简介:惯性导航加速度计是惯导系统的关键元件之一,由于单轴摆式加速度计具有量程大、精度高而被广泛使用。对悬丝作为敏感线圈的支撑,在整个单轴摆武加速度计中属关键零件,同时也是加速度计中最易失效的零件。对悬丝断口、材质、工艺过程及测试环境进行了分析研究。结果表明:过载断裂是悬丝的主要失效形式,其次为疲劳断裂;悬丝失效受综合因素的影响,包括悬丝内部缺陷、材质不均、焊接过程控制问题、测试环境因素等,其中最主要的因素是悬丝内部各种缺陷。在此基础上,提出了严格控制悬丝加工工艺过程、改用可焊接性能良好的抗氧化无铅焊料KYHFSn96.5AgCu代替普通的铅锡焊料HLSn40PbA焊接等改进措施,有效地预防了加速度计悬丝的断裂失效。
简介:由于MEMS陀螺精度低、漂移大,使得MEMS陀螺和加速度计构成的微惯性导航系统(Micro-INS)的精度很低,导航定位误差发散很快,不能满足载体进行导航定位定姿的要求。而相对MEMS陀螺,MEMS加速度计精度较高,据此提出用MEMS加速度计来构成的无陀螺微惯性导航系统(GyroFreeMicroInertialNavigationSystem,GFMINS),即通过将高精度的MEMS加速度计安放在载体非质心处,代替陀螺来测量载体角运动信息,实现在短时间内的载体角速度测量精度优于MEMS陀螺的精度,以满足某些短时间运行载体的导航定位定姿要求。最后,针对某型火箭弹的运动模型,对两种惯导系统进行了仿真,结果表明,由误差补偿后MEMS加速度计构成的无陀螺微惯导系统,在100s内的导航误差等效于传统惯导系统中陀螺漂移0.1(°)/h的误差。
简介:为了便于获取步态数据,采用μPD78F0547微控制器、LIS3LV02DQ微加速度计、nRF2401无线收发芯片等主要器件,设计了步态加速度信号无线采集装置。将该装置的一端固定于人体腰或腿等部位,按设定的采样率连续输出运动时的三维加速度数据;另一端接收数据并通过串行接口实时地传送到计算机中,从而实现大量步态数据的采集和存储。
简介:为了确保静电加速度计长期在轨工作,结合非线性Batch估计算法,研究了静电加速度计标度因数和零偏误差标定。首先,充分考虑静电加速度计量测过程中可能出现的各种误差源并进行分析,建立了静电加速度计在动态设计良好并进入稳态后,卫星姿态稳定度优于0.01°/s,卫星质心保持精度优于2mm的情况下的量测模型。然后,将高精度地球引力场模型和静电加速度计量测数据代入非线性Batch估计算法的的动力学方程中,将GPS量测数据代入非线性Batch估计算法的量测方程中,建立了静电加速度计标定因数和零偏误差标定模型。最后,通过数学仿真验证了该方法的可行性,其标定精度可达到0.2%,具有一定工程应用参考价值。
简介:基于Sigma-deltaModulator(Σ△M)原理的数字闭环微机械加速度计不仅实现了力反馈闭环控制,同时直接完成信号的模数转换。基于全差分式电容微加速度设计了一种2-2级联式(MASH)高阶Σ△M闭环系统——MASH_(2-2),并与传统的单环路二阶、四阶Σ△M闭环系统(SD2、SD4)进行了仿真分析比较,研制了原理样机。微加速度计是基于结构层厚度50mm的SOI硅片通过DRIE刻蚀、气态HF释放等一系列微加工工艺得到,系统电路以数字化方式集成在FPGA中。常压下测试结果表明,样机的灵敏度为0.876V/g,噪声基底为-110dB,零偏不稳定性为20mg,静态温漂为40.8mg/℃,量程为±20g。
简介:针对"FBAR(薄膜体声波谐振器)-梁"结构悬臂梁厚度不足、"嵌入式FBAR"结构微加工工艺复杂的缺点,提出了新型"膜片上FBAR(FBAR-on-diaphragm)"结构的微加速度计。其弹性膜片由氧化硅/氮化硅复合薄膜构成,既便于实现与硅微检测质量和FBAR的IC兼容集成加工,也利于改善微加速度计的灵敏度和温度稳定性。对由氧化硅/氮化硅双层复合膜片-硅检测质量惯性力敏结构和氮化铝FBAR检测元件集成的膜片上FBAR型微加速度计进行了初步的性能分析,验证了该结构的可行性。通过有限元模态分析和静力学仿真得出惯性加速度作用下膜片上FBAR结构的固有频率和弹性膜片上的应力分布;选取计算所得的最大应力作为FBAR中压电薄膜的应力载荷,结合依据第一性原理计算得到的纤锌矿氮化铝的弹性系数-应力关系,粗略估计了惯性加速度作用下氮化铝薄膜弹性系数的最大变化量;采用射频仿真软件,通过改变惯性加速度作用下弹性常数所对应的纵波声速,对比空载和不同惯性加速度作用下加速度计的谐振频率,得到加速度计的频率偏移特性和灵敏度。进一步分析仿真结果还发现:氧化硅/氮化硅膜片的一阶固有频率与高阶频率相隔较远,交叉耦合小;惯性加速度作用下,谐振频率向高频偏移,灵敏度约为数kHz/g,其加速度-谐振频率偏移特性曲线具有良好的线性。
简介:旨在引入神经网络算法以提高加速度计活动强度的预测准确性,以44名大学生(男女各22名)为样本,让其同时佩戴气体代谢分析仪CosmedK482和加速度计(Actigraph—GT3X)进行3类11项体力活动(每项活动5rain),使用Matlab7.0软件运用留一法交叉验证BP神经网络模型,通过其与Hendleman模型和Crouter模型在RMSE、Bias和B—A图上的横向比较评估其效度。结果显示3—18—1的三层神经网络模型(参数误差率O.001、初始学习率0.02、动量常量0.7)的RMSE为1.08,在B—A图上一致性区间之外的点占总数的4.3%、一致性界限差值的绝对值为2.7,每分钟活动强度(除骑行外)的分类准确性分别为84.3%(小强度)、83.2%(中等强度)和89.8%(大强度),神经网络模型在整体强度和各个活动项目强度的预测上的准确性均好于Hendleman和Crouter模型,并且在活动强度分类准确性上更优。未来应进一步探究机器学习中其它算法在该领域的应用,优化整合指标体系和各类模型之间的关系。