CN114001759B - 一种阵列式mems传感器控制方法及系统 - Google Patents
一种阵列式mems传感器控制方法及系统 Download PDFInfo
- Publication number
- CN114001759B CN114001759B CN202111492122.3A CN202111492122A CN114001759B CN 114001759 B CN114001759 B CN 114001759B CN 202111492122 A CN202111492122 A CN 202111492122A CN 114001759 B CN114001759 B CN 114001759B
- Authority
- CN
- China
- Prior art keywords
- sensitivity
- iteration
- sensor
- estimation
- attenuation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000035945 sensitivity Effects 0.000 claims abstract description 164
- 238000005259 measurement Methods 0.000 claims abstract description 84
- 230000004927 fusion Effects 0.000 claims abstract description 36
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000026676 system process Effects 0.000 claims description 3
- 230000002238 attenuated effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 244000126211 Hericium coralloides Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Manufacturing & Machinery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Micromachines (AREA)
Abstract
本发明涉及一种阵列式MEMS传感器控制方法及系统,方法包括:获取多个MEMS传感器的量测数据;对量测数据进行一阶马尔科夫过程描述,构建量测数据的动态和量测模型进而确定量测值;以期望最大化为目标对量测值的概率密度的对数进行灵敏度衰减随机参数的辨识迭代和期望步迭代得到传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值;根据传感器的节点的最优局部状态和灵敏度衰减随机参数辨识值确定任意两个传感器之间的估计误差协方差;根据估计误差协方差和传感器的节点的最优局部状态利用分布式融合估计器确定灵敏度衰减下阵列式MEMS传感器系统的最优状态估计。本发明能够提升MEMS传感器的灵敏度衰减下的精度性能。
Description
技术领域
本发明涉及微电机系统领域,特别是涉及一种阵列式MEMS传感器控制方法及系统。
背景技术
MEMS传感器凭借其低成本、体积小、低功耗等优势已被广泛应用于许多领域,包括人工智能、物联网、消费电子和工业4.0等。MEMS传感器凭借其小型化及低成本等优势促进了阵列式控制技术的发展,该方法因其可以提供更精确全面的信息处理能力而备受关注。
然而在实际工作环境中,环境未知扰动因素,如大温差、压差、大冲击、强振动等,广泛作用于MEMS传感器阵列,导致各个MEMS传感器灵敏度衰减,极大地恶化了传感器精度性能,进而制约其在高精度领域的应用。因此,提升MEMS传感器阵列在灵敏度衰减下的高精度保持能力成为该技术领域的重要研究内容。检索发现,有的现有技术中提出一种判断灵敏度衰减准则并设计一种改进的联邦扩展卡尔曼滤波器可有效地改进传多感器系统在灵敏度衰减下的整体精度性能;然而,该方法中所分析讨论的传感器灵敏度衰减统计特征参数受限,且滤波器设计过程中引入了新的随机参数假设使得处理结果具有偶然性,使其滤波系统性能鲁棒性差;有的现有技术对多传感器系统灵敏度衰减统计参数特征分析讨论的局限性做出全面分析讨论,并设计一种实时加权分布式融合估计滤波器得到系统最优状态并分析了系统的渐近稳定性和稳态特性,但其计算过程非常复杂降低算法实时性。上述方法均是在假定参数统计特征具有一定规律或者存在先验分布规律的条件下实现系统性能提升优化。然而,传感器灵敏度衰减参数是不含任何先验信息,无法用假定已知的参数统计量去计算处理的。
发明内容
本发明的目的是提供一种阵列式MEMS传感器控制方法及系统,以提升MEMS传感器的灵敏度衰减下的精度性能。
为实现上述目的,本发明提供了如下方案:
一种阵列式MEMS传感器控制方法,包括:
获取多个MEMS传感器的量测数据;
对所述量测数据进行一阶马尔科夫过程描述,构建量测数据的动态和量测模型;
根据所述量测数据和所述动态和量测模型确定量测值;
以期望最大化为目标对所述量测值的概率密度的对数进行灵敏度衰减随机参数的辨识迭代和期望步迭代得到所述传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值;
根据所述传感器的节点的最优局部状态和所述灵敏度衰减随机参数辨识值确定任意两个所述传感器之间的估计误差协方差;
根据所述估计误差协方差和所述传感器的节点的最优局部状态利用分布式融合估计器确定灵敏度衰减下阵列式MEMS传感器系统的最优状态估计。
可选的,所述以期望最大化为目标对所述量测值的概率密度的对数进行灵敏度衰减随机参数的辨识迭代和期望步迭代得到所述传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值,具体包括:
根据所述量测值的概率密度的对数确定完整数据的对数似然函数;所述完整数据为所述传感器的量测值;
根据所述完整数据的对数似然函数确定数学期望表达式;所述数据期望表达式为在设定带宽内的对数似然函数在传感器灵敏度衰减条件下的数学期望表达式;
以数学期望最大化为目标对所述数学期望表达式进行灵敏度衰减随机参数辨识迭代,得到所述传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值。
可选的,所述以数学期望最大化为目标对所述数学期望表达式进行灵敏度衰减随机参数辨识迭代,得到所述传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值,具体包括:
对所述数学期望表达式进行灵敏度衰减随机参数辨识迭代,得到迭代增量;
根据迭代结束条件终止迭代,得到所述传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值;所述迭代结束条件为所述迭代增量小于设定误差或者迭代次数达到设定次数。
可选的,所述根据所述传感器的节点的最优局部状态和所述灵敏度衰减随机参数辨识值确定任意两个所述传感器之间的估计误差协方差,具体包括:
根据所述灵敏度衰减随机参数辨识值确定任意两个所述传感器的灵敏度衰减状态;所述灵敏度衰减状态包括灵敏度正常、灵敏度衰减和故障;
根据所述传感器的节点的最优局部状态和所述任意两个所述传感器的灵敏度衰减状态确定任意两个所述传感器之间的估计误差协方差。
可选的,所述根据所述估计误差协方差和所述传感器的节点的最优局部状态利用分布式融合估计器确定灵敏度衰减下阵列式MEMS传感器系统的最优状态估计,具体包括:
根据所述传感器的节点的最优局部状态进行固定带宽序列处理,得到最优估计信息;
将所述最优估计信息和所述估计误差协方差基于线性无偏最小方差准则采用分布式融合估计算法进行处理,得到灵敏度衰减下阵列式MEMS传感器系统的最优状态估计。
一种阵列式MEMS传感器控制系统,包括:
获取模块,用于获取多个MEMS传感器的量测数据;
构建模块,用于对所述量测数据进行一阶马尔科夫过程描述,构建量测数据的动态和量测模型;
量测值确定模块,用于根据所述量测数据和所述动态和量测模型确定量测值;
迭代模块,用于以期望最大化为目标对所述量测值的概率密度的对数进行灵敏度衰减随机参数的辨识迭代和期望步迭代得到所述传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值;
估计误差协方差确定模块,用于根据所述传感器的节点的最优局部状态和所述灵敏度衰减随机参数辨识值确定任意两个所述传感器之间的估计误差协方差;
分布式融合估计模块,用于根据所述估计误差协方差和所述传感器的节点的最优局部状态利用分布式融合估计器确定灵敏度衰减下阵列式MEMS传感器系统的最优状态估计。
可选的,所述迭代模块,具体包括:
对数似然函数确定单元,用于根据所述量测值的概率密度的对数确定完整数据的对数似然函数;所述完整数据为所述传感器的量测值;
数学期望表达式确定单元,用于根据所述完整数据的对数似然函数确定数学期望表达式;所述数据期望表达式为在设定带宽内的对数似然函数在传感器灵敏度衰减条件下的数学期望表达式;
迭代单元,用于以数学期望最大化为目标对所述数学期望表达式进行灵敏度衰减随机参数辨识迭代,得到所述传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值。
可选的,所述迭代单元,具体包括:
迭代增量确定子单元,用于对所述数学期望表达式进行灵敏度衰减随机参数辨识迭代,得到迭代增量;
迭代终止子单元,用于根据迭代结束条件终止迭代,得到所述传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值;所述迭代结束条件为所述迭代增量小于设定误差或者迭代次数达到设定次数。
可选的,所述估计误差协方差确定模块,具体包括:
灵敏度衰减状态确定单元,用于根据所述灵敏度衰减随机参数辨识值确定任意两个所述传感器的灵敏度衰减状态;所述灵敏度衰减状态包括灵敏度正常、灵敏度衰减和故障;
估计误差协方差确定单元,用于根据所述传感器的节点的最优局部状态和所述任意两个所述传感器的灵敏度衰减状态确定任意两个所述传感器之间的估计误差协方差。
可选的,所述分布式融合估计模块,具体包括:
固定带宽序列处理单元,用于根据所述传感器的节点的最优局部状态进行固定带宽序列处理,得到最优估计信息;
融合估计单元,用于将所述最优估计信息和所述估计误差协方差基于线性无偏最小方差准则采用分布式融合估计算法进行处理,得到灵敏度衰减下阵列式MEMS传感器系统的最优状态估计。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的阵列式MEMS传感器控制方法及系统,对量测数据进行一阶马尔科夫过程描述,构建量测数据的动态和量测模型;根据量测数据和动态和量测模型确定量测值;以期望最大化为目标对量测值的概率密度的对数进行灵敏度衰减随机参数的辨识迭代和期望步迭代得到传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值;根据传感器的节点的最优局部状态和灵敏度衰减随机参数辨识值确定任意两个传感器之间的估计误差协方差;根据估计误差协方差和传感器的节点的最优局部状态利用分布式融合估计器确定灵敏度衰减下阵列式MEMS传感器系统的最优状态估计,从而实现提升在灵敏度衰减MEMS传感器的高精度保持能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的阵列式MEMS传感器控制方法流程图;
图2为本发明提供的阵列式MEMS陀螺系统总体框图;
图3为本发明提供的控制流程示意图;
图4为本发明提供的阵列式MEMS传感器控制系统示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种阵列式MEMS传感器控制方法及系统,以提升MEMS传感器的灵敏度衰减下的精度性能。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供的一种阵列式MEMS传感器控制方法,包括:
步骤101:获取多个MEMS传感器的量测数据。
步骤102:对所述量测数据进行一阶马尔科夫过程描述,构建量测数据的动态和量测模型。
步骤103:根据所述量测数据和所述动态和量测模型确定量测值。
步骤104:以期望最大化为目标对所述量测值的概率密度的对数进行灵敏度衰减随机参数的辨识迭代和期望步迭代得到所述传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值。所述步骤104,具体包括:
根据所述量测值的概率密度的对数确定完整数据的对数似然函数;所述完整数据为所述传感器的量测值。即根据所述量测值的概率密度的对数求解量测值的对数似然函数。
根据所述完整数据的对数似然函数确定数学期望表达式;所述数据期望表达式为在设定带宽内的对数似然函数在传感器灵敏度衰减条件下的数学期望表达式。
以数学期望最大化为目标对所述数学期望表达式进行灵敏度衰减随机参数辨识迭代,得到所述传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值。其中,所述以数学期望最大化为目标对所述数学期望表达式进行灵敏度衰减随机参数辨识迭代,得到所述传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值,具体包括:对所述数学期望表达式进行灵敏度衰减随机参数辨识迭代,得到迭代增量;根据迭代结束条件终止迭代,得到所述传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值;所述迭代结束条件为所述迭代增量小于设定误差或者迭代次数达到设定次数。
步骤105:根据所述传感器的节点的最优局部状态和所述灵敏度衰减随机参数辨识值确定任意两个所述传感器之间的估计误差协方差。其中步骤105,具体包括:
根据所述灵敏度衰减随机参数辨识值确定任意两个所述传感器的灵敏度衰减状态;所述灵敏度衰减状态包括灵敏度正常、灵敏度衰减和故障。
根据所述传感器的节点的最优局部状态和所述任意两个所述传感器的灵敏度衰减状态确定任意两个所述传感器之间的估计误差协方差。
步骤106:根据所述估计误差协方差和所述传感器的节点的最优局部状态利用分布式融合估计器确定灵敏度衰减下阵列式MEMS传感器系统的最优状态估计。
其中步骤106,具体包括:
根据所述传感器的节点的最优局部状态进行固定带宽序列处理,得到最优估计信息。
将所述最优估计信息和所述估计误差协方差基于线性无偏最小方差准则采用分布式融合估计算法进行处理,得到灵敏度衰减下阵列式MEMS传感器系统的最优状态估计。
本发明提供的方法能够实现提升MEMS传感器的高精度保持能力。首先根据每个MEMS传感器的量测数据建立完备数据对数似然函数,并通过似然函数计算相应的条件期望;然后,通过期望最大化算法中的期望步实现各传感器的局部状态估计;进一步,利用最大化步完成传感器节点灵敏度系数的辨识以判断其是否衰减,当期望步步和期望最大化步迭代收敛后输出传感器节点最优局部估计;接着,计算任意两个MEMS传感器之间局部状态估计误差协方差矩阵以得到MEMS传感器阵列系统融合权重系数。其中,MEMS传感器即为MEMS陀螺。最后,基于线性无偏最小方差意义下将局部状态估计信息转移到融合中心节点进行融合处理,从而得到MEMS传感器阵列系统在灵敏度衰减下的最优状态估计,具体步骤如下:
步骤一:如图2所示,MEMS陀螺阵列系统通常由敏感结构单元1以及检测控制电路部分2组成,MEMS陀螺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,移相器输出状态矢量Y作为量测信号输入到信号处理模块3。
步骤二:用一阶马尔科夫过程描述MEMS陀螺信号,构建传感器量测信号的动态和量测模型,从而建立MEMS陀螺阵列系统的状态空间模型,并通过输出量测值的概率密度函数的对数建立各个MEMS陀螺的输出完整数据的对数似然函数,并建立带宽内的对数似然函数的数学期望以得到相应的局部状态估计,此步骤一般称为期望步。
步骤三:MEMS陀螺在工作过程中各个节点灵敏度会以不同的概率发生衰减,进而会引入未知先验信息的随机参数恶化系统状态估计性能,因此利用在期望步得到的估计信息通过期望最大化步进行未知随机参数的辨识迭,期望步和期望最大化步相互迭代直至收敛以获得传感器节点的最优局部状态估计和灵敏度衰减参数辨识。
步骤四:基于上述得到的每个陀螺局部估计信息,计算在不同条件下任意两个陀螺之间的估计误差协方差以用于获取各个传感器数据融合的权值。
步骤五:在线性无偏最小方差意义下基于分布式融合估计算法得到矩阵加权的MEMS传感器阵列系统的最优状态估计。
本发明基于MEMS传感器阵列在灵敏度衰减下的量测数据,实现局部状态估计与灵敏度衰减参数辨识的同步迭代优化处理,再进行多元数据信息的融合以得到阵列系统的全局最优估计,有效提升灵敏度衰减下MEMS传感器阵列的高精度保持性能。
本发明还提供了阵列式MEMS传感器控制方法在实际应用中的具体步骤,如图3所示,步骤如下:
步骤一:MEMS陀螺阵列系统中各个MEMS陀螺仪驱动模态的检测信号进入电路模块,然后检测电路经过电容电压转换、移相器、低通滤波器等模块,得到输出的量测数据yk,其离散时间模型可以用公式(1)表示
yi(k)=xk+ηi(k) (1)
其中xk是MEMS陀螺阵列系统的真实目标角速率,ηi(k)表示零均值白高斯噪声,yi(k)为第i个陀螺在k时刻的输出值。
步骤二:由于MEMS陀螺在工作过程中在受到环境未知扰动作用会不可避免的发生灵敏度衰减,因此其陀螺节点处对应的输出表达式可以进一步表示
yi(k)=αiHi(k)xk+ηi(k) (2)
其中,αi为第i个陀螺灵敏度衰减或者故障现象的随机变量的数学期望,Hi(k)为一维恒等矩阵。
步骤三:对MEMS陀螺阵列系统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xk+1可以被认为与前一时间点tk的输入信号xk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(2),陀螺阵列系统中在各个陀螺节点处的真实输入信号的动态和量测模型可以用公式(3)和(4)表示
x(k+1)=Φ(k)x(k)+v(k) (3)
yi(k)=γi(k)Hi(k)xk+ηi(k) (4)
其中yi(k)表示第i个陀螺节点在k时的量测值即陀螺节点的输出。系数标量Φ(k)=-1/τs,τs是基于一阶马尔可夫过程的过程时间常数,γi(k)∈Rγ是一个描述第i个陀螺灵敏度衰减或者故障现象的随机变量,在区间[ai,bi](0≤ai≤bi≤1)取值,其随机变量的数学期望为αi,方差为其作为伯努利分布的一个特例,Hi(k)、Ni(k)都是一维恒等矩阵。v(k)表示系统状态中的过程噪声,具有E[v(k)]=0;E[v(k)v(k)T]=Qθ的统计特性;/>表示每个陀螺节点的量测噪声,均被假设为高斯白噪声,具有的统计特性。其中,ηi(k)可以通过基于Allan方差方法计算每个MEMS陀螺仪的最终输出数据来获得。x(k+1)为k+1时刻传感器的状态值,x(k)为k时刻传感器的状态值。
步骤四:对于每一个陀螺节点i,做如下定义,
Yi(k-v:k)=[yi(k-v),…,yi(k)] (5)
X(k-v:k)=[x(k-v),…,x(k)] (6)
zi=[xi,yi] (8)
Zi(k-v:k)=[zi(k-v),…,zi(k)] (7)
具体的,[yi(k-v),…,yi(k)]表示第i个陀螺数据yi在固定带宽[k-v,k]内的序列,Yi(k-v:k)表示第i个陀螺量测数据yi在固定带宽内[k-v,k]的数据集;x(k-v),…,x(k)表示系统状态x在固定带宽[k-v,k]内的序列,X(k-v:k)表示系统状态x在固定带宽[k-v,k]内的数据集。其中,zi表示第i个陀螺所对应的系统状态和量测数据的集合,Zi(k-v:k)表示变量zi在固定带宽[k-v,k]内的数据集。
每个陀螺仪本地量测数据即公式(4)中yi的概率密度函数的对数来建立陀螺的输出数据,完整数据的对数似然函数可以用公式(9)表示
Li(k-v:k)=logp(Zi(k-v:k)|γi(k-v:k),Yi(1:k-v-1)) (9)
其中v是滤波器窗口的长度,p是陀螺输出量测的概率密度函数且服从高斯分布。γi(k-v:k)表示随机参数γi在带宽上[k-v,k]的序列集。
步骤五:用RTS平滑器估计各个陀螺的本地状态估计值带宽内[k-v,k]的对数似然函数在陀螺灵敏度衰减条件下的数学期望可以用公式(10)表示
其中,式中符号E{*}表示求数学期望运算,r代表迭代次数,表示第r次迭代后得到的灵敏度衰减参数γi(k-v:k)的辨识值,Li(k-v:k)是步骤四中建立的对数似然函数,/>为计算在未知参数下的条件期望值。此步骤一般称为期望步。
步骤六:对每个陀螺节点相应的对数似然函数的条件期望相对于灵敏度随机衰减参数求偏导并令偏导数为零,用最大化条件期望对灵敏度衰减随机参数进行辨识。具体过程如下:
步骤七:反复经过步骤五和步骤六,当连续两次迭代的增量小于极限误差δ或者迭代次数r到达设定的上限rmax时,终止迭代,估计出各个陀螺的局部状态估计和灵敏度随机衰减参数的辨识结果,这里,δ取0.01为平衡输出精度和算法运行速度即上文的极限误差。
步骤八:基于上述得到的每个陀螺局部估计信息,计算任意两个陀螺之间的估计误差协方差以用于获取各个陀螺数据信息融合权值,分为三种情形考虑。
(1).如果第i个陀螺和第j个陀螺灵敏度正常工作,则对应的估计误差互协方差由下面式子计算:
其中,和/>表示第i个陀螺和第i个陀螺的过程参数矩阵,Qθ为系统过程噪声的方差,具体计算过程如下:
其中,In表示单位矩阵,Ki(k)和Kj(k)分别表示第i个陀螺和第i个陀螺的增益矩阵。
(2).如果第i个陀螺灵敏度正常,第j个陀螺灵敏度衰减或者故障,则对应的估计误差互协方差由下面式子计算:
(3).如果第i个陀螺和第j个陀螺的灵敏度同时衰减或者故障,则对应的估计误差互协方差由下面式子计算:
Pij(k)=Φ(k-1)Pij(k-1)Φ(k-1)+Qθ (16)
步骤九:对于整个陀螺阵列系统,基于线性无偏最小方差准则采用分布式融合方式将各个陀螺处理后的最优估计信息来得到系统最优的结果,其具体融合过程如下:
此处,表示第i个陀螺局部最优估计值/>在序列k处的值,ui(k)为第i个陀螺的权重系数在k处的值。
P(k|k)=[eT(Pij(k))-1e]-1 (18)
[u1(k),u2(k),…,uL(k)]=[eT(Pij(k))-1e]-1×eT(Pij(k))-1 (19)
其中,表示MEMS陀螺阵列的系统状态最优估计值,e=[In,In,…,In],P是一个常正定矩阵。L指的是阵列系统中总的传感器数量,至此将得到灵敏度衰减下MEMS陀螺阵列系统的最优估计。
通过基于MEMS陀螺阵列在灵敏度衰减下的量测数据,设计一种最优迭代优化控制策略来实现MEMS陀螺随机故障下的精度提高。利用各陀螺的局部测量数据,通过期望步获得局部状态估计,计算任意两个局部估计之间的初始局部估计误差互协方差矩阵,利用分布式融合估计器融合各陀螺仪的局部信息得到系统的全局最优估计,从而提升MEMS陀螺阵列的环境特性。
如图4所示,本发明提供的一种阵列式MEMS传感器控制系统,包括:
获取模块201,用于获取多个MEMS传感器的量测数据。
构建模块202,用于对所述量测数据进行一阶马尔科夫过程描述,构建量测数据的动态和量测模型。
量测值确定模块203,用于根据所述量测数据和所述动态和量测模型确定量测值。
迭代模块204,用于以期望最大化为目标对所述量测值的概率密度的对数进行灵敏度衰减随机参数的辨识迭代和期望步迭代得到所述传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值;其中,所述迭代模块204,具体包括:对数似然函数确定单元,用于根据所述量测值的概率密度的对数确定完整数据的对数似然函数;所述完整数据为所述传感器的量测值;数学期望表达式确定单元,用于根据所述完整数据的对数似然函数确定数学期望表达式;所述数据期望表达式为在设定带宽内的对数似然函数在传感器灵敏度衰减条件下的数学期望表达式;迭代单元,用于以数学期望最大化为目标对所述数学期望表达式进行灵敏度衰减随机参数辨识迭代,得到所述传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值。所述迭代单元,具体包括:迭代增量确定子单元,用于对所述数学期望表达式进行灵敏度衰减随机参数辨识迭代,得到迭代增量;迭代终止子单元,用于根据迭代结束条件终止迭代,得到所述传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值;所述迭代结束条件为所述迭代增量小于设定误差或者迭代次数达到设定次数。
估计误差协方差确定模块205,用于根据所述传感器的节点的最优局部状态和所述灵敏度衰减随机参数辨识值确定任意两个所述传感器之间的估计误差协方差;其中,所述估计误差协方差确定模块205,具体包括:灵敏度衰减状态确定单元,用于根据所述灵敏度衰减随机参数辨识值确定任意两个所述传感器的灵敏度衰减状态;所述灵敏度衰减状态包括灵敏度正常、灵敏度衰减和故障;估计误差协方差确定单元,用于根据所述传感器的节点的最优局部状态和所述任意两个所述传感器的灵敏度衰减状态确定任意两个所述传感器之间的估计误差协方差。
分布式融合估计模块206,用于根据所述估计误差协方差和所述传感器的节点的最优局部状态利用分布式融合估计器确定灵敏度衰减下阵列式MEMS传感器系统的最优状态估计。所述分布式融合估计模块206,具体包括:固定带宽序列处理单元,用于根据所述传感器的节点的最优局部状态进行固定带宽序列处理,得到最优估计信息;融合估计单元,用于将所述最优估计信息和所述估计误差协方差基于线性无偏最小方差准则采用分布式融合估计算法进行处理,得到灵敏度衰减下阵列式MEMS传感器系统的最优状态估计。
本发明基于分布式期望最大化框架下提出一种灵敏度衰减下的MEMS传感器阵列最优控制技术,凭借着期望最大化在未知先验信息领域的联合状态估计和未知参数辨识的有效性,以显著提升MEMS传感器阵列环境特性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种阵列式MEMS传感器控制方法,其特征在于,包括:
获取多个MEMS传感器的量测数据;
对所述量测数据进行一阶马尔科夫过程描述,构建量测数据的动态和量测模型;
根据所述量测数据和所述动态和量测模型确定量测值;
以期望最大化为目标对所述量测值的概率密度的对数进行灵敏度衰减随机参数的辨识迭代和期望步迭代得到所述传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值;
根据所述传感器的节点的最优局部状态和所述灵敏度衰减随机参数辨识值确定任意两个所述传感器之间的估计误差协方差;
根据所述估计误差协方差和所述传感器的节点的最优局部状态利用分布式融合估计器确定灵敏度衰减下阵列式MEMS传感器系统的最优状态估计;
当连续两次迭代的增量小于极限误差δ或者迭代次数r到达设定的上限rmax时,终止迭代,估计出各个陀螺的局部状态估计和灵敏度随机衰减参数的辨识结果;
基于每个陀螺局部估计信息,计算任意两个陀螺之间的估计误差协方差以用于获取各个陀螺数据信息融合权值,分为三种情形考虑:
(1).如果第i个陀螺和第j个陀螺灵敏度正常工作,则对应的估计误差互协方差由下面式子计算:
其中,和/>表示第i个陀螺和第j个陀螺的过程参数矩阵,Qθ为系统过程噪声的方差,具体计算过程如下:
其中,In表示单位矩阵,Ki(k)和Kj(k)分别表示第i个陀螺和第j个陀螺的增益矩阵;
(2).如果第i个陀螺灵敏度正常,第j个陀螺灵敏度衰减或者故障,则对应的估计误差互协方差由下面式子计算:
(3).如果第i个陀螺和第j个陀螺的灵敏度同时衰减或者故障,则对应的估计误差互协方差由下面式子计算:
Pij(k)=Φ(k-1)Pij(k-1)Φ(k-1)+Qθ
αi为第i个陀螺灵敏度衰减或者故障现象的随机变量的数学期望,Hi(k)为一维恒等矩阵。
2.根据权利要求1所述的阵列式MEMS传感器控制方法,其特征在于,所述以期望最大化为目标对所述量测值的概率密度的对数进行灵敏度衰减随机参数的辨识迭代和期望步迭代得到所述传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值,具体包括:
根据所述量测值的概率密度的对数确定完整数据的对数似然函数;所述完整数据为所述传感器的量测值;
根据所述完整数据的对数似然函数确定数学期望表达式;所述数据期望表达式为在设定带宽内的对数似然函数在传感器灵敏度衰减条件下的数学期望表达式;
以数学期望最大化为目标对所述数学期望表达式进行灵敏度衰减随机参数辨识迭代,得到所述传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值。
3.根据权利要求2所述的阵列式MEMS传感器控制方法,其特征在于,所述以数学期望最大化为目标对所述数学期望表达式进行灵敏度衰减随机参数辨识迭代,得到所述传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值,具体包括:
对所述数学期望表达式进行灵敏度衰减随机参数辨识迭代,得到迭代增量;
根据迭代结束条件终止迭代,得到所述传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值;所述迭代结束条件为所述迭代增量小于设定误差或者迭代次数达到设定次数。
4.根据权利要求1所述的阵列式MEMS传感器控制方法,其特征在于,所述根据所述传感器的节点的最优局部状态和所述灵敏度衰减随机参数辨识值确定任意两个所述传感器之间的估计误差协方差,具体包括:
根据所述灵敏度衰减随机参数辨识值确定任意两个所述传感器的灵敏度衰减状态;所述灵敏度衰减状态包括灵敏度正常、灵敏度衰减和故障;
根据所述传感器的节点的最优局部状态和所述任意两个所述传感器的灵敏度衰减状态确定任意两个所述传感器之间的估计误差协方差。
5.根据权利要求1所述的阵列式MEMS传感器控制方法,其特征在于,所述根据所述估计误差协方差和所述传感器的节点的最优局部状态利用分布式融合估计器确定灵敏度衰减下阵列式MEMS传感器系统的最优状态估计,具体包括:
根据所述传感器的节点的最优局部状态进行固定带宽序列处理,得到最优估计信息;
将所述最优估计信息和所述估计误差协方差基于线性无偏最小方差准则采用分布式融合估计算法进行处理,得到灵敏度衰减下阵列式MEMS传感器系统的最优状态估计。
6.一种阵列式MEMS传感器控制系统,其特征在于,包括:
获取模块,用于获取多个MEMS传感器的量测数据;
构建模块,用于对所述量测数据进行一阶马尔科夫过程描述,构建量测数据的动态和量测模型;
量测值确定模块,用于根据所述量测数据和所述动态和量测模型确定量测值;
迭代模块,用于以期望最大化为目标对所述量测值的概率密度的对数进行灵敏度衰减随机参数的辨识迭代和期望步迭代得到所述传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值;
估计误差协方差确定模块,用于根据所述传感器的节点的最优局部状态和所述灵敏度衰减随机参数辨识值确定任意两个所述传感器之间的估计误差协方差;
分布式融合估计模块,用于根据所述估计误差协方差和所述传感器的节点的最优局部状态利用分布式融合估计器确定灵敏度衰减下阵列式MEMS传感器系统的最优状态估计;
当连续两次迭代的增量小于极限误差δ或者迭代次数r到达设定的上限rmax时,终止迭代,估计出各个陀螺的局部状态估计和灵敏度随机衰减参数的辨识结果;
基于每个陀螺局部估计信息,计算任意两个陀螺之间的估计误差协方差以用于获取各个陀螺数据信息融合权值,分为三种情形考虑:
(1).如果第i个陀螺和第j个陀螺灵敏度正常工作,则对应的估计误差互协方差由下面式子计算:
其中,和/>表示第i个陀螺和第j个陀螺的过程参数矩阵,Qθ为系统过程噪声的方差,具体计算过程如下:
其中,In表示单位矩阵,Ki(k)和Kj(k)分别表示第i个陀螺和第j个陀螺的增益矩阵;
(2).如果第i个陀螺灵敏度正常,第j个陀螺灵敏度衰减或者故障,则对应的估计误差互协方差由下面式子计算:
(3).如果第i个陀螺和第j个陀螺的灵敏度同时衰减或者故障,则对应的估计误差互协方差由下面式子计算:
Pij(k)=Φ(k-1)Pij(k-1)Φ(k-1)+Qθ
αi为第i个陀螺灵敏度衰减或者故障现象的随机变量的数学期望,Hi(k)为一维恒等矩阵。
7.根据权利要求6所述的阵列式MEMS传感器控制系统,其特征在于,所述迭代模块,具体包括:
对数似然函数确定单元,用于根据所述量测值的概率密度的对数确定完整数据的对数似然函数;所述完整数据为所述传感器的量测值;
数学期望表达式确定单元,用于根据所述完整数据的对数似然函数确定数学期望表达式;所述数据期望表达式为在设定带宽内的对数似然函数在传感器灵敏度衰减条件下的数学期望表达式;
迭代单元,用于以数学期望最大化为目标对所述数学期望表达式进行灵敏度衰减随机参数辨识迭代,得到所述传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值。
8.根据权利要求7所述的阵列式MEMS传感器控制系统,其特征在于,所述迭代单元,具体包括:
迭代增量确定子单元,用于对所述数学期望表达式进行灵敏度衰减随机参数辨识迭代,得到迭代增量;
迭代终止子单元,用于根据迭代结束条件终止迭代,得到所述传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值;所述迭代结束条件为所述迭代增量小于设定误差或者迭代次数达到设定次数。
9.根据权利要求6所述的阵列式MEMS传感器控制系统,其特征在于,所述估计误差协方差确定模块,具体包括:
灵敏度衰减状态确定单元,用于根据所述灵敏度衰减随机参数辨识值确定任意两个所述传感器的灵敏度衰减状态;所述灵敏度衰减状态包括灵敏度正常、灵敏度衰减和故障;
估计误差协方差确定单元,用于根据所述传感器的节点的最优局部状态和所述任意两个所述传感器的灵敏度衰减状态确定任意两个所述传感器之间的估计误差协方差。
10.根据权利要求6所述的阵列式MEMS传感器控制系统,其特征在于,所述分布式融合估计模块,具体包括:
固定带宽序列处理单元,用于根据所述传感器的节点的最优局部状态进行固定带宽序列处理,得到最优估计信息;
融合估计单元,用于将所述最优估计信息和所述估计误差协方差基于线性无偏最小方差准则采用分布式融合估计算法进行处理,得到灵敏度衰减下阵列式MEMS传感器系统的最优状态估计。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111265232 | 2021-10-28 | ||
CN2021112652326 | 2021-10-28 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114001759A CN114001759A (zh) | 2022-02-01 |
CN114001759B true CN114001759B (zh) | 2024-01-09 |
Family
ID=79931552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111492122.3A Active CN114001759B (zh) | 2021-10-28 | 2021-12-08 | 一种阵列式mems传感器控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114001759B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116086496B (zh) * | 2023-03-31 | 2023-06-20 | 中国船舶集团有限公司第七〇七研究所 | 一种用于提高集成光纤陀螺灵敏度的方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008129726A (ja) * | 2006-11-17 | 2008-06-05 | Toyota Central R&D Labs Inc | 回転構造体の設計装置および設計方法 |
US7719461B1 (en) * | 2008-08-05 | 2010-05-18 | Lockheed Martin Corporation | Track fusion by optimal reduced state estimation in multi-sensor environment with limited-bandwidth communication path |
CN108981679A (zh) * | 2017-05-31 | 2018-12-11 | 精工爱普生株式会社 | 电路装置、物理量测量装置、电子设备以及移动体 |
CN111427262A (zh) * | 2019-11-13 | 2020-07-17 | 西北工业大学 | 极端环境下mems传感器未知扰动智能控制方法 |
CN112067032A (zh) * | 2020-01-06 | 2020-12-11 | 西北工业大学 | 一种提升mems传感器环境适应性的智能自校准控制方法 |
CN112596383A (zh) * | 2020-11-19 | 2021-04-02 | 西北工业大学 | 一种提升低成本mems阵列式传感器环境鲁棒性的控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10996075B2 (en) * | 2017-12-14 | 2021-05-04 | Invensense, Inc. | Microelectromechanical systems (MEMS) gyroscope calibration |
-
2021
- 2021-12-08 CN CN202111492122.3A patent/CN114001759B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008129726A (ja) * | 2006-11-17 | 2008-06-05 | Toyota Central R&D Labs Inc | 回転構造体の設計装置および設計方法 |
US7719461B1 (en) * | 2008-08-05 | 2010-05-18 | Lockheed Martin Corporation | Track fusion by optimal reduced state estimation in multi-sensor environment with limited-bandwidth communication path |
CN108981679A (zh) * | 2017-05-31 | 2018-12-11 | 精工爱普生株式会社 | 电路装置、物理量测量装置、电子设备以及移动体 |
CN111427262A (zh) * | 2019-11-13 | 2020-07-17 | 西北工业大学 | 极端环境下mems传感器未知扰动智能控制方法 |
CN112067032A (zh) * | 2020-01-06 | 2020-12-11 | 西北工业大学 | 一种提升mems传感器环境适应性的智能自校准控制方法 |
CN112596383A (zh) * | 2020-11-19 | 2021-04-02 | 西北工业大学 | 一种提升低成本mems阵列式传感器环境鲁棒性的控制方法 |
Non-Patent Citations (4)
Title |
---|
A multi-model combined fliter with dual uncertainties for data fusion of MEMS gyro array;Qiang Shen Etal.;Sensors;第19卷(第1期);全文 * |
Signal processing technical for combining numerous MEMS gyroscopes based on dynamic condition correlation;Jieyu Liu etal.;Micromachines;第6卷(第6期);全文 * |
基于地磁传感器与MEMS陀螺仪组合姿态测量技术研究;闫爱天;中国优秀硕士论文库全文数据库信息科技辑(第2期);全文 * |
改进的卡尔曼滤波在MEMS陀螺仪信号处理的应用;张伯源;高国伟;;传感器世界(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114001759A (zh) | 2022-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111780755A (zh) | 一种基于因子图和可观测度分析的多源融合导航方法 | |
CN111983927B (zh) | 一种最大协熵mcc准则的椭球集员滤波方法 | |
CN112115419B (zh) | 系统状态估计方法、系统状态估计装置 | |
CN112285676A (zh) | 激光雷达与imu外参标定方法及装置 | |
CN103162678B (zh) | 批量mems陀螺信息融合方法 | |
CN114001759B (zh) | 一种阵列式mems传感器控制方法及系统 | |
CN111896029A (zh) | 一种基于组合算法的mems陀螺随机误差补偿方法 | |
CN108896456B (zh) | 基于反馈型rbf神经网络的气溶胶消光系数反演方法 | |
CN108120452B (zh) | Mems陀螺仪动态数据的滤波方法 | |
CN116088303B (zh) | 一种不确定复杂动态网络状态时变递推估计方法 | |
CN114964313A (zh) | 一种基于rvm的光纤陀螺温度补偿方法 | |
CN116086445A (zh) | 一种基于因子图优化的多源信息时延融合导航方法 | |
CN112067844B (zh) | Mems传感器阵列式高精度输出控制方法 | |
CN114061592B (zh) | 基于多模型的自适应鲁棒auv导航方法 | |
CN116772867A (zh) | 一种基于因子图的节点优选的多auv自适应协同定位方法及系统 | |
Chen et al. | Distributed state estimations based on cubature Kalman filtering | |
CN111829521B (zh) | 一种基于数据驱动的一致性目标跟踪方法 | |
Liu et al. | LGC-Net: A lightweight gyroscope calibration network for efficient attitude estimation | |
Xiao et al. | Adaptive Fault-tolerant Federated Filter with Fault Detection Method Based on Combination of LSTM and Chi-square Test | |
CN115114985A (zh) | 一种基于集合理论的传感器系统分布式融合方法 | |
CN107590509B (zh) | 基于最大期望近似的切尔诺夫融合方法 | |
Kuang et al. | Distributed Estimation of Sensor Networks Based on LSTM-Kalman Filter | |
CN113532422B (zh) | 一种基于距离图和数据清洗的多传感器航迹融合方法 | |
CN111898664B (zh) | 一种基于Block-Bootstrap和多阶段聚类的桥梁模态参数自动识别方法 | |
CN111914402B (zh) | 一种基于信号特性和拓扑变化先验的动态拓扑估计系统及方法 |
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 |