[发明专利]一种阵列式MEMS传感器控制方法及系统

说明书

本发明涉及一种阵列式MEMS传感器控制方法及系统，方法包括：获取多个MEMS传感器的量测数据；对量测数据进行一阶马尔科夫过程描述，构建量测数据的动态和量测模型进而确定量测值；以期望最大化为目标对量测值的概率密度的对数进行灵敏度衰减随机参数的辨识迭代和期望步迭代得到传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值；根据传感器的节点的最优局部状态和灵敏度衰减随机参数辨识值确定任意两个传感器之间的估计误差协方差；根据估计误差协方差和传感器的节点的最优局部状态利用分布式融合估计器确定灵敏度衰减下阵列式MEMS传感器系统的最优状态估计。本发明能够提升MEMS传感器的灵敏度衰减下的精度性能。

技术领域

本发明涉及微电机系统领域，特别是涉及一种阵列式MEMS传感器控制方法及系统。

背景技术

MEMS传感器凭借其低成本、体积小、低功耗等优势已被广泛应用于许多领域，包括人工智能、物联网、消费电子和工业4.0等。MEMS传感器凭借其小型化及低成本等优势促进了阵列式控制技术的发展，该方法因其可以提供更精确全面的信息处理能力而备受关注。

然而在实际工作环境中，环境未知扰动因素，如大温差、压差、大冲击、强振动等，广泛作用于MEMS传感器阵列，导致各个MEMS传感器灵敏度衰减，极大地恶化了传感器精度性能，进而制约其在高精度领域的应用。因此，提升MEMS传感器阵列在灵敏度衰减下的高精度保持能力成为该技术领域的重要研究内容。检索发现，有的现有技术中提出一种判断灵敏度衰减准则并设计一种改进的联邦扩展卡尔曼滤波器可有效地改进传多感器系统在灵敏度衰减下的整体精度性能；然而，该方法中所分析讨论的传感器灵敏度衰减统计特征参数受限，且滤波器设计过程中引入了新的随机参数假设使得处理结果具有偶然性，使其滤波系统性能鲁棒性差；有的现有技术对多传感器系统灵敏度衰减统计参数特征分析讨论的局限性做出全面分析讨论，并设计一种实时加权分布式融合估计滤波器得到系统最优状态并分析了系统的渐近稳定性和稳态特性，但其计算过程非常复杂降低算法实时性。上述方法均是在假定参数统计特征具有一定规律或者存在先验分布规律的条件下实现系统性能提升优化。然而，传感器灵敏度衰减参数是不含任何先验信息，无法用假定已知的参数统计量去计算处理的。

发明内容

本发明的目的是提供一种阵列式MEMS传感器控制方法及系统，以提升MEMS传感器的灵敏度衰减下的精度性能。

为实现上述目的，本发明提供了如下方案：

一种阵列式MEMS传感器控制方法，包括：

获取多个MEMS传感器的量测数据；

对所述量测数据进行一阶马尔科夫过程描述，构建量测数据的动态和量测模型；

根据所述量测数据和所述动态和量测模型确定量测值；

以期望最大化为目标对所述量测值的概率密度的对数进行灵敏度衰减随机参数的辨识迭代和期望步迭代得到所述传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值；

根据所述传感器的节点的最优局部状态和所述灵敏度衰减随机参数辨识值确定任意两个所述传感器之间的估计误差协方差；

根据所述估计误差协方差和所述传感器的节点的最优局部状态利用分布式融合估计器确定灵敏度衰减下阵列式MEMS传感器系统的最优状态估计。

可选的，所述以期望最大化为目标对所述量测值的概率密度的对数进行灵敏度衰减随机参数的辨识迭代和期望步迭代得到所述传感器的节点的最优局部状态估计和灵敏度衰减随机参数辨识值，具体包括：

根据所述量测值的概率密度的对数确定完整数据的对数似然函数；所述完整数据为所述传感器的量测值；

根据所述完整数据的对数似然函数确定数学期望表达式；所述数据期望表达式为在设定带宽内的对数似然函数在传感器灵敏度衰减条件下的数学期望表达式；