Modellering av MEMS-treghetssensorer i et navigasjonssystem

Abstract

Denne oppgaven tar for seg modellering av MEMS-treghetssensorer. Det er utviklet matematiske modeller av støybidragene til MEMS-treghetssensorer, og støyparametere er funnet basert på målinger fra sensoren STIM300. Modellene blir implementert i et treghetsnavigasjonssystem i Matlab. Etter modellene er testet utvides modellen i NavLab for MEMS-sensorer. Det blir kjørt Monte Carlo-simuleringer og fysiske tester med MEMS-treghetssensorer og Kalmanfilter med de utvidede modellene. De nye utvidede modellene tar med fargede støy-komponenter med lang tidskonstant i tilstanden til Kalmanfilteret. Slik estimerer Kalmanfilteret nivået til støybidragene mer detaljert for MEMS-treghetssensorene enn de konvensjonelle modellene. Effekten av å utvide modellen ser ut til å avhenge av størrelsen på støyen med den lange tidskonstanten i forhold til resten av støybidraget og lengden på intervallet det estimeres på. Størrelsene til de forskjellige støyene vil variere mellom forskjellige sensorer, og type sensor kan være avgjørende for nytten i å utvide modellen. Resultatene fra de ulike testene tyder på at det er lavere kovarians på estimatene som bruker de nye og utvidede støymodellene fremfor de konvensjonelle.

This thesis is about modeling of MEMS inertial sensors. It is developed mathematical models of the noise contributions to MEMS inertial sensors, and noise parameters are found based on measurements from the sensor STIM300. The models are implemented in an inertial navigation system in Matlab. After the models are tested the model in NavLab are extended for MEMS sensors. Monte Carlo simulations and physical tests are done with MEMS inertial sensors and the Kalman Filter with the extended models. The new extended models include colored noise components with long time constants in the condition of Kalman Filter. In this way the Kalman Filter is estimating the level of noise contributions in more detail for MEMS inertial sensors than conventional models. The effect of extending the model appears to depend on the size of the noise with the long time constant compared to the rest of the noise contribution and the length of the interval that is estimated. The sizes of the various noise will vary between different sensors and the sensor type can be crucial for usefulness in expanding the model. The results of the various tests suggest that there is a lower covariance of the estimates using the new and expanded noise models rather than the conventional.