微机电系统(MEMS)陀螺仪随机误差是影响惯性导航精度的关键因素, 制约着惯性导航的发展。为改善MEMS陀螺仪性能, 提高Allan方差辨识精度, 通过改进Allan方差方法分析陀螺仪随机漂移误差, 在此基础上, 利用时间序列分析方法建立MEMS陀螺仪随机误差模型。结果表明, 该方法计算简便, 建模灵活, 能够显著提高Allan方差计算精度和数据利用率, 时间序列模型稳定性好, 适用性强。
MEMS陀螺仪 随机误差 改进Allan方差 时间序列建模 MEMS gyroscope random error improved Allan variance time series modeling
1 重庆邮电大学 自主导航与微系统重庆市重点实验室, 重庆 400065
2 中国电子科技集团公司第二十六研究所, 重庆 400060
针对微机电系统(MEMS)陀螺仪易受影响且随机误差较大, 导致建立模型不准确和测量精度低的问题, 该文提出了一种改进的自适应卡尔曼滤波方法。首先建立ARMA模型, 在传统卡尔曼算法中引入衰减系数以减小系统旧值的影响, 同时引入基于系统新息突变的预测误差矩阵清除系统的突变值。使用Allan方差对原始陀螺仪数据和滤波后的陀螺仪数据进行分析对比。结果表明, 实验所用陀螺仪的角度随机游走、零偏不稳定性和角速率随机游走至少小了1个数量级, 标准差明显减小, 这表明改进算法有效抑制了随机噪声, 提高了MEMS的性能。
MEMS陀螺仪 卡尔曼滤波 ARMA模型 衰减系数 Allan方差 新息突变约束 MEMS gyroscope Kalman filter ARMA model attenuation factor Allan variance new interest mutation constraint
1 重庆邮电大学 智能传感技术与微系统重庆市高校工程研究中心, 重庆 400065
2 贵州航天控制技术有限公司, 贵阳 550009
针对微电子机械系统(MEMS)陀螺温度变化影响其零偏误差的问题, 提出了一种基于粒子群优化(PSO)和径向基函数(RBF)神经网络的陀螺零偏补偿方法。通过RBF神经网络对预处理后的陀螺零偏的温度误差建立模型, 用PSO搜索RBF神经网络的最优参数来提高其泛化能力后, 将PSO-RBF神经网络最优参数用于补偿陀螺零偏。实验结果证明了该算法的有效性, 经PSO-RBF神经网络算法补偿后, MEMS陀螺零偏的最大误差从0.046(°)/s减小到0.0034(°)/s, 标准差从0.0427(°)/s减小到 0.0013(°)/s, 有效提升了陀螺的零偏稳定性。
粒子群优化 RBF神经网络 温度补偿 MEMS陀螺 particle swarm optimization RBF neural network temperature compensation MEMS gyroscope
1 中国电子科技集团公司第二十六研究所, 重庆400060
2 空装驻重庆地区军事代表室, 重庆 400060
温度对微机电系统(MEMS)陀螺零偏影响较大, 是影响其测量精度的主要因素之一。该文通过温度循环试验, 建立了陀螺零偏与温度间的关系。采用多元逐步回归法和温度分段插值法建立了陀螺零偏温度补偿模型。试验结果证明, 两种方法均能准确地反映陀螺零偏随温度变化的情况, 且温度分段插值法可以消除明显的趋势项。与多元逐步回归法相比, 补偿后全温零偏误差的峰-峰值由0.025 (°)/s减小到0.015 (°)/s, 全温零偏稳定性由32.9 (°)/h提高到14.2 (°)/h。
微机电系统(MEMS)陀螺 零偏 温度补偿 插值法 MEMS gyroscope bias temperature compensation interpolation method
1 四川轻化工大学, 四川 自贡 643000
2 人工智能四川省重点实验室, 四川 宜宾 644000
3 火箭军工程大学, 西安 710025
4 西安交通大学机械工程学院, 西安 710049
对陀螺仪随机误差的分析通常采用Allan方差法, 但用该方法分析随机误差时, 存在长相关时间下震荡较大的问题, 传统总方差法解决了这一缺陷, 但同时也带来了计算量大的问题。为了解决这一问题, 首先介绍了3种采样方案, 在分析Allan方差法和传统总方差法的基础上, 提出了改进的总方差法, 并对MEMS陀螺随机误差进行分析。分析结果表明, 非完全重叠总方差法相对于传统总方差法分析精度无明显变化, 但是运算时间却不超过传统总方差法的1/1000, 能够大幅度地提高数据处理效率。
MEMS陀螺 随机误差 Allan方差 改进的总方差法 运算时间 MEMS gyroscope random error Allan variance improved total variance computational time
1 中国人民解放军91550部队, 辽宁 大连 116023
2 海军工程大学, 武汉 430033
针对MEMS陀螺仪受随机误差影响较大需要进行滤波处理, 采用时间序列分析法建立的随机误差模型无法直接用于动态条件下滤波的问题, 提出了一种基于角速度估计的随机误差动态滤波方法。首先, 采用时间序列分析法对MEMS陀螺仪随机误差进行分析与模型构建; 然后, 将角速度估计假设模型建模为三维线性模型, 并与陀螺仪随机误差模型结合构建动态滤波模型; 最后, 采用强跟踪卡尔曼滤波方法直接估计出角速度值以实现对随机误差滤波, 并进行试验验证。结果表明: 无论是静态还是动态条件下, 该滤波方法估计的角速度值精度均较高, 可以有效降低MEMS陀螺仪的随机误差, 提升MEMS陀螺仪精度。
MEMS陀螺仪 随机误差 角速度估计模型 强跟踪卡尔曼滤波 MEMS gyroscope random error angular velocity estimation model strong tracking Kalman filtering
中国工程物理研究院 电子工程研究所, 四川 绵阳 621999
高过载条件下姿态测量是一个公认的难题, 其原因主要是角速度传感器难以经受高过载的冲击。基于微机电系统(MEMS)技术的陀螺作为解决高过载姿态测量问题的核心器件, 其抗高过载能力直接制约着惯性导航系统在高过载环境中的应用。首先, 介绍了弹药发射和侵彻两种典型高过载环境的特性, 概括了在高过载环境中MEMS陀螺的响应类型; 其次, 总结了高过载条件下MEMS陀螺的失效模式, 包括完全失效和功能性失效; 然后, 介绍了国内外在抗高过载MEMS陀螺方面的研究进展; 最后, 分别从器件设计和工程应用角度出发, 提出了MEMS陀螺抗高过载的设计方法和应用思路。
惯性传感器 高过载 姿态测量 微机电系统(MEMS)陀螺 失效模式 inertial sensor high overload attitude measurement MEMS gyroscope failure mode
火箭军工程大学 导航制导与仿真实验室, 陕西 西安 710025
针对微机电系统(MEMS)陀螺仪数据误差建模不精确或无法给出模型的情况,提出了误差反馈(BP)神经网络辅助卡尔曼滤波对陀螺仪数据进行降噪处理的方法。分析卡尔曼滤波器的系统噪声方差Q矩阵可知,当模型不精确时可通过Q补偿。基于BP神经网络优化Q值原理,首先把采集到的MEMS陀螺仪数据输入卡尔曼滤波器得到Q;再把新息、滤波增益、量测噪声方差输入神经网络,把Q作为神经网络的输出,神经网络优化系统噪声协方差矩阵得到Q*;最后将Q*作为卡尔曼滤波算法系统噪声方差矩阵。实验结果表明,在建模不精确的情况下该方法也能有效提高陀螺仪的精度。
微机电系统(MEMS)陀螺仪 数据处理 误差建模 卡尔曼滤波 BP神经网络 micro electro mechanical system(MEMS) gyroscope data processing error modeling Kalman filter BP neural network
1 中国电子科技集团公司第二十六研究所,重庆400060
2 空装驻重庆地区军事代表室,重庆400060
石英微机电陀螺是一种哥氏(Coriolis)振动陀螺,其敏感芯片采用音叉式结构,工作时音叉处于谐振状态。敏感芯片具有多阶模态,前9阶模态覆盖频率为3~21 kHz。敏感芯片的部分模态易受外部振动影响而导致敏感芯片产生共振,使陀螺产生零位偏移误差,陀螺的零位偏移误差可达0.5 (°)/s。该文分析了敏感芯片模态共振误差机理,提出通过结构错频设计避免外部环境特定频率对敏感芯片的影响,从而抑制了零位偏移误差,零位偏移误差减小到约0.03 (°)/s,提高了陀螺的振动环境适应性。
石英 微机电陀螺 频率干扰 模式 振动 quartz micro electro mechanical system(MEMS) gyroscope frequency interference modes vibration
1 中国航空工业集团公司洛阳电光设备研究所, 河南 洛阳 471000
2 光电控制技术重点实验室, 河南 洛阳 471023
3 天津大学精密测试技术及仪器国家重点实验室, 天津 300072
为了减小MEMS陀螺仪中存在的随机误差, 结合经验模态分解(EMD)和变分模态分解(VMD)提出了一种随机误差自适应补偿方法。首先通过EMD将信号分解为多个本征模态函数(IMF), 利用连续均方误差(RMSE)和概率密度函数相似性将所有的IMF划分为噪声主导IMF、噪声与信息混合IMF和信息主导IMF, 并对噪声与信息混合IMF利用软阈值区间法(SIT)进行初步降噪; 然后将有效模态个数作为VMD所需分解的带限本征模态函数(BLIMF)个数, 对初步去噪后的信号利用VMD进一步去噪, 将所得各BLIMF与原始信号的相关系数(CC)作为是否将模态视为噪声模态加以舍弃的依据。为了验证算法的有效性, 对分段匀速运动下的陀螺仪信号进行实验分析, 去噪后均方根误差为原始信号均方根误差的0.042 2,是EMD-SIT去噪算法的68.75%。
MEMS陀螺仪 随机误差 经验模态分解 变分模态分解 相关系数 MEMS gyroscope random error Empirical Mode Decomposition (EMD) Variational Mode Decomposition (VMD) Correlation Coefficient (CC)