جبران بایاس متغیر با دما در ژایروسکوپ‌های نرخی میکروالکترومکانیکی با استفاده از فیلتر کالمن گسترش‌یافته در حرکات شتاب‌دار

بایاس اولیه در ژایروهای نرخی میکروالکترومکانیکی متغیری تصادفی است که با هر بار روشن و خاموش‌شدن تغییر می‌کند. می‌توان به کمک میانگین‌گیری خطا در حالت سکون یا با استفاده از فیلتر کالمن توسعه‌یافته مقدار بایاس اولیه را تخمین زد و اثرات آن را کاهش داد. به‌علاوه، این بایاس با دما و شتاب خطی نیز تغییر می‌کند. معمولاً برای جبران‌سازی دما از منحنی‌های استخراج‌شده از آزمایش‌های بررسی اثر تغییر دما بر روی بایاس استفاده می‌شود. این منحنی‌ها تقریبی بوده و با گذشت زمان اثر خطای آنها در زاویه محاسبه‌شده از ژایروی نرخی، بر هم انباشته شده و دقت نتایج کاهش می‌یابد. در این مطالعه سعی شده است تا با تلفیق نتایج فیلتر کالمن توسعه‌یافته با نتایج این منحنی‌ها و بهره‌گیری از مزایای هر دو روش دقت محاسبات بهبود یابد. همچنین در مواردی که حرکت، شتاب‌دار است با کمک الگوریتم سوییچ‌کننده از ورود داده‌های اشتباه به تخمین جلوگیری شده تا بایاس به‌صورت اشتباه تخمین زده نشود. در این حالت جبران‌سازی دمایی وظیفه اصلاح بایاس در اثر تغییر دما را از انتهای مرحله استفاده از فیلتر کالمن به عهده دارد. نتایج آزمون‌های تجربی بر روی حس‌گر مورد مطالعه نشان‌دهنده موثربودن روش پیشنهادی در کاهش بایاس آن در حرکات شتاب‌دار طولانی‌مدت است.

Compensation of Thermal Bias for Micro-Electro-Mechanical Rate Gyroscope by Using Extended Kalman Filter in Accelerated Motions

Initial bias is a random parameter in microelectromechanical rate gyroscopes that changes with each turn on and turn off. The bias can be estimated by averaging in static condition or by extended Kalman filter in other conditions. In addition, this parameter is affected by temperature or linear acceleration. Curve fitting on the bias variation of microelectromechanical rate gyroscopes due to thermal effects is a usual method for thermal compensation of these sensors. However, these approximate curves cannot completely compensate the effect of the thermal bias in longtime applications. In this study, it is tried to improve the calculating accuracy by a combination of extended Kalman filter and the results of these curves and using advantages of both methods. Also bias estimation is improved using the switching algorithm in accelerated motions by avoiding improper data in the estimation process. Experimental tests show the effectiveness of this method especially in longtime accelerated motions.