[发明专利]一种用于微机电惯性测量单元温度误差补偿的方法

说明书

本发明公开了一种用于微机电惯性测量单元温度误差补偿的方法，包括：设计全温实验，采集全温输出数据；根据所述全温实验的输出数据，分析MIMU的温度输出特性，选取温度变量建立MEMS加速度计和MEMS陀螺的温度误差模型；设计自适应神经模糊推理系统；分别将MEMS加速度计和MEMS陀螺的温度误差作为训练样本输入自适应神经模糊推理系统；利用自适应神经网络训练出模糊参数，获得最优网络模型；根据所述最优网络模型，计算温度误差的预测输出，应用网络预测结果补偿MIMU的全温输出。该方法将神经网络的学习机制进入模糊推理中，提升了温度误差建模精度，可准确补偿MEMS陀螺温度漂移，实现MIMU在全温范围内的精度。

技术领域

本发明涉及惯性技术领域，具体是一种应用自适应神经模糊推理系统的MIMU温度误差补偿方法。

背景技术

目前，作为惯性导航领域的重要应用，基于微机电系统的惯性测量单元(MIMU)具有体积小、成本低、大批量生产等优点，在战略军用和商业民用等领域开辟了广阔的应用前景。MIMU又称微型惯性测量单元，(Miniature InertialMeasurementUnit,MIMU)是一种重要的MEMS，它是由微型陀螺仪、微型加速度计，专用集成电路(ASIC)、嵌入式微机及相应的导航软件组成，可以提供运动载体的位置、速度和姿态信息。MEMS又称微机电系统(MEMS,Micro-Electro-Mechanical System)，也叫做微电子机械系统、微系统、微机械等，指尺寸在几毫米乃至更小的高科技装置。

然而，MEMS惯性器件自身材料具有较强的温度敏感性，由于器件尺寸较小，温度变化容易引起机械结构变形、电气性能变化等，通过影响器件结构和材料属性间接地引入误差，严重影响惯性器件在温变环境下的测量精度。现有的解决措施包括：使用温度敏感度较低的材料加工微惯性器件；在结构中增加负温度系数材料或元件以消除温度带来的器件形变；采用硬件措施改善测试环境温度；根据惯性器件误差与温度变化之间的关系，采用数学拟合的方法对温度误差建模，通过模型实时补偿动态温度误差。前三种方法成本较高且受到技术因素的限制，常用的方法是建模补偿法。

现有的温度误差补偿模型一般有一元多项式模型、多元非线性模型、BP神经网络模型等。多项式模型简单易行，采用最小二乘拟合方法将温度误差建立成温度的多项式线性组合，不能真实描述出温度误差非线性的特点，且只考虑温度输入信息，常常达不到补偿精度要求；BP神经网络具有突出的学习能力，通过已知的样本数据对网络的训练拟合系统模型和输入输出关系，但存在收敛速度慢、容易陷入局部最优解等不足。

因此，在现有算法的基础上，如何提供一种可有效提升MIMU全温精度的温度误差补偿方法成为本领域技术人员亟需解决的问题。

发明内容

鉴于上述问题，本发明提出了一种应用自适应神经模糊推理系统的MIMU温度误差补偿方法，将神经网络的学习机制进入模糊推理中，提升了温度误差建模精度，可准确补偿MEMS陀螺温度漂移，实现MIMU在全温范围内的精度。

本发明实施例提供一种用于微机电惯性测量单元温度误差补偿的方法，包括：

S1、设计全温实验，采集全温输出数据；

S2、根据所述全温实验的输出数据，分析MIMU的温度输出特性，选取温度变量建立MEMS加速度计和MEMS陀螺的温度误差模型；所述温度变量为温度和温度变化率；

S3、设计自适应神经模糊推理系统；分别将MEMS加速度计和MEMS陀螺的温度误差作为训练样本输入自适应神经模糊推理系统；利用自适应神经网络训练出模糊参数，获得最优网络模型；

S4：根据所述最优网络模型，计算温度误差的预测输出，应用网络预测结果补偿MIMU的全温输出。

在一个实施例中，所述步骤S1，包括：