一种惯性传感器零偏温度补偿方法技术

本发明专利技术提供一种惯性传感器零偏温度补偿方法。该方法包括：采集惯性传感器温度数据及零偏数据；对所述零偏数据的野值点及瞬时噪声放大数据进行清洗及填充，得到处理后零偏数据；基于所述温度数据计算温度梯度数据，具体地，任一采样时刻温度梯度数据为该采样时刻温度数据与该采样时刻前K个时刻的温度数据集的算术平均值之差；建立温度补偿模型，基于所述温度数据、温度梯度数据及处理后零偏数据训练所述温度补偿模型，生成模型参数；将所述模型参数拟合后写入所述惯性传感器内置的存储单元，预测零偏值后用于零偏补偿。本发明专利技术零偏温度补偿后的IMU在各种工况环境中的使用精度均获得了较大提升，各种温度、变温速率工作条件下适应性较好。下适应性较好。下适应性较好。

【技术实现步骤摘要】
一种惯性传感器零偏温度补偿方法


[0001]本专利技术涉及惯性测量及导航
，具体地，涉及一种惯性传感器零偏温度补偿方法。

技术介绍

[0002]随着惯性导航领域技术的发展及应用领域的拓宽，对于大批量使用惯性传感器(Inertial Measurement Unit，IMU)产品的测量精度、采购成本均提出了较高的要求。在影响IMU使用精度的各种误差来源中，各敏感轴（陀螺，加速度计）的零偏误差具有决定性的作用；常用的光纤陀螺IMU、MEMS IMU的零偏误差受到工作温度及温度梯度作用影响较大，温度变化可被认为是各敏感轴零偏误差的主要来源。通过建立合理的温度误差补偿模型对零偏误差变化规律进行辨识和补偿，可有效降低IMU器件本身的零偏误差对其精度的影响，极大提升惯导系统的使用精度。
[0003]当前，惯性测量领域常用的IMU温度补偿方法需要测量每个敏感轴在一组固定温度点的零偏数值，再使用分段线性插值拟合方法或2次、3次多项式曲线插值拟合方法拟合每个温度点的零偏变化规律进行补偿。该方法具有以下缺陷：1)仅仅补偿了IMU零偏随温度变化的规律，未考虑产品内部温度梯度变化产生的滞回效应，从而无法补偿滞回效应导致的实时零偏；2)无法有效拟合部分IMU复杂非线性的“温度、温度梯度
‑
>零偏”变化规律，这种复杂非线性规律在低精度MEMS IMU中较为常见；3)固定温度点零偏拟合的补偿方法无法适应存在较大温度变化速率条件下的应用场景；4)补偿过程需在每一个固定温度点保持较长时间，等待产品内部温度稳定达到热平衡状态；增加了试验能耗及试验时长，不利于IMU产品大批量生产。

技术实现思路

[0004]鉴于上述问题，本专利技术提供一种惯性传感器零偏温度补偿方法，以解决在较大温度变化场景下滞回效应导致的实时零偏温度补偿精度不够的问题。
[0005]为达到上述目的，本专利技术的实施例采用如下技术方案：本专利技术实施例的第一方面，提供一种惯性传感器零偏温度补偿方法，所述方法包括：采集惯性传感器不同变温速率下的温度数据及零偏数据，其中，所述温度数据和零偏数据包括不同采样时刻温度数据及零偏数据；对所述零偏数据的野值点及瞬时噪声放大数据进行清洗及填充，得到处理后零偏数据；基于所述温度数据计算温度梯度数据，其中，所述温度梯度数据包括不同采样时刻温度梯度数据，具体地，任一采样时刻温度梯度数据为该采样时刻温度数据与该采样时
刻前K个时刻的温度数据集的算术平均值之差；建立温度补偿模型，基于所述温度数据、温度梯度数据及处理后零偏数据训练所述温度补偿模型，生成模型参数；将所述模型参数拟合后写入所述惯性传感器内置的存储单元，预测零偏值，将所述预测零偏值用于零偏补偿。
[0006]在一个实施例中，所述任一采样时刻温度梯度数据为该采样时刻温度数据与该采样时刻前K个时刻的温度数据集的算术平均值之差，具体计算过程如下：式中：表示第i个采样时刻的温度梯度数据，i=1∽N，N=数据长度；表示第i个采样时刻的温度数据；表示i
‑
K采样时刻到i时刻的温度数据。
[0007]在一个实施例中，所述温度补偿模型至少包括第一隐藏层和第二隐藏层，所述第一隐藏层和第二隐藏层分别包括至少2个神经元，所述神经元采用Relu激活函数，其中，所述第一隐藏层神经元个数小于第二隐藏层神经元个数。
[0008]在一个实施例中，所述对所述零偏数据的野值点及瞬时噪声放大数据进行清洗及填充，其中，所述野值点为超过零偏阈值的零偏数据，所述瞬时噪声放大数据为设定时间窗口的所述零偏数据标准差超过标准差阈值的零偏数据，具体包括：对所述野值点进行剔除，并使用所述野值点前后时刻零偏数据的平均值进行填充；对所述瞬时噪声放大数据进行剔除，并使用所述瞬时噪声放大数据前后所述时间窗口零偏数据的平均值进行填充。
[0009]在一个实施例中，所述基于所述温度数据、温度梯度数据及处理后零偏数据训练所述温度补偿模型前，还包括：对所述温度数据、温度梯度数据及处理后零偏数据规范化处理；所述温度数据规范化为：计算任一采样时刻温度数据与所有采样时刻温度数据的算术平均值之差与所有采样时刻温度数据标准差的倍数的比值；所述温度梯度数据规范化为：计算任一采样时刻的温度梯度数据与所有采样时刻温度梯度数据的算术平均值之差与所有采样时刻温度梯度数据标准差的倍数的比值；所述处理后零偏数据规范化为：计算任一采样时刻处理后零偏数据与所有采样时刻处理后零偏数据的算术平均值之差与所有采样时刻处理后零偏数据标准差的倍数的比值。
[0010]在一个实施例中，所述基于所述温度数据、温度梯度数据及处理后零偏数据训练所述温度补偿模型前，还包括：对所述温度数据和温度梯度数据加入零均值高斯白噪声后输入所述温度补偿模型进行温度补偿模型的训练，具体地，所述零均值高斯白噪声标准差为所述惯性传感器内温度采集传感器最小分辨率的1
‑
3倍。
[0011]在一个实施例中，将所述模型参数拟合后写入所述惯性传感器内置的存储单元，预测零偏值，将所述预测零偏值用于零偏补偿，具体包括：将所述预测零偏值用于零偏补偿前，将所述预测零偏值进行逆变换后的实时预测零偏值用于零偏补偿，所述逆变换为：
其中，为实时预测零偏值，为预测零偏值，为所有采样时刻所述零偏数据的算术平均值，为所有采样时刻所述零偏数据的标准差。
[0012]在一个实施例中，采集所述零偏补偿后的温度数据及零偏数据对所述温度补偿模型验证，直至补偿后的零偏数据稳定，结束对所述温度补偿模型的训练，具体地，计算所述补偿后的零偏数据标准差，当所述补偿后的零偏数据标准差小于预设目标值，则补偿后的零偏数据稳定，结束对所述温度补偿模型参数的训练。
[0013]在一个实施例中，所述采集惯性传感器不同变温速率下的温度数据及零偏数据，包括：通过温箱设定变温过程和/或变温速率对所述温度数据进行实时采集。
[0014]在一个实施例中，将所述模型参数拟合后写入所述惯性传感器内置的存储单元，具体地，使用MSE函数、Log
‑
Cosh函数、Huber函数、MAE函数中的任一种函数对所述模型参数拟合。
[0015]相比于现有技术，本专利技术提供的惯性传感器零偏温度补偿方法，通过表征产品内部温度梯度变化，将温度及温度梯度数据进行特征建模，不仅有效补偿滞回效应导致的实时零偏；同时，通过利用深度神经网络的非线性拟合能力，拟合复杂非线性的零偏
‑
温度
‑
温度梯度变化规律，降低惯性传感器零偏误差，提高惯性传感器使用精度。
附图说明
[0016]为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0017]图1为本专利技术实施例提供的惯性传感器零偏温度补偿方法的流程图；图2为本专利技术实施例提供本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种惯性传感器零偏温度补偿方法，其特征在于，采集惯性传感器不同变温速率下的温度数据及零偏数据，其中，所述温度数据和零偏数据包括不同采样时刻温度数据及零偏数据；对所述零偏数据的野值点及瞬时噪声放大数据进行清洗及填充，得到处理后零偏数据；基于所述温度数据计算温度梯度数据，其中，所述温度梯度数据包括不同采样时刻温度梯度数据，具体地，任一采样时刻温度梯度数据为该采样时刻温度数据与该采样时刻前K个时刻的温度数据集的算术平均值之差；建立温度补偿模型，基于所述温度数据、温度梯度数据及处理后零偏数据训练所述温度补偿模型，生成模型参数；将所述模型参数拟合后写入所述惯性传感器内置的存储单元，预测零偏值，将所述预测零偏值用于零偏补偿。2.根据权利要求1所述的一种惯性传感器零偏温度补偿方法，其特征在于，所述任一采样时刻温度梯度数据为该采样时刻温度数据与该采样时刻前K个时刻的温度数据集的算术平均值之差，具体计算过程如下：式中：表示第i个采样时刻的温度梯度数据，i=1∽N，N=数据长度；表示第i个采样时刻的温度数据；表示i
‑
K采样时刻到i时刻的温度数据。3.根据权利要求1所述的一种惯性传感器零偏温度补偿方法，其特征在于，所述温度补偿模型至少包括第一隐藏层和第二隐藏层，所述第一隐藏层和第二隐藏层分别包括至少2个神经元，所述神经元采用Relu激活函数，其中，所述第一隐藏层神经元个数小于第二隐藏层神经元个数。4.根据权利要求1所述的一种惯性传感器零偏温度补偿方法，其特征在于，所述对所述零偏数据的野值点及瞬时噪声放大数据进行清洗及填充，其中，所述野值点为超过零偏阈值的零偏数据，所述瞬时噪声放大数据为设定时间窗口的所述零偏数据标准差超过标准差阈值的零偏数据，具体包括：对所述野值点进行剔除，并使用所述野值点前后时刻零偏数据的平均值进行填充；对所述瞬时噪声放大数据进行剔除，并使用所述瞬时噪声放大数据前后所述时间窗口零偏数据的平均值进行填充。5.根据权利要求1所述的一种惯性传感器零偏温度补偿方法，其特征在于，所述基于所述温度数据、温度梯度数据及处理后零偏数据训练所述温度补偿模型前，还包括：对所述温度数据、温度梯度数据及处理后零偏数据规范化处理；所述温度数据规范化为：计算任一采样时刻温度数据与所有采样时刻...

【专利技术属性】
技术研发人员：陈可，
申请(专利权)人：融感科技北京有限公司，
类型：发明
国别省市：