加速度计的误差补偿方法、装置及加速度计制造方法及图纸

本申请公开了一种加速度计的误差补偿方法、装置及加速度计。其中，该方法包括：获取所述加速度计的性能指标，并基于所述性能指标对所述加速度计的误差进行标定，以确定所述加速度计的误差传播特性；基于所述误差传播特性，利用深度学习网络对所述加速度计的误差进行补偿。本申请解决了加速度计精度不高的技术问题。题。题。

【技术实现步骤摘要】
加速度计的误差补偿方法、装置及加速度计


[0001]本申请涉及电子器件领域，具体而言，涉及一种加速度计的误差补偿方法、装置及加速度计。

技术介绍

[0002]加速度计是实现载体角速率测量的核心关键部件。在隧道挖掘、矿山开采、智慧交通、国防装备和航空航天等领域，载体(钻探机构、车辆、无人机、人员、制导弹药等)运动过程中存在长时、高速、高过载等恶劣环境条件，迫切需要一种抗高过载、高精度、有效适应恶劣环境、长期免标定的加速度计。但是，由于工作环境的差异，会引进不同类型的误差，造成挠性数字加速度计的精度不高。
[0003]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0004]本申请实施例提供了一种加速度计的误差补偿方法、装置及加速度计，以至少解决加速度计精度不高的技术问题。
[0005]根据本申请实施例的一个方面，提供了一种加速度计的误差补偿方法，包括：获取所述加速度计的性能指标，并基于所述性能指标对所述加速度计的误差进行标定，以确定所述加速度计的误差传播特性；基于所述误差传播特性，利用深度学习网络对所述加速度计的误差进行补偿。
[0006]根据本申请实施例的另一方面，还提供了一种加速度计的误差补偿装置，包括：获取模块，被配置为获取所述加速度计的性能指标，并基于所述性能指标对所述加速度计的误差进行标定，以确定所述加速度计的误差传播特性；补偿模块，被配置为基于所述误差传播特性，利用深度学习网络对所述加速度计的误差进行补偿。
[0007]根据本申请实施例的又一方面，还提供了一种加速度计，包括机械表头；伺服回路，包括如上所述的误差补偿装置，所述伺服回路用于基于所述机械表头的摆片的振动，得到表示加速度信息的测量值，并利用所述误差补偿装置对所述测量值进行误差补偿。
[0008]本申请实施例中的方法采用上述结构实现，解决了加速度计精度不高的技术问题。
附图说明
[0009]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0010]图1是根据本申请实施例的一种加速计的误差补偿方法的流程图；
[0011]图2是根据本申请实施例的另一种加速计的误差补偿方法的流程图；
[0012]图3是根据本申请实施例的六位置标定法的示意图；
[0013]图4是根据本申请实施例的自动标定系统的界面图；
[0014]图5是根据本申请实施例的CNN神经网络的结构图；
[0015]图6是根据本申请实施例的LSTM结构模型图；
[0016]图7是根据本申请实施例的CNN
‑
LSTM深度神经网络模型结构示意图；
[0017]图8是根据本申请实施例的CNN神经网络示意图；
[0018]图9是根据本申请实施例的构建误差补偿方法的流程图；
[0019]图10是根据本申请实施例的CNN
‑
LSTM网络结构图；
[0020]图11是根据本申请实施例的momentum损失函数的曲线图；
[0021]图12是根据本申请实施例的RMSprop损失函数的曲线图；
[0022]图13是根据本申请实施例的Adam损失函数的曲线图；
[0023]图14是根据本申请实施例的训练误差补偿模型的方法的流程图。
具体实施方式
[0024]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
[0025]需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其其步骤或单元。
[0026]实施例1
[0027]根据本申请实施例，提供了一种加速度计的误差补偿方法，如图1所示，该方法包括以下步骤：
[0028]步骤S102，获取所述加速度计的性能指标，并基于所述性能指标对所述加速度计的误差进行标定，以确定所述加速度计的误差传播特性。
[0029]例如，根据输入加速度范围内测得的所述加速度计的输入数据和输出数据，通过最小二乘法拟合得到直线斜率，以获取所述加速度计的标度因数；基于预设时间段内所述加速度计在零输入状态下的输出的平均值，计算所述加速度计的零偏；基于所述加速度计处在零位时所述加速度计的输入轴与相应的输入基准轴之间的夹角，计算所述加速度计的交叉耦合系数；基于加速度计原始角速度输出、粗标定标度因数、粗标定零位输出、温度零位输出、输出加速度的标度因数、三轴加速度交叉耦合矩阵、以及加速度计随机误差，确定所述加速度计的温度漂移；其中，所述性能指标包括所述标度因数、所述零偏、所述交叉耦合系数以及所述温度漂移。
[0030]例如，基于所述加速度计的零位和重力场下的加速度值输出，来标定所述标度因数和所述零偏；基于温度未补偿情况下的所述加速度计的输出以及最小二乘拟合系数，来
标定所述温度漂移；采用六位置标定方法对所述加速度计的线性度进行补偿，得到线性度补偿，并且，利用所述线性度补偿，采用最小二乘拟合方法来标定所述交叉耦合系数。
[0031]步骤S104，基于所述误差传播特性，利用深度学习网络对所述加速度计的误差进行补偿。
[0032]例如，从所述加速度计的三轴加速度计数据中提取特征向量；将所提取的特征向量输入到预先利用深度学习网络构建的误差补偿模型中，对所述加速度计的误差进行补偿。
[0033]在一个示例中，所述误差补偿模型可以通过以下构建：采用一层CNN神经网络构成卷积神经网络层，所述卷积神经网络层在空间上对温度数据、加速度计的输出数据分别进行卷积，提取数据特征，其中，所述卷积神经网络层包括卷积层、池化层、激活层，但不包括全连接层；采用多层LSTM构成LSTM神经网络，所述LSTM神经网络包括一层扁平化层，一层全连接层，所述扁平化层将所述数据特征扁平化，由多维向量转变为一维向量，所述全连接层将所述扁平化层输出的所述一维向量转换成标签向量，并在时间上对所述加速度计的输出数据进行反向传播，得到加速度计输出数据随时间变化的关系。
[0034]例如，将所述加速度计的三轴加速度计数据以及对应的加速度计温度数据作为多类特征，将所述多类特征作为所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种加速度计的误差补偿方法，其特征在于，包括：获取所述加速度计的性能指标，并基于所述性能指标对所述加速度计的误差进行标定，以确定所述加速度计的误差传播特性；基于所述误差传播特性，利用深度学习网络对所述加速度计的误差进行补偿。2.根据权利要求1所述的方法，其特征在于，获取所述加速度计的性能指标包括：根据输入加速度范围内测得的所述加速度计的输入数据和输出数据，通过最小二乘法拟合得到直线斜率，以获取所述加速度计的标度因数；基于预设时间段内所述加速度计在零输入状态下的输出的平均值，计算所述加速度计的零偏；基于所述加速度计处在零位时所述加速度计的输入轴与相应的输入基准轴之间的夹角，计算所述加速度计的交叉耦合系数；基于加速度计原始角速度输出、粗标定标度因数、粗标定零位输出、温度零位输出、输出加速度的标度因数、三轴加速度交叉耦合矩阵、以及加速度计随机误差，确定所述加速度计的温度漂移；其中，所述性能指标包括所述标度因数、所述零偏、所述交叉耦合系数以及所述温度漂移。3.根据权利要求2所述的方法，其特征在于，基于所述性能指标对所述加速度计的误差进行标定包括：基于所述加速度计的零位和重力场下的加速度值输出，来标定所述标度因数和所述零偏；基于温度未补偿情况下的所述加速度计的输出以及最小二乘拟合系数，来标定所述温度漂移；采用六位置标定方法对所述加速度计的线性度进行补偿，得到线性度补偿，并且，利用所述线性度补偿，采用最小二乘拟合方法来标定所述交叉耦合系数。4.根据权利要求1所述的方法，其特征在于，利用深度学习网络对所述加速度计的误差进行补偿包括：从所述加速度计的三轴加速度计数据中提取特征向量；将所提取的特征向量输入到预先利用深度学习网络构建的误差补偿模型中，对所述加速度计的误差进行补偿。5.根据权利要求4所述的方法，其特征在于，所述误差补偿模型是通过以下构建的：采用一层CNN神经网络构成卷积神经网络层，所述卷积神经网络层在空间上对温度数据、加速度计的输出数据分别进行卷积，提取数据特征，其中，所述卷积神经网络层包括卷积层、池化层、激活层，但不包括全连接层；采用多层LSTM构成LSTM神经网络，所述LSTM神经网络包括一...

【专利技术属性】
技术研发人员：刘宁，贾春辉，袁超杰，周淼生，李羚，苏中，付国栋，刘孟齐，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：