CN117490675B - 一种阵列式mems陀螺高精度抗干扰控制方法 - Google Patents

一种阵列式mems陀螺高精度抗干扰控制方法 Download PDF

Info

Publication number
CN117490675B
CN117490675B CN202410007285.5A CN202410007285A CN117490675B CN 117490675 B CN117490675 B CN 117490675B CN 202410007285 A CN202410007285 A CN 202410007285A CN 117490675 B CN117490675 B CN 117490675B
Authority
CN
China
Prior art keywords
model
measurement
state
array
gyroscope
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
Application number
CN202410007285.5A
Other languages
English (en)
Other versions
CN117490675A (zh
Inventor
申强
薛可
杨竣舒
吕文杰
叶芳
常洪龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202410007285.5A priority Critical patent/CN117490675B/zh
Publication of CN117490675A publication Critical patent/CN117490675A/zh
Application granted granted Critical
Publication of CN117490675B publication Critical patent/CN117490675B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C19/00—Gyroscopes; Turn-sensitive devices using vibrating masses; Turn-sensitive devices without moving masses; Measuring angular rate using gyroscopic effects
    • G01C19/56—Turn-sensitive devices using vibrating masses, e.g. vibratory angular rate sensors based on Coriolis forces
    • G01C19/5776—Signal processing not specific to any of the devices covered by groups G01C19/5607 - G01C19/5719
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C19/00—Gyroscopes; Turn-sensitive devices using vibrating masses; Turn-sensitive devices without moving masses; Measuring angular rate using gyroscopic effects
    • G01C19/005—Measuring angular rate using gyroscopic effects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Gyroscopes (AREA)

Abstract

本发明提出一种阵列式MEMS陀螺高精度抗干扰控制方法，属于微机电系统技术领域，该方法首先根据陀螺阵列在实际应用中所受干扰进行建模，同时在系统的状态和量测模型中加入未知环境干扰；随后对获得的陀螺阵列量测数据线性组合，在满足解耦条件的情况下进行扰动解耦，从而获得伪量测模型；根据获得的伪量测模型设计最小方差无偏估计器，获得了系统量测偏差估计值；接着设计了基于强化学习的自适应扩张状态观测器，从而获得状态估计值及未知扰动估计值；最后设计全局融合重构加权算法，通过对加权系数重构并对各个陀螺数据加权融合，获得全局一致融合数据，实现陀螺阵列在未知环境扰动下的扰动消除，增强MEMS陀螺阵列抗干扰能力。

Description

一种阵列式MEMS陀螺高精度抗干扰控制方法
技术领域
本发明涉及微机电系统技术领域，尤其是涉及一种阵列式MEMS陀螺高精度抗干扰控制方法。
背景技术
陀螺仪由于其体积小、重量轻、功耗低的优异特性，已被广泛应用于汽车、机器人和智能手机等许多领域。然而，当多种环境干扰同时作用于陀螺仪时，如温度、振动和冲击等，陀螺仪的内部机械部件以及外部接口电路部件都将受到影响，导致陀螺仪发生偏置漂移，并在一段时间内进一步随机变化，该变化会不可避免地恶化偏置精度。因此，提升MEMS陀螺在未知环境干扰下精度保持能力已成为该技术领域的重要研究内容。
阵列技术是常用提升MEMS陀螺仪对环境中未知干扰适应性的方法之一。该方法利用MEMS技术，将高漂移个体微陀螺仪在单个晶片上组合为陀螺阵列，再通过融合估计算法产生低漂移角速率输出。检索发现，专利1“MEMS传感器阵列式高精度输出控制方法”提出了一种适用于陀螺阵列的在线动态系统偏差估计算法；文献1“Unknown-input-drivenVariable-weight Distributed EM-based Filter to Improve Accuracy of MEMSSensors Array with Power Reduction of 6.5 times”将专利1与期望最大化滤波算法相结合，提出一种变权分布期望最大化滤波方法来识别陀螺阵列未知扰动下的偏差；文献2“Bias Accuracy Maintenance Under Unknown Disturbances by Multiple HomogeneousMEMS Gyroscopes Fusion”在文献1的基础上提出两级未知干扰解耦策略，对陀螺阵列进行状态、偏差、未知干扰的估计，实现了陀螺阵列一致最优状态估计。上述方法虽然将未知扰动与传统的过程噪声分离，作为一个单独输入项描述偏差特性，实现了MEMS陀螺阵列的扰动抑制。但是，若仅针对陀螺阵列量测偏差进行解耦估计，将会出现MEMS陀螺阵列估计值与实际状态有偏差的问题。因为外界干扰不仅会导致陀螺阵列产生量测误差，也会导致陀螺阵列搭载的载体实际状态出现偏差，而上述算法未考虑状态偏差对陀螺阵列量测输出造成的影响，难以消除由于传感器受到外界干扰后产生的状态偏差，使陀螺阵列在多干扰环境下状态扰动无法抑制，从而降低环境适应性。以搭载MEMS陀螺阵列的飞行器为例，此时陀螺阵列的状态方程代表飞行器的实际角速度，量测方程则代表陀螺阵列的输出结果。冲击、振动、以及其他外界干扰会导致飞行器实际角速度出现偏差，若忽略外界干扰导致的角速度变化，将造成估计值与真实值不符、陀螺阵列输出精度降低等问题。因此，传统陀螺阵列算法采用仅在量测方程中加入偏差的方法，已不能很好在陀螺阵列实际受干扰情况下应用，导致陀螺阵列在未知环境扰动下输出精度提升缓慢，甚至引入新的系统误差。
基于以上已有方案以及存在的问题，区别于以往外界干扰导致陀螺阵列的偏差仅出现在量测方程的传统方法，本发明提出了一种阵列式MEMS陀螺高精度抗干扰控制方法。
发明内容
本发明的目的是提供一种阵列式MEMS陀螺高精度抗干扰控制方法，该方法首次提出扰动下陀螺阵列状态、量测同时含有偏差的状态空间模型，采用自适应扩张状态观测器的方式，通过强化学习与观测器的结合，突破传统方法无法同时估计状态扰动和量测偏差的技术难题，极大地提升陀螺阵列的零偏稳定性，实现多未知干扰下陀螺阵列高精度输出。
为实现上述目的，本发明提供了一种阵列式MEMS陀螺高精度抗干扰控制方法，包括以下步骤：
S1、根据MEMS陀螺阵列在飞行过程中所受的未知环境干扰情况，输出MEMS陀螺信号，构建描述真实运动情况的离散时间系统状态模型，同时在状态和量测模型中加入未知干扰以描述MEMS陀螺的实际情况，得到状态和量测方程中均含有未知干扰的线性离散状态空间模型和经过扩维的系统偏差模型；线性离散状态空间模型包括：陀螺状态模型、陀螺量测模型和陀螺量测偏差模型；
S2、对多个MEMS陀螺信号进行线性组合，得到了与未知扰动无关的伪量测模型，满足解耦条件后，通过在步骤S1得到的扩维的系统偏差模型，解耦伪量测模型，得到与未知扰动无关的量测偏差模型；
S3、设计MEMS陀螺信号扩维后得到的MEMS陀螺阵列信号的最小方差无偏估计方法，从而获得量测偏差模型的实际误差与预测误差、及实际误差与预测误差的方差以及增益矩阵；
S4、首先根据步骤S3的量测模型的预测误差和量测模型的实际误差构造偏差校正后的系统，接着根据该系统表达式构造扩张状态观测器；加入基于强化学习的自适应模块对步骤S41构造的扩张状态观测器进行优化，使得扩张状态观测器能够结合已有估计信息进行最优参数选取；
S5、使用重构加权的方法对步骤S4陀螺阵列的系统状态估计量进行全局融合，采用加权重构融合的方法，首先获得基于拉格朗日函数的最优权重系数，设计针对陀螺的灰色关联度记忆融合算法，最后计算重构系数，从而完成陀螺阵列的全局融合，最终得到MEMS陀螺阵列的最终输出信号。
优选的，在步骤S1中，根据MEMS陀螺在实际应用过程中所受干扰情况，建立状态和量测方程中均含有未知干扰的线性离散状态空间模型：
陀螺状态模型
（1）
陀螺量测模型
（2）
陀螺量测偏差模型
（3）
上式中，、/>、/>为维数已知的矩阵，/>为陀螺的真实角速率，/>为已知的状态干扰输入，/>表示未知状态干扰在/>时刻的输入，/>代表状态在/>时刻的过程噪声，/>代表已知的量测模型输出转移矩阵，/>表示传感器未知的量测偏差对应的系数矩阵，/>表示第/>个陀螺仪在/>时刻的未知量测偏差，/>表示第/>个陀螺仪在时刻量测模型的过程噪声，/>表示已知的量测系统偏差转移矩阵，/>为已知的扰动矩阵，/>为第/>个陀螺仪在/>时刻未知量测干扰，/>表示第/>个陀螺仪的量测系统偏差模型的过程噪声；
将公式（3）扩维，得到系统偏差模型：
（4）
式（4）中，则为/>维的MEMS陀螺阵列在k时刻的未知量测干扰，，/>，，/>。
优选的，在步骤S2中，对N个陀螺的信息进行线性组合，构造陀螺偏差模型，采用减法实现偏差系统模型与状态的解耦：
（5）
其中，代表/>维的MEMS陀螺阵列在/>时刻的量测偏差输出，表示陀螺仪/>在/>时刻的输出，/>为第/>个MEMS陀螺的加权系数，/>，/>，N为MEMS陀螺数目，，并且/>取值区间为[0,1]；
将公式（5）采用线性组合的方式进行简化，得到伪量测模型：
（6）
其中，表示陀螺仪N在k+1时刻量测模型的过程噪声；
表示陀螺仪N在k+1时刻量测偏差对应的系数矩阵，/>，D k+1代表k+1时刻传感器未知的量测偏差对应的系数矩阵；
表示陀螺仪N在k+1时刻的未知量测干扰，/>；
为/>维的系数矩阵，/>，Im × m代表m×m维的单位矩阵；
为/>维的目标状态解耦后的传感器偏差系统模型噪声，；
扰动解耦条件（7）被满足时，
（7）
式中，为列满秩的已知扰动矩阵；
对量测方程中未知输入解耦，得到与未知扰动无关的量测偏差模型
（8）
其中，，/>，/>为/>的伪逆，/>，/>表示/>时刻与未知扰动无关的量测偏差模型对应的过程噪声。
优选的，在步骤S3中，由式（6）以及式（8）得到量测模型的预测误差：
（9）
其中，为未知的MEMS陀螺量测偏差估计值，/>为系统偏差的估计误差，为k时刻的系统偏差预测误差，/>表示/>时刻量测偏差模型的过程噪声；
量测模型的估计误差为：
（10）
其中，代表MEMS陀螺仪在/>时刻的量测偏差估计值，I代表单位矩阵，代表滤波增益矩阵；
根据公式（9）和（10），知系统偏差估计误差和系统偏差预测误差的方差以及增益矩阵：
（11）
（12）
（13）
式中，表示/>的估计方差，E表示求数学期望，/>表示/>的估计方差，/>表示/>的估计方差，/>，/>。
优选的，在步骤S4中，根据式（9）和式（10），获得进行偏差校正后的系统：
（14）
（15）
其中，为第i个陀螺仪在k时刻进行偏差校正后的量测值，/>为第i个陀螺仪在k时刻量测偏差的估计误差；
根据偏差校正后的状态空间表达式，构造扩张状态观测器：
（16）
其中，为非线性函数：
（17）
式中，为跟踪误差，/>为经过系统偏差校正之后获得的量测值，/>和/>为估计量，其中，/>为扩张状态观测器所获得的系统状态估计量，/>为系统状态空间模型中的未知扰动估计量，/>为线性段区间长度，大小根据实际情况确定，/>为非线性系数一般取/>，/>、为待设计参数，能够使状态收敛，其取值满足的收敛条件为：/>,/>，/>与带宽有关，在系统收敛的前提下根据干扰情况对于最优参数/>的取值进行调整。
优选的，在步骤S4中，通过基于q-learning的自适应取值方法，对最优参数取值：
当状态S从t变化至t+1时，设计反馈函数如下：
（18）
其中，，/>为陀螺i处于状态s在t时获得的状态估计值，/>为陀螺i处于状态s在t+1时获得的状态估计值，/>为陀螺i在j时刻的取值，且；
根据贝尔曼方程，通过式（17）中获得的反馈函数对Q表进行更新：
（19）
式中，为状态为/>、行动为/>时Q表对应的取值，/>为折扣因子；
不断对Q表进行迭代，直到所取数值满足要求，从而确定最优参数的取值。
优选的，在步骤S5中，使用重构加权的融合方法，通过加权系数重构，对陀螺阵列的全局估计：
首先构造拉格朗日函数，计算出最小方差下的最优权重系数：
（20）
式中，为真实角速度状态的局部估计方差，/>；
接着对式（20）中计算出的陀螺阵列最小方差下的最优权重系数进行重构：
（21）
式中，陀螺阵列重构后获得的权重系数，/>为权重系数的重构因子；
设陀螺的支持度函数为：
（22）
式中，为第i个陀螺第k个时刻的局部状态估计值，/>为第j个陀螺第k个时刻的局部状态估计值，/>为支持度系数；
式（23）通过基于灰色关联度的记忆融合算法，判断第i个陀螺多次采集数据的准确性：
（23）
式中，为陀螺i在l时刻的估计值，/>为陀螺阵列在l时刻的估计值均值，，/>为记忆尺度参数，根据要求进行调整，/>；
因此，式（21）中陀螺阵列的支持度函数写为：
（24）
式中，表示第j个陀螺多次采集数据的准确性；
根据支持度函数获得陀螺阵列中单个陀螺的可靠性系数：
（25）
（26）
其中，为第i个陀螺仪在l时刻的可靠性系数；
最终，计算出陀螺的重构因子：
（27）
MEMS陀螺阵列的最终输出信号为：
（28）。
因此，本发明采用上述一种阵列式MEMS陀螺高精度抗干扰控制方法，其技术效果如下：
（1）根据陀螺阵列实际工作情况，构建状态、量测中均含未知干扰的系统模型，能够更加准确描述多种未知干扰对陀螺阵列偏差的混合影响；
（2）设计基于强化学习的自适应扩张状态观测器，能够解决传统扩张状态观测器参数取值问题，并且能同时估计未知干扰和系统状态；
（3）设计了基于灰色关联度的记忆加权融合重构算法，对单个陀螺局部估计值进行融合，获取陀螺阵列全局一致数据，提升MEMS陀螺阵列在未知环境下的抗干扰能力。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1是一种阵列式MEMS陀螺高精度抗干扰控制方法的结构图
图2是实施例中一种阵列式MEMS陀螺高精度抗干扰控制方法流程图；
图3是仿真测试结果图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
实施例一
如图1和图2所示，本发明提供了一种阵列式MEMS陀螺高精度抗干扰控制方法，包括以下步骤：
步骤一：根据MEMS陀螺阵列在飞行过程中所受的未知环境干扰情况，输出MEMS陀螺信号，构建描述真实运动情况的离散时间系统状态模型，同时在状态和量测模型中加入未知干扰以更加准确描述MEMS陀螺的实际情况，得到状态和量测方程中均含有未知干扰的线性离散状态空间模型和经过扩维的系统偏差模型；
其中，线性离散状态空间模型包括：陀螺状态模型、陀螺量测模型和陀螺量测偏差模型；
根据MEMS陀螺在实际应用过程中所受干扰情况，建立状态和量测方程中均含有未知干扰的线性离散状态空间模型：
陀螺状态模型
（1）
陀螺量测模型
（2）
陀螺量测偏差模型
（3）
上式中，、/>、/>、/>、/>为维数已知的矩阵，/>为陀螺的真实角速率，，/>为已知的状态干扰输入，/>表示未知状态干扰在k时刻的输入，/>表示第i个陀螺仪在k时刻的输出，/>代表已知的量测模型输出转移矩阵，/>表示传感器未知的量测偏差对应的系数矩阵，/>表示第i个陀螺仪在k时刻的未知量测偏差，表示第i个陀螺仪在k时刻量测模型的过程噪声，/>表示已知的量测系统偏差转移矩阵，，/>为抑制的扰动矩阵，/>为第i个陀螺仪在k时刻未知量测干扰式中H、A、Γ均为已知的状态转移矩阵，/>表示第i个陀螺仪的量测系统偏差模型的过程噪声，/>、/>和分别代表状态、量测、量测偏差中在k时刻的过程噪声，服从零均值高斯分布，过程噪声的协方差矩阵为/>和/>；N为MEMS陀螺数目。
将公式（3）扩维，得到系统偏差模型：
（4）
式（4）中，为/>维的MEMS陀螺阵列在k+1时刻的未知量测干扰，/>则为维的MEMS陀螺阵列在k时刻的未知量测干扰，/>，，/>，/>。
步骤二：对多个MEMS陀螺信号进行线性组合，得到了与未知扰动无关的伪量测模型，满足解耦条件后，通过在步骤S1得到的扩维的系统偏差模型，解耦伪量测模型，得到与未知扰动无关的量测偏差模型
对N个陀螺的信息进行线性组合，构造陀螺偏差模型，采用减法实现偏差系统模型与状态的解耦：
（5）
其中，代表/>维的MEMS陀螺阵列在k+1时刻的量测偏差输出，表示陀螺仪i在k+1时刻的输出，/>为第i个MEMS陀螺的加权系数，/>，/>，N为MEMS陀螺数目，，并且/>取值区间为[0,1]；
将公式（5）采用线性组合的方式进行简化，得到伪量测模型：
（6）
其中，表示陀螺仪N在k+1时刻量测模型的过程噪声；
表示陀螺仪N在k+1时刻量测偏差对应的系数矩阵，/>，/>代表k+1时刻传感器未知的量测偏差对应的系数矩阵；
表示陀螺仪N在k+1时刻的未知量测干扰，/>；
为/>维的系数矩阵，/>，代表/>维的单位矩阵；
为/>维的目标状态解耦后的传感器偏差系统模型噪声，；
当扰动解耦条件（7）被满足时，
（7）
式中，为列满秩的已知扰动矩阵；
实现对量测方程中未知输入解耦，得到与未知扰动无关的量测偏差模型
（8）
其中，，/>，/>为/>的伪逆，/>，/>表示k时刻与未知扰动无关的量测偏差模型对应的过程噪声。
步骤三：设计MEMS陀螺信号扩维后得到的MEMS陀螺阵列信号的最小方差无偏估计方法，从而获得量测偏差模型的实际误差与预测误差、及实际误差与预测误差的方差以及增益矩阵。
由式（6）以及式（8）得到量测模型的预测误差：
（9）
其中，为未知的MEMS陀螺量测偏差估计值，/>为未知的MEMS陀螺量测偏差的真实值，/>为量测模型的估计误差，/>为k时刻的系统偏差预测误差，/>表示k时刻量测偏差模型的过程噪声；
与公式（9）类似地，量测模型的实际误差为：
（10）
其中，代表MEMS陀螺仪在k+1时刻的量测偏差估计值，I代表单位矩阵，/>代表滤波增益矩阵；
根据公式（9）和（10），知实际误差和预测误差的方差以及增益矩阵：
（11）
（12）
（13）
式中，表示/>的估计方差，E表示求数学期望，/>表示/>的估计方差，/>表示/>的估计方差，/>，/>。
步骤四：根据步骤S1、S3已知的线性离散状态空间模型和量测模型的实际误差构造偏差校正后的系统，偏差校正后的系统中描述的具有双重未知干扰的线性离散系统状态，对已知信息较少的系统进行状态重构、估计；
已知信息包括步骤S1的线性离散状态空间模型、步骤S2中的量测偏差模型、步骤S3中的系统量测偏差的估计值；
步骤四：根据步骤S1、S3已知的线性离散状态空间模型和量测模型的实际误差构造偏差校正后的系统，偏差校正后的系统中描述的具有双重未知干扰的线性离散系统状态，对已知信息较少的系统进行状态重构、估计；
已知信息包括步骤S1的线性离散状态空间模型、步骤S2中的量测偏差模型、步骤S3中的系统量测偏差的估计值；
首先根据步骤S1、S3已知的线性离散状态空间模型和量测模型的实际误差构造偏差校正后的系统，接着根据该系统表达式构造扩张状态观测器
根据式（9）和式（10），获得进行偏差校正后的系统：
（14）
（15）
其中，为第i个陀螺仪在k时刻进行偏差校正后的量测值，/>为第i个陀螺仪在k时刻量测偏差的估计误差；
根据偏差校正后的状态空间表达式，构造扩张状态观测器：
（16）
其中，为非线性函数：
（17）
式中，为跟踪误差，/>为经过系统偏差校正之后获得的量测值，/>和/>为估计量，其中，/>为扩张状态观测器所获得的系统状态估计量，/>为系统状态空间模型中的未知扰动估计量，/>为线性段区间长度，大小根据实际情况确定，/>为非线性系数一般取/>，、/>为待设计参数，能够使状态收敛，其取值满足的收敛条件为：/>,/>，/>与带宽有关，在系统收敛的前提下根据干扰情况对于最优参数/>的取值进行调整。
在原有扩张状态观测器的基础上进行了优化，加入基于强化学习的自适应模块，使得扩张状态观测器能够结合已有估计信息进行最优参数选取，解决扩张状态观测器中最终估计结果需要进行人工调参的问题
为了获得最优参数取值，设计了基于q-learning的自适应取值方法。首先，在满足系统收敛条件的前提下取/>的值。之后通过更改/>取值，找到满足条件的/>。对于的取值有且仅有三种动作（action）：数值增加、数值减小、数值不变，故状态（state）与动作相同，可获得一个以状态作为行，行动作为列的3×3的Q表。为了防止Q表中数值无法更新，采用ε−greedy方法，令观测到状态s时，采取动作以/>的概率在Q表里面选择q值最大所对应的动作，以/>的概率随机选择动作，其中/>为学习率。
通过上述规则，可自适应求取取值。当状态S从t变化至t+1时，设计反馈函数如下：
(18）
其中，，/>为陀螺i处于状态s在t时获得的状态估计值，/>为陀螺i处于状态s在t+1时获得的状态估计值，/>为陀螺i在j时刻的取值，且；
根据贝尔曼方程，通过式（17）中获得的反馈函数对Q表进行更新：
（19）
式中，为状态为/>、行动为/>时Q表对应的取值，/>为折扣因子；
不断对Q表进行迭代，直到所取数值满足要求，从而确定最优参数的取值。
步骤五：使用重构加权的方法对步骤S4陀螺阵列的系统状态估计量进行全局融合，采用加权重构融合的方法，首先获得基于拉格朗日函数的最优权重系数，设计针对陀螺的灰色关联度记忆融合算法，最后计算重构系数，从而完成陀螺阵列的全局融合，最终得到MEMS陀螺阵列的最终输出信号
使用重构加权的融合方法，通过加权系数重构，对陀螺阵列的全局估计：
首先构造拉格朗日函数，计算出最小方差下的最优权重系数：
（20）
式中，为真实角速度状态的局部估计方差，/>；
接着对式（20）中计算出的陀螺阵列最小方差下的最优权重系数进行重构：
（21）
式中，陀螺阵列重构后获得的权重系数，/>为权重系数的重构因子；
设陀螺的支持度函数为：
（22）
式中，为第i个陀螺第k个时刻的局部状态估计值，/>为第j个陀螺第k个时刻的局部状态估计值，/>为支持度系数；
式（23）通过基于灰色关联度的记忆融合算法，判断第i个陀螺多次采集数据的准确性：
（23）
式中，为陀螺i在l时刻的估计值，/>为陀螺阵列在l时刻的估计值均值，，/>为记忆尺度参数，根据要求进行调整，/>；
因此，式（21）中陀螺阵列的支持度函数写为：
（24）
式中，表示第j个陀螺多次采集数据的准确性；
根据支持度函数获得陀螺阵列中单个陀螺的可靠性系数：
（25）
（26）
其中，为第i个陀螺仪在l时刻的可靠性系数；
最终，计算出陀螺的重构因子：
（27）
MEMS陀螺阵列的最终输出信号为：
（28）。
该最终输出为去除外界干扰后的陀螺阵列高精度实际状态估计值。
为了评价本发明所提出的一种双重干扰下的MEMS阵列式陀螺自适应抗干扰控制方法的效果，将所提方法与PF、IMA、KF、BP滤波去噪方法进行仿真测试比较，如图3所示，结果显示所提方法可以显著对抑制MEMS陀螺的扰动，同时获得未知干扰的估计值。
由上述可知，通过构建状态和量测模型中同时存在未知干扰的双重未知干扰模型，更加准确描述实际情况；在满足解耦条件的前提下，对MEMS陀螺量测信号进行线性组合，获得伪量测模型；接着通过最小方差无偏估计获得量测模型中的偏差估计值；利用强化学习获得自适应扩张状态观测器，从而估计状态模型中的状态量及未知扰动；最后通过拉格朗日方程获得最优权重系数，利用基于灰色关联度的记忆融合算法对MEMS陀螺估计值进行重构加权融合，提升了MEMS陀螺阵列在冲击和干扰情况下对于未知环境干扰的抑制，提高了陀螺阵列抗干扰能力。
因此，本发明采用上述一种阵列式MEMS陀螺高精度抗干扰控制方法，该方法首次提出扰动下陀螺阵列状态、量测同时含有偏差的状态空间模型，采用自适应扩张状态观测器的方式，通过强化学习与观测器的结合，突破传统方法无法同时估计状态扰动和量测偏差的技术难题，极大地提升陀螺阵列的零偏稳定性，实现多未知干扰下陀螺阵列高精度输出。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims (7)

1.一种阵列式MEMS陀螺高精度抗干扰控制方法，其特征在于，包括以下步骤：
S1、根据MEMS陀螺阵列在飞行过程中所受的未知环境干扰情况，输出MEMS陀螺信号，构建描述真实运动情况的离散时间系统状态模型，同时在状态和量测模型中加入未知干扰以描述MEMS陀螺的实际情况，得到状态和量测方程中均含有未知干扰的线性离散状态空间模型和经过扩维的系统偏差模型；线性离散状态空间模型包括：陀螺状态模型、陀螺量测模型和陀螺量测偏差模型；
S2、对多个MEMS陀螺信号进行线性组合，得到了与未知扰动无关的伪量测模型，满足解耦条件后，通过在步骤S1得到的扩维的系统偏差模型，解耦伪量测模型，得到与未知扰动无关的量测偏差模型；
S3、设计MEMS陀螺信号扩维后得到的MEMS陀螺阵列信号的最小方差无偏估计方法，从而获得量测偏差模型的实际误差与预测误差、及实际误差与预测误差的方差以及增益矩阵；
S4、首先根据步骤S3的量测偏差模型的预测误差和量测偏差模型的实际误差构造偏差校正后的系统，接着根据该系统表达式构造扩张状态观测器；加入基于强化学习的自适应模块对构造的扩张状态观测器进行优化，使得扩张状态观测器能够结合已有估计信息进行最优参数选取；
S5、使用重构加权的方法对步骤S4陀螺阵列的系统状态估计量进行全局融合，采用加权重构融合的方法，首先获得基于拉格朗日函数的最优权重系数，设计针对陀螺的灰色关联度记忆融合算法，最后计算重构系数，从而完成陀螺阵列的全局融合，最终得到MEMS陀螺阵列的最终输出信号。
2.根据权利要求1所述的一种阵列式MEMS陀螺高精度抗干扰控制方法，其特征在于，在步骤S1中，根据MEMS陀螺在实际应用过程中所受干扰情况，建立状态和量测方程中均含有未知干扰的线性离散状态空间模型：
陀螺状态模型
（1）
陀螺量测模型
（2）
陀螺量测偏差模型
（3）
上式中，、/>、/>为维数已知的矩阵，/>为陀螺的真实角速率，/>为已知的状态干扰输入，/>表示未知状态干扰在k时刻的输入，/>代表状态在k时刻的过程噪声，H i,k 代表已知的量测模型输出转移矩阵，D i,k 表示传感器未知的量测偏差对应的系数矩阵，表示第i个陀螺仪在k时刻的未知量测偏差，/>表示第i个陀螺仪在k时刻量测模型的过程噪声，/>表示已知的量测系统偏差转移矩阵，/>为已知的扰动矩阵，/>为第i个陀螺仪在k时刻未知量测干扰，v i,k 表示第i个陀螺仪的量测系统偏差模型的过程噪声；
将公式（3）扩维，得到系统偏差模型：
（4）
式（4）中，则为/>维的MEMS陀螺阵列在k时刻的未知量测干扰，，/>，，/>，N为MEMS陀螺阵列个数，为/>中所表示的/>维度。
3.根据权利要求2所述的一种阵列式MEMS陀螺高精度抗干扰控制方法，其特征在于，在步骤S2中，对N个陀螺的信息进行线性组合，构造陀螺偏差模型，采用减法实现偏差系统模型与状态的解耦：
（5）
其中，代表/>维的MEMS陀螺阵列在k+1时刻的量测偏差输出，y N,k+1∈y i,k+1=[y 1,k+1,y 2,k+1,...y N-1,k+1]表示陀螺仪i在k+1时刻的输出，α i 为第i个MEMS陀螺的加权系数，α i ∈[α 1,α 1,...α N-1]，/>，N为MEMS陀螺数目，/>，并且α i 取值区间为[0,1]；
将公式（5）采用线性组合的方式进行简化，得到伪量测模型：
（6）
其中，η N,k+1 ∈η i,k+1 =[η 1,k+1, η 2,k+1 ,...η N,k+1 ]表示陀螺仪N在k+1时刻量测模型的过程噪声；
D N,k+1∈D i,k+1 =[D 1,k+1, D 2,k+1 ,...D N,k+1 ]表示陀螺仪N在k+1时刻量测偏差对应的系数矩阵，，D k+1代表k+1时刻传感器未知的量测偏差对应的系数矩阵；
b N,k+1 ∈b i,k+1 =[b 1,k+1, b 2,k+1 ,...b N,k+1 ]表示陀螺仪N在k+1时刻的未知量测干扰，；
为/>维的系数矩阵，/>，代表m×m维的单位矩阵；
为/>维的目标状态解耦后的传感器偏差系统模型噪声，；
扰动解耦条件（7）被满足时，
（7）
式中，为列满秩的已知扰动矩阵；
对量测方程中未知输入解耦，得到与未知扰动无关的量测偏差模型
（8）
其中，，/>，/>为/>的伪逆，/>，/>表示k时刻与未知扰动无关的量测偏差模型对应的过程噪声。
4.根据权利要求3所述的一种阵列式MEMS陀螺高精度抗干扰控制方法，其特征在于，在步骤S3中，由式（6）以及式（8）得到量测模型的预测误差：
（9）
其中，为未知的MEMS陀螺量测偏差估计值，/>为系统偏差的估计误差，/>为k时刻的系统偏差预测误差，v k 表示k时刻量测偏差模型的过程噪声；
量测模型的估计误差为：
（10）
其中，代表MEMS陀螺仪在k+1时刻的量测偏差估计值，I代表单位矩阵，/>代表滤波增益矩阵；
根据公式（9）和（10），知系统偏差估计误差和系统偏差预测误差的方差以及增益矩阵：
（11）
（12）
（13）
式中，表示/>的估计方差，E表示求数学期望，/>表示/>的估计方差，表示/>的估计方差，/>，/>。
5.根据权利要求4所述的一种阵列式MEMS陀螺高精度抗干扰控制方法，其特征在于，在步骤S4中，根据式（9）和式（10），获得进行偏差校正后的系统：
（14）
（15）
其中，为第i个陀螺仪在k时刻进行偏差校正后的量测值，/>为第i个陀螺仪在k时刻量测偏差的估计误差；
根据偏差校正后的状态空间表达式，构造扩张状态观测器：
（16）
其中，为非线性函数：
（17）
式中，为跟踪误差，/>为经过系统偏差校正之后获得的量测值，/>和/>为估计量，其中，/>为扩张状态观测器所获得的系统状态估计量，/>为系统状态空间模型中的未知扰动估计量，/>为线性段区间长度，大小根据实际情况确定，/>为非线性系数取/>，/>、/>为待设计参数，能够使状态收敛，其取值满足的收敛条件为：/>,/>，/>与带宽有关，在系统收敛的前提下根据干扰情况对于最优参数/>的取值进行调整。
6.根据权利要求5所述的一种阵列式MEMS陀螺高精度抗干扰控制方法，其特征在于，在步骤S4中，通过基于q-learning的自适应取值方法，对最优参数取值：
当状态S从t变化至t+1时，设计反馈函数如下：
（18）
其中，，/>为陀螺i处于状态s在t时获得的状态估计值，/>为陀螺i处于状态s在t+1时获得的状态估计值，/>为陀螺i在j时刻的取值，且/>；
根据贝尔曼方程，通过式（17）中获得的反馈函数对Q表进行更新：
（19）
式中，为状态为/>、行动为/>时Q表对应的取值，/>为折扣因子；
不断对Q表进行迭代，直到所取数值满足要求，从而确定最优参数的取值。
7.根据权利要求6述的一种阵列式MEMS陀螺高精度抗干扰控制方法，其特征在于，在步骤S5中，使用重构加权的融合方法，通过加权系数重构，对陀螺阵列的全局估计：
首先构造拉格朗日函数，计算出最小方差下的最优权重系数：
（20）
式中，为真实角速度状态的局部估计方差，/>；
接着对式（20）中计算出的陀螺阵列最小方差下的最优权重系数进行重构：
（21）
式中，陀螺阵列重构后获得的权重系数，/>为权重系数的重构因子；
设陀螺的支持度函数为：
（22）
式中，为第i个陀螺第k个时刻的局部状态估计值，/>为第j个陀螺第k个时刻的局部状态估计值，/>为支持度系数；
式（23）通过基于灰色关联度的记忆融合算法，判断第i个陀螺多次采集数据的准确性：
（23）
式中，为陀螺i在l时刻的估计值，/>为陀螺阵列在l时刻的估计值均值，/>，为记忆尺度参数，根据要求进行调整，/>；
因此，式（21）中陀螺阵列的支持度函数写为：
（24）
式中，d j （）表示第j个陀螺多次采集数据的准确性；
根据支持度函数获得陀螺阵列中单个陀螺的可靠性系数：
（25）
（26）
其中，为第i个陀螺仪在l时刻的可靠性系数，/>为陀螺阵列中单个陀螺的可靠性系数；
最终，计算出陀螺的重构因子：
（27）
MEMS陀螺阵列的最终输出信号为：
（28）。
CN202410007285.5A 2024-01-03 2024-01-03 一种阵列式mems陀螺高精度抗干扰控制方法 Active CN117490675B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410007285.5A CN117490675B (zh) 2024-01-03 2024-01-03 一种阵列式mems陀螺高精度抗干扰控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410007285.5A CN117490675B (zh) 2024-01-03 2024-01-03 一种阵列式mems陀螺高精度抗干扰控制方法

Publications (2)

Publication Number Publication Date
CN117490675A CN117490675A (zh) 2024-02-02
CN117490675B true CN117490675B (zh) 2024-03-15

Family

ID=89676856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410007285.5A Active CN117490675B (zh) 2024-01-03 2024-01-03 一种阵列式mems陀螺高精度抗干扰控制方法

Country Status (1)

Country Link
CN (1) CN117490675B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103162678A (zh) * 2013-03-11 2013-06-19 哈尔滨工业大学 批量mems陀螺信息融合方法
CN112067844A (zh) * 2020-05-17 2020-12-11 西北工业大学 Mems传感器阵列式高精度输出控制方法
CN114358192A (zh) * 2022-01-06 2022-04-15 长安大学 一种多源异构滑坡数据监测融合方法
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
CN116644264A (zh) * 2023-05-26 2023-08-25 北京航空航天大学 一种非线性偏置-不变卡尔曼滤波方法
CN116880190A (zh) * 2023-07-17 2023-10-13 浙江工业大学 一种基于深度强化学习干扰估计器的高性能抗干扰方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8005635B2 (en) * 2007-08-14 2011-08-23 Ching-Fang Lin Self-calibrated azimuth and attitude accuracy enhancing method and system (SAAAEMS)

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103162678A (zh) * 2013-03-11 2013-06-19 哈尔滨工业大学 批量mems陀螺信息融合方法
CN112067844A (zh) * 2020-05-17 2020-12-11 西北工业大学 Mems传感器阵列式高精度输出控制方法
CN114358192A (zh) * 2022-01-06 2022-04-15 长安大学 一种多源异构滑坡数据监测融合方法
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
CN116644264A (zh) * 2023-05-26 2023-08-25 北京航空航天大学 一种非线性偏置-不变卡尔曼滤波方法
CN116880190A (zh) * 2023-07-17 2023-10-13 浙江工业大学 一种基于深度强化学习干扰估计器的高性能抗干扰方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Unknown-input-driven Variable-weight Distributed EM-based Filter to Improve Accuracy of MEMS Sensors Array with Power Reduction of 6.5 times;Dengfeng Yang et al;IECON 2020 The 46th Annual Conference of the IEEE Industrial Electronics Society;20201231;全文 *
基于支持度的限定记忆二次融合算法;张建业等;计算机应用研究;20120430;第29卷(第4期);全文 *

Also Published As

Publication number Publication date
CN117490675A (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN111272174B (zh) 一种组合导航方法和系统
CN107255795B (zh) 基于ekf/efir混合滤波的室内移动机器人定位方法和装置
CN111156987B (zh) 基于残差补偿多速率ckf的惯性/天文组合导航方法
FI101501B (fi) Laite ja menetelmä anturijärjestelmän kalibrointiin
CN109086250B (zh) 适用于带斜置光纤陀螺的mems惯组的数据融合方法
CN113175931B (zh) 基于约束卡尔曼滤波的集群组网协同导航方法及系统
CN112083457B (zh) 一种神经网络优化的imm卫星定位导航方法
CN117131747B (zh) 一种基于采样点卡尔曼滤波的状态估计方法及装置
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
CN117490675B (zh) 一种阵列式mems陀螺高精度抗干扰控制方法
CN110736459B (zh) 惯性量匹配对准的角形变测量误差评估方法
Bakalli et al. A computational multivariate-based technique for inertial sensor calibration
CN114460327A (zh) 提高mems传感器抗干扰能力的阵列式控制方法及系统
CN110940999A (zh) 一种基于误差模型下的自适应无迹卡尔曼滤波方法
CN116608859A (zh) 一种基于阈值处理的自适应无迹卡尔曼滤波的导航方法、存储介质和设备
CN116840777A (zh) 自适应平方根无迹卡尔曼滤波空间偏差配准方法和系统
CN115014321B (zh) 一种基于自适应鲁棒滤波的仿生偏振多源融合定向方法
CN116222541A (zh) 利用因子图的智能多源组合导航方法及装置
Radi et al. An automatic calibration approach for the stochastic parameters of inertial sensors
CN110716219A (zh) 一种提高定位解算精度的方法
CN114705223A (zh) 多移动智能体在目标跟踪中的惯导误差补偿方法及系统
CN114741659A (zh) 一种自适应模型在线重构建鲁棒滤波方法、设备及系统
Zehua et al. Indoor Integrated Navigation on PDR/Wi-Fi/barometer via Factor Graph with Local Attention
CN112596383A (zh) 一种提升低成本mems阵列式传感器环境鲁棒性的控制方法

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