CN114754792A - 基于itd和近似熵的mems陀螺信号预处理技术 - Google Patents
基于itd和近似熵的mems陀螺信号预处理技术 Download PDFInfo
- Publication number
- CN114754792A CN114754792A CN202210264663.9A CN202210264663A CN114754792A CN 114754792 A CN114754792 A CN 114754792A CN 202210264663 A CN202210264663 A CN 202210264663A CN 114754792 A CN114754792 A CN 114754792A
- Authority
- CN
- China
- Prior art keywords
- signal
- irc
- component
- approximate entropy
- itd
- 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.)
- Pending
Links
Images
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
- G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Gyroscopes (AREA)
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
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
Xt=LXt+(1-L)Xt=Lt+Ht
其中L为基线提取因子,Lt=LXt为基线信号,Ht=(1-L)Xt为IRC分量。
2)从信号Xt中提取出局部极值Xk(k=1,2,…,M)和对应的时刻τk,M为极值点数。定义τ0=0,表示当τk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[τk,τk+1],定义基线提取算子
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Xt的分解过程为
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Ht的近似熵值为Vi(i=1,2,…k,…,n);
2)根据每个IRC分量的近似熵值Vi(i=1,2,…k,…,n)计算出相邻熵值的变化量ΔVi=|Vi+1-Vi|,(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ΔVi,找到ΔVi的最大变化量,并确定最大变化量max(ΔVi)所对应的IRC分量数值e;
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
Xt=LXt+(1-L)Xt=Lt+Ht
其中L为基线提取因子,Lt=LXt为基线信号,Ht=(1-L)Xt为IRC分量。
3、从信号Xt中提取出局部极值Xk(k=1,2,…,M)和对应的时刻τk,M为极值点数。定义τ0=0,表示当τk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[τk,τk+1],定义基线提取算子
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Xt的分解过程为
6、按照近似熵的定义,计算出每个IRC分量Ht的近似熵值为Vi(i=1,2,…k,…,n);
7、根据每个IRC分量的近似熵值Vi(i=1,2,…k,…,n)计算出相邻熵值的变化量ΔVi=|Vi+1-Vi|,(i=1,2,…,k,…,n-1)。
8、计算得到近似熵的变化量ΔVi,找到ΔVi的最大变化量,并确定最大变化量max(ΔVi)所对应的IRC分量数值e;
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
Xt=LXt+(1-L)Xt=Lt+Ht
其中L为基线提取因子,Lt=LXt为基线信号,Ht=(1-L)Xt为IRC分量;
2)从信号Xt中提取出局部极值Xk(k=1,2,...,M)和对应的时刻τk,M为极值点数;定义τ0=0,表示当τk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[τk,τk+1],定义基线提取算子
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Xt的分解过程为
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Ht的近似熵值为Vi(i=1,2,…k,…,n);
2)根据每个IRC分量的近似熵值Vi(i=1,2,…k,…,n)计算出近似熵值的变化量:
ΔVi=|Vi+1-Vi|,(i=1,2,…,k,…,n-1)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210264663.9A CN114754792A (zh) | 2022-03-17 | 2022-03-17 | 基于itd和近似熵的mems陀螺信号预处理技术 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210264663.9A CN114754792A (zh) | 2022-03-17 | 2022-03-17 | 基于itd和近似熵的mems陀螺信号预处理技术 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114754792A true CN114754792A (zh) | 2022-07-15 |
Family
ID=82327616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210264663.9A Pending CN114754792A (zh) | 2022-03-17 | 2022-03-17 | 基于itd和近似熵的mems陀螺信号预处理技术 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114754792A (zh) |
-
2022
- 2022-03-17 CN CN202210264663.9A patent/CN114754792A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334987B (zh) | 一种基于小波分解-神经网络的海浪波高预测方法 | |
CN110657935A (zh) | 一种地震波加速度积分处理方法及系统 | |
CN112560699A (zh) | 基于密度和压缩感知的齿轮振动信源欠定盲源分离方法 | |
CN111024214A (zh) | 一种实时获取声共振混合机运行过程中固有频率的方法 | |
CN116380462A (zh) | 一种多尺度均值变分模态分解的轴承振动信号降噪方法 | |
CN116295740A (zh) | 一种基于自适应变分模态分解的信号去噪重构方法 | |
CN112924175A (zh) | 一种基于奇异值分解的轴承故障信号降噪方法 | |
CN114754792A (zh) | 基于itd和近似熵的mems陀螺信号预处理技术 | |
CN107345834B (zh) | 基于共振加强奇异值分解的线性窄带滤波方法 | |
Hoshiya et al. | Simulation methods of multi-dimensional nonstationary stochastic processes by time domain models | |
CN114519373B (zh) | 一种采用红外长波焦平面探测器的干涉信号去噪方法 | |
CN103344988B (zh) | 基于k-l分解的可控震源信号相位检测方法 | |
CN115859055A (zh) | 一种飞机制造过程中多源异构大数据的特征提取方法 | |
Dutt et al. | Single channel blind source separation using dual extended Kalman filter | |
CN115097391A (zh) | 一种基于自动编码器的合成孔径雷达干扰抑制方法 | |
CN112116917B (zh) | 基于相位跃变度的电抗器本体与风机声信号分离方法 | |
CN111709279B (zh) | 一种利用svd-emd算法分离微地震噪声混合信号的算法 | |
Duan et al. | Noise reduction analysis of deformation data based on CEEMD-PE-SVD modeling | |
CN113407900B (zh) | Lorenz振子的快速求解方法 | |
Biswal et al. | Time frequency analysis and FPGA implementation of modified S-transform for de-noising | |
CN106878618B (zh) | 一种基于fpga的图像处理系统及方法 | |
CN114088077B (zh) | 一种改进的半球谐振陀螺信号去噪方法 | |
Liu et al. | A Method for Identifying Weak Faults of Rolling Bearings Around Railway Based on PCA&SVD-LMD | |
CN112505779A (zh) | 基于特征分解的采集脚印去除方法 | |
CN114034375B (zh) | 一种特高压输电线路噪声测量系统及方法 |
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 |