CN111427262A - 极端环境下mems传感器未知扰动智能控制方法 - Google Patents
极端环境下mems传感器未知扰动智能控制方法 Download PDFInfo
- Publication number
- CN111427262A CN111427262A CN201911103777.XA CN201911103777A CN111427262A CN 111427262 A CN111427262 A CN 111427262A CN 201911103777 A CN201911103777 A CN 201911103777A CN 111427262 A CN111427262 A CN 111427262A
- Authority
- CN
- China
- Prior art keywords
- disturbance
- sensor
- mems sensor
- data
- output
- 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.)
- Granted
Links
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Micromachines (AREA)
Abstract
本发明涉及一种极端环境未知干扰作用下的MEMS传感器零位稳定输出的智能控制方法,属于微机电***领域。该方法以实现极端环境未知干扰作用下MEMS传感器的扰动智能抑制,该方法基于量测数据驱动控制的自适应期望最大值,它通过基于历史少量样本数据的斜率变化标准作为驱动模型判别环境扰动特征类型,构建输出样本数据的斜率与滤波器带宽函数自适应关系,通过对带宽内的量测数据建立完整数据的对数似然函数,并计算对似然函数的数学期望,然后分别在E步进行状态估计和M步进行参数识别,执行对数似然函数的数学期望最大化,通过对E步和M步进行交替迭代,达到收敛极限时,得到MEMS传感器输出最优估计值。
Description
技术领域
本发明涉及一种极端环境未知干扰作用下的MEMS传感器零位稳定输出的智能控制方法,属于微机电***领域。
背景技术
微机电***技术已经成功地实现了多种传感器的小型化和成本降低。这些传感器已广泛应用于许多领域,包括人工智能,物联网和工业4.0等。
外部极端环境因素,如大温差、压差、强辐射、高真空、微重力、大冲击等,广泛作用于MEMS传感器,导致传感器灵敏度及其线性度、零位偏差、重复性、零位漂移等参数显著恶化,极大降低了传感器精度。多种方法被用来提高环境干扰作用的MEMS传感器输出精度,主要包括MEMS传感器机械结构拓扑设计、力平衡闭环电路控制以及封装隔离技术等三种方法。
机械结构拓扑设计是一种常见的提升MEMS传感器抗扰动性能的方法,检索发现,文献“Design and fabrication ofthe high Q gyroscope with ring springstructure”中描述了一种采用环形拓扑结构的技术方案,这种结构特征没有可动的弹性梁结构,同时采用中心支撑的对称分布结构,上述结构具有优于其他形状如四质量、音叉等结构的温度共模抑制以及抗振动特性,然而,环形拓扑结构的电容变化量极小导致灵敏度极低,严重制约MEMS传感器精度提升空间;力平衡闭环电路控制方法是另一种常见的提升MEMS传感器抗扰动性能的方法,检索发现,文献“A single-mass self-resonatingclosed-loop capacitive MEMS accelerometer”中描述了一种采用闭环控制电路有效降低传感器结构的交叉灵敏度误差以及模态耦合误差,在一定程度上抑制了外部扰动引入的传感器零位漂移,然而,该方法需要严格控制闭环电路的相位关系,同时,额外的调制、解调单元增加了传感器***的复杂度;封装技术是一种间接提升MEMS 传感器环境扰动抑制能力的方法,检索发现,文献“Anovel packaging stress isolation structure for SOIbased MEMS gyroscopes”中提出了一种用于基于绝缘体上硅(SOI)的微机电*** (MEMS)陀螺仪的封装应力隔离结构,该技术通过在传感器和密封壳之间添加额外的缓冲组件(如:减震片、有机胶水)来隔离外部扰动,然而,该方法仅能实现有限振动、冲击扰动抑制,而对于温度、辐射等干扰很难有效隔离。基于以上已有方案以及存在的相应问题,本发明提出一种能够有效降低未知扰动作用下的MEMS传感器输出波动抑制控制方法,显著提升传感器抗干扰特性。
发明内容
本发明提出一种极端环境下MEMS传感器未知扰动智能控制方法,以实现极端环境未知干扰作用下MEMS传感器的扰动智能抑制,该方法基于量测数据驱动控制的自适应期望最大值,它通过基于历史少量样本数据的斜率变化标准作为驱动模型判别环境扰动特征类型,构建输出样本数据的斜率与滤波器带宽函数自适应关系,通过对带宽内的量测数据建立完整数据的对数似然函数,并计算对似然函数的数学期望,然后分别在E步进行状态估计和M步进行参数识别,执行对数似然函数的数学期望最大化,通过对E步和M步进行交替迭代,达到收敛极限时,得到MEMS传感器输出最优估计值。
参考图1,本发明提出的极端环境下MEMS传感器未知扰动智能控制方法,包括如下步骤:
步骤一:MEMS传感器包括机械部分1和电路部分2,具体的,MEMS传感器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Y作为量测信号进入数据处理模块3进行处理;
步骤二:由于传感器真实输入信号通常可以被认为与前一时间点的输入信号相关,因此采用一阶马尔科夫过程进行描述,分别构建传感器真实输入信号的动态和量测模型,从而建立MEMS传感器的状态空间模型,并通过待估参数的输出观测值的概率密度函数建立传感器的输出完整数据的对数似然函数。
步骤三:根据不同的扰动特性,其中,外部扰动持续时间短且剧烈的特性,内部扰动的缓慢扰动特性,从而建立对应的斜率变化关系,并构造由历史少量样本数据驱动的斜率变化与扰动抑制滤波器带宽的关系,其关系可表达如下:由于外部扰动持续时间短暂且剧烈,会导致采样过程中的数据波动幅度较大,则历史样本数据的斜率变化大,选择较小的滤波带宽;内部扰动缓慢且较为平缓,其采样过程中的数据波动幅度较小,则历史样本数据的斜率变化小,选择较大的滤波带宽。具体地,历史样本数据的斜率变化给定两个阈值,分别是Δk1、Δk2,Δk1<Δk2。其描述如下:当历史样本数据的斜率变化小于Δk1时,其数据波动缓慢,可认为***的内部扰动,其滤波带宽选择n1;当历史样本数据的斜率变化大于Δk2时,其数据波动较大,可认定***外部扰动,其滤波带宽选择n3;当历史样本数据的斜率变化介于是Δk1和Δk2之间时,其数据的滤波带宽可选择n2。n1、n2、n3满足:n1>n2>n3,且通常情况下,n1、 n2、n3均介于5-15的范围内,从而实现滤波器带宽的自适应选择,以便同时抑制这不同扰动。
步骤四:用KF估计传感器的最佳状态值,建立带宽内的对数似然函数的数学期望,此步骤一般称为E步。
步骤五:识别扰动参数以确保数学期望取得最大值,此步骤一般称为M步。
步骤六:当未达到收敛时,步骤五的运行结果将返回到步骤四,通过步骤四和步骤五交替迭代直至达到迭代收敛,得到MEMS传感器真实状态最优估计值和扰动参数辨识,实现未知扰动对MEMS传感器输出波动的有效抑制,提高MEMS传感器高精度输出,输出最优估计值
本发明的有益效果:采用一种基于量测数据驱动控制的自适应期望最大化方法,基于未知的外部和内部扰动的不同的数据斜率特性,通过构造由历史少量样本数据驱动的斜率变化标准以确定滤波器的带宽,实现滤波器带宽的自适应选择,实现状态估计与扰动辨识的同步迭代优化处理,显著提升极端环境未知扰动输入下MEMS传感器输出的状态估计与扰动参数辨识性能。
下面结合图和实施例对本发明进一步说明。
附图说明
图1是实施例中基于量测数据驱动控制的自适应期望最大化方法的流程图。
图中,1-机械部分,2-电路部分,3-数据处理模块。
图2是实施例中本发明方法与KF、LMS、EM滤波去噪方法进行仿真测试比较结果示意图;
图3是实施例中本发明方法与KF、LMS、SEM滤波去噪方法进行仿真测试比较结果示意图;
具体实施方案
本实施例中,极端环境下MEMS传感器未知扰动智能控制方法,是用于对一个MEMS谐振加速度计进行未知扰动智能控制,该实施例中的步骤如下:
步骤一:MEMS谐振加速度计驱动模态的检测信号Ds进入驱动电路模块,经过C/V转换、移相器、自动增益控制、加法器等模块后,生成驱动激励电压,施加到驱动激励电极,产生驱动信号Dr,控制驱动模态稳幅振动;然后检测电路经过C/V转换、移相器等模块,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
Yk=sk+uex,k+uin,k+wk (1)
其中sk是MEMS谐振加速度计传感器的真实等效输入,uex,k表示在时间点tk由外部未知干扰引起的等效输入,具有剧烈幅度和短持续时间的特性,uin,k表示由时间点tk处的内部未知干扰引起的等效输入,wk表示零均值白高斯噪声。
步骤二:对加速度计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sk+1可以被认为与前一时间点tk的输入信号sk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***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(1),传感器的真实输入信号的动态和量测模型可以用公式(2)和(3)表示
xk=Φkxk+vk (2)
zk+1=Ηk+1xk+1+Γuex,k+1+Ψk+1uin,k+1+wk+1 (3)
其中xk=sk表示传感器的状态,zk+1表示量测值,uex,k+1和uin,k+1分别是未知的外部和内部扰动,系数标量Φk=-1/τs,τs是基于一阶马尔可夫过程的过程时间常数,Ηk+1、Γk+1、Ψk+1都是一维恒等矩阵,vk表示过程高斯白噪声,协方差矩阵Q=0.91,wk+1表示量测高斯白噪声,协方差矩阵R=0.99,vk、wk+1可以通过基于Allan方差方法计算单个传感器的最终输出数据来获得,σ(τ)是狄拉克函数。
其中n是滤波器窗口的长度,p是传感器输出量测的概率密度函数且服从高斯分布。
步骤三:根据不同的扰动特征,构造基于历史样本数据驱动的斜率变化Δks的标准,Δk=maxks{z'i,z'j}-minks{z'i,z'j},ks{z'i,z'j}是基于历史样本量测数据拟合的曲线上任意两点之间的斜率值,zi'与z'j分别是对应于历史样本点zi和zj的新拟合样本点。滤波器的带宽模型用公式(5)表示,将历史样本数据的斜率变化给定两个阈值,分别是其描述如下:当历史样本数据的斜率变化小于时,其数据波动缓慢,可认为***的内部扰动,其滤波带宽选择15;当历史样本数据的斜率变化大于时,其数据波动较大,可认定***外部扰动,其滤波带宽选择5;当历史样本数据的斜率变化介于二者之间时,其数据的滤波带宽可选择10。从而实现滤波器带宽的自适应选择,以便同时抑制这不同扰动。
步骤四:用KF估计传感器的最佳状态值,带宽内的对数似然函数的数学期望可以用公式(6)表示
其中r代表迭代次数,此步骤一般称为E步。
步骤六:反复经过步骤四和步骤五,当连续两次迭代的增量小于极限误差δ或者迭代次数到达设定的上限rmax时,终止迭代,估计出传感器的等效加速度最佳输入和扰动参数的识别,这里,δ取0.01为平衡输出精度和算法运行速度。
为了评价本实施例中极端环境下MEMS谐振加速度计传感器未知扰动智能控制方法的效果,将所提方法与KF、LMS、EM等滤波去噪方法进行仿真测试比较,结果显示所提方法可以显著对未知扰动进行显著抑制。
由上述可知,通过对传感器的输出量测数据建立对数似然函数,构造由历史小样本数据驱动的斜率变化标准以实现滤波带宽的自适应选择,同时抑制内部与外部两种不同特征的扰动,接着建立条件数学期望以及执行期望最大化,建立了状态估计与参数辨识的闭环回路,获得扰动辨识、状态最佳估计值及其方差,提升了MEMS传感器输出精度。
Claims (2)
1.极端环境下MEMS传感器未知扰动智能控制方法,其特征在于,包括如下步骤:
步骤一:MEMS传感器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Y作为量测信号进入数据处理模块3进行处理;
步骤二:采用一阶马尔科夫过程分别构建传感器真实输入信号的动态和量测模型,从而建立MEMS传感器的状态空间模型,并通过待估参数的输出观测值的概率密度函数建立传感器的输出完整数据的对数似然函数;
步骤三:根据不同的扰动特性建立对应的斜率变化关系,并构造由历史样本数据驱动的斜率变化与扰动抑制滤波器带宽的关系,其关系表达如下:历史样本数据的斜率变化给定两个阈值,分别是Δk1、Δk2,Δk1<Δk2;当历史样本数据的斜率变化小于Δk1时,其滤波带宽选择n1;当历史样本数据的斜率变化大于Δk2时,其滤波带宽选择n3;当历史样本数据的斜率变化介于是Δk1和Δk2之间时,其数据的滤波带宽选择n2;n1、n2、n3满足:n1>n2>n3;
步骤四:用KF估计传感器的最佳状态值,建立带宽内的对数似然函数的数学期望;
步骤五:识别扰动参数以确保数学期望取得最大值;
2.如权利要求2所述的极端环境下MEMS传感器未知扰动智能控制方法,其特征在于,,所述步骤三中的n1、n2、n3均介于5-15的范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911103777.XA CN111427262B (zh) | 2019-11-13 | 2019-11-13 | 极端环境下mems传感器未知扰动智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911103777.XA CN111427262B (zh) | 2019-11-13 | 2019-11-13 | 极端环境下mems传感器未知扰动智能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111427262A true CN111427262A (zh) | 2020-07-17 |
CN111427262B CN111427262B (zh) | 2022-03-18 |
Family
ID=71545849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911103777.XA Active CN111427262B (zh) | 2019-11-13 | 2019-11-13 | 极端环境下mems传感器未知扰动智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111427262B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114001759A (zh) * | 2021-10-28 | 2022-02-01 | 西北工业大学 | 一种阵列式mems传感器控制方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107678282A (zh) * | 2017-11-05 | 2018-02-09 | 西北工业大学 | 考虑未知动力学和外部干扰的mems陀螺智能控制方法 |
CN108614419A (zh) * | 2018-03-28 | 2018-10-02 | 贵州大学 | 一种弧形微机电***的自适应神经网络控制方法 |
CN109613826A (zh) * | 2018-12-17 | 2019-04-12 | 重庆航天职业技术学院 | 一种分数阶拱形mems谐振器的反振荡自适应控制方法 |
CN110389528A (zh) * | 2019-07-18 | 2019-10-29 | 西北工业大学 | 基于扰动观测的数据驱动mems陀螺仪驱动控制方法 |
-
2019
- 2019-11-13 CN CN201911103777.XA patent/CN111427262B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107678282A (zh) * | 2017-11-05 | 2018-02-09 | 西北工业大学 | 考虑未知动力学和外部干扰的mems陀螺智能控制方法 |
CN108614419A (zh) * | 2018-03-28 | 2018-10-02 | 贵州大学 | 一种弧形微机电***的自适应神经网络控制方法 |
CN109613826A (zh) * | 2018-12-17 | 2019-04-12 | 重庆航天职业技术学院 | 一种分数阶拱形mems谐振器的反振荡自适应控制方法 |
CN110389528A (zh) * | 2019-07-18 | 2019-10-29 | 西北工业大学 | 基于扰动观测的数据驱动mems陀螺仪驱动控制方法 |
Non-Patent Citations (1)
Title |
---|
王伟 等: "三轴微机电***陀螺仪自适应干扰补偿方法", 《控制理论与应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114001759A (zh) * | 2021-10-28 | 2022-02-01 | 西北工业大学 | 一种阵列式mems传感器控制方法及*** |
CN114001759B (zh) * | 2021-10-28 | 2024-01-09 | 西北工业大学 | 一种阵列式mems传感器控制方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111427262B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107991060B (zh) | 基于自适应和迭代算法的载荷分布式光纤辨识方法 | |
CN111427262B (zh) | 极端环境下mems传感器未知扰动智能控制方法 | |
Narasimhappa et al. | Fiber-optic gyroscope signal denoising using an adaptive robust Kalman filter | |
TWI384198B (zh) | Angle measurement gyroscope system and angle estimation method | |
CN108413986B (zh) | 一种基于Sage-Husa卡尔曼滤波的陀螺仪滤波方法 | |
Young | Data-based mechanistic modeling of engineering systems | |
CN110389528B (zh) | 基于扰动观测的数据驱动mems陀螺仪驱动控制方法 | |
CN110705041B (zh) | 一种基于easi的线性结构工作模态参数识别方法 | |
CN105912013A (zh) | 一种组合体航天器姿态无模型自适应控制方法 | |
CN112257186B (zh) | 针对小型四旋翼飞行器气动参数的时域辨识方法 | |
CN112070170B (zh) | 一种动态残差阈值自适应四元数粒子滤波姿态解算数据融合方法 | |
CN112067844B (zh) | Mems传感器阵列式高精度输出控制方法 | |
CN112762962A (zh) | 基于温度滞后模型的微机电***加速度计零偏补偿方法 | |
CN113175926B (zh) | 一种基于运动状态监测的自适应水平姿态测量方法 | |
CN114623848A (zh) | 基于变分模态分解和flp的半球谐振陀螺随机误差补偿方法 | |
CN117131747B (zh) | 一种基于采样点卡尔曼滤波的状态估计方法及装置 | |
CN110672127B (zh) | 阵列式mems磁传感器实时标定方法 | |
CN112067032A (zh) | 一种提升mems传感器环境适应性的智能自校准控制方法 | |
CN110262242B (zh) | 一种微陀螺仪自适应分数阶滑模控制方法 | |
CN114001759B (zh) | 一种阵列式mems传感器控制方法及*** | |
CN116127285A (zh) | 一种改进的小波阈值去噪方法 | |
CN112489075B (zh) | 基于特征函数的序惯式多传感器融合滤波方法 | |
CN115809575A (zh) | 一种工况传递路径分析方法 | |
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 | |
Zheng et al. | Disturbance rejection in MEMS gyroscope: Problems and solutions |
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 |