一种基于人工智能的MEMS惯性传感器异构阵列及其设计方法技术

本发明专利技术公开了一种基于人工智能的MEMS惯性传感器异构阵列设计方法，包括：将多个不同的MEMS惯性传感器芯片组合排列，形成MEMS惯性传感器异构阵列；所述MEMS惯性传感器芯片具有相同的功能，不同的性能指标；构建输入与输出神经网络模型；对传感器异构阵列进行已知输入条件的标定试验，得到传感器异构阵列的试验数据，对神经网络模型进行训练；通过训练完成的输入与输出神经网络模型对各MEMS惯性传感器芯片的输出信号进行处理，得到MEMS惯性传感器异构阵列的测量输出值。形成异构的MEMS惯性传感器阵列，通过神经网络构建的输入与输出模型进行计算，得出传感器阵列的输出值，可以大幅提升输出信号的信噪比。提升输出信号的信噪比。提升输出信号的信噪比。

【技术实现步骤摘要】
一种基于人工智能的MEMS惯性传感器异构阵列及其设计方法


[0001]本专利技术属于MEMS惯性传感器领域，具体地涉及一种基于人工智能的MEMS惯性传感器异构阵列及其设计方法。

技术介绍

[0002]MEMS（Micro Electro Mechanical System）传感器具有体积小、质量轻、功耗低、成本低等优点。MEMS惯性传感器是一种应用极为广泛的MEMS力学传感器。MEMS惯性传感器包括检测加速度的MEMS加速度传感器和检测角速度的MEMS陀螺仪，其可广泛的应用于军事和民用领域。在工业自动化领域，其主要应用于先进的自动安全系统、高性能的导航系统、航行稳定性、翻滚的检测和预防、以及安全气囊和制动系统。在消费电子产品领域，主要应用于手机、平板电脑等数码产品、摄影器材中的图像稳定、虚拟现实产品以及计算机游戏。在军事应用方面，主要运用于弹药的惯性制导、飞行器的导航和姿态控制、平台稳定、便携式单兵导航等。
[0003]一些应用场合要求MEMS惯性传感器既具备大的测量范围，又能实现很高的分辨精度。或者既有大的带宽，又有很低的噪声。而传感器受制于自身感知原理、检测电路等的限制，使得传感器各种指标之间存在一定的关联性。当提高某一指标时，另一些指标会降低。传感器设计时需要折中考虑多种因素，实现传感器的综合指标最优。
[0004]为了在不降低现有MEMS惯性传感器的量程、带宽等性能指标的同时，进一步提高MEMS惯性传感器的零偏稳定性、分辨率等指标，同时又不显著提升MEMS惯性传感器的体积、质量和成本。国内外相关研究人员提出了多种解决方案，采用MEMS惯性传感器阵列方式是提高MEMS惯性传感器零偏稳定性的众多方案中的一种。
[0005]国内外相关研究人员提出了多种多传感器组合阵列的解决方案：1、申请号为200510087698.6的专利技术专利申请《微机电系统中求系统平均值的传感器重复系统和方法》提出一种至少包含两个重复的传感器的MEMS传感器系统，通过计算其输出的加权平均值，实现在不损害动力学性能的情况下，降低传感器的噪声。
[0006]2、申请号为201310676685.7的专利技术专利申请《多量程的MEMSCMOS叉指电容加速度计》提出一种分段工作的MEMSCMOS叉指电容加速度计，其设计了六个量程不同的加速度计结构。工作时，不同量程的六个加速度计单元进行分段加速度测量，进而实现用一个传感器覆盖较大测量范围的目的。其缺点是工作时，每次仅有一个结构在正常工作，该结构未能充分利用同一输入在不同结构产生的响应不同的特点进行数据融合。
[0007]综上所述，目前MEMS惯性传感器的阵列组合方案全部采用的是将相同的传感器进行简单的重复排列后形成阵列，如图1所示，然后进行卡尔曼滤波的方案。由于阵列中每个MEMS传感器的敏感机械结构部分和检测电路部分相同，其加工误差等各类误差特性和大小也基本相同，因此阵列中每个MEMS传感器的性能特性曲线（输出信号与输入信号关系）也几乎完全相同，仅由于制造误差存在微弱的差异。。以MEMS加速度传感器阵列为例，图2为各芯片相同的MEMS加速度传感器阵列的输出信号与输入信号关系（标度因数）曲线示意图，曲线
401为不含误差的单个MEMS加速度计芯片标度因数曲线，包含误差后的标度因数曲线在虚线402a和402b之间。因为阵列中所有MEMS加速度计芯片均相同，故而整个阵列的标度因数曲线也在虚线402a和402b之间。
[0008]例如，申请号为201911059650.2的专利申请公开了一种阵列式MEMS磁传感器实时标定方法，该方法需要构建复杂的数学算法模型，再求解模型系数，该方法计算复杂，无法适用于该输入与输出值之间的高阶非线性函数关系。
[0009]对于相同的传感器组成的阵列，根据白噪声理论，对于由N*N的MEMS惯性传感器阵列，阵列组合后的信号噪声理论上只能降低1/N倍。而随着N的增大，MEMS惯性传感器阵列的体积、功耗、成本将迅速增大。因此简单的将MEMS惯性传感器进行重复排列后的阵列设计方法不能有效的大幅提升输出信号的信噪比。

技术实现思路

[0010]针对上述存在的技术问题，本专利技术目的是：提供了一种基于人工智能的MEMS惯性传感器异构阵列及其设计方法，将相同功能，但结构形式不同和（或）电路形式不同或参数不同的MEMS惯性传感器芯片组合排列，形成异构的MEMS惯性传感器阵列，通过神经网络构建的输入与输出模型进行计算，得出传感器阵列的输出值。可以弥补单一传感器难以同时兼顾满足多项指标要求的难题，大幅提升输出信号的信噪比。
[0011]本专利技术的技术方案是：一种基于人工智能的MEMS惯性传感器异构阵列设计方法，包括以下步骤：S01：将多个不同的MEMS惯性传感器芯片组合排列，形成MEMS惯性传感器异构阵列；所述MEMS惯性传感器芯片具有相同的功能，不同的性能指标；S02：构建输入与输出神经网络模型；S03：对传感器异构阵列进行已知输入条件的标定试验，得到传感器异构阵列的试验数据，对神经网络模型进行训练，得到最优参数；S04：通过训练完成的输入与输出神经网络模型对各MEMS惯性传感器芯片的输出信号进行处理，得到MEMS惯性传感器异构阵列的测量输出值。
[0012]优选的技术方案中，所述步骤S01中MEMS惯性传感器具有不同的结构，所述MEMS惯性传感器结构包括敏感机械结构和检测电路，不同的结构的MEMS惯性传感器包括不同的敏感机械结构和/或不同的检测电路。
[0013]优选的技术方案中，所述步骤S01中每个MEMS惯性传感器芯片具有不相同的标度因数曲线或温度曲线或噪声频谱曲线。
[0014]本专利技术还公开了一种基于人工智能的MEMS惯性传感器异构阵列，所述MEMS惯性传感器异构阵列包括阵列分布的多个不同的MEMS惯性传感器芯片，所述MEMS惯性传感器芯片具有相同的功能，不同的性能指标，所述MEMS惯性传感器异构阵列的输出端连接AI处理芯片，所述AI处理芯片内置有构建的输入与输出神经网络模型，对传感器异构阵列进行已知输入条件的标定试验，得到传感器异构阵列的试验数据，对神经网络模型进行训练，得到最优参数；通过训练完成的输入与输出神经网络模型对各MEMS惯性传感器芯片的输出信号进行处理，得到MEMS惯性传感器异构阵列的测量输出值。
[0015]优选的技术方案中，所述MEMS惯性传感器芯片具有不同的结构，所述MEMS惯性传
感器结构包括敏感机械结构和检测电路，不同的结构的MEMS惯性传感器包括不同的敏感机械结构和/或不同的检测电路。
[0016]优选的技术方案中，每个MEMS惯性传感器芯片具有不相同的标度因数曲线或温度曲线或者噪声频谱曲线。
[0017]与现有技术相比，本专利技术的优点是：将相同功能，但敏感机械结构形式不同或电路形式不同或参数不同的MEMS惯性传感器芯片组合排列，形成异构的MEMS惯性传感器阵列，通过神经网络构建的输入与输出模型进行计算，得出传感器阵列的输出值。可以弥补单一传感器难以同时兼顾满足多项指标要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的MEMS惯性传感器异构阵列设计方法，其特征在于，包括以下步骤：S01：将多个不同的MEMS惯性传感器芯片组合排列，形成MEMS惯性传感器异构阵列；所述MEMS惯性传感器芯片具有相同的功能，不同的性能指标；S02：构建输入与输出神经网络模型；S03：对传感器异构阵列进行已知输入条件的标定试验，得到传感器异构阵列的试验数据，对神经网络模型进行训练，得到最优参数；S04：通过训练完成的输入与输出神经网络模型对各MEMS惯性传感器芯片的输出信号进行处理，得到MEMS惯性传感器异构阵列的测量输出值。2.根据权利要求1所述的基于人工智能的MEMS惯性传感器异构阵列设计方法，其特征在于，所述步骤S01中MEMS惯性传感器具有不同的结构，所述MEMS惯性传感器结构包括敏感机械结构和检测电路，不同的结构的MEMS惯性传感器包括不同的敏感机械结构和/或不同的检测电路。3.根据权利要求1所述的基于人工智能的MEMS惯性传感器异构阵列设计方法，其特征在于，所述步骤S01中每个MEMS惯性传感器具有不相同的标度因数曲线或温度曲线或者噪声频谱曲线。4...

【专利技术属性】
技术研发人员：凤瑞，郑宇，周铭，商兴莲，宋金龙，
申请(专利权)人：中国兵器工业集团第二一四研究所苏州研发中心，
类型：发明
国别省市：