CN112067844B - Mems传感器阵列式高精度输出控制方法 - Google Patents
Mems传感器阵列式高精度输出控制方法 Download PDFInfo
- Publication number
- CN112067844B CN112067844B CN202010873490.1A CN202010873490A CN112067844B CN 112067844 B CN112067844 B CN 112067844B CN 202010873490 A CN202010873490 A CN 202010873490A CN 112067844 B CN112067844 B CN 112067844B
- Authority
- CN
- China
- Prior art keywords
- model
- unknown
- system deviation
- mems sensor
- measurement
- 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
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
- G01P15/02—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses
- G01P15/08—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses with conversion into electric or magnetic values
- G01P15/125—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses with conversion into electric or magnetic values by capacitive pick-up
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
- G01P15/02—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses
- G01P15/08—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses with conversion into electric or magnetic values
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
- G01P15/02—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses
- G01P15/08—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses with conversion into electric or magnetic values
- G01P2015/0862—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses with conversion into electric or magnetic values being provided with particular means being integrated into a MEMS accelerometer structure for providing particular additional functionalities to those of a spring mass system
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
Abstract
本发明涉及一种未知干扰作用的MEMS传感器阵列式高精度输出控制方法,属于微机电系统领域。该方法是一种基于未知输入驱动的在线动态系统偏差估计算法,它通过将多个MEMS传感器的量测值进行加权线性组合来把目标状态的量测模型转化为系统偏差伪量测模型,并构建带有随机未知输入的广义动态系统偏差模型,由此构成动态系统偏差模型,然后判断解耦条件是否满足,若满足则基于动态系统偏差模型,对未知扰动进行解耦,接着在最小方差无偏准则下,计算增益阵,最后得到最优化线性最小方差系统偏差估计,并输出阵列式MEMS传感器最优估计值。本发明通过状态估计与扰动辨识的同步优化处理,显著提升环境未知扰动作用的阵列式MEMS传感器输出的状态估计性能。
Description
技术领域
本发明涉及一种未知干扰作用的MEMS传感器阵列式高精度输出控制方法,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。MEMS传感器小型化及成本低的特点促进了阵列式控制方法的发展,该方法因其能提供更精确全面的信息处理能力,而受到广泛关注。
在实际应用中,阵列式MEMS传感器除其自身所带的系统偏差,还不可避免地共同受到外来扰动的随机干扰,这引发其产生未知随机系统偏差,且这些突变的系统偏差的先验信息未知或较少。目前已有许多文献将这些突变的系统偏差看作动态系统偏差演化模型的未知输入(Unknown Input,UI)进行研究,以实现MEMS传感器阵列式的高精度输出。检索发现,文献1“Unbiased minimum-variance linear state estimation”提出一种未含先验信息的已知输入的递归状态估计方法;文献2“Unbiased minimum variance estimationfor systems with unknown exogenous input”中利用无偏性和最小方差理论导出文献1算法稳定性和收敛性的条件,同时提升算法的稳定性和收敛性;文献3“Robust two-stageKalman filters for systems with unknown input”中提出将两级滤波器与文献1中方法相结合的积分方法,它基于未知输入的先验知识估计两级滤波器的状态,具有更强的鲁棒性;文献4“Unbiased minimum-variance input and state estimation for lineardiscrete-time systems”将文献1中的算法推广成一种将未知输入和状态估计相互关联的递归滤波器,用最小方差无偏理论实现未知输入和状态的联合估计。虽然上述方法对未知输入进行估计,但是它们都将未知输入参数建模在状态模型中,或同时建模在状态模型和量测模型中,而由于系统偏差的描述常是将其看作传感器量测模型的一部分,因此,传统的这些阵列式控制方法的一些应用条件(如已知系统噪声的统计分布等)已不充分,不能很好地提高阵列式传感器输出精度,甚至会产生新的系统误差。基于以上已有方案以及存在的问题,本发明提出一种未知环境作用的MEMS传感器阵列式高精度输出控制方法,针对传感器突发故障或其所在环境受到外界扰动的共同干扰导致传感器的系统偏差也会随之发生突变的情况,设计了基于系统偏差伪测量模型和广义动态系统偏差模型的未知输入解耦滤波器,解决传统方法在估计未知输入时将其建模在状态模型与通常认为的是量测模型的一部分相冲突而导致这些传统方法不能直接用于处理这类情况的问题,能够在实际工程情况下有效实现阵列式传感器高精度输出,并显著提升传感器抗扰动特性。
发明内容
本发明提出一种未知干扰作用的MEMS传感器阵列式高精度输出控制方法,以实现极端环境未知扰动作用下阵列式MEMS传感器的扰动智能抑制,该方法是一种基于未知输入驱动的在线动态系统偏差估计算法,它通过将多个MEMS传感器的量测值进行加权线性组合来把目标状态的量测模型转化为系统偏差伪量测模型,并构建带有随机未知输入的广义动态系统偏差模型,由此构成动态系统偏差模型,然后判断解耦条件是否满足,若满足则基于动态系统偏差模型,对未知扰动进行解耦,接着在最小方差无偏准则下,计算增益阵,最后得到最优化线性最小方差系统偏差估计,并输出阵列式MEMS传感器最优估计值。
参考图1和图2,本发明提出的未知环境作用的MEMS传感器阵列式高精度输出控制方法,包括如下步骤:
步骤一:阵列式MEMS传感器中各传感器均包括图1中的机械部分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、乘法器模块后,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作为量测信号进入图2中的数据处理模块进行处理;
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,分别构建各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,然后通过将阵列式MEMS传感器的量测值进行加权线性组合来把目标状态的量测模型Y1,k,Y2,k,…,YN,k转化为系统偏差伪量测模型:
Yk+1=YN,k-[qN-1YN-1,k+…+q1Y1,k] (1)
其中,,YN,k为第N个传感器的k时刻的量测值,q1,q2,...,qN为N个螺仪量测的权系数,线性组合的系数满足条件HN,k+1-(qN-1HN-1,k+1+…+q1H1,k+1)=0,Ht,k是已知量测函数,并构建带有随机未知输入的广义动态系统偏差模型:
本发明的有益效果:采用一种基于未知输入驱动的在线动态系统偏差估计算法,基于最小方差无偏准则,通过将多个MEMS传感器的量测值进行加权线性组合,解耦得到与未知输入无关的动态系统偏差模型,进一步计算得到最小方差系统偏差估计,实现状态估计与扰动辨识的同步优化处理,显著提升环境未知扰动作用的阵列式MEMS传感器输出的状态估计性能。
下面结合图和实施例对本发明进一步说明。
附图说明
图1是每个MEMS传感器的具体结构。
图2是实施例中基于未知输入驱动的在线动态系统偏差估计算法的流程图。
图3是实施例中环境未知扰动作用的阵列式MEMS传感器高精度输出方法的效果图。
图中,1-机械部分,2-电路部分,3-算法数据处理模块。
具体实施方案
本实施例中,环境未知扰动作用的阵列式MEMS传感器高精度输出方法,是用于对多个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,得到输出的量测数据Yk,其离散时间模型可以用公式(5)表示
Yk=sk+bk+wk (5)
其中sk是MEMS谐振加速度计传感器的真实等效输入,bk表示在时间点tk由外部未知扰动和内部未知扰动共同引起的等效输入,wk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tk+1的真实输入信号sk+1可以被认为与前一时间点tk的输入信号sk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τs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(5),传感器的真实输入信号的动态和量测模型可以用公式(6),(7)和(8)表示
xk+1=Fkxk+Γkvk (6)
zt,k=Ht,k+1xk+bt,k+wt,k (7)
其中xk=sk表示传感器的状态,zt,k是表示每个传感器的量测向量;bt,k是独立于状态xk的系统偏差向量,且其含有未知突变信息。Fk,Γk,是已知相关转移阵;Ht,k是已知量测函数;是已知扰动阵;t=1,2,…,N为传感器个数。是已知扰动阵;vk,wt,k,是互不相关的零均值高斯白噪声,分别满足 且δkl,δkl和δt,kl是克罗内克函数;uk是未知扰动,且无任何先验知识。
假设在第k+1拍,N个传感器的量测分别为z1,k+1,z2,k+1,...,zN,k+1,对N个传感器的量测进行线性组合,可得
zk+1zN,k-[qN-1zN-1,k+…+q1z1,k]
=[HN,k+1Fk-(qN-1HN-1,k+1Fk+…+q1H1,k+1Fk)]xk+[HN,k+1Γkvk-(qN-1HN-1,k+1Γkvk+…+q1H1,k+1Γkvk)]+bN,k+1-(qN-1bN-1,k+1+…+q1b1,k+1)+wN,k+1-(qN-1wN-1,k+1+…+q1w1,k+1) (9)
其中q1,q2,...,qN为N各陀螺仪量测的权系数。为了避免陀螺仪量测的系统偏差和目标状态有关系,需消除目标状态,因此上式的第一项xk前面的系数应为0,即:
HN,k+1Fk-(qN-1HN-1,k+1Fk+…+q1H1,k+1Fk)=0 (10)
同时将公式(8)中N个陀螺仪的系统偏差改写成扩维的形式,得到广义动态系统偏差演化模型:
将公式(11)变形并代入到公式(13)可得:
公式(14)关于uk的通解为:
简写成如下形式:
步骤四:利用最小方差理论,可将系统偏差的估计及其预测表示成公式(18)和(19)的形式:
步骤五:得到最优化线性最小方差系统偏差估计,并输出最优估计值:
为了评价本实施例中环境未知扰动作用的阵列式MEMS传感器高精度输出方法的效果,将所提方法与KF、EM等滤波去噪方法进行仿真测试比较,如图三结果显示,所提方法可以对未知扰动进行显著抑制,经分析,原因在于所提算法对未知系统偏差输入进行了解耦;而KF算法忽略了动态时变系统偏差中的未知输入部分,但这部分系统偏差却对整个系统的系统偏差估计产生重大影响;EM算法充分利用了整个仿真过程中的传感器量测信息,但这些信息包含系统偏差未知输入部分的测量信息,且这些测量信息对目标跟踪来说是极不精确。综上,所提算法的估计性能要优于KF、EM算法。特别地,当系统偏差含有随机突变的未知输入时,所提算法能很好地估计出该类随机动态时变系统偏差。
由上述可知,通过对多个传感器的输出量测数据进行加权线性组合,构造带有随机未知扰动的广义动态系统偏差模型,同时构造基于系统偏差的伪量测模型,接着在最小方差无偏准则下,设计未知扰动解耦算法,获得扰动辨识及状态最佳估计值,提升了阵列式MEMS传感器输出精度。
Claims (1)
1.未知环境作用的MEMS传感器阵列式高精度输出控制方法,包括如下步骤:
步骤一:阵列式MEMS传感器中各传感器均包括机械部分(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、乘法器模块后,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,分别构建各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,然后通过将阵列式MEMS传感器的量测值进行加权线性组合来把目标状态的量测模型Y1,k,Y2,k,...,YN,k转化为系统偏差伪量测模型:
Yk+1=YN,k-[qN-1YN-1,k+…+q1Y1,k] (1)
其中,,YN,k为第N个传感器的k时刻的量测值,q1,q2,…,qN为N个陀螺仪量测的权系数,线性组合的系数满足条件HN,k+1-(qN-1HN-1,k+1+…+q1H1,k+1)=0,Ht,k是已知量测函数,并构建带有随机未知输入的广义动态系统偏差模型:
步骤四:基于步骤三中解耦后的偏差动态模型,在最小方差无偏准则下,计算增益阵:
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020104161563 | 2020-05-17 | ||
CN202010416156 | 2020-05-17 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112067844A CN112067844A (zh) | 2020-12-11 |
CN112067844B true CN112067844B (zh) | 2022-07-26 |
Family
ID=73658983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010873490.1A Active CN112067844B (zh) | 2020-05-17 | 2020-08-26 | Mems传感器阵列式高精度输出控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112067844B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114460327A (zh) * | 2022-03-08 | 2022-05-10 | 西北工业大学 | 提高mems传感器抗干扰能力的阵列式控制方法及系统 |
CN117490675B (zh) * | 2024-01-03 | 2024-03-15 | 西北工业大学 | 一种阵列式mems陀螺高精度抗干扰控制方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7375679B1 (en) * | 2005-08-16 | 2008-05-20 | Lockheed Martin Corporation | Reduced state estimation with biased and out-of-sequence measurements from multiple sensors |
US10025891B1 (en) * | 2015-09-30 | 2018-07-17 | The United States Of America As Represented By The Secretary Of The Navy | Method of reducing random drift in the combined signal of an array of inertial sensors |
CN108169722A (zh) * | 2017-11-30 | 2018-06-15 | 河南大学 | 一种未知干扰影响下传感器的系统偏差配准方法 |
-
2020
- 2020-08-26 CN CN202010873490.1A patent/CN112067844B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112067844A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | On‐line identification of non‐linear hysteretic structural systems using a variable trace approach | |
CN112067844B (zh) | Mems传感器阵列式高精度输出控制方法 | |
CN105043348A (zh) | 基于卡尔曼滤波的加速度计陀螺仪水平角度测量方法 | |
CN106597498B (zh) | 多传感器融合系统空时偏差联合校准方法 | |
CN110375772B (zh) | 自适应卡尔曼滤波的环形激光器随机误差建模与补偿方法 | |
CN113858218A (zh) | 一种机械臂执行器故障诊断方法 | |
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 | |
CN111561930A (zh) | 一种车载mems陀螺仪随机漂移误差的抑制方法 | |
CN117131747B (zh) | 一种基于采样点卡尔曼滤波的状态估计方法及装置 | |
CN112906185B (zh) | 一种基于人工智能的mems惯性传感器异构阵列及其设计方法 | |
CN110595434A (zh) | 基于mems传感器的四元数融合姿态估计方法 | |
CN108120452B (zh) | Mems陀螺仪动态数据的滤波方法 | |
CN113791240A (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 | |
CN111427262A (zh) | 极端环境下mems传感器未知扰动智能控制方法 | |
Sun et al. | Information fusion Wiener filter for the multisensor multichannel ARMA signals with time-delayed measurements | |
CN113175926A (zh) | 一种基于运动状态监测的自适应水平姿态测量方法 | |
CN114001759B (zh) | 一种阵列式mems传感器控制方法及系统 | |
CN110672127B (zh) | 阵列式mems磁传感器实时标定方法 | |
CN114460327A (zh) | 提高mems传感器抗干扰能力的阵列式控制方法及系统 | |
CN115809575A (zh) | 一种工况传递路径分析方法 | |
CN112747773B (zh) | 基于Allan方差和随机多项式提高陀螺仪精度的方法 | |
CN112489075B (zh) | 基于特征函数的序惯式多传感器融合滤波方法 | |
CN112067032A (zh) | 一种提升mems传感器环境适应性的智能自校准控制方法 | |
CN113777350A (zh) | 基于稳定化数值积分的加速度传感器数据处理方法 | |
CN110440779B (zh) | 一种高动态mems谐振式陀螺仪力平衡控制方法 |
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 |