一种无人机MEMS传感器阵列的自校准方法及装置

本技术涉及故障检测及补偿，具体而言，涉及一种无人机mems传感器阵列的自校准方法及装置。

背景技术：

1、在无人机（uav）这一高度动态且资源受限的平台上，mems传感器的应用，特别是mems传感器阵列已经应用到环境监测、目标跟踪等多个复杂场景。在这些应用场景中，无人机的稳定性和精准控制至关重要，而这很大程度上依赖于无人机上搭载的传感器系统，特别是mems传感器阵列的准确性和可靠性。

2、mems传感器阵列是无人机实现姿态控制、导航和稳定飞行的关键组件，其能够实时测量无人机的加速度、角速度和方向变化，为飞行控制系统提供必要的输入数据。然而mems传感器也会遇到很多问题：第一、精度下降：mems传感器由于其微型化设计，在长期使用或极端环境下可能表现出测量精度的逐渐降低。这会影响到无人机的姿态估计和导航准确性，从而影响飞行稳定性与任务执行的精确度。第二、信号漂移：温度波动、机械振动等外部因素可引起mems传感器输出信号的非预期漂移，导致传感器读数与实际物理量之间出现偏差。漂移问题使得持续的校准和补偿算法变得尤为重要，否则会累积误差，影响飞行安全。第三、环境适应性：在诸如强风、极端温度（高温或低温）、强烈震动等恶劣飞行环境中，mems传感器的性能可能大幅衰减。例如，极端温度可能导致传感器元件特性改变，强震动则可能引起读数噪声增大，这些都对数据的有效性和可靠性构成威胁。第四、故障率：相较于传统传感器，mems传感器虽体积小、功耗低，但可能因更敏感的结构设计而在高冲击或频繁振动条件下更容易受损或失效，增加了系统维护的需求和难度。第五、融合与校正技术的需求：为了克服上述挑战，往往需要采用高级的数据融合算法（如卡尔曼滤波器）以及复杂的校正技术来提高传感器数据的可靠性和精确度，这不仅增加了系统的复杂性，也可能影响到实时性要求高的任务执行。

3、因此，如何解决现有技术中的mems传感器阵列在正常使用或恶劣环境下面临精度下降、漂移和故障会出现精度异常的问题成为本领域技术人员需要考虑的方向之一。

技术实现思路

1、本技术的目的在于，为了克服现有的技术缺陷，提供了一种无人机mems传感器阵列的自校准方法及装置，采用数据重构和置信区间预测实现对单一故障和多故障的隔离恢复，同时对mems传感器阵列的长期漂移信号进行实时补偿，能提高传感器阵列的稳定性以及无人机的性能和可靠性。

2、本技术目的通过下述技术方案来实现：

3、第一方面，本技术提出了一种无人机mems传感器阵列的自校准方法，所述方法包括：

4、在无人机mems传感器阵列正常工作时采集传感器数据，利用传感器数据结合主成分分析训练基于pca的故障检测模型；

5、利用训练后的故障检测模型进行故障检测，在检测到故障信号时识别故障传感器；

6、在单一故障的情况下利用数据重构对故障传感器中的错误数据进行替换得到恢复后的数据；

7、在多故障的情况下使用置信区间预测法求解故障传感器中的多故障问题得到恢复后的数据；

8、对正常数据和恢复后的数据进行在线动态漂移补偿。

9、在一种可能的实施方式中，在无人机mems传感器阵列正常工作时采集传感器数据，利用传感器数据结合主成分分析训练基于pca的故障检测模型的步骤，包括：

10、对传感器数据中的样本矩阵进行预处理得到数据矩阵；

11、对数据矩阵执行主成分分析得到协方差矩阵；

12、对协方差矩阵进行奇异值分解得到特征值矩阵和特征向量矩阵；

13、基于特征值矩阵和特征向量矩阵构建故障检测模型。

14、在一种可能的实施方式中，基于特征值矩阵和特征向量矩阵构建故障检测模型的步骤，包括：

15、基于特征值矩阵计算出累积百分比方差：，其中为特征值矩阵中的元素，k为特征向量矩阵的特征向量选取个数，m为样本个数；

16、根据累积百分比方差选取特征向量矩阵前k个特征向量进行降维，构建故障检测模型。

17、在一种可能的实施方式中，对传感器数据中的样本矩阵进行预处理得到数据矩阵的步骤，包括：

18、在无人机mems传感器阵列正常工作时采集传感器数据；

19、使用z-score算法剔除传感器数据中的奇异点得到剔除后的数据；

20、使用savitzky-golay滤波器对剔除后的数据进行滤波得到滤波后的数据；

21、对滤波后的数据进行归一化或标准化得到数据矩阵。

22、在一种可能的实施方式中，利用训练后的故障检测模型进行故障检测，在检测到故障信号时识别故障传感器的步骤，包括：

23、利用投影矩阵将测试样本投影至预测子空间和残差子空间之后计算spe统计量和投影矩阵的阈值，预测子空间由特征向量矩阵前k个特征向量构成，残差子空间为特征向量矩阵中的其余n-k个特征向量构成；

24、在spe统计量大于投影矩阵的阈值的情况下表明故障检测模型检测到故障信号，基于故障信号确定故障传感器在阵列中的位置。

25、在一种可能的实施方式中，在单一故障的情况下利用数据重构对故障传感器中的错误数据进行替换得到恢复后的数据的步骤，包括：

26、在单一故障的情况下基于故障样本向量的正常分量、故障幅度分量以及故障方向的单位矩阵定义故障样本向量；

27、将故障样本向量投影至故障检测模型中，并利用故障检测模型的主成分空间来进行数据重构；

28、利用迭代更新机制改进对故障数据的估计，在经过多次迭代调整后的估计值等于真实无故障值时，则对故障传感器中的错误数据进行替换得到恢复后的数据。

29、在一种可能的实施方式中，在多故障的情况下使用置信区间预测法求解故障传感器中的多故障问题得到恢复后的数据的步骤，包括：

30、定义包含所有潜在故障方向的集合，按照集合中每种故障方向依次进行数据重构，得到平方预测误差值；

31、当平方预测误差值高于预设控制阈值时判定存在多故障的情况，采用基于bootstrap方法建立时间序列模型估算置信区间范围；

32、当实际测量到的信号超出置信区间范围时，利用置信区间的中位数值替代故障传感器的读数。

33、在一种可能的实施方式中，对正常数据和恢复后的数据进行在线动态漂移补偿的步骤，包括：

34、判断正常数据当前累积的数据处理步长是否小于预设更新阈值，若小于则增加步长计数器并等待，若大于则基于恢复后的数据将步长设置为零；

35、若故障信号标志位为1则处理与基线之间的差异，若故障信号标志位为0则采用有效数据来更新基线矩阵。

36、第二方面，本技术提出了一种无人机mems传感器阵列的自校准装置，所述装置包括：

37、训练模块，用于在无人机mems传感器阵列正常工作时采集传感器数据，利用传感器数据结合主成分分析训练基于pca的故障检测模型；

38、识别模块，用于利用训练后的故障检测模型进行故障检测，在检测到故障信号时识别故障传感器；

39、数据重构模块，用于在单一故障的情况下利用数据重构对故障传感器中的错误数据进行替换得到恢复后的数据；

40、问题求解模块，用于在多故障的情况下使用置信区间预测法求解故障传感器中的多故障问题得到恢复后的数据；

41、漂移补偿模块，用于对正常数据和恢复后的数据进行在线动态漂移补偿。在一种可能的实施方式中，训练模块，还用于：

42、对传感器数据中的样本矩阵进行预处理得到数据矩阵；

43、对数据矩阵执行主成分分析得到协方差矩阵；

44、对协方差矩阵进行奇异值分解得到特征值矩阵和特征向量矩阵；

45、基于特征值矩阵和特征向量矩阵构建故障检测模型。

46、上述本技术主方案及其各进一步选择方案可以自由组合以形成多个方案，均为本技术可采用并要求保护的方案；且本技术，（各非冲突选择）选择之间以及和其他选择之间也可以自由组合。本领域技术人员在了解本技术方案后根据现有技术和公知常识可明了有多种组合，均为本技术所要保护的技术方案，在此不做穷举。

47、本技术公开了一种无人机mems传感器阵列的自校准方法及装置，涉及故障检测及补偿技术领域，首先在无人机mems传感器阵列正常工作时采集传感器数据，利用传感器数据训练故障检测模型，在故障检测模型检测到故障信号时利用数据重构技术识别故障传感器，在单一故障的情况下使用数据重构替换故障传感器中的错误数据得到恢复后的数据，在多故障的情况下使用置信区间预测法求解故障传感器中的多故障问题得到恢复后的数据，最后对正常数据和恢复后的数据进行在线动态漂移补偿。采用数据重构和置信区间预测实现对单一故障和多故障的隔离恢复，同时对mems传感器阵列的长期漂移信号进行实时补偿，能提高传感器阵列的稳定性以及无人机的性能和可靠性。