasileiou | Model-based resonance tracking of linear systems | |
| Mao et al. | Data preprocessing and Kalman filter performance improvement method in integrated navigation algorithm |
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 |