基于CEEMD的水下机器人MEMS陀螺降噪方法.pdf

《基于CEEMD的水下机器人MEMS陀螺降噪方法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第27卷第12期传感技术学报V01．27No．12CHINESEJOURNALOFSENSORSANDACTUATORSDee．20142014年l2月DenoisingMethodofMEMSGyroofanUnderwaterVehicleBasedonCEEMDZHANGMing，ZENGQingjun，suIXiang，LUYingying，LIUHuiting(SchoolofElectronicandIoformation，JiangsuUniversityofScienceandTechnology，ZhenjiangJiangsu212003，China)Abst

2、ract：MEMS—basedgyroscopeisvulnerabletomanynoises，especiallyhigh—frequencynoiseswhenexecutingunderwatertasks，whichisdetrimentaltoalong—runsystem，requiringdenoisingdatainreal-time．ComplementaryEnsembleEmpiricalModeDecomposition(CEEMD)isanoveltysignaldecompositionalgorithmaccordingtoscalesandsig

3、es，andsignal’svibrationgraduallyreduceswithdecompositionlevels．Anditcanseparatesignalsamongdif-ferentfrequencies．TakingMEMSgyroscopeofunderwatervehicleasaresearchobject，thispaperappliesCEEMDtodecomposegyroscopesignalsacquiredduringexperimentsinordertoextracteffectiveinformation．Meanwhile，A1一l

4、anVarianceisutilizedtoverifytheeffectivenessofCEEMD．SimulationresuhsdemonstratethatCEEMDhasagoodfilteringeffectonrandomnoiseandhigh—frequencysignals．Keywords：MEMS；denoising；CEEMD；AllanvarianceEEACC：7130：7230Mdoi：10．3969／j．issn．1004-1699．2014．12．007基于CEEMD的水下机器人MEMS陀螺降噪方法米张明，曾庆军，眭翔，鲁迎迎，刘慧婷(江苏科

5、技大学电子信息学院，江苏镇江212003)摘要：MEMS陀螺仪工作时，容易受到各种噪声，尤其是高频噪声影响，不利于导航系统长时间工作，因此需要对数据实时去噪。互补集合经验模态分解(CEEMD)是一种按照自身尺度进行信号分解的算法，信号震荡随着分解级数逐渐减小，能够较好地分离高频和低频信号。以水下机器人MEMS陀螺仪为研究对象，根据水下实测数据，采用CEEMD分解陀螺信号，提取有效信息，并利用Allan方差验证CEEMD的有效性。仿真结果表明CEEMD对随机噪声、高频信号具有良好的降噪效果。关键词：MEMS；降噪；CEEMD；Allan方差中图分类号：TP202文献标识码：A文章编

6、号：1004-1699(2014)12-1622-05在惯性导航中，微机电系统MEMS(Micro—混叠效应，更好地分离各个本征模态函数(IMF)的尺Electro—MechanicalSystem)已经屡见不鲜。MEMS度；还避免了集合经验模态分解(EEMD)中由白噪惯性器件由于体积小、集成度高、成本低等优点日益声引起的分解误差，使原始信号通过IMFs重构得到受到人们的欢迎，应用领域越来越广，是惯性导航领准确重建，减少筛选次数，提高计算效率。因此，惯导域发展的主要方向之一l1J。微惯性基本器件包括数据经过CEEMD分解后得到一系列IMF函数，根据加速度计和陀螺仪，是微惯性导航系

7、统的主要组成信号特性、噪声来源等可以人为地对IMFs处理得到部分。在实际应用中，加速度计和陀螺仪因自身特新的、经过滤波的信号。为了对陨性器件误差项进行性和外界干扰等，其测量精度受到零漂、非线性度、分析和识别，可以使用Allan方差对惯性器件测量数交叉灵敏度、温漂等噪声影响_2J，不利于长期工作。据进行处理。以MEMS陀螺仪为例，Allan方差辨识因此，去除信号中的噪声至关重要。的误差主要包括量化噪声Q、角度随机游走Ⅳ、零偏互补集合经验模态分解CEEMD(Complementary