[發(fā)明專利]基于小波多尺度分析的MEMS陀螺隨機(jī)誤差補(bǔ)償方法

有效

• 申請?zhí)枺?/td>: 201410525603.3
• 申請日: 2014-10-09
• 公開（公告）號: CN104251712B
• 公開（公告）日: 2017-10-31
• 發(fā)明（設(shè)計(jì)）人: 徐定杰;蘭曉明;沈鋒;王璐;何爽;侯艷雪;遲曉彤;桑靖;李偉東
• 申請（專利權(quán)）人: 哈爾濱工程大學(xué)
• 主分類號: G01C25/00
• 分類號: G01C25/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術(shù)領(lǐng)域

本發(fā)明涉及慣性導(dǎo)航領(lǐng)域，具體涉及基于小波多尺度分析的MEMS陀螺(Micro Electro Mechanical System,MEMS)隨機(jī)誤差補(bǔ)償方法。

背景技術(shù)

隨著微電子技術(shù)的發(fā)展，MEMS技術(shù)得到了迅速的發(fā)展。由于其獨(dú)特的制造工藝以及微型化、易于集成化、易于批量生產(chǎn)等特點(diǎn)，使得基于MEMS技術(shù)的慣性器件在導(dǎo)航制導(dǎo)、汽車、飛行器、機(jī)器人等領(lǐng)域得到了廣泛的應(yīng)用。MEMS陀螺是基于MEMS技術(shù)制造的陀螺，由于易受制造工藝和使用環(huán)境影響，MEMS陀螺的輸出包含有較大的隨機(jī)漂移，限制了MEMS陀螺的精度。因此，對MEMS陀螺進(jìn)行隨機(jī)誤差建模與補(bǔ)償，對提升慣性器件的性能具有重要的實(shí)際意義。

對MEMS陀螺隨機(jī)誤差的補(bǔ)償，通常需要首先建立MEMS陀螺隨機(jī)誤差的模型，再結(jié)合模型對陀螺隨機(jī)誤差進(jìn)行估計(jì)與補(bǔ)償。通常采用Allan方差分析法和ARMA時間序列分析法。雖然這兩種方法都可以實(shí)現(xiàn)對陀螺隨機(jī)誤差的建模，但是對陀螺輸出的數(shù)據(jù)要求比較嚴(yán)格，而且所建立模型的精度依賴于數(shù)據(jù)的預(yù)處理過程，限制了陀螺隨機(jī)誤差的補(bǔ)償性能。

小波多尺度分析可以對信號進(jìn)行細(xì)致的分析，通過對信號的低頻部分進(jìn)行分解，將信號分解成低頻率部分(近似部分)和高頻率部分(細(xì)節(jié)部分)，從而得到信號的變化趨勢和瞬時變化。小波網(wǎng)絡(luò)是小波分析理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合的產(chǎn)物，它繼承了小波變換和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，因而表現(xiàn)出具有對非線性函數(shù)的最佳逼近和全局逼近的能力，又具有自學(xué)習(xí)、自適應(yīng)、時頻特性好、建模能力強(qiáng)等特性，因此在非線性系統(tǒng)建模中獲得了廣泛的應(yīng)用。本發(fā)明提出基于小波多尺度分析的MEMS陀螺隨機(jī)誤差補(bǔ)償方法，可以對陀螺隨機(jī)誤差建立準(zhǔn)確的模型，且對隨機(jī)誤差數(shù)據(jù)不需要處理即可建模，大大降低了工作量。將此模型用于隨機(jī)誤差補(bǔ)償中，有效減小了隨機(jī)誤差，提高陀螺儀精度。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中存在的缺陷，本發(fā)明提供一種基于小波多尺度分析的MEMS陀螺隨機(jī)誤差補(bǔ)償方法。該方法的步驟如下：

步驟1：采集MEMS陀螺的靜態(tài)輸出數(shù)據(jù)，并對輸出數(shù)據(jù)進(jìn)行預(yù)處理，去除輸出數(shù)據(jù)中的陀螺常值漂移；

步驟2：對預(yù)處理后的輸出數(shù)據(jù)展開小波多尺度分析，首先對輸出數(shù)據(jù)進(jìn)行多尺度小波分解，再對小波分解后得到的低頻和高頻系數(shù)進(jìn)行量化處理，然后分別進(jìn)行重構(gòu)，得到重構(gòu)后的低頻系數(shù)和高頻系數(shù)，進(jìn)而分離出有色噪聲和測量噪聲；

步驟3：利用步驟2中分離出的噪聲對粒子群小波網(wǎng)絡(luò)進(jìn)行訓(xùn)練，分別建立有色噪聲和測量噪聲的小波網(wǎng)絡(luò)模型，并利用增加動量項(xiàng)方法修正網(wǎng)絡(luò)參數(shù)，訓(xùn)練結(jié)束后保持網(wǎng)絡(luò)；

對有色噪聲建立小波網(wǎng)絡(luò)的模型，其表達(dá)式為：

x_g＝f(x₁,x₂,…,x_g-1)

式中，x_g為網(wǎng)絡(luò)的輸出數(shù)據(jù)，g為輸入數(shù)據(jù)個數(shù)；[x₁,x₂,…,x_g]為重構(gòu)后的低頻系數(shù)，作為網(wǎng)絡(luò)的輸入數(shù)據(jù)；f()為小波擬合函數(shù)；

對測量噪聲建立小波網(wǎng)絡(luò)模型，其表達(dá)式為：

ε_w＝f(D′₁,D′₂,…,D′_j)

式中，ε_w為測量噪聲，j為小波分解尺度，[D′₁,D′₂,…,D′_j]為重構(gòu)后的高頻系數(shù)；

步驟4：將步驟3中得到的有色噪聲模型和測量噪聲模型進(jìn)行組合，得到MEMS陀螺的隨機(jī)誤差模型，最終利用該隨機(jī)誤差模型去估計(jì)并補(bǔ)償MEMS陀螺的隨機(jī)誤差。

與現(xiàn)有技術(shù)相比，上述技術(shù)方案具有以下優(yōu)點(diǎn)或有益效果：

(1)本發(fā)明利用小波多尺度分析方法對MEMS陀螺隨機(jī)誤差分析，能有效地分離出隨機(jī)誤差的有色噪聲和測量噪聲，進(jìn)而建立相應(yīng)的噪聲模型。因此，所建立的模型更為精確，能提升對隨機(jī)誤差的估計(jì)精確度；

(2)本發(fā)明采用的是小波網(wǎng)絡(luò)建模方法，該種學(xué)習(xí)算法具有更穩(wěn)定的性能，能收斂到全局最小點(diǎn)，減少網(wǎng)絡(luò)的訓(xùn)練時間，充分利用訓(xùn)練數(shù)據(jù)，進(jìn)而提高網(wǎng)絡(luò)模型的精度。

附圖說明

圖1是基于小波多尺度分析的MEMS陀螺隨機(jī)誤差補(bǔ)償方法的流程圖。

圖2是MEMS陀螺靜態(tài)漂移輸出示意圖。

圖3是MEMS陀螺隨機(jī)漂移輸出示意圖。

圖4是小波分解示意圖。

圖5是小波網(wǎng)絡(luò)算法流程圖。