CN114754792A - 基于itd和近似熵的mems陀螺信号预处理技术 - Google Patents

Abstract

本发明提出了基于ITD和近似熵的MEMS陀螺信号预处理技术，本方法首先利用固有时间尺度分解(Intrinsic Time‑scale Decomposition,ITD)将微机电(Micro‑Electro‑Mechanical System,MEMS)陀螺的测量信号分解为一系列固有旋转(IRC)分量；然后利用近似熵计算相邻IRC分量的近似熵的变化量，找到最大熵变化量所对应的IRC分量的数值，分离有效信号分量与噪声信号分量，最终完成信号的重构。本方法属于惯性导航系统领域里的一种信号处理方法，具体涉及对MEMS陀螺的输出信号进行噪声预处理的技术。

Description

基于ITD和近似熵的MEMS陀螺信号预处理技术

技术领域

本发明涉及惯性导航系统领域里对惯性器件的信号处理方法，具体涉及对微机电(Micro-Electro-Mechanical System,MEMS)陀螺的输出信号进行噪声预处理的技术。

背景技术

随着微机电系统(MEMS)的发展，MEMS陀螺广泛应用于航天航空航海、电子消费品、农业生产等领域，其与激光陀螺、半球谐振陀螺相比，具有成本低、体积小、集成度高等优点，但是MEMS陀螺易受外界环境因素的影响，其中包括温度、电磁干扰等，导致了输出存在大量的噪声，因此，有必要分析MEMS陀螺的噪声误差特性，研究其噪声抑制技术，从而提高MEMS的测量精度。

为了减小随机误差，通常是建立陀螺仪的误差模型并进行补偿，此方法成本低，效果好且时间短，时间序列分析方法根据随机信号的统计特性对信号进行建模，它将随机信号平稳化、正态化和零均值处理后，将随机信号转化成时刻相关的序列。采用这种方法需要把陀螺的输出数据平稳化、正态化、零均值处理等，这会对陀螺仪建模精度产生影响，因此它只适合对平稳的随机序列建模。

然而MEMS陀螺输出噪声是非线性、非平稳性的，很难建立相应的模型并补偿随机误差，因此有学者提出了经验模态分解(EMD)方法，它是依靠数据本身的时间尺度对信号进行多次自适应分解，且在分解过程中无须预先设定基函数，但是该方法存在易产生模态混叠现象的缺点。近年来，涌现出了很多基于EMD的改进方法，例如EEMD、CEEMD和CEEMDAN等，本文提出了一种固有时间尺度分解(ITD)方法，它是一种新的非平稳信号分解方法，相较于EMD、EEMD、LMD等方法，该方法能够准确的提取信号的瞬时特征，并节省了计算时间，为MEMS陀螺的噪声抑制提供了新的思路。

然而，在对信号进行去噪预处理时，首先需完成信号的模态分解，随后需判断各分量间的界限，在此基础上将噪声信号进行处理并与有效分量进行信号重构即可获得去噪后的信号。因此，对噪声分量和有效分量的区分则决定了去噪方法的性能。

为提高MEMS陀螺输出信号的测量精度与鲁棒性，本发明提出了一种基于ITD和近似熵的MEMS陀螺信号预处理技术。本方法首先利用ITD方法将非线性和非平稳的MEMS陀螺输出信号分解为一系列的IRC分量，然后通过近似熵判据区分高频噪声信号分量和低频有效信号分量，最后对有效信号进行重构，得到去噪之后最终的输出信号。

发明内容

本发明的目的是提供一种基于ITD和近似熵的MEMS陀螺信号预处理技术。

本发明的目的是通过以下步骤来实现的：

步骤1：将MEMS陀螺放置于大理石上，连接计算机接口，进行预热和数据采集。

步骤2：将采集到的信号使用ITD进行分解，得到一系列的固有旋转分量(intrinsic rotational component，IRC)；

步骤3：计算每一个IRC的近似熵，并计算相邻值的变化量；

步骤4：找到变化量的最大值，其两侧分别为有效信号分量和噪声信号分量，去除噪声信号分量，重构有效信号分量，得到去噪之后的最终信号。

在上述方法的步骤2中，利用ITD方法把信号分解成一系列的IRC分量和一个趋势分量，具体方法为：

1)将原信号被分解为一段基线信号和IRC分量，即

X_t＝LX_t+(1-L)X_t＝L_t+H_t

其中L为基线提取因子，L_t＝LX_t为基线信号，H_t＝(1-L)X_t为IRC分量。

2)从信号X_t中提取出局部极值X_k(k＝1,2,…,M)和对应的时刻τ_k，M为极值点数。定义τ₀＝0，表示当τ_k中的k取值为0的时候对应的局部极值点的时间。

3)在连续两个局部极值点的时间间隔内[τ_k,τ_k+1]，定义基线提取算子

其中

α为控制提取IRC分量幅度的增益控制参数。

4)当第1个IRC分量被分离出来之后，把基线信号视为新的待分解信号，不断重复以上的过程，直到该信号成为单调函数之后，分解完成。信号X_t的分解过程为

其中

表示第k个IRC分量；

表示残余分量。

在上述方法的步骤3中，分别计算每一个IRC分量的近似熵和相邻近似熵的变化量，具体方法为：

1)按照近似熵的定义，计算出每个IRC分量H_t的近似熵值为V_i(i＝1,2,…k,…,n)；

2)根据每个IRC分量的近似熵值V_i(i＝1,2,…k,…,n)计算出相邻熵值的变化量ΔV_i＝|V_i+1-V_i|,(i＝1,2,…,k,…,n-1)。

在上述方法的步骤4中，根据熵值变化量的最大值来区分有效信号分量和噪声信号分量，去除噪声信号分量，同时重构有效信号分量，得到最终的重构信号，具体方法为：

1)根据步骤3中2)所计算得到近似熵的变化量ΔV_i，找到ΔV_i的最大变化量，并确定最大变化量max(ΔV_i)所对应的IRC分量数值e；

2)选择IRC分量中的第e个及其之后的IRC分量

和余项

完成对信号的重构。

本发明的优势如下：针对非线性、非平稳性的MEMS陀螺输出信号，本发明采用ITD方法进行信号分解，相较于EMD、EMMD等信号分解方法，能够很好地减少模态混叠现象；同时，利用近似熵，对IRC分量进行重构，有效地降低了MEMS陀螺输出信号中的噪声，改善了惯性器件的输出精度，有助于更精准得导航。本发明实用性强，适用面广。

附图说明

图1为本发明方法流程示意图。

图2为去噪之前的MEMS陀螺的输出信号。

图3为利用本发明所得到的前6个IRC分量。

图4为利用本发明所得到的后5个IRC分量。

具体实施方式

以下结合具体实施案例，对本发明进行详细说明。

本发明提供了一种基于ITD和近似熵的MEMS陀螺信号预处理技术，方法示意图如图1所示。本发明的目的是通过以下步骤来实现的：

1、将MEMS陀螺放置于大理石上，连接计算机接口，进行预热和数据采集。

2、将原信号被分解为一段基线信号和IRC分量，即

X_t＝LX_t+(1-L)X_t＝L_t+H_t

其中L为基线提取因子，L_t＝LX_t为基线信号，H_t＝(1-L)X_t为IRC分量。

3、从信号X_t中提取出局部极值X_k(k＝1,2,…,M)和对应的时刻τ_k，M为极值点数。定义τ₀＝0，表示当τ_k中的k取值为0的时候对应的局部极值点的时间。

4、在连续两个局部极值点的时间间隔内[τ_k,τ_k+1]，定义基线提取算子

其中

α为控制提取IRC分量幅度的增益控制参数。

5、当第1个IRC分量被分离出来之后，把基线信号视为新的待分解信号，不断重复以上的过程，直到该信号成为单调函数之后，分解完成。信号X_t的分解过程为

其中

表示第k个IRC分量；

表示残余分量。

6、按照近似熵的定义，计算出每个IRC分量H_t的近似熵值为V_i(i＝1,2,…k,…,n)；

7、根据每个IRC分量的近似熵值V_i(i＝1,2,…k,…,n)计算出相邻熵值的变化量ΔV_i＝|V_i+1-V_i|,(i＝1,2,…,k,…,n-1)。

8、计算得到近似熵的变化量ΔV_i，找到ΔV_i的最大变化量，并确定最大变化量max(ΔV_i)所对应的IRC分量数值e；

9、选择IRC分量中的第e个及其之后的IRC分量

和余项

完成对信号的重构。

如此，可以完成基于ITD和近似熵的MEMS陀螺信号预处理技术，有效地降低MEMS陀螺得输出噪声，提高了其输出精度。

本发明的效果可以通过如下试验得到验证：

首先搭建静态试验环境，将MEMS陀螺固定安装于试验室大理石隔震台上，将其计算机相连，通过采数软件采集陀螺输出的数字信号，采样频率为100Hz，数据总长度为2.5h，以MEMS陀螺的输出信号为例来验证效果。

首先分析采集到的MEMS陀螺的原始信号，如图2所示。利用本发明所提的ITD和近似熵信号去噪方法对原始数据进行预处理，得到IRC分量如图3所示，得到去噪之后的信号如图4所示。为进一步分析本发明的去噪效果，利用RMSE来评估去噪的性能。分别计算原始信号与去噪之后信号的RMSE值，分别为：0.58°/h和0.061°/h，可以看出去噪之后的RMSE值明显小于去噪之前的RMSE值。因此，本发明提供的去噪方法可以有效降低MEMS陀螺的输出噪声，提高其测量精度。

Claims (4)

1.基于ITD和近似熵的MEMS陀螺信号预处理技术，其特征在于，包括以下步骤：

步骤一：将实验室内的MEMS陀螺放置于大理石上，连接计算机接口，进行预热和数据采集。

步骤二：将采集到的信号使用固有时间尺度分解(Intrinsic time-scaledecomposition，ITD)方法进行分解，得到一系列的固有旋转(IRC)分量；

步骤三：计算每一个IRC分量的近似熵，并计算相邻熵值的变化量；

步骤四：找到变化量的最大值，其两侧分别为有效信号分量和噪声信号分量，去除噪声信号分量，重构有效信号分量，得到去噪之后的最终信号。

2.根据权利要求1基于ITD和近似熵的MEMS陀螺信号预处理技术，其特征在于，步骤二所述的利用ITD把信号分解成一系列的IRC分量和一个趋势分量，具体方法为：

1)将原信号被分解为一段基线信号和IRC分量，即

X_t＝LX_t+(1-L)X_t＝L_t+H_t

其中L为基线提取因子，L_t＝LX_t为基线信号，H_t＝(1-L)X_t为IRC分量；

2)从信号X_t中提取出局部极值X_k(k＝1,2,...,M)和对应的时刻τ_k，M为极值点数；定义τ₀＝0，表示当τ_k中的k取值为0的时候对应的局部极值点的时间；

3)在连续两个局部极值点的时间间隔内[τ_k,τ_k+1]，定义基线提取算子

其中

α为控制提取IRC分量幅度的增益控制参数；

4)当第1个IRC分量被分离出来之后，把基线信号视为新的待分解信号，不断重复以上的过程，直到该信号成为单调函数之后，分解完成；信号X_t的分解过程为

其中

表示第k个IRC分量；

表示残余分量。

3.根据权利要求1基于ITD和近似熵的MEMS陀螺信号预处理技术，其特征在于，步骤三所述的分别计算每一个IRC分量的近似熵和相邻近似熵的变化量，具体方法为：

1)按照近似熵的定义，计算出每个IRC分量H_t的近似熵值为V_i(i＝1,2,…k,…,n)；

2)根据每个IRC分量的近似熵值V_i(i＝1,2,…k,…,n)计算出近似熵值的变化量：

ΔV_i＝|V_i+1-V_i|,(i＝1,2,…,k,…,n-1)。

4.根据权利要求1基于ITD和近似熵的MEMS陀螺信号预处理技术，其特征在于，步骤四所述的根据熵值变化量的最大值来区分有效信号分量和噪声信号分量，去除噪声信号分量，同时重构有效信号分量，得到最终的重构信号，具体方法为：

1)根据所计算得到近似熵的变化量ΔV_i，找到ΔV_i的最大变化量，并确定最大变化量max(ΔV_i)所对应的IRC分量数值e；

2)选择IRC分量中的第e个及其之后的IRC分量

和余项

完成对信号的重构：

。

Images