MEMS陀螺误差辨识与补偿

由于制造工艺等原因,MEMS陀螺的随机漂移非常大,严重影响了系统的性能.通过自制的基于MEMS的捷联惯导系统的相关实验,对MEMS陀螺的确定性误差和随机误差分别进行了辨识和补偿.完成确定性误差补偿,对MEMS陀螺随机误差进行了时间序列分析,并建立了AR模型,根据所选模型参数建立了随机误差的系统方程,采用经典卡尔曼滤波进行随机误差补偿.实验结果说明:无论是静态下还是动态下,补偿后信号的方差都大大下降,说明了滤波效果较为明显,具有一定的工程应用价值.     

基于Allan方差的MEMS陀螺随机误差建模

针对由于MEMS陀螺随机误差较大而影响MEMS惯性测量系统测量精度的问题,提出一种利用Allan方差分析随机误差并建模的方法。在分析Allan方差原理的基础上,通过Allan方差分析法分离和辨识了MEMS陀螺仪的各项随机误差以及误差系数,并利用随机误差系数进行了数学建模。通过与ARMA模型比较,表明利用Allan方差建立的模型更加精确。该方法为MEMS惯性导航系统中姿态测量的误差补偿和滤波提供了新的思路,对提高MEMS惯性测量系统的测量精度具有一定的实际应用价值。     

基于DSP的MEMS陀螺误差建模与滤波方法研究

针对微机电系统(MEMS)陀螺测量精度低、随机噪声复杂的问题,根据MEMS陀螺的实测数据,分析其噪声特性,研究MEMS陀螺的随机噪声模型。应用时间序列分析方法,采用时间序列分析(AR)模型对MEMS陀螺测量数据噪声进行建模,该模型反映陀螺的噪声特性,基于该随机噪声模型,采用Kalman滤波技术有效降低了随机噪声对MEMS陀螺测量精度的影响。通过对MEMS陀螺实测数据的仿真试验结果表明:提出的建模与滤波方法能够有效地抑制其随机噪声误差,提高实际应用中的测量精度。     

基于AR模型的MEMS陀螺误差补偿方法研究

针对MEMS(Microelectro Mechanical Systems）陀螺具有成本低、体积小但误差较大的问题,探讨MEMS陀螺的误差补偿方法。基于AR模型方法,采集MEMS陀螺原始信号,对原始信号进行预处理,利用预处理后的数据建立陀螺的AR(Auto Regressive)模型,辨识出模型参数。利用该模型对陀螺信号进行误差补偿,计算出陀螺的较精确值。通过对某MEMS陀螺误差补偿的静态和动态试验表明,提出的方法能够有效地减小误差,提高陀螺的测量精度。     

改进小波阈值法与极限学习机在MEMS陀螺误差补偿中的应用

MEMS陀螺随机误差是影响其精度的主要因素之一。针对MEMS陀螺随机误差的问题,提出一种基于改进的阈值函数的小波去噪结合极限学习机算法建模的补偿方法。通过改进小波阈值法提高去噪效果,然后由极限学习机构建MEMS陀螺误差补偿模型。通过实例研究,结果显示该方法能良好地补偿随机误差,与其他方法比较,具有更好的效果。     

煤矿井下微机电系统陀螺随机误差辨识

针对常用随机误差辨识方法不能揭示潜在的误差源、很难分离出具体随机误差、数据采集时间过长等问题,利用Allan方差分析法对煤矿井下微机电系统(MEMS)陀螺随机误差进行辨识。介绍了Allan方差分析法原理,利用Allan方差分析法对MEMS陀螺实测数据进行处理,给出了Allan标准差曲线,通过最小二乘拟合得到MEMS陀螺的主要随机误差系数。实验结果验证了Allan方差分析法用于MEMS陀螺随机误差辨识的有效性。     

基于小波去噪和AR建模的MEMS陀螺数据处理方法

为解决MEMS陀螺输出信号中噪声大、随机漂移严重的问题,提出了一种基于小波去噪和AR建模的MEMS陀螺组合数据处理方法.采用小波去噪法对MEMS陀螺输出信号去噪,自适应确定小波分解层数,提高了其信噪比.采用AR(autoregressive,自回归)模型对MEMS陀螺的随机漂移进行建模,利用平均均方预测误差确定模型的最佳阶数,并与传统的一阶马尔可夫模型进行了比较.实验结果表明,该组合数据处理方法可有效抑制MEMS陀螺输出噪声,且能更精确地对MEMS陀螺随机漂移进行建模及预测.     

基子自适应卡尔曼滤波器的MEMS陀螺零点漂移的研究

随机噪声是影响MEMS陀螺精度的一个重要因素.本文基于时间序列分析方法建立MEMS陀螺的随机漂移AR模型后,使用自适应卡尔曼滤波器对信号进行滤波.通过比较陀螺原始信号和自适应卡尔曼滤波后的信号,可以得出结论:自适应卡尔曼滤波器在处理MEMS陀螺零点漂移中具有良好的滤波效果.     

小波阈值去噪和FAR建模结合的MEMS陀螺数据处理方法

为解决MEMS陀螺输出信号中噪声大、随机漂移严重的问题,提出了一种小波阈值去噪和函数系数自回归FAR建模结合的MEMS陀螺数据处理方法。采用小波阈值去噪法对MEMS陀螺输出信号去噪,提高其信噪比;为克服常用的自回归AR模型无法解决MEMS陀螺随机漂移存在的非线性问题,引入FAR模型对MEMS陀螺的随机漂移进行建模。实验结果表明,此数据处理方法可有效抑制MEMS陀螺输出噪声,且与AR模型相比,FAR模型能更精确地对MEMS陀螺随机漂移进行建模及预测。     

本期摘要

基于ARMA建模的MEMS陀螺随机误差补偿改进算法研究注国家自然科学基金资助项目（项目编号61271047）作者：陈明明．高国伟．毕新磊．潘宏生单位：北京信息科技大学信息获取与与检测实验室,北京100101基于MEMS技术生产的MEMS器件．具有体积小、重量轻、成本低、耐冲击性、高可靠性等特点．它被广泛应用于动态水平测量装置当中。但是由于外界环境的干扰．MEMS器件的测量精度一直难以达到实际应用水平。分析了在动态水平测量当中影响MEMS器件测量精度的各种因素之后,提出了一种基于ARMA模型的针对MEMS陀螺器件随机误差补偿的改进型算法。以某型号的陀螺的随机误差为研究对象进行实验验证．结果表明．MEMS陀螺的测量精度在滤波之后有了明显的提高。经过改进后的卡尔曼滤波器和引入自适应渐消因子的卡尔曼滤波器．在静态环境下．它们的误差标准差分别降为原始误差的375％和4．8％．动态环境下的滤波精度也得到有效提高。证明该方法是可行的和有效的,具有较大的工程实践意义。     

基于时间序列模型的激光陀螺随机漂移数据处理

采用时间序列分析方法建立激光陀螺随机误差模型,应用递推最小二乘(RLS)法估计模型的参数,在此基础上对激光陀螺的漂移数据进行了卡尔曼滤波,结果表明:该方法能有效地抑制激光陀螺的随机误差,提高了激光陀螺的精度。     

卡尔曼滤波在激光陀螺信号处理中的应用

各种随机噪声是激光陀螺误差的主要来源;设计了基于激光陀螺漂移数据时间序列模型的卡尔曼滤波器,对激光陀螺漂移数据进行了滤波,并采用Allan方差法分析了滤波结果;结果表明,基于时间序列模型的卡尔曼滤波器有效地减小了随机误差。     

小波分析法在光纤陀螺随机误差补偿中的应用

光纤陀螺随机漂移是惯性导航系统产生误差的重要因素。尽量降低陀螺仪的漂移率是进一步提高惯性导航系统精度的重要途径,也是保证光纤陀螺静态误差补偿精度的前提。从抑制光纤陀螺随机噪声的角度出发,利用小波分析法对光纤陀螺的静态输出进行滤波处理,通过对比滤波前后陀螺的输出曲线、标准差以及各项随机误差系数,能够看出:该方法有效地补偿了光纤陀螺的随机误差。     

Modeling the Random Drift of Micro-Machined Gyroscope with Neural Network

In this paper a new combined method was applied to model the random drift of a micro-electro-mechanical system (MEMS) gyro to enhance its performance. The gyro is used to set up a micro-inertial -measurement unit (MIMU) for its low cost, low power consumption and small dimensions. To improve the MIMU’s performance, we model the gyro’s random drift by a statistic method. Given the paucity of the knowledge of fabrication of the gyro, we select a neural network model instead of making a delicate physical-mathematical model. Since the gyro we used is a tuning fork micro-machined sensor with large random drift, the modeling performance is affected by the randomness inherent in the output data when neural network approach is applied. Therefore, radial basis network structure, which was successfully applied to model temperature drift of fiber optical gyros, was chosen to build the model and the grey neural network. Compared with autoregressive model, the standard error of the gyro’s random drift is reduced dramatically by radial basis model and grey radial basis model.     

卡尔曼滤波在陀螺仪随机漂移中的应用

本文针对MIMU中微机械陀螺的静态随机漂移,采用时间序列分析的方法建立了其随机漂移误差的AR模型,并在此基础上,探讨了利用Kalman滤波降低该随机噪声的具体方法.对实测数据的仿真结果表明,本文所介绍的滤波方法是正确、有效的。     

基于ANFIS的激光陀螺消噪处理研究

为了降低激光陀螺输出数据中噪声对惯性导航系统精度的影响,采用一种具有学习能力的自适应模糊神经网络（ANFIS）噪声消除的新方法,利用一组激光陀螺随机漂移数据对这种方法进行建模和仿真验证。与传统的小波分析法进行了功率谱密度、均值和标准差的比较,并通过Allan方差法分析了各项误差系数的变化情况,结果表明：这种方法有效地补偿了随机误差,从而有利于提高激光陀螺的输出信号精度。     

陀螺仪随机漂移的测取和数学模型的确立

导弹控制系统中，陀螺精度是系统精度的重要指标之一，而陀螺仪随机漂移是影响陀螺精度的重要误差源。因而研究陀螺仪随机漂移对提高陀螺精度有着重要意义。本文在统计分析的基础上提出了用固定方位力矩反馈法测取陀螺仪的随机漂移，并简述了利用平稳时间法建立其数学模型的过程，对研究陀螺仪随机漂移具有重要的参考价值。     

MEMS陀螺仪漂移和噪声的分析和补偿

对陀螺仪数据分析的传统方法是使用kalman滤波器做尾数据处理来降低随机误差,由于陀螺仪传感器随着外界环境的变化的影响会有非线性误差,传统的kalman滤波算法处理的是线性误差,因此引进了适用于非线性系统的EKF滤波.为了快速滤除系统在实际环境中产生的噪声,对传统的中值滤波算法进行了改进,降低其计算复杂度,提出差分-均值中值滤波法.本文首先使用阿伦(ALLAN)方差分析了陀螺仪的误差特性,对于这些误差源分别提出了偏移校正的方法,之后建立自动回归-滑动平均模型(ARMA模型)对陀螺仪数据进行误差建模分析,最后使用EKF算法降低随机误差.实验结果表明该方法比传统的方法滤波效果好、计算复杂度低、实时性好.     

阈值去噪与RBF神经网络在MEMS陀螺仪误差补偿中的应用

针对现有MEMS陀螺仪中随机误差较大,导致器件输出信噪比低进而影响其应用范围的现状,提出一种基于小波阈值去噪与梯度径向基( RBF)神经网络结合的MEMS陀螺漂移非平稳时间序列建模预测方法。首先采用Allan方差法分析了MEMS陀螺仪的主要随机误差,随后利用小波阈值去噪分离出MEMS陀螺误差模型中的白噪声及漂移误差,最后采用RBF神经网络对漂移数据进行建模。通过实验对文中所述的误差补偿方法进行验证,表明了方法的有效性,对于基于MEMS陀螺仪的惯导系统精度提高具有重要意义。