基于多分辨率分析的硅微陀螺随机漂移时间序列建模

针对硅微陀螺的随机漂移误差,根据多尺度分析理论,提出了随机漂移趋势项提取算法,并应用于时间序列分析,采用波克斯-詹金斯法建立了ARMA模型。进一步采用长自回归-白噪化建模方法对模型进行了辨识和适用性检验。最后,构造Kalman滤波器对ARMA模型进行了滤波,滤波后方差减小了一个数量级,硅微陀螺原始漂移的零偏稳定性为34.428°/h,Kalman滤波后零偏稳定性为2.34°/h,有效地提高了陀螺的使用精度。     

一种弹载低精度陀螺仪的随机常值漂移估计方法

弹载低精度陀螺仪的随机常值漂移严重影响到弹体姿态解算的精度.为了解决这一问题,提出了以装订值作为姿态基准,采用姿态匹配传递对准对弹载低精度陀螺仪的随机常值漂移进行估计的算法.对随机常值漂移为10°/h的低精度陀螺仪进行仿真,结果表明采用该算法经过40 s的估计后,随机常值漂移估计值趋于稳定且估计精度较高,从而证明该方法是行之有效的.     

硅微陀螺温度漂移补偿研究

温度是影响陀螺仪漂移的重要因素.在试验的基础上,通过对某型硅微陀螺零漂数据进行小波滤波除噪,研究了既定温度范围内陀螺零漂的变化.基于最小二乘法原理,建立了陀螺仪的零漂补偿模型.通过补偿使陀螺的零漂稳定性由0.2751°/s减小为0.0114°/s,提高了零漂稳定性.从补偿的效果来看,多项式模型能够有效地补偿零漂,从而满足工程应用的需要.     

一种全新的硅微阵列陀螺仪

介绍了一种全新的硅微阵列陀螺仪的结构设计、模态仿真、电路闭环控制、数据融合方法和相关的的实验结果。基于热弹性阻尼理论的数值仿真,利用结构解耦的方法设计了硅微阵列陀螺仪的四质量块结构。利用ANSYS软件对硅微阵列陀螺仪的驱动模态和检测模态进行了仿真,仿真结果表明：硅微阵列陀螺仪共有四种不同的工作模态。根据静电力反馈原理,设计了基于数字锁相控制和数字闭环控制方法的控制电路。电路测试结构表明硅微阵列陀螺仪驱动模态的振动幅值的相对稳定性可以达到9×10-5。分析了硅微阵列陀螺仪的随机漂移特性,建立了漂移误差模型,并设计了卡尔曼滤波器以获取硅微阵列陀螺仪的随机漂移的最优估计。利用多传感器信息融合算法,硅微阵列陀螺仪的零偏稳定性可以提高10倍。     

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。     

基于改进卡尔曼滤波的陀螺仪误差补偿算法

针对基于卡尔曼滤波的MEMS陀螺仪误差补偿算法中量测噪声方差选取不准确的问题,提出一种基于改进卡尔曼滤波的陀螺仪误差补偿算法.卡尔曼滤波通常采用统计特性估计得到固定的量测噪声方差,无法自适应地估计不同环境下陀螺仪噪声特性.该算法将卡尔曼滤波与神经网络相融合,使用卡尔曼滤波新息矩阵作为神经网络输入,通过神经网络得到新息协方差矩阵,以此自适应地估计卡尔曼滤波量测噪声方差.将该算法应用到陀螺仪信号误差补偿中,使用Allan方差分析法对原始信号以及误差补偿后的陀螺仪信号进行分析,实验结果表明该算法能够有效地抑制陀螺仪随机误差,提高MEMS陀螺仪的精度.     

基于激励-校准法的硅微陀螺仪模态匹配控制电路研究

提出了一种基于激励-校准法的硅微陀螺仪实时模态匹配控制电路,利用了检测模态的幅度响应信号关于其谐振频率对称的特点,采用双边激励信号激励检测模态,通过比较双边信号的响应幅度大小来获得相应的调谐电压,实现模态匹配.介绍了静电负刚度调谐原理;然后设计了基于激励-校准法的硅微陀螺仪实时模态匹配控制方案,并分析了该法的误差来源;在Simulink环境下搭建了模态匹配控制电路模型,验证了该方案的可行性;最后,设计了基于FPGA的自动模态匹配控制电路.实验结果表明,相比于模态不匹配情况,模态匹配后的陀螺仪零偏稳定性系数由1.69 °/h降低到0.42 °/h,静态性能提升了4.02倍;角度随机游走系数由0.046 °/ h降低到0.0195 °/ h,静态性能提升了2.36倍.     

深度学习下MEMS陀螺温度误差补偿方法

针对MEMS陀螺仪因材质特性,制造工艺等差异导致输出数据受温度影响的问题.本文在传统温度误差补偿的基础上,提出将深度学习与神经网络相结合,通过LSTM神经网络进行温度误差补偿,从而减小温度变化引起的陀螺的温度漂移.分析了MEMS陀螺仪的温度特性,并在RNN神经网络模型的基础上,建立多层LSTM神经网络模型,利用基于AD...     

基于混沌分析的导弹惯性器件非线性故障预报

通过一定方法对陀螺仪的性能进行预测,是提高惯性器件的精度及保证整个控制系统可靠性的有效方法之一,论文在分析基于混沌分析的非线性预测方法的基础上,将陀螺仪误差系数随时间的漂移看作一个混沌过程,利用陀螺仪漂移测试数据进行相空间重构,在重构的相空间上,用基于最大Lyapunov指数的混沌预测方法对陀螺仪漂移进行预测,提出了一种新的基于混沌分析的陀螺仪漂移性能预报方法;通过基于MATLAB仿真实验证明,与经典的基于马尔可夫的预测方法相比该方法有更好的预测效果.     

基于相关向量机的MEMS陀螺仪随机漂移补偿

提出了一种基于相关向量机的MEMS陀螺仪随机漂移预测方法。针对MEMS陀螺仪随机漂移误差的非线性、不确定性等特点,建立了相关向量机预测模型,并采用EM算法获得模型的参数。针对随机漂移的混沌特性,利用相空间重构技术,将重构后的漂移序列作为输入变量进行模型的训练和预测。训练和测试结果均表明,该方法具有很好的预测效果,优于常用的时间序列分析法和支持向量机法。利用预测结果对随机漂移进行补偿,有效地提高了陀螺的使用精度。     

基于分段融合的压阻式传感器温度补偿方法

针对硅压阻式压力传感器在工程应用中受环境温度和压力的影响产生漂移,影响测量精度等问题.提出一种基于粒子群优化RBF神经网络与最小二乘法融合的温度补偿模型.使用粒子群算法对常规RBF神经网络的权值和阙值进行优化,提高神经网络的泛化性能和训练效率,增强传感器非线性段温度补偿的效果;使用最小二乘法对线性段进行温度补偿,提高整体模型的补偿效率.以飞思卡尔24 PC型压力传感器进行补偿实验,结果表明:对比优化前的神经网络和最小二乘方法,利用本文方法进行温度补偿,耗时短,总体误差低于其他两种方法.传感器在整个温度区间和压力测试点下的输出基本不受影响,补偿效果明显,数据精度符合课题实验的要求.     

z轴硅微陀螺仪高精度闭环驱动研究

提出了一种z轴硅微陀螺仪高精度闭环驱动方案.该方案实现了闭环驱动的相角和增益条件的解耦;对相角进行了优化控制,消除了驱动频率和驱动模态固有频率的相对频差影响;利用闭环回路中直流控制量与驱动力间的非线性关系,实现闭环自激控制.试验结果表明,1 h内,驱动频率变化的均方差为0.009 Hz,相对变化量为2.2ppm(1ppm=10-6);驱动幅度变化的均方差为0.002 5 mV,相对变化量为15ppm;驱动信号的噪声功率谱密度低于-100 dB.由此可见,本方案使陀螺仪驱动性能得到了极大提高.     

基于小波分析的MEMS加速度计去噪优化算法

针对惯导系统中MEMS加速度计输出漂移误差较大的问题,本文在对噪声分析建模的基础上,提出了一种小波阈值去噪优化算法.利用Allan方差分析加速度计输出噪声特性,构造噪声模型,并设计了一种基于多尺度阈值函数的去噪方法.该方法有效克服了传统软、硬阈值函数的局限性,且在各尺度上选取不同的调节系数优化滤波性能,算法适应性强.仿真结果表明,该方法在信噪比、均方根误差和波形相似度方面均有明显改善,较之传统阈值去噪算法信噪比提高了5 dB,并能在一定程度上提高系统导航精度,100 m范围内相对误差降低2.69％.     

光电跟踪伺服系统的二重抑制扰动方法

为提高运动载体上光电跟踪伺服系统的抑制扰动能力,在反馈型扰动观测器基础上提出二重抑制扰动方法。研究了二重抑制扰动的回路结构、输入输出关系以及执行机构饱和情况下的回路输出特性。应用于光电跟踪伺服系统,可提高载体运动情况下的视轴稳定精度。仿真结果表明,在载体做4°/s,频率12rad/s的正弦信号运动情况下视轴稳定精度小于0.02°,比反馈型扰动观测器提高1倍。     

基于DSP智能型积分器设计

传统模拟积分器由于运放和积分电容的不理想,存在着零点漂移、非线性误差以及泄漏等问题。当积分时间t不断增加时,积分漂移随之线性增加,成为影响积分输出精度的重要因素之一。利用DSP算法灵活性以及其信号处理的卖时性,设计了一种智能型积分器。该积分器前端采用模拟积分器,后端采用DSP线性拟合算法处理进行积分补偿,实现对信号的长时间积分。同时采用Iqmath库函数实现定点处理器的运算来提高实时精度,很方便的实现了实时而准确的积分处理。     

基于多尺度建议框的目标跟踪误差修正方法

随着深度学习技术引入视觉目标跟踪领域,目标跟踪算法的精度和鲁棒性有了很大的提高。但在低空无人机跟踪目标的实际场景中,情况比较复杂,如相机的抖动、大量的遮挡、视角和焦距的改变等,使得跟踪算法的准确性受到极大挑战。目前的算法大多建立在目标外观变化缓慢的前提假设下,在跟踪的过程中不具备检测和修复漂移（跟踪误差）的能力。针对该问题,提出了一种基于多尺度建议框的目标跟踪误差修正方法。离线阶段,利用大量的已标注的目标样本训练基于多尺度建议框的目标跟踪修正模型,获取不同类别目标的先验知识。在线阶段在核相关滤波跟踪的基础上,依据相关响应置信度自适应评价的结果,通过目标跟踪修正模型不定期重新初始化目标的位置,避免了因为误差累积而导致跟踪失败。算法在无人机航拍数据集上进行了测试,结果表明,该跟踪算法在目标发生较大形变的情况下能较好的修正跟踪漂移问题。相比于其他几种算法,目标跟踪的成功率和精度分别提高了14.3%和3.1%。     

基于PSO的BP神经网络在压力传感器温度补偿中的应用

针对硅压阻式压力传感器的温度漂移问题,提出了基于粒子群优化算法PSO(Particle Swarm Optimization Algorithm)的BP神经网络的温度补偿模型,通过粒子群化算法对BP网络的权值和阈值进行全局寻优,克服了BP网络收敛速度慢和易陷入局部极值的缺陷,而且温度补偿的精度较高。研究结果表明,该方法有效的抑制了温度对压力传感器输出的影响,提高了传感器的稳定性和准确性。     

硅压阻传感器的智能温度补偿研究

针对硅压阻传感器存在的温度漂移问题,采用MAX1452信号调理芯片设计了一个智能温度补偿系统。该系统包括硬件和软件两部分,一次可以补偿8只传感器。对补偿前后进行了测试,结果表明系统工作稳定可靠,在-40℃～80℃下精度达到0.2%。