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。     

基于多重渐消因子变分贝叶斯的陀螺阵列融合算法

针对由多个MEMS陀螺仪组成的阵列系统在动态情况下噪声时变导致输出精度低的问题，提出了新的动态滤波模型和滤波方法。通过分析MEMS陀螺的误差特性和对角速度进行动态建模，构建了基于角速度估计的阵列陀螺随机误差动态滤波模型。由于动态情况下模型的不确定性导致传统方法精度较差，设计了一种多重渐消因子变分贝叶斯自适应卡尔曼滤波算法，利用变分贝叶斯思想和强跟踪理论提高了滤波器量测噪声估计精度、收敛速度和鲁棒性。最后在高精度转台上进行了静态实验和动态实验。实验结果表明：在静态条件下，“虚拟陀螺”方差降低为单个陀螺的4%，零偏不稳定性降低为47.2%；在动态条件下，“虚拟陀螺”能有效跟踪角速度的变化且角速度残差方差降低为单个陀螺的6.2%。该滤波算法能有效提高MEMS陀螺阵列系统的输出精度。     

改进 SHAKF 算法消除 IMU 随机误差的研究

针对 Sage-Husa 自适应卡尔曼滤波(SHAKF)算法在处理惯性测量单元(IMU)时,随机误差容易随着时间的累积而造成 滤波发散的问题,提出一种改进的 Sage-Husa 自适应鲁棒卡尔曼滤波 (MSHARKF)算法。 首先对 IMU 构建了合适的模型,再将 SHAKF 与自适应鲁棒卡尔曼滤波(ARKF)相结合并纳入改进的时变噪声估计器,再引入最优自适应比例因子 αk 对量测方程迭 代更新,最后得出新的预测协方差矩阵代入原方程。 实验结果表明,分别通过 Allan 方差和均方根误差(RMSE),对 MEMS-IMU 滤波前后的静/ 动态数据分析计算得,随机误差噪声分别减小至原数据的 1 / 10 000 和 1 / 100。 与本文其他算法相比,该方法有 效地对算法滤波发散进行了抑制,进而提高了 IMU 的测量精度和长期稳定性。     

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。     

多MEMS陀螺数据融合方法性能比较

MEMS陀螺的体积小、成本低,便于集成,但其低精度极大的限制了MEMS陀螺在实际中的应用。利用多传感器融合技术进行误差补偿可提高MEMS陀螺的测量精度,人们提出了多种数据融合方法用于改进MEMS陀螺的测量精度。对多尺度融合方法、卡尔曼滤波融合和小波阈值融合方法进行比较分析。理论分析与实验结果表明,多尺度融合算法相比卡尔曼滤波融合和小波阈值融合方法在标准差、信噪比、功率谱及Allan方差等方面性能获得了较好的效果,其适用范围更宽。     

基于改进的Sage-Husa自适应卡尔曼滤波的晶振驯服研究与实现

二级频标中恒温晶振(OCXO)成本较低，具有较高的短期稳定性，老化会影响时钟守时系统的工作精度和稳定性。全球导航卫星系统(GNSS)驯服晶振的方法结合了GNSS卫星授时长期稳定性高和本地晶振短期稳定性高的特点，实现了两者的优势互补，提升了晶振驯服系统输出频率的准确度和长期稳定性。基于GNSS驯服恒温晶振的硬件系统，设计了基于判别因子的野值剔除方法，改进了基于Sage-Husa的自适应卡尔曼滤波算法。驯服实验结果表明，算法提高了晶振驯服系统输出频率的准确度和长期稳定性，实验系统中恒温晶振频率漂移量的标准差降低了约99.01%,恒温晶振的长期稳定性的Allan方差提高了约3个数量级，达到6.181×10^-12。     

改进Sage-Husa 算法结合小波模糊阈值算法的MEMS陀螺去噪

为解决微机电系统（MEMS）中陀螺仪输出噪声大、精度低的问题,基于自适应滤波算法与小波阈值算法的基础上,将小波阈值算法与模糊理论结合,提出了Sage-Husa自适应滤波算法联合小波模糊阈值去噪算法应用在MEMS陀螺去噪中。首先使用改进的Sage-Husa自适应滤波算法进行预处理,通过修正状态的预测值抑制干扰数据对滤波的影响,然后使用小波模糊阈值去噪算法对信号进行后处理,实现抑制随机噪声的效果。实验结果表明：在静态实验中,该算法去噪效果优于Sage-Husa自适应滤波算法和小波阈值算法,其与Sage-Husa自适应滤波算法、小波模糊阈值算法相比,噪声方差分别降低78.7%和14.6%,信噪比分别提高43.7%和16.3%。;在动态实验中,该算法能够自适应地减少异常值的不利影响,保持原始信号的波形,其与Sage-Husa自适应滤波算法、小波模糊阈值算法相比,噪声方差分别降低62.7%和31.6%,信噪比分别提高47.8%和10.0%。     

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.     

基于改进Sage-Husa的自适应无迹卡尔曼滤波的锂离子电池SOC估计

扩展卡尔曼滤波(EKF)算法估计锂离子动力电池荷电状态(SOC)时,由于系统噪声的不确定,可能导致估计算法不精确,并且算法中的线性化处理受电池模型的影响很大。为了解决上述两个问题,本文采用改进Sage-Husa的自适应无迹卡尔曼滤波法(AUKF)来动态地估计多元复合锂离子电池的SOC。与EKF相比,改进Sage-Husa的自适应卡尔曼滤波法提高了SOC估计的精度,并能够实时修正微小的模型误差带来的SOC估计误差,实时的工况模拟证明了该算法更适用于多元复合锂离子电池的动态SOC估计。     

基于Kalman滤波的Allan方差参数实时自主估计

针对目前研制高精度光纤陀螺仪(FOG)过程中精度提高很大程度受到了随机过程噪声的影响,特别是环境温度变化对光纤陀螺的随机噪声误差项的影响等问题,本文提出了基于指数加权移动平均算法和非线性自适应Kalman滤波器的光纤陀螺Alian方差参数实时自主估计方法。通过运用非线性自适应Kalnan滤波器实时估计常温条件下光纤陀螺的Allan方差参数和变温条件下的Allan方差参数,为后续光纤陀螺噪声抑制补偿及精度提高提供了一种新的方法。通过分别对常温条件和变温条件下光纤陀螺静态实验数据研讨,表明所提出的方法能很好地进行光纤陀螺Allan方差参数实时自主估计,为光纤陀螺噪声误差补偿奠定了基础。     

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.     

有色观测噪声下的自适应 UKF 在北斗多路径误差削弱中的研究

针对由环境复杂性而造成的北斗多路径误差不能有效削弱的问题, 提出了一种基于新的误差模型下的自适应无迹卡 尔曼滤波(UKF)方法。 该方法首先利用量测状态扩增法来解决量测噪声为有色噪声的问题,再用改进的 Sage-Husa 自适应 UKF 来动态估计系统噪声和量测噪声,从而解决噪声统计特性未定造成的误差削弱效果不明显的情况。 实验结果表明在有色 观测噪声下的改进 Sage-Husa 自适应 UKF 算法相比于传统 UKF,能够将多路径误差削弱近 60%,该方法在针对北斗定位中由于 多路径误差产生的噪声不可知的情况具有很强的适用性。     

基于 CEEMDAN-WP-SG 的 MEMS 陀螺仪去噪算法

为了减小MEMS陀螺仪随机误差,提出了一种新的去噪算法。该算法首先通过自适应噪声完备经验模态分解(CEEMDAN)将原始数据分解为多个本征模态函数(IMF),并根据多尺度排列熵与马氏距离将IMF分为噪声IMF、混叠IMF和信号IMF;其次对噪声IMF用小波包(WP)去噪,对混叠IMF用Savitzky-Golay滤波器(SG)去噪;最后,把处理后的IMF和信号IMF进行重构,得到去噪后的信号。通过所提方法对Bumps信号进行实验分析,去噪后信号从6 dB提高至17 dB,均方误差降低71.9%;对实测陀螺仪静态数据进行分析,实验结果证明去噪后信号的角度随机游走降低31.5%,表明该方法能显著提高MEMS陀螺仪的精度。     

FPGA‐based embedded platform for fiber optic gyroscope signal denoising

This paper presents System on Chip (SoC) implementation of a proposed denoising algorithm for fiber optic gyroscope (FOG) signal. The SoC is developed using an Auxillary Processing Unit of the proposed algorithm and implemented in the Xilinx Virtex‐5‐FXT‐1136 field programmable gate array. SoC implementation of this application is first of its kind. The proposed algorithm namely adaptive moving average‐based dual‐mode Kalman filter (AMADMKF) is a hybrid of adaptive moving average and Kalman filter (KF) technique. The performance of the proposed AMADMKF algorithm is compared with the discrete wavelet transform and KF of different gains. Allan variance analysis, standard deviation and signal to noise ratio (SNR) are used to measure the efficiency of the algorithm. The experimental result shows that AMADMKF algorithm reduces the standard deviation or drift of the signal by an order of 100 and improves the SNR approximately by 80 dB. The Allan variance analysis result shows that this algorithm also reduces different types of random errors of the signal significantly. The proposed algorithm is found to be the best suited algorithm for denoising the FOG signal in both the static and dynamic environments. Copyright © 2013 John Wiley & Sons, Ltd.     

基于MGMA的随钻陀螺仪误差在线补偿

针对随钻测量MEMS陀螺仪输出精度低的问题,提出一种基于磁 重力蜉蝣算法(MGMA)的陀螺误差在线补偿方法。首先,分析随钻陀螺误差来源并推导出误差补偿模型;其次,利用MEMS加速度计无累积误差的特点,根据重力向量叉乘得到向量夹角作为目标函数;此外,考虑到实际钻进时强振动和冲击对加速度计输出的不利影响,利用MEMS磁强计抗振的特点,设计磁模值相对误差约束条件。然后,在MA基础上,针对随钻恶劣环境影响下的陀螺误差参数不断变化问题,根据陀螺和磁强计输出之间的关系自适应确定搜索上下界;并利用重力模值相对误差设计惯性权重,平衡算法的全局探索和局部开发能力;最后,利用磁 重力模值相对误差在子代中引入变异扰动策略,减小陷入局部最优的可能。实验结果表明,经MGMA补偿后的陀螺输出误差明显减小,井斜角误差由9.75°降低至1.52°,且相比于PSO和MA算法具有速度快、精度高的优势。     

磁悬浮陀螺转子信号的局部均值分解降噪研究

磁悬浮陀螺转子电流信号对环境变化高度敏感,信号采样过程中不可避免会引入噪声,针对该问题提出一种基于局部均值分解（local mean decomposition, LMD）,融合豪斯多夫（Hausdorff）距离与阈值降噪（threshold denoising, TD）的算法以减弱噪声干扰。首先对原始信号进行局部均值分解,得到若干乘积函数（PF）分量和一个余量,然后根据各PF分量与原始信号间的豪斯多夫距离判定噪声、信号分量,再对噪声分量进行阈值处理,最后将阈值处理后的噪声分量、信号分量及余量进行叠加得到重构信号,实现陀螺仪转子电流信号的降噪。仿真实验结果表明,重构信号的信噪比相对于原始信号平均提高了12.86 db,均方根误差平均降低了9.25×10^-6 A;实测信号降噪结果表明,该降噪算法对四条导线边的滤波增益分别为40.0%、93.5%、30.8%和50.0%。