MEMS陀螺仪随机误差的辨识与降噪方法研究

针对微机电系统(MEMS)陀螺仪随机误差成为制约其精度和应用范围的主要因素,提出基于回归滑动平均(ARMA)模型的卡尔曼滤波估计方法。首先基于Allan方差分析结果,确定出量化噪声、角度随机游走、零偏不稳定性是MEMS陀螺随机噪声主要组成部分;然后采用时间序列分析法对MEMS陀螺仪随机噪声的平稳性进行检验;最后基于随机漂移ARMA模型建立离散卡尔曼滤波方程对其开展误差估计与补偿。开展车载静、动态环境下的数字降噪与卡尔曼滤波估计补偿对比实验,结果表明基于ARMA模型的卡尔曼滤波估计法在MEMS陀螺随机误差补偿效果上具有更明显优势。     

基于改进的Sage-Husa滤波MEMS陀螺阵列降噪技术研究

为充分挖掘 MEMS 陀螺的性能,提高 MEMS 陀螺在实际应用中的精度,通过搭建四陀螺阵列结合改进的 Sage-Husa 滤波算法对陀螺阵列的输出信号进行降噪,在不改变陀螺加工工艺和显著提高生产成本的条件下有效提高了 MEMS 陀螺仪的实际性能。 通过分析 MEMS 陀螺仪的系统误差和随机误差,搭建误差模型,利用传统卡尔曼滤波、移动平均滤波、小波阈值去噪和改进的 Sage-Husa 滤波算法对单个陀螺和陀螺仪阵列进行降噪处理,实验对比发现改进的 Sage-Husa 滤波算法和陀螺仪阵列结合后能有效降低陀螺的输出噪声。 利用 Allan 方差分析陀螺仪阵列经过改进的 Sage-Husa 算法滤波后的随机误差,四陀螺阵列角度随机游走从 0. 40°/ h降低到 0. 03°/ h ,零偏不稳定性从 71. 11°/ h 降低到 5. 83°/ h,有效提高了 MEMS 陀螺在实际应用中的性能。     

MEMS陀螺随机误差建模与补偿

MEMS陀螺精度较低,随机漂移较大,严重影响系统的性能.对MEMS陀螺随机误差进行了时间序列分析,并建立了ARMA模型.使用MATLAB计算所选模型参数建立随机误差的系统方程,采用经典卡尔曼滤波器验证了在静态条件下,滤波后的信号标准差为滤波前的3.88％.针对动态条件下,常规卡尔曼滤波器滤波效果下降的问题,推导并设计了渐消卡尔曼滤波器.仿真结果表明,渐消卡尔曼滤波器能显著改善动态条件下的滤波效果,并且滤波精度较高.     

基于DSP的MEMS陀螺去噪算法研究

作为惯导系统的重要传感器,陀螺仪的精度直接影响到导航定位的精确性,而随机噪声是影响其精度的重要因素.对随机漂移进行建模并在系统中加以补偿是提高陀螺及其导航系统精度的关键.本文对MEMS陀螺的信号进行分析,对高于通频带的噪声用切比雪夫低通滤波器进行滤波,对带内的噪声运用改进的中值滤波进行处理.DSP仿真结果表明,该方法能在保证实时性的情况下降低陀螺噪声误差对系统精度的影响,可以将信号的信噪比提高8 dB.     

基于POA-VMD-WT的MEMS去噪方法

针对MEMS传感器所测得的加速度和角速度输出信号噪声较大问题,提出一种基于鹈鹕优化算法(pelican optimization algorithm, POA)的变分模态分解(variational mode decomposition, VMD)结合小波阈值(wavelet threshold, WT)的去噪方法。首先利用POA对VMD的参数组合进行优化选择,然后应用POA-VMD将含噪信号自适应、非递归地分解为一系列本征模态函数(intrinsic mode function, IMF)。再通过计算每个IMF的余弦相似度对IMFs进行分类,根据计算结果将IMFs分为噪声主导分量与信号主导分量,对分类后的噪声主导分量进行改进小波阈值去噪处理,最后对处理后的噪声分量与信号主导分量进行重构,获得降噪后的MEMS传感器信号。静态和动态实验结果表明,该方法去噪处理后信号的信噪比分别提高12和10 dB,均方误差分别降低75.5%和46.6%,去噪效果显著,能够提高MEMS传感器的精度。     

基于联合卡尔曼滤波的配电网多源异构数据融合

由于传统方法没有对配电网多源异构数据采集的时间进行配准,导致配电网多源异构数据融合时误差大、效率低。针对该问题,提出了基于联合卡尔曼滤波的配电网多源异构数据融合方法。构建了数据纠偏机制,采用最小二乘法对数据采集的时间配准,并采用拉格朗日插值方法对时序数据填充,计算数据关联性。在此基础上,采用联合卡尔曼滤波算法将相同数据融合到同一个类中,以此实现配电网多源异构数据融合。实验结果表明,所研究的数据融合方法不仅能够根据需求一直追踪需求的融合误差,还能够降低节点电压与功率估计的相对误差、提高配电网多源异构数据融合的效率。实验结果不仅证明了所研究融合方法的有效性,还证明了联合卡尔曼滤波算法在数据融合中的适用性。     

电机故障诊断的多传感器数据融合方法

电机及其运行环境的复杂性决定了电机故障诊断也非常复杂。尽管随着检测技术、信号处理技术、智能技术的进步,故障诊断技术得到了很大的发展,但是目前的故障诊断技术仍因为各种原因存在着很大的不确定性。目前诊断技术依然是基于单个参数,如电流、振动、温度、润滑油成分所能携带的故障特征来进行诊断．但是因为模型或者环境的不确定性导致这些诊断结果模糊不清甚至错误。分析了传统故障诊断方法中存在的不确定性．并介绍多传感器数据融合的方法来处理由于单个参数带来的诊断的不确定性,同时介绍一个数据融合故障诊断系统(fusion diagnosis system．FDS)的结构模型．并分析这个结构在应用中的关键问题。     

基于MSK-CNN和多源机电信息融合的同步发电机故障诊断方法

同步发电机结构复杂且运行环境多变,传统的故障诊断方法依赖于专家的先验知识,易受噪声干扰,难以准确识别且耗时耗力。本文提出一种基于多尺度核卷积神经网络(MSK-CNN)和多源机电信息融合的同步发电机故障诊断方法,直接从原始信号中自动学习有效的故障特征,同时在单个框架中对故障类型进行分类,为同步发电机提供端到端的故障诊断系统,无需额外的信号处理和专家经验。首先通过多尺度核算法在不同尺度上并行获取互补且丰富的诊断信息,提高特征学习能力。然后采用多源机电信息融合,选取相电压、转子振动、定子振动信号分别作为输入进行特征融合。最后以一台SDF-9型1对极同步发电机为实验对象进行实验验证,故障诊断准确率为99.64%,与传统故障诊断方法进行对比,显示了该方法的优越性。     

基于卡尔曼滤波的汽包水位多传感器信息融合方法研究

汽包水位是锅炉安全运行的重要参数,列举了影响汽包水位变化的各种因素并且建立了锅炉汽包系统各输入、输出变量间的影响模型。分析了卡尔曼滤波在多传感器信息融合处理中的特点,在DRZ/T01-2004规定的基础上,提出了一个以卡尔曼滤波为底层传感信号融合方法为基础,结合其他聚类融合方法,引入多种类、多数量传感器信号和控制决策预测信号的汽包水位多传感器数据融合控制系统。基于此,设计了卡尔曼滤波在多传感器数据融合处理中的具体实现方法,并借助Matlab仿真,分别测试了卡尔曼滤波在单通道传感信号滤波以及多传感器信息融合中使用的效果。仿真结果证明了所设计的系统能够准确、快速的融合处理底层传感器信号,并作出有效的控制决策。     

基于多传感融合的老年人跌倒检测系统

针对老龄化社会对老年人跌倒监测的现实需求,融合三轴加速度传感器、压力传感器与超声测距模块等多传感器信息,研制了便携式老年人跌倒监测系统。该系统以MSP430F149为控制器,通过ZigBee方式来实现监测系统与数据中心之间的通信。采取阈值判断算法来检测跌倒是否发生,并具有自动报警以及手动解除报警的功能。在系统的测试实验中,对于左倒、右倒、前倒、后倒、坐下、起跳和行走等7种人体运动姿态模式进行检测,正确率达99％。本系统的成功研制,可以为老年健康监测物联网提供功能支持,为发生跌倒的老年人得到及时的帮助。     

基于Mahony与改进Kalman融合的姿态解算方法

获得精确的载体姿态信息是提高载体导航定位的关键。 针对加速运动会产生非重力加速度干扰,而传统滤波算法无法 解决其导致的精度下降的问题,提出一种基于 Mahony 和改进 Kalman 融合的姿态解算方法。 首先采用惯性测量传感器所得数 据进行 Mahony 解算,将其结果作为改进 Kalman 的量测信息;其次通过陀螺仪解算,将其结果作为改进 Kalman 的状态信息实现 姿态解算。 实验结果表明,本文所提出的方法相较于传统方法,解算精度提高一个数量级以上,能有效地抑制漂移误差高频噪 声,大幅提升了载体姿态角解算精度,且具有良好的收敛性。     

A new MEMS gyroscope drift suppression method for the low‐cost untwisting spin platform

The microelectromechanical system (MEMS ) gyroscope provides a new method to design a low‐cost untwisting spin platform to be used in a single‐axis, stable strap‐down inertial navigation system. However, the MEMS gyroscope's drift reduces the effectiveness of the closed‐loop feedback control. Thus, a new method of drift suppression is proposed in this paper based on phase space reconstruction in order to improve the platform's performance. The feasibility of the MEMS gyroscope's drift suppression is analyzed using linear decomposition based on phase space. The system drift is estimated by phase space reconstruction. The optimal embedding dimension is found through a grid search. The number of dimensions for dimension reduction analysis is selected according to the minimum eigenvalue. The mapping from the high‐dimensional phase space onto the low‐dimensional phase space is obtained by minimizing the variance. A Kalman filter is used to compensate the residual sequence further. The proposed method is applied to an untwisting spin platform based on the MEMS gyroscope L3G4200D . The experimental results show that it can reduce the platform drift rate effectively.     

MEMS IMU随机误差建模在SAR运动补偿中的应用

随着SAR小型化发展趋势,低精度小型化微机电系统惯性测量系统（MEMS IMU）在SAR运动补偿中越来越受到重视。鉴于MEMS IMU 中随机误差较大,为提高其短时间内相对运动测量精度,从IMU测量误差对SAR成像的影响分析出发,采用基于时间序列分析方法对MEMS IMU中随机误差进行建模,并构建Kalman方程对IMU原始数据进行了滤波处理,减小了随机误差,从而降低随机误差在合成孔径时间内对SAR运动补偿的影响。机载SAR飞行试验数据处理结果表明,此方法能够有效的减小随机误差,提高SAR图像聚焦质量。     

MEMS传感器数据漂移抑制技术研究

针对惯性测量系统中MEMS加速度传感器存在信号漂移而导致测量误差的问题,采用时间序列的分析方法,对MEMS加速度传感器测量的数据进行分析。将MEMS加速度传感器测量的数据通过DSP读取后,通过ADF准则进行平稳性检验,传感器数据满足平稳时间序列条件。根据传感器数据的自相关函数与偏自相关函数特征,判断出序列满足AR(p)模型。通过AIC准则进行随机性检验,同时进行时间序列模型识别与参数估计,传感器数据在使用AR(1)模型进行建模时达到最优。建立MEMS加速度传感器信号漂移AR(1)模型,并依据模型设计卡尔曼滤波器。结果表明,在滤波前加速度传感器零偏稳定性为0.3032mg,卡尔曼滤波后的加速度传感器零偏稳定性为0.0247mg,测量稳定性能有效提高,并且运算阶数较低,能很好的应用于嵌入式系统。     

自适应Kalman滤波在多传感器数据融合中应用

文中介绍基于白噪声滤波器和平滑器的改进的Sage和Husa噪声统计估值器及相应的自适应Kalman滤波器,可处理未知常的和时变的噪声统计估计问题.仿真结果验证了改进滤波器在精度和收敛速度上的优越性.