CN112596383A - 一种提升低成本mems阵列式传感器环境鲁棒性的控制方法 - Google Patents
一种提升低成本mems阵列式传感器环境鲁棒性的控制方法 Download PDFInfo
- Publication number
- CN112596383A CN112596383A CN202011303296.6A CN202011303296A CN112596383A CN 112596383 A CN112596383 A CN 112596383A CN 202011303296 A CN202011303296 A CN 202011303296A CN 112596383 A CN112596383 A CN 112596383A
- Authority
- CN
- China
- Prior art keywords
- sensor
- estimation
- state estimation
- sensor node
- node
- 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
- 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
涉及一种提升低成本MEMS阵列式传感器环境鲁棒性的控制方法,属于微机电***领域。该方法首先利用多传感器阵列中各MEMS传感器节点的局部量测数据,通过EM算法中的E步进行局部状态估计;其次根据当前传感器节点与相邻节点的状态估计差值自适应调整权重系数,设计共识滤波算法,对当前节点与相邻节点的状态估计进行加权融合,用融合值对当前传感器节点的局部状态估计进行更新;最后在EM算法中的M步利用更新后的局部状态估计进行期望最大化计算,得出对未知扰动信息值的估计,利用量测数据减未知扰动估计,完成对未知扰动的抑制,有效提升MEMS传感器阵列在复杂环境下的鲁棒性。
Description
技术领域
本发明涉及一种提升低成本MEMS阵列式传感器环境鲁棒性的控制方法,属于微机电***领域。
背景技术
MEMS传感器因其重量轻、体积小、可批量化制造、成本低等诸多优点在工业电子、物联网和人工智能等领域具有广泛的应用前景。例如,MEMS陀螺因体积小、成本低的优点而广泛应用于手机、平板电脑、无人机与导弹的姿态角度测量。然而,MEMS传感器的低精度特征显著制约其应用范围。
传感器阵列技术是一种提高MEMS传感器精度的有效方法。检索发现,文献1“Minimum Variance Optimal Filter Design for a 3×3 MEMS Gyroscope ClusterConfiguration”构建MEMS陀螺阵列,建立阵列式线性***状态模型,设计卡尔曼滤波器,采用卡尔曼滤波器对多陀螺进行数据融合,其输出精度相比单陀螺有所提高;文献2“Improved virtual gyroscope technology based on“current”probability densitymodel”对文献1所提***状态模型做出改进,利用电流概率密度模型对噪声建模,将角加速度预测值近似为角加速度平均值,通过角加速度预测值模拟角加速度变化,对机动角加速度的均值和方差进行自适应调整,提高改进模型实际角速率变化拟合精度;文献3“Improved Virtual Gyroscope Technology Based on the ARMA Model”以文献1为基础,设计一种二阶卡尔曼滤波算法,其中一阶过程所用模型、算法与文献1相同,二阶过程使用ARMA模型对一阶输出进行拟合、对随机误差模型进行改进,针对改进模型设计融合卡尔曼滤波器,减小输出标准差。
上述方法能够有效降低MEMS传感器噪声,提升输出精度。然而,进一步分析可知,上述方法在建模过程中未考虑环境因素,当温度变化、振动冲击等环境因素作用上述阵列式传感器时,传感器精度将不可避免地降低,其环境鲁棒特性也随之恶化,很难满足复杂环境下的工程应用要求。因此,针对MEMS阵列式传感器存在的环境鲁棒性问题,本发明提出一种提升低成本MEMS阵列式传感器环境鲁棒性的控制方法,通过设计变权重分布的阵列式期望最大化算法,实现MEMS阵列式传感器强鲁棒特性。
发明内容
本发明提出一种提升低成本MEMS阵列式传感器环境鲁棒性的控制方法,以满足MEMS传感器在复杂环境下的高鲁棒性应用。该方法首先利用多传感器阵列中各MEMS传感器节点的局部量测数据,通过EM算法中的E步进行局部状态估计;其次根据当前传感器节点与相邻节点的状态估计差值自适应调整权重系数,设计共识滤波算法,对当前节点与相邻节点的状态估计进行加权融合,用融合值对当前传感器节点的局部状态估计进行更新;最后在EM算法中的M步利用更新后的局部状态估计进行期望最大化计算,得出对未知扰动信息值的估计,利用量测数据减未知扰动估计,完成对未知扰动的抑制。
本发明提出的一种提升低成本MEMS阵列式传感器环境鲁棒性的控制方法流程是:参考图1。其具体过程包括如下步骤:
步骤一:用离散时间***状态方程描述各传感器节点信号,构建描述目标真实运动情况的状态模型和带有未知扰动的各传感器节点量测模型,从而准确描述在外界干扰下各传感器节点的量测信息。
步骤二:根据各传感器节点的量测模型建立相应的完备对数似然函数(LLF),在EM算法的E步,设计卡尔曼平滑器,利用各传感器节点的量测数据和未知扰动参数估计值计算得到各传感器节点的局部状态估计,其中未知扰动参数估计值在M步通过期望最大化算法进行计算及更新迭代。
步骤三:第i(i=1…N)个传感器的局部状态估计信息仅与第(i-1)、(i+1)个传感器的状态估计进行差值比较,N为传感器阵列中的传感器个数。根据第i个传感器传感器节点与第(i-1)、(i+1)个传感器节点的状态估计的差值对权系数进行自适应选择,通过自适应权系数设计共识滤波器,对第i个传感器的状态估计进行更新,使各MEMS传感器节点的局部状态估计达到近似一致。
步骤四:利用各传感器节点更新后的局部状态估计,在EM算法中的M步通过对完备对数似然函数期望最大化,完成对未知扰动的估计,用各传感器的量测数据减未知扰动估计得到真实数据的最优估计。
本发明的有益效果:通过一种阵列式变权重分布期望最大化算法,利用多传感器组网,对当前节点和相邻节点进行状态估计与扰动辨识的同步迭代优化处理,利用共识迭代滤波快速更新传感器节点的局部估计,通过EM算法中的M步对未知扰动进行估计,抑制未知扰动对MEMS传感器阵列的影响,有效提升MEMS传感器阵列在复杂环境下的鲁棒性。
附图说明
图1是实施例中一种提升低成本MEMS阵列式传感器环境鲁棒性的控制方法的流程图,图2是仿真测试结果图。
具体实施方式
本实施例中一种提升低成本MEMS阵列式传感器环境鲁棒性的控制方法,是用于对MEMS陀螺阵列进行环境扰动抑制控制,该实施例中的传感器阵列由3个陀螺组成,该阵列处于无人机强风场的干扰环境中,其控制方法的步骤如下:
步骤一:对MEMS陀螺仪的量测建立未知扰动输入的连续时间状态空间模型:
其中和分别代表第i(i=1,2,…,N)个MEMS陀螺的状态向量和量测向量。和分别代表过程噪声和量测噪声,其均为零均值高斯白噪声,其方差分别满足和其中R=0.04(rad/s)2,Q=0.01(rad/s)2。代表状态转移矩阵,代表刻度因数,代表噪声矩阵,代表扰动系数矩阵,其皆为1×1已知矩阵。代表第i个MEMS陀螺仪所受未知扰动,其由内扰动和外扰动共同组成。内扰动常由机械结构的应力释放和检测电路元件的热漂移等因素引起。外扰动常由冲击和振动等因素引起。
步骤二:各MEMS陀螺仪的完备对数似然函数由公式(3)表示
其中滤波窗口长度v=5,p代表各MEMS陀螺仪输出量测的概率密度函数,并假设p服从高斯分布。联合状态估计和偏差辨识由以下两个迭代步骤组成
其中r代表迭代次数,代表完备对数似然函数的条件期望。MEMS陀螺仪节点的局部状态估计在E步由量测数据和未知扰动估计经r+1次卡尔曼平滑迭代而得。扰动参数的更新在M步通过对进行期望最大化而得。结合前向和后向滤波输出的滑窗表达式如下:
步骤三:权重系数的选择决定了共识滤波器的准确性和收敛性。选择较小的权系数来匹配较大的相邻节点间状态估计差值;选择较大的权系数来匹配较小的相邻节点间状态估计差值。其中,该滤波器的权重系数模型表示为:
设计共识滤波器,以使各传感器节点的状态估计信息一致。各MEMS传感器的局部估计信息仅与相邻节点交换,以更新局部信息。该方法表达式如下:
未知扰动辨识过程如下:
当相邻两次似然函数迭代之值之差小于阈值或达到迭代次数临界,E步和M步停止迭代。即:
其中0<δ≤1为迭代终止阈值,rmax为最大迭代次数临界。为使算法同时取得较高的输出精度和较快的运算速度,令δ=10-3,rmax=100。
为了评价本实施案例中一种提升低成本MEMS阵列式传感器环境鲁棒性的控制方法,将所提算法与ADEM算法进行仿真测试比较,图2结果显示本算法可显著抑制MEMS传感器的未知扰动,而ADEM算法的抑制效果有限。由结果可表明本算法可通过对MEMS传感器未知扰动的抑制进而提高MEMS传感器在复杂环境下的鲁棒性。
由上述可知,利用各传感器节点的局部测量数据,通过E步获得局部状态估计,根据上述局部传感器节点与相邻节点的状态估计差值自适应调整权重系数,迭代后自适应权系数快速更新传感器节点的局部估计,最后利用更新后的局部估计进行M步识别,获得扰动辨识、状态最佳估计值,从而抑制未知扰动,提高MEMS传感器在复杂环境下的鲁棒性。
Claims (1)
1.一种提升低成本MEMS阵列式传感器环境鲁棒性的控制方法,其特征子啊与,包括如下步骤:
步骤一:用离散时间***状态方程描述各传感器节点信号,构建描述目标真实运动情况的状态模型和带有未知扰动的各传感器节点量测模型,从而准确描述在外界干扰下各传感器节点的量测信息;
步骤二:根据各传感器节点的量测模型建立相应的完备对数似然函数(LLF),在EM算法的E步,设计卡尔曼平滑器,利用各传感器节点的量测数据和未知扰动参数估计值计算得到各传感器节点的局部状态估计,其中未知扰动参数估计值在M步通过期望最大化算法进行计算及更新迭代;
步骤三:第i(i=1…N)个传感器的局部状态估计信息仅与第(i-1)、(i+1)个传感器的状态估计进行差值比较,N为传感器阵列中的传感器个数;根据第i个传感器传感器节点与第(i-1)、(i+1)个传感器节点的状态估计的差值对权系数进行自适应选择,通过自适应权系数设计共识滤波器,对第i个传感器的状态估计进行更新,使各MEMS传感器节点的局部状态估计达到近似一致;
步骤四:利用各传感器节点更新后的局部状态估计,在EM算法中的M步通过对完备对数似然函数期望最大化,完成对未知扰动的估计,用各传感器的量测数据减未知扰动估计得到真实数据的最优估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011303296.6A CN112596383A (zh) | 2020-11-19 | 2020-11-19 | 一种提升低成本mems阵列式传感器环境鲁棒性的控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011303296.6A CN112596383A (zh) | 2020-11-19 | 2020-11-19 | 一种提升低成本mems阵列式传感器环境鲁棒性的控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112596383A true CN112596383A (zh) | 2021-04-02 |
Family
ID=75183357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011303296.6A Pending CN112596383A (zh) | 2020-11-19 | 2020-11-19 | 一种提升低成本mems阵列式传感器环境鲁棒性的控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112596383A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840517A (zh) * | 2019-03-08 | 2019-06-04 | 兰州交通大学 | 一种mems陀螺噪声估计和滤波方法 |
CN111427262A (zh) * | 2019-11-13 | 2020-07-17 | 西北工业大学 | 极端环境下mems传感器未知扰动智能控制方法 |
-
2020
- 2020-11-19 CN CN202011303296.6A patent/CN112596383A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840517A (zh) * | 2019-03-08 | 2019-06-04 | 兰州交通大学 | 一种mems陀螺噪声估计和滤波方法 |
CN111427262A (zh) * | 2019-11-13 | 2020-07-17 | 西北工业大学 | 极端环境下mems传感器未知扰动智能控制方法 |
Non-Patent Citations (1)
Title |
---|
DENGFENG YANG,等: "Unknown-input-driven Variable-weight Distributed EM-based Filter to Improve Accuracy of MEMS Sensors Array with Power Reduction of 6.5 times", 《IECON 2020 THE 46TH ANNUAL CONFERENCE OF THE IEEE INDUSTRIAL ELECTRONICS SOCIETY》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ullah et al. | Extended Kalman filter-based localization algorithm by edge computing in wireless sensor networks | |
CN109597864B (zh) | 椭球边界卡尔曼滤波的即时定位与地图构建方法及*** | |
Poddar et al. | PSO aided adaptive complementary filter for attitude estimation | |
CN111781826B (zh) | 基于迭代算法的异构多智能体输出反馈跟踪控制方法 | |
CN111983927A (zh) | 一种新型的最大协熵椭球集员滤波方法 | |
CN109520503A (zh) | 一种平方根容积模糊自适应卡尔曼滤波slam方法 | |
CN114397899A (zh) | 一种仿生机器鱼三维路径跟踪控制方法及装置 | |
CN110595434B (zh) | 基于mems传感器的四元数融合姿态估计方法 | |
CN111798494A (zh) | 广义相关熵准则下的机动目标鲁棒跟踪方法 | |
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 | |
CN113175926B (zh) | 一种基于运动状态监测的自适应水平姿态测量方法 | |
Chen et al. | An optimal selection of sensors in multi-sensor fusion navigation with factor graph | |
CN113377006B (zh) | 一种基于不变流形观测器的全局快速终端滑模控制方法 | |
CN117369507A (zh) | 一种自适应粒子群算法的无人机动态路径规划方法 | |
CN112986978A (zh) | 一种雷达目标跟踪滤波的信任度获取方法 | |
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 | |
Watanabe et al. | Optimal 3-D guidance from a 2-D vision sensor | |
CN111426322A (zh) | 同时估计状态和输入的自适应目标跟踪滤波方法及*** | |
Wang et al. | Optimal Weight and Parameter Estimation of Multi‐structure and Unequal‐Precision Data Fusion | |
CN108009358B (zh) | 基于imm_ukf的三维制导律辨识滤波方法 | |
CN114445459B (zh) | 基于变分贝叶斯理论的连续-离散最大相关熵目标跟踪方法 | |
CN114460327A (zh) | 提高mems传感器抗干扰能力的阵列式控制方法及*** | |
CN112489075B (zh) | 基于特征函数的序惯式多传感器融合滤波方法 | |
CN114565020A (zh) | 一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法 | |
Liu et al. | Time Delay Error Online Correction of LiDAR-IMU System Through MSCKF Integrated DLRNN Method |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210402 |