CN112305473B

CN112305473B - 三轴tmr传感器的校准方法

Info

Publication number: CN112305473B
Application number: CN202011148923.3A
Authority: CN
Inventors: 于强; 高艺成; 王朝阳; 颜世佐; 高俊奇; 沈莹; 黎旦; 李利彬
Original assignee: Harbin Engineering University
Current assignee: Harbin Engineering University
Priority date: 2020-10-23
Filing date: 2020-10-23
Publication date: 2023-08-11
Anticipated expiration: 2040-10-23
Also published as: CN112305473A

Abstract

本发明公开了一种三轴TMR传感器的校准方法，所述方法包括：将三轴TMR传感器放置在水平平台上，并在该平台上测量得到TMR传感器的输出值；建立误差模型，并利用基于椭球拟合的BP神经网络拟合对所述误差模型进行校正，得到校正后的误差模型；利用校正后的误差模型对所述TMR传感器的输出值进行修正。利用本发明，可以改善三轴TMR传感器在复杂磁场环境下的测量精度。

Description

三轴TMR传感器的校准方法

技术领域

本发明涉及磁传感器技术领域，具体涉及一种三轴TMR传感器的校准方法。

背景技术

惯性/地磁的组合作为一种成本较低的导航方式，在无人机、无人船以及无人车等自动驾驶和操控领域中被广泛采用。其中的磁传感器是地磁导航核心元件，通过敏感地磁矢量方向来计算磁航向并以此来修正惯导带来的误差累计。由于地球磁场强度很弱，只有约0.5高斯，因此很容易受到外界磁场的干扰。譬如，在水下无人潜航器的惯性/地磁组合导航中，由于航行时的外部磁场环境复杂，严重地磁干扰会降低地磁导航的精度，进而降低组合导航***的精度。因此，在使用磁敏感器件时，必须在使用环境下进行磁校准，消除各种外界磁干扰的影响。

TMR(Tunnel Magneto Resistance，隧道磁电阻)元件是近年来开始工业应用的新型磁电阻效应传感器，其利用的是磁性多层膜材料的隧道磁电阻效应对磁场进行感应。由于TMR元件磁场灵敏度高，磁阻变化率大，线性度好，温度稳定性好，性能稳定，无层间耦合效应，无需额外的聚磁环结构和Set/Reset线圈结构，可以做成各种高灵敏、体积小、使用方便的磁传感器。因此TMR传感器将逐步应用到水下无人潜航器的惯性/地磁的组合导航***中。为了保证测量精度，通常需要对TMR传感器进行校准。

三轴TMR传感器设计为惠斯通电桥结构可以减小TMR传感器的零点漂移、抑制共模信号、降低电路噪声。对于三轴TMR传感器的校准，目前还没有相应的解决方案。

发明内容

本发明提供一种三轴TMR传感器的校准方法，以改善三轴TMR传感器在复杂磁场环境下的测量精度。

为此，本发明提供如下技术方案：

一种三轴TMR传感器的校准方法，所述方法包括：

将待校准的三轴TMR传感器放置在水平平台上，并在该平台上测量得到TMR传感器三个轴的输出值；

建立初始误差模型，并利用基于椭球拟合的BP神经网络拟合对所述初始误差模型进行修正，得到修正后的误差模型；

利用修正后的误差模型对所述三轴TMR传感器的输出值进行校正。

可选地，不考虑刻度系数误差和零偏误差时，所述初始误差模型为：

其中，X₀、Y₀、Z₀为不存在误差的三轴TMR传感器三个轴的测量值；X₁、Y₁、Z₁为待校准的三轴TMR传感器三个轴的测量值；α，β，γ分别为三个轴的垂直度误差角。

可选地，考虑刻度系数误差和零偏误差时，所述初始误差模型为：

其中，K为误差系数矩阵：

其中，X₀、Y₀、Z₀为不存在误差的三轴TMR传感器三个轴输出的标准值；k_x,k_y,k_z为待校准的三轴TMR传感器三个轴的刻度系数误差，x、y、z为零偏误差影响下待校准的三轴TMR传感器的测量值，X、Y、Z为在不正交角、刻度系数误差和零偏误差共同影响下待校准的三轴TMR传感器三个轴的测量值。

可选地，所述BP神经网络的输入节点个数为：其中，h为隐藏层的节点个数，m为输入层的节点个数，n为输出层的节点个数，a为1至10之间的常数。

可选地，所述BP神经网络的输入包括：输入节点为不正交误差的三分量，刻度系数误差的三分量，零偏误差的三分量；所述BP神经网络的输出：经BP神经网络校正后的TMR传感器三个轴的输出数据。

可选地，所述利用基于椭球拟合的BP神经网络拟合对所述误差模型进行修正，得到修正后的误差模型包括：

对所述初始误差模型进行椭球拟合修正；

利用所述BP神经网络对所述初始误差模型进行磁补偿修正，得到修正后的误差模型。

可选地，所述方法还包括：

将经过校准后的加速度传感器和所述三轴TMR传感器放置在同一检测环境中，获取两者的多组检测数据，并根据所述多组检测数据得到包含各待校准参数的函数式；

利用所述函数式计算得到所述三轴TMR传感器的测量结果。

可选地，所述根据所述多组检测数据得到包含各待校准参数的函数式包括：

依据检测得到的加速度信息和磁场信息的点乘为常量的原则，得到恒等式：

根据所述恒等式得到包含各待校准参数的函数式：

其中，u_i为所述TMR传感器的输出值的校正值；a为所述加速度传感器经过校准后测得的重力值；y为传感器输出向量；H为所述TMR传感器的复合误差矩阵；b_ias为所述TMR传感器的偏置；L＝H^-1,d＝H^-1·b_ias；

根据所述TMR传感器不同方向上输出的检测数据和加速度计输出的检测数据，由最小二乘法确定L和d，使得函数式F(H,b_ias)最小。

本发明提供的三轴TMR传感器的校准方法，通过建立误差模型，并利用基于椭球拟合的BP神经网络拟合对所述误差模型进行校正，进而利用校正后的误差模型对三轴TMR传感器的输出值进行修正，可以有效改善三轴TMR传感器在复杂磁场环境下的测量精度。

进一步地，利用已校准好的加速度计对三轴TMR传感器进行组合校准，不仅提高了三轴TMR传感器在复杂磁场环境下的测量精度，而且还可以避免惯性/地磁组合导航***中加速度传感器和磁传感器敏感轴不重合的问题。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1是本发明实施例三轴TMR传感器的校准方法的一种流程图；

图2是本发明实施例中将三轴TMR传感器放置在水平平台上进行测量的俯视图；

图3是本发明实施例中待测三轴TMR传感器的垂直度误差角示意图；

图4是本发明实施例三轴TMR传感器的校准方法的另一种流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明实施例的方案，下面结合附图和实施方式对本发明实施例作进一步的详细说明。

水下惯性/地磁组合导航***通常采用三轴加速度计获取载体加速度信息、通过三轴陀螺仪获得载体姿态信息、通过TMR传感器获得磁场强度信息，再通过数据融合处理算法，可以解算出载体所在位置、速度等导航参数。而三轴TMR传感器的应用，可以使测量的数据更丰富、准确。

由于三轴TMR传感器制造工艺等因素，三轴TMR传感器在实际测量中可能会存在一定的误差，为了保证测量精度，本发明实施例提供一种三轴TMR传感器的校准方法，以改善三轴TMR传感器在复杂磁场环境下的测量精度。

如图1所示，是本发明实施例三轴TMR传感器的校准方法的一种流程图，包括以下步骤：

步骤101，将待校准的三轴TMR传感器放置在水平平台上，并在该平台上测量得到TMR传感器三个轴的输出值。

三轴TMR传感器放置在水平平台上进行测量的俯视图如图2所示。

步骤102，建立初始误差模型，并利用基于椭球拟合的BP神经网络拟合对所述初始误差模型进行修正，得到修正后的误差模型。

具体地，可以建立不正交误差模型，作为初始误差模型，所述初始误差模型具体如下：

其中，X₀、Y₀、Z₀为不存在误差的三轴TMR传感器三个轴的测量值；X₁、Y₁、Z₁为在不正交角影响下的三轴TMR传感器三个轴的测量值，即上面所说的输出值；α，β，γ分别为三个轴的垂直度误差角。

需要说明的是，所述垂直度误差角α，β，γ是在标准坐标系的Z₀与三轴TMR传感器的敏感轴Z₁重合下进行表示的，在这种情况下，其余两个轴X₁、Y₁与标准坐标轴X₀、Y₀有夹角，如图3所示。

进一步地，考虑到误差类型还有刻度系数误差和零偏误差，可以将误差模型设计为：

其中，k_x,k_y,k_z为待校准的三轴TMR传感器三个轴的刻度系数误差，x、y、z零偏误差影响下待校准的三轴TMR传感器的测量值，X₂、Y₂、Z₂为在不正交角和刻度系数误差影响下待校准的三轴TMR传感器三个轴的测量值，X、Y、Z为在不正交角、刻度系数误差和零偏误差共同影响下待校准的三轴TMR传感器三个轴的测量值。

最终得到以下误差模型：

其中，k_x,k_y,k_z为分别为X，Y，Z轴的刻度系数误差。K为误差系数矩阵，具体为：

在利用基于椭球拟合的BP神经网络拟合对所述误差模型进行修正时，可以先对所述初始误差模型进行椭球拟合修正，然后再利用所述BP神经网络对所述初始误差模型进行磁补偿修正。

椭球拟合的校正的过程如下：

对于上述三轴TMR传感器的误差模型，也可以简化为B＝KB₀+b：

其中，B＝[X Y Z]^T，为存在误差情况下三轴TMR传感器的输出值；K为误差系数矩阵；b＝[x y z]，为三轴磁传感器的零偏。

将理论TMR传感器输出三维矢量和记为B_b，则上述误差模型可以表示为：

设最佳椭球拟合的矩阵方程：(X-X₀)^TA(X-X₀)＝1；

式中：为参数矩阵，/>为参数矩阵A的逆矩阵，最佳椭球球面拟合的中心点坐标为/>

由误差模型和最佳拟合椭球面的矩阵方程可知，

根据上两个式子可以得到k_x,k_y,k_z,α,β,γ的估值如下；

BP神经网络分为输入层、隐含层和输出层，各层之间采用整体互连方式，同一层各个单元之间不互相连接。这种网络结构中每一层神经元只接受前一层神经元的输入，后一层的神经元对前一层神经元没有信号反馈。输入模式依次通过每一层的顺序传输，最后在输出层上得到输出。将输出值与目标值对比，如果输出层无法得到目标值，则将目标值与输出值之间的差值进行方向传播，并逐层修改各层神经元的连接权值，将输出误差减小到允许的范围内。

在本发明实施例中，利用BP神经网络对所述初始误差模型进行磁补偿修正。在设定BP神经网络的结构后，要对网络进行训练及测试。所述BP神经网络的输入(即训练样本数据)为：待测三轴TMR传感器经过最小二乘法椭圆拟合校正的X轴数据、Y轴数据、Z轴数据；输出为：理论上无误差的数据。

所述BP神经网络的训练过程如下：

(1)对训练样本数据进行归一化处理：

由于不同评价指标往往具有不同的量纲和单位，这种情况会影响到数据分析的结果，所以需要先将输入输出数据进行归一化处理。

(2)确定输入节点个数、隐藏层节点个数、以及输出层节点个数，对各节点的权值进行初始化，初始化权值可随机设定为-1～1之间的数据。

根据经验公式可设计BP神经网络的输入节点个数为：

其中，h为隐藏层的节点个数，m为输入层的节点个数，n为输出层的节点个数，a为1至10之间的常数。

所述BP神经网络的输入包括：不正交误差的三分量，刻度系数误差的三分量，零偏误差的三分量；设计输入层的节点为3个，隐藏层的节点为12个；所述BP神经网络的输出层的节点为1个，表示为经BP神经网络校正后的TMR传感器三个轴的输出数据。

(3)对模型进行正向运算，即正向传递过程。

将第i个节点和第j个节点之间的权值表示为ω_ij，而节点j的阈值表示为b_j，每个节点的输出值是根据当前层所有节点的输出值、以及当前节点与上一层所有节点的权值和当前节点的阈值还有激活函数来决定的。

(4)反向传递过程。

在反向传递过程中，通过将输出层输出的数据与期望的输出数据进行比较，并将代价函数最小化进行调节。误差函数如下所示：

e_k(n)＝d_k(n)-y_k(n)

其中，y_k(n)表示神经元k的输出信号，d_k(n)表示期望响应或目标输出比较，e_k(n)表示误差信号，ξ_k(n)表示代价函数。

具体可以通过如下的公式进行反向学习，并修改隐藏层至输出层以及输入层至隐藏层的连接权值，具体如下所示：

v_ij(m+1)＝v_ij(m)+l*h_i(1-h_i)*(d_i-h_i)*o_i

其中，w_ij(m)为输入层至隐藏层的连接权值，v_ij(m)为隐藏层至输出层的连接权值，d_i表示期望响应，h_i表示输出层神经元的输入，o_i表示输出层神经元的输出，l为隐藏层的层数，x_j表示神经元j的输出信号。

(5)误差判断

在完成上述的正向运算和反向学习之后，判断误差是否符合要求或者是否训练次数己经达到的最大值，若满足了上述条件，则停止训练；否则，继续进行迭代训练，即重复上述步骤(4)、(5)。

在本发明实施例中，将理想情况下的三轴TMR传感器的输出作为校正的目标值，经BP神经网络校正之后三轴TMR传感器输出作为BP神经网络输出值。之后将BP神经网络输出值与目标值对比，如果输出层无法得到目标值，则将目标值与输出值之间的差值进行反向传播，并逐层修改各层神经元的连接权值，将输出误差减小到允许的范围内。而且本神经网络算法是在传统椭球拟合基础之上提出的，所以可以达到对TMR传感器误差快速修正的目的。

步骤103，利用修正后的误差模型对所述三轴TMR传感器的输出值进行校正。

本发明实施例提供的三轴TMR传感器的校准方法，通过建立误差模型，并利用基于椭球拟合的BP神经网络拟合对所述误差模型进行校正，进而利用校正后的误差模型对三轴TMR传感器的输出值进行修正，可以有效改善三轴TMR传感器在复杂磁场环境下的测量精度。

在惯性/地磁组合导航***中，通常会存在加速度传感器和磁传感器敏感轴不重合的问题，从而导致测量结果存在误差。为此，在本发明方法另一实施例中，还可以利用已整校好的加速度计对三轴TMR传感器进行组合校准。

如图4所示，是本发明实施例三轴TMR传感器的校准方法的另一种流程图，包括以下步骤：

步骤401，将待校准的三轴TMR传感器放置在水平平台上，并在该平台上测量得到TMR传感器三个轴的输出值。

步骤402，建立初始误差模型，并利用基于椭球拟合的BP神经网络拟合对所述初始误差模型进行修正，得到修正后的误差模型。

步骤403，利用修正后的误差模型对所述三轴TMR传感器的输出值进行校正。

步骤404，将经过校准后的加速度传感器和所述三轴TMR传感器放置在同一检测环境中，获取两者的多组检测数据，并根据所述多组检测数据得到包含各待校准参数的函数式。

具体地，依据检测得到的加速度信息和磁场信息的点乘为常量的原则，得到恒等式：

根据所述恒等式得到包含各待校准参数的函数式：

其中，u_i为所述TMR传感器的输出值的校正值；a为所述加速度传感器经过校准后测得的重力值；y为传感器输出向量；H为所述TMR传感器的复合误差矩阵；b_ias为所述TMR传感器的偏置；

步骤405，利用所述函数式计算得到所述三轴TMR传感器的测量结果。

本发明实施例提供的三轴TMR传感器的校准方法，通过建立误差模型，并利用基于椭球拟合的BP神经网络拟合对所述误差模型进行校正，进而利用校正后的误差模型对三轴TMR传感器的输出值进行修正，可以有效改善三轴TMR传感器在复杂磁场环境下的测量精度。进一步利用已校准好的加速度计对三轴TMR传感器进行组合校准，不仅提高了三轴TMR传感器在复杂磁场环境下的测量精度，而且还可以避免惯性/地磁组合导航***中加速度传感器和磁传感器敏感轴不重合的问题。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上对本发明实施例进行了详细介绍，本文中应用了具体实施方式对本发明进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及装置，其仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围，本说明书内容不应理解为对本发明的限制。因此，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种三轴TMR传感器的校准方法，其特征在于，所述方法包括：

建立初始误差模型，并利用基于椭球拟合的BP神经网络拟合对所述初始误差模型进行修正，得到修正后的误差模型；利用修正后的误差模型对所述三轴TMR传感器的输出值进行校正；

其中，误差模型设计为：

其中，k_x,k_y,k_z为待校准的三轴TMR传感器三个轴的刻度系数误差，x、y、z零偏误差影响下待校准的三轴TMR传感器的测量值，X₂、Y₂、Z₂为在不正交角和刻度系数误差影响下待校准的三轴TMR传感器三个轴的测量值，X、Y、Z为在不正交角、刻度系数误差和零偏误差共同影响下待校准的三轴TMR传感器三个轴的测量值；

最终得到以下误差模型：

其中，k_x,k_y,k_z为分别为X，Y，Z轴的刻度系数误差，K为误差系数矩阵，具体为：

在利用基于椭球拟合的BP神经网络拟合对所述误差模型进行修正时，先对所述初始误差模型进行椭球拟合修正，然后再利用所述BP神经网络对所述初始误差模型进行磁补偿修正；

椭球拟合的校正的过程如下：

对于上述三轴TMR传感器的误差模型，简化为B＝KB₀+b：

其中，B＝[X Y Z]^T，为存在误差情况下三轴TMR传感器的输出值；K为误差系数矩阵；b＝[x y z]，为三轴磁传感器的零偏；

设最佳椭球拟合的矩阵方程：(X-X₀)^TA(X-X₀)＝1；

由误差模型和最佳拟合椭球面的矩阵方程可知，

根据上两个式子可以得到k_x,k_y,k_z,α,β,γ的估值如下；

利用所述函数式计算得到所述三轴TMR传感器的测量结果；

其中，所述根据所述多组检测数据得到包含各待校准参数的函数式包括：

根据所述恒等式得到包含各待校准参数的函数式：

2.根据权利要求1所述的方法，其特征在于，所述BP神经网络的输入节点个数为：其中，h为隐藏层的节点个数，m为输入层的节点个数，n为输出层的节点个数，a为1至10之间的常数。

3.根据权利要求2所述的方法，其特征在于，所述BP神经网络的输入包括：输入节点为不正交误差的三分量，刻度系数误差的三分量，零偏误差的三分量；所述BP神经网络的输出：经BP神经网络校正后的TMR传感器三个轴的输出数据。