MEMS传感器阵列式高精度输出控制方法技术

本发明专利技术涉及一种未知干扰作用的MEMS传感器阵列式高精度输出控制方法，属于微机电系统领域。该方法是一种基于未知输入驱动的在线动态系统偏差估计算法，它通过将多个MEMS传感器的量测值进行加权线性组合来把目标状态的量测模型转化为系统偏差伪量测模型，并构建带有随机未知输入的广义动态系统偏差模型，由此构成动态系统偏差模型，然后判断解耦条件是否满足，若满足则基于动态系统偏差模型，对未知扰动进行解耦，接着在最小方差无偏准则下，计算增益阵，最后得到最优化线性最小方差系统偏差估计，并输出阵列式MEMS传感器最优估计值。本发明专利技术通过状态估计与扰动辨识的同步优化处理，显著提升环境未知扰动作用的阵列式MEMS传感器输出的状态估计性能。

【技术实现步骤摘要】
MEMS传感器阵列式高精度输出控制方法
本专利技术涉及一种未知干扰作用的MEMS传感器阵列式高精度输出控制方法，属于微机电系统领域。
技术介绍
微机电系统技术已经成功地实现了多种传感器的小型化和成本降低。这些传感器已广泛应用于许多领域，包括人工智能，物联网和工业4.0等。外部极端环境因素，如大温差、压差、强辐射、高真空、微重力、大冲击等，广泛作用于MEMS传感器，导致传感器灵敏度及其线性度、零位偏差、重复性、零位漂移等参数显著恶化，极大降低了传感器精度。MEMS传感器小型化及成本低的特点促进了阵列式控制方法的发展，该方法因其能提供更精确全面的信息处理能力，而受到广泛关注。在实际应用中，阵列式MEMS传感器除其自身所带的系统偏差，还不可避免地共同受到外来扰动的随机干扰，这引发其产生未知随机系统偏差，且这些突变的系统偏差的先验信息未知或较少。目前已有许多文献将这些突变的系统偏差看作动态系统偏差演化模型的未知输入(UnknownInput,UI)进行研究，以实现MEMS传感器阵列式的高精度输出。检索发现，文献1“Unbiasedminimum-variancelinearstateestimation”提出一种未含先验信息的已知输入的递归状态估计方法；文献2“Unbiasedminimumvarianceestimationforsystemswithunknownexogenousinput”中利用无偏性和最小方差理论导出文献1算法稳定性和收敛性的条件，同时提升算法的稳定性和收敛性；文献3“Robusttwo-stageKalmanfiltersforsystemswithunknowninput”中提出将两级滤波器与文献1中方法相结合的积分方法，它基于未知输入的先验知识估计两级滤波器的状态，具有更强的鲁棒性；文献4“Unbiasedminimum-varianceinputandstateestimationforlineardiscrete-timesystems”将文献1中的算法推广成一种将未知输入和状态估计相互关联的递归滤波器，用最小方差无偏理论实现未知输入和状态的联合估计。虽然上述方法对未知输入进行估计，但是它们都将未知输入参数建模在状态模型中，或同时建模在状态模型和量测模型中，而由于系统偏差的描述常是将其看作传感器量测模型的一部分，因此，传统的这些阵列式控制方法的一些应用条件(如已知系统噪声的统计分布等)已不充分，不能很好地提高阵列式传感器输出精度，甚至会产生新的系统误差。基于以上已有方案以及存在的问题，本专利技术提出一种未知环境作用的MEMS传感器阵列式高精度输出控制方法，针对传感器突发故障或其所在环境受到外界扰动的共同干扰导致传感器的系统偏差也会随之发生突变的情况，设计了基于系统偏差伪测量模型和广义动态系统偏差模型的未知输入解耦滤波器，解决传统方法在估计未知输入时将其建模在状态模型与通常认为的是量测模型的一部分相冲突而导致这些传统方法不能直接用于处理这类情况的问题，能够在实际工程情况下有效实现阵列式传感器高精度输出，并显著提升传感器抗扰动特性。
技术实现思路
本专利技术提出一种未知干扰作用的MEMS传感器阵列式高精度输出控制方法，以实现极端环境未知扰动作用下阵列式MEMS传感器的扰动智能抑制，该方法是一种基于未知输入驱动的在线动态系统偏差估计算法，它通过将多个MEMS传感器的量测值进行加权线性组合来把目标状态的量测模型转化为系统偏差伪量测模型，并构建带有随机未知输入的广义动态系统偏差模型，由此构成动态系统偏差模型，然后判断解耦条件是否满足，若满足则基于动态系统偏差模型，对未知扰动进行解耦，接着在最小方差无偏准则下，计算增益阵，最后得到最优化线性最小方差系统偏差估计，并输出阵列式MEMS传感器最优估计值。参考图1和图2，本专利技术提出的未知环境作用的MEMS传感器阵列式高精度输出控制方法，包括如下步骤：步骤一：阵列式MEMS传感器中各传感器均包括图1中的机械部分1和电路部分2，具体的，MEMS传感器由质量块振动引起梳齿电容变化，电容变化量经过C/V模块转换成电压，再经过移相器、自动增益控制、乘法器模块后，生成驱动激励电压，施加到驱动激励电极控制驱动模态稳幅振动，移相器输出Y作为量测信号进入图2中的数据处理模块进行处理；步骤二：由于传感器真实输入信号通常可以被认为与前一时间点的输入信号相关，因此采用一阶马尔科夫过程进行描述，分别构建各传感器真实输入信号的动态和量测模型，从而建立MEMS传感器的状态空间模型，然后通过将阵列式MEMS传感器的量测值进行加权线性组合来把目标状态的量测模型Y1，k，Y2，k，…，YN，k转化为系统偏差伪量测模型：Yk+1＝YN，k-[qN-1YN-1，k+…+q1Y1，k](1)其中，，YN，k为第N个传感器的k时刻的量测值，q1，q2，...，qN为N个螺仪量测的权系数，线性组合的系数满足条件HN，k+1-(qN-1HN-1，k+1+…+q1H1，k+1)＝0，Ht，k是已知量测函数，并构建带有随机未知输入的广义动态系统偏差模型：其中，bk+1是含有未知突变信息的系统偏差向量，是已知相关转移阵，是已知扰动阵，为零均值高斯白噪声，uk是未知扰动，且无任何先验知识。由上两个模型组成动态系统偏差模型。步骤三：判断解耦条件是否满足，若满足则基于步骤二的动态系统偏差模型，对未知扰动进行解耦，得到解耦后的偏差动态模型：其中，Mk+1为伪量测模型的转移阵，且表示矩阵的伪逆，此模型与未知扰动无关；若不满足，则此控制方法失效。步骤四：基于步骤三中解耦后的动态系统偏差模型，在最小方差无偏准则下，计算增益阵：其中，为预测误差的方差，步骤五：利用最小方差理论，得到最优化线性最小方差系统估计，输出最优估计值本专利技术的有益效果：采用一种基于未知输入驱动的在线动态系统偏差估计算法，基于最小方差无偏准则，通过将多个MEMS传感器的量测值进行加权线性组合，解耦得到与未知输入无关的动态系统偏差模型，进一步计算得到最小方差系统偏差估计，实现状态估计与扰动辨识的同步优化处理，显著提升环境未知扰动作用的阵列式MEMS传感器输出的状态估计性能。下面结合图和实施例对本专利技术进一步说明。附图说明图1是每个MEMS传感器的具体结构。图2是实施例中基于未知输入驱动的在线动态系统偏差估计算法的流程图。图3是实施例中环境未知扰动作用的阵列式MEMS传感器高精度输出方法的效果图。图中，1-机械部分，2-电路部分，3-算法数据处理模块。具体实施方案本实施例中，环境未知扰动作用的阵列式MEMS传感器高精度输出方法，是用于对多个MEMS谐振加速度计进行未知扰动智能控制，该实施例中的步骤如下：步骤一：MEMS谐振加速度计驱动模态的检测信号Ds进入驱动电路模块，经过C/V转换、移相器、自动增益控制、加法器等模块后，生成驱动激励电压，施加到驱动激励电极，产生驱动信号Dr，控制驱本文档来自技高网...

【技术保护点】
1.未知环境作用的MEMS传感器阵列式高精度输出控制方法，包括如下步骤：/n步骤一：阵列式MEMS传感器中各传感器均包括机械部分1和电路部分2，具体的，MEMS传感器由质量块振动引起梳齿电容变化，电容变化量经过C/V模块转换成电压，再经过移相器、自动增益控制、乘法器模块后，生成驱动激励电压，施加到驱动激励电极控制驱动模态稳幅振动，移相器输出Y作为量测信号进入数据处理模块进行处理；/n步骤二：由于传感器真实输入信号通常可以被认为与前一时间点的输入信号相关，因此采用一阶马尔科夫过程进行描述，分别构建各传感器真实输入信号的动态和量测模型，从而建立MEMS传感器的状态空间模型，然后通过将阵列式MEMS传感器的量测值进行加权线性组合来把目标状态的量测模型Y

【技术特征摘要】
20200517 CN 20201041615631.未知环境作用的MEMS传感器阵列式高精度输出控制方法，包括如下步骤：
步骤一：阵列式MEMS传感器中各传感器均包括机械部分1和电路部分2，具体的，MEMS传感器由质量块振动引起梳齿电容变化，电容变化量经过C/V模块转换成电压，再经过移相器、自动增益控制、乘法器模块后，生成驱动激励电压，施加到驱动激励电极控制驱动模态稳幅振动，移相器输出Y作为量测信号进入数据处理模块进行处理；
步骤二：由于传感器真实输入信号通常可以被认为与前一时间点的输入信号相关，因此采用一阶马尔科夫过程进行描述，分别构建各传感器真实输入信号的动态和量测模型，从而建立MEMS传感器的状态空间模型，然后通过将阵列式MEMS传感器的量测值进行加权线性组合来把目标状态的量测模型Y1,k,Y2,k,...,YN,k转化为系统偏差伪量测模型：
Yk+1＝YN,k-[qN-1YN-1,k+…+q1Y1,k](1)
其...

【专利技术属性】
技术研发人员：申强，张益楠，杨登锋，常洪龙，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61