多准则MEMS陀螺随机误差在线建模与实时滤波

针对随机误差相关性较弱的MEMS陀螺仪,提出采用多准则曲线方法辨识其带有截距项的随机误差时间序列模型.采用该模型可直接对MEMS陀螺仪的实测量数据进行在线建模,而无需零均值化离线处理.基于该模型并采用状态扩增的方法设计卡尔曼滤波器,实现了MEMS陀螺仪随机误差的实时滤波.实验结果表明,针对某MEMS陀螺仪带有截距项的AR(2)模型可以作为其随机误差模型,经过在线建模和实时滤波后,MEMS陀螺仪随机误差的标准差降低了50%,有效抑制了MEMS陀螺仪的随机误差.     

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MEMS陀螺仪的随机误差分析

为了提高MEMS陀螺仪测量精度,减少随机误差的影响,对产生随机误差的噪声源及其随机误差模型进行了分析;通过分析MEMS陀螺仪自身结构的缺陷并且对其输出数据进行了相应的滤波处理与平稳性检验,确立了合适的误差模型并利用Kalman滤波进行误差补偿,验证了模型的有效性;同时运用Allan方差法对MEMS陀螺仪噪声项进行了分析,确定了影响MEMS陀螺仪测量性能的主要因素以及比较了滤波前后的各项噪声源系数,检验了滤波效果且实验结果证明误差模型显著提高了MEMS陀螺仪的测量精度。      

基于卡尔曼滤波的轨道阀阀位测量方法研究

该文提出了一种基于卡尔曼的陀螺仪/霍尔组合滤波的轨道阀阀位测量方法。首先利用轨道阀阀位测量系统建立MEMS陀螺仪误差数学模型，利用轨道阀阀位测量系统建立转角解算数学模型；其次，利用MEMS陀螺仪误差模型和轨道阀转角解算模型构建卡尔曼滤波器；再次，利用二阶卡尔曼滤波算法对轨道阀转角测量数据进行数据融合；最后，通过单轴转台获取传感器原始数据与标准旋转角度，在Matlab平台上进行仿真，分析得出陀螺仪/霍尔组合滤波的阀位数据比单一陀螺仪、霍尔传感器阀位测量精度显著提高。     

MEMS陀螺仪零位误差分析与处理

研究微机械陀螺仪的零位误差对提高惯性导航精度具有重要意义。采用Allan方差分析法对MEMS陀螺仪的零位误差做了综合评定,提出了一种动态的零值偏移误差补偿算法来滤除陀螺仪的零值偏移误差,还对启发式漂移消减法HDR(Heuristic Drift Reduction)做了改进,有效地提高了原算法的补偿精度。最后,再次采用Allan方差分析法对补偿后的零位误差进行评定,并以Voyager-IIA机器人为平台进行试验,结果证明了改进后的算法能显著的提高陀螺仪的输出精度。     

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。     

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。     

低成本MEMS陀螺实时滤波方法

为找到一种普遍适合低成本MEMS陀螺仪的随机误差实时处理方法,利用Allan方差分析法首先对MEMS陀螺仪进行分析,根据其误差特性进而设计了平均滤波算法以剔除粗大误差,然后使用最小二乘法,通过拟合前一段历史结果得到下一时刻输出的预测值,基于以上工作最终设计出Kalman滤波器对所输出进行滤波。由于将最小二乘法的推测作为预测过程,避免了系统状态模型难以准确建立的问题。该方法动态性能好,具有普适性。实验结果证明,该方法在静态和动态下均能有效工作,滤波后常值漂移被有效补偿,角度随机游走不再占误差的主要成分,均方差小于滤波前的十分之一。     

基于自适应Kalman滤波的MEMS陀螺随机误差分析

针对某型MEMS陀螺随机误差较大、精度不高的问题,通过时间序列分析法,建立自回归滑动平均 ARMA(Auto-Regressive and Moving Average)模型,采用ARMA(2,1)模型将预处理后的MEMS陀螺随机误差进行建模.设计基于ARMA模型的经典Kalman滤波器.静态试验和恒定速率试验结果表明在经典Kalman滤波器作用下,静态试验下其均值与均方差下降32.62%和66.31%;恒定速率试验下,其均值有明显的降低,其均方差减小了一个数量级.针对经典Kalman滤波器不能解决振动试验中大振幅时滤波发散问题,提出一种新的自适应Kalman滤波法,通过寻找合适的标定因子s解决滤波发散问题.振动试验结果表明,当振幅为100°时,滤波后的均值和均方差分别下降8.25%和8.36%.     

基于ARMA建模的MEMS陀螺随机误差补偿改进算法研究

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3.75%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。