كاليبراسيون سنسور شتاب ميكروالكترومكانيكي با روش هاي شبكه عصبي و بهينه سازي ازدحام ذرات

Calibration of MEMS accelerometer with Neural network and Particle Swarm Optimization methods

امروزه استفاده از سنسورهاي شتاب ساخته شده با فن آوري سيستم هاي ميكروالكترومكانيكي به خصوص در سيستم ناوبري اينرسي بسيار رايج است. اين سنسورها نسبت به سنسورهاي مكانيكي داراي ابعاد كوچكتر و هزينه كمتري هستند اما نكته ي حائز اهميت در استفاده از اين سنسورها اينست كه اندازه گيري آنها با خطاهايي همراه است. با توجه به اينكه براي رسيدن به موقعيت از روي خروجي شتاب سنج نياز به دوبار انتگرال گيري مي باشد، در صورت وجود خطا در خروجي شتاب سنج يك خطاي درجه 2 در موقعيت رخ خواهد داد. بنابراين براي كاهش اين خطاها، كاليبره كردن اين سنسورها الزامي است . در اين مقاله به منظور كاليبراسيون شتاب سنج سيستم هاي ميكروالكترومكانيكي مدل رياضي اي براي آن در نظر گرفته شده و پارامترهاي مدل (ضريب مقياس، باياس و عدم تنظيم محورها) با روش هاي شبكه ي عصبي مصنوعي و الگوريتم بهينه سازي ازدحام ذرات تعيين مي شوند. ملاك تعيين پارامترهاي مدل تطبيق مولفه هاي خروجي اندازه گيري شده سنسور با مولفه هاي شتاب واقعي جاذبه زمين تا حد امكان مي باشد. نتايج بدست آمده از روش هاي مختلف كاليبراسيون ارائه شده در اين مقاله نشان مي دهد كه اين روش ها منجر به استخراج مدل هايي با خطاي كمتر و دقت بيشتر شده و عملكرد سنسور شتاب بهبود بخشيده شده است.

Today, the use of accelerometers built with the technology of microelectromechanical systems, especially in the inertial navigation system, is very common. These sensors are smaller in size and less costly than mechanical sensors but the important thing about using these sensors is that their measurement involves errors. Given that the accelerometer output needs to be doubly integrated to achieve the position ,in the event of an error in the accelerometer output, a second-degree error occurs in position. Therefore, to reduce these errors, it is necessary to calibrate these sensors. In this paper, in order to calibrate the accelerometer of microelectromechanical systems, the mathematical model considered for it and model parameters (scale factor, bias and non-alignment axes) are determined by artificial neural network and particle swarm optimization algorithms. The criterion for determining the parameters of the model is the matching of the measured components of the sensor with the gravitational acceleration components of the earth as far as possible. The results obtained from the various calibration methods presented in this paper show that this methods have led to the extraction of models with less error and greater accuracy, and the acceleration sensor function has been improved.