微机电结构传感器标定方法及装置与流程

本发明涉及微机电结构(mems,microelectromechanicalsystems)传感器领域，具体涉及一种微机电结构传感器标定方法及装置。

背景技术：

mems传感器是一种微米级的类似于集成电路芯片的器件，其包括硅微电子技术加工的机械振动系统和用于信号转换控制的专用集成电路(asic)系统。mems传感器在汽车、医疗、移动电子设备等领域有着广泛的应用，例如其可在汽车的电子稳定控制(esc)系统、制动防抱死(abs)系统中用于检测角速度和横向/纵向加速度等。

由于mems传感器在安装时会存在一定的安装误差，造成使用时输出值的误差，因此需要在mems传感器安装后对其进行标定，即确定安装误差的大小，以便对输出值进行校正。目前对mems传感器的标定方法是在mems传感器安装后第一次上电时，读取传感器输出值作为初始误差值，之后在使用过程中将每次读取的传感器输出值减去该初始误差值，作为正确的传感器输出值。

然而，mems传感器的输出数据实际上受到环境温度的影响很大。而目标的mems传感器标定方法仅考虑了机械安装误差的影响，没有考虑环境温度的影响。

可见，本领域中需要一种改进的mems传感器标定解决方案。

技术实现要素：

在本发明的一个方面，提供了一种微机电结构mems传感器标定方法，包括：获取mems传感器安装之后的初始误差；获取mems传感器在工作时的环境温度；根据所述mems传感器在工作时的环境温度以及所述环境温度与mems传感器误差之间的关系确定所述mems传感器的环境温度误差；以及使用所述mems传感器的初始误差和环境温度误差对所述mems传感器的输出值进行标定。

在本发明的另一个方面，提供了一种微机电结构mems传感器标定装置，包括：mems传感器；温度传感器，其被配置为检测所述mems传感器在工作时的环境温度；微控制器，其被配置为：获取所述mems传感器安装之后的初始误差；根据所述mems传感器在工作时的环境温度以及环境温度与mems传感器误差之间的关系确定所述mems传感器的环境温度误差；以及使用所述mems传感器的初始误差和环境温度误差对所述mems传感器的输出值进行标定。

附图说明

图1示例性的示出了根据本发明的实施例的一种mems传感器标定方法；

图2示例性地示出了根据本发明的实施例的mems传感器的标定方法所使用的神经网络结构；以及

图3示例性地示出了根据本发明的实施例的一种mems传感器标定装置的结构框图。

具体实施方式

下面参照附图描述本发明的实施例。在下面的描述中，阐述了许多具体细节以便使所属技术领域的技术人员更全面地了解和实现本发明。但是，对所属技术领域的技术人员明显的是，本发明的实现可不具有这些具体细节中的一些。此外，应当理解的是，本发明并不局限于所介绍的特定实施例。相反，可以考虑用下面所述的特征和要素的任意组合来实施本发明，而无论它们是否涉及不同的实施例。因此，下面的方面、特征、实施例和优点仅作说明之用，而不应看作是权利要求的要素或限定，除非在权利要求中明确提出。

现参照图1，其示意性地示出了根据本发明的实施例的一种mems传感器标定方法。

如图1中所示，根据本发明的实施例的该微机电结构mems传感器标定方法包括以下步骤：

在步骤101，获取mems传感器安装之后的初始误差。

在mems传感器安装(例如安装到汽车的esc系统或abs系统，或者安装到其他应用场景)之后，由于存在一定安装误差，因此mems传感器第一次上电后的初始输出值并非为零(而在理想状态下，由于mems传感器所安装于其上的汽车等仍处于静止状态，因此其初始输出值应当为零)，因此可以读取和存储该初始输出值，作为mems传感器的初始误差(即由安装误差造成的输出值误差)。该mems传感器例如可以与一控制器相连，从而该控制器可以获取和存储该mems传感器的初始输出值，作为其初始误差。这样，在mems传感器工作时，该控制器可以获取其存储的所述初始误差，以用于如下所述对mems输出值的标定。所述控制器例如可以为汽车的esc系统或abs系统的微控制器，也可以为其他应用场景中的控制器或处理器。

在步骤102，获取mems传感器在工作时的环境温度。

所述环境温度例如可以由安装在所述mems传感器附近的温度传感器测量，所述温度传感器例如可以与所述控制器相连，从而所述控制器可以获取所述温度传感器测量的环境温度。

在步骤103，根据所述mems传感器在工作时的环境温度以及所述环境温度与mems传感器误差之间的关系确定所述mems传感器的环境温度误差。

所述环境温度与mems传感器误差之间的关系例如可以是事先建立的，并以软件代码和/或数据的形式存储在所述控制器中(或与所述控制器关联的存储器中)，这样，所述控制器就可以根据所存储的环境温度与mems传感器误差之间的关系以及在步骤102中获取的mems传感器在工作时的环境温度确定对应于该环境温度的mems传感器误差，即在mems的环境温度误差。

在步骤104，使用所述mems传感器的初始误差和环境温度误差对所述mems传感器的输出值进行标定。该步骤例如可以由所述控制器执行。

与现有技术的仅使用mems传感器的初始误差对mems传感器的输出值进行标定的现有技术相比，根据本发明的实施例的mems传感器标定方法既考虑到由安装误差造成的初始误差，也考虑到由环境温度造成的环境温度误差，因此能够反映环境温度对mems传感器输出值的影响，从而能够更准确地对mems传感器进行标定，获得更准确的mems输出值。

在一些实施例中，所述使用所述mems传感器的初始误差和环境温度误差对所述mems传感器的输出值进行标定的步骤104具体包括：

将所述mems传感器的输出值减去所述mems传感器的初始误差和环境误差，作为所述mems传感器的标定后的输出值。

在一些实施例中，所述环境温度与mems传感器误差之间的关系体现在训练好的神经网络中。该训练好的神经网络例如可以软件代码和/或数据的形式存储在所述控制器或与其关联的存储器中。

在一些实施例中，所述mems传感器标定方法还包括如下可选步骤：

在步骤105，建立所述环境温度与mems传感器误差之间的关系。

该步骤105可以在上述步骤101-104之前完成，并可以将所建立的环境温度与mems传感器误差之间的关系以软件代码和/或数据的形式存储在所述控制器或与其关联的存储器中。

在一些实施例中，所述建立环境温度与mems传感器误差之间的关系的步骤105包括如下子步骤：

在mems传感器的温度测试中，获得环境温度与mems传感器误差样本数据；以及

使用所述环境温度与mems传感器误差样本数据训练神经网络，所述神经网络的输入为环境温度，所述神经网络的输出为mems传感器误差。

所述步骤105及其子步骤可以在单独的mems传感器的温度测试中,使用mems传感器温度测试设备来进行。所述mems传感器温度测试设备例如可包括温箱和放置在温箱中的转台，所述温箱中的温度和温度变化方式可以进行设置(例如通过温箱的操作面板)，以模拟mems传感器的实际工作情况下的环境温度变化；mems传感器可以安装在转台上，转台的转速和加速度可以设置，以模拟实际工作情况下mems传感器的角速度和加速度及其变化，从而可以获得mems传感器在特定环境温度下的误差，即在特定环境温度下mems传感器的输出值与实际转速或加速度值(例如，该实际转速或加速度值为所设置的转速或加速度值，或者以其他方式测量的转速或加速度值)。当使用mems传感器温度测试设备获得大量环境温度与相应的mems传感器误差样本数据后，就可以使用所述数据对所述神经网络进行训练。

在进一步的一些实施例中，所述训练神经网络是使用反向传播(bp，请写出英文全称)算法进行的。

在更进一步的一些实施例中，所述神经网络包括输入层、输出层和一个隐含层。例如，所述输入层的节点数为1，输出层的节点数为1，隐含层的节点数为5-14，例如10。所述隐含层的节点数可以根据系统需求调整，例如，根据不同的mems传感器调整，因此，在其他实施例中，所述隐含层的节点数可以为其他数值。

在更进一步的一些实施例中，所述反向传播算法的最大迭代次数为400-1500，例如500，训练速率为0.001-0.01，例如0.005，最大可接受误差为0.001-0.01，例如0.005。所述最大迭代次数为、训练速率和最大可接受误差可以根据系统需求调整，例如，根据不同的mems传感器调整，因此，在其他实施例中，所述最大迭代次数、训练速率和最大可接受误差可以为其他数值。

根据本发明的实施例的mems传感器标定方法，由于采用了神经网络，可以较好地反映环境温度与mems传感器误差之间的关系，且可以通过bp算法较方便和迅速地对神经网络进行训练。

以上参照附图描述了根据本发明的实施例的mems传感器标定方法，应指出的是，以上描述仅为示例，而不是对本发明的限制。在本发明的其他实施例中，该方法可具有更多、更少或不同的步骤，且各步骤之间的顺序、包含、功能等关系可以与所描述和图示的不同。例如，通常多个步骤可以合并为一个步骤，一个步骤也可以划分为多个步骤，各步骤之间的实际执行顺序未必是图示或描述中的顺序，等等。所有这些变化都处于本发明的精神和范围之内。

现参照图2，其示例性地示出了根据本发明的实施例的mems传感器标定方法所使用的神经网络结构。

如图2中所示，该神经网络的输入x为温度测试中温箱中的温度值，输出y为温度测试中mems传感器误差，即其输出值的误差。

仅作为示例，该神经网络的模型构建步骤(或称训练步骤)如下：

(1)神经网络初始化：根据系统输入输出序列，确定网络输入层节点数为1，输出层节点数为1，隐含层节点数为10。初始化输入层、隐含层和输出层神经元之间的连接权值wi和wii为10个数值在0-1之间的随机数。初始化隐含层阈值bi为10个数值在0-1之间的随机数，输出层阈值by为1个数值在0-1之间的随机数。给定算法最大迭代次数inum为500，训练速率η为0.005和最大可接受误差error为0.005。

(2)样本数据归一化：为了数据处理的方便及加快神经网络收敛的速度，先对样本数据进行归一化处理，归一化函数采用线性函数：

式中input为原始样本数据，x为归一化后的样本数据。

(3)前向输出计算：根据输入变量x，输入层和隐含层间连接权值wi和隐含层阈值bi，计算隐含层输出p：

pi＝f(x*wxi+bi)i＝1,2,...,10(3)

式中，f为sigmoid函数：

根据隐含层输出p，隐含层和输出层间连接权值wii和输出层阈值by，计算神经网络预测输出q：

(4)后向权值修正：根据网络预测输出q和期望输出y，计算样本数据的网络预测总均方误差e，公式为：

式中：n为样本总数，在本示例中取值为40；yn为第n个样本数据的期望输出；qn为第n个样本数据的神经网络预测输出。

bp神经网络利用链式法则，采用梯度修正法作为权值的学习算法，从网络预测误差的负梯度方向修正权值。隐含层和输出层之间连接权值的修正公式为：

隐含层和输出层之间阈值的修正公式为：

输入层和隐含层之间连接权值的修正公式为：

输入层和隐含层之间阈值的修正公式为：

(5)神经网络确定：当迭代次数小于inum且各样本数据预测总均方误差e小于等于最大可接受误差error时，停止权值修正(如果达到迭代次数inum时各样本数据预测总均方误差e仍未小于等于最大可接受误差error,则可在增大inum后重复上述过程)。最终得到mems传感器输出误差与mems传感器所处的环境温度之间的神经网络参数，完成神经网络的训练过程。训练好的神经网络可存储在例如上述控制器中,以用于在mems传感器的工作过程中确定其环境温度误差。

如本领域的技术人员可知的，以上神经网络的结构及其训练过程仅为示例性说明，而不是对本发明的限制。在本发明的其他实施例中，可以采用其他结构的神经网络，且可以采用其他训练方法来对神经网络进行训练。

现参照图3，其示例性地示出了根据本发明的实施例的一种mems传感器标定装置的结构框图。

如图3中所示，根据本发明的实施例mems传感器标定装置300包括：温度传感器301，其被配置为检测mems传感器305在工作时的环境温度；微控制器302，其被配置为：获取所述mems传感器安装之后初始误差；根据所述mems传感器在工作时的环境温度以及环境温度与mems传感器误差之间的关系确定所述mems传感器的环境温度误差；以及使用所述mems传感器的初始误差和环境温度误差对所述mems传感器的输出值进行标定。

在一些实施例中，所述环境温度与mems传感器误差之间的关系体现在训练好的神经网络中。

在一些实施例中，所述mems传感器标定装置300还包括如下可选装置：mems传感器温度测试设备303，其被配置为在mems传感器的温度测试中，获得环境温度与mems传感器误差样本数据；以及神经网络训练设备304，其被配置为使用所述环境温度与mems传感器误差样本数据训练神经网络，所述神经网络的输入为环境温度，所述神经网络的输出为mems传感器误差。所述mems传感器温度测试设备303例如为上文中所述的mems传感器温度测试设备。所述神经网络训练设备304例如为计算机、控制器等数据处理装置。

在一些实施例中，所述神经网络训练装置305使用反向传播算法训练神经网络。

在一些实施例中，所述神经网络包括输入层、输出层和一个隐含层。

在一些实施例中，所述输入层的节点数为1，输出层的节点数为1，隐含层的节点数为5-14。

在一些实施例中，所述使用所述mems传感器的初始误差和环境温度误差对所述mems传感器的输出值进行标定包括：将所述mems传感器的输出值减去所述mems传感器的初始误差和环境误差，作为所述mems传感器的标定后的输出值。

以上参照附图描述了根据本发明的实施例的mems传感器标定装置，应指出的是，以上描述仅为示例，而不是对本发明的限制。在本发明的其他实施例中，该装置可具有更多、更少或不同的模块，且各模块之间的连接、包含和功能等关系可以与所描述和图示的不同。例如，在本发明的一些实施例中，所述mems传感器标定装置300还包括所述待标定的mems传感器305。

尽管以上参照附图描述了本发明的实施例，本领域的技术人员可以理解以上描述仅为示例，而不是对本发明的限制。可以对本发明的实施例进行各种修改和变形，而仍落入本发明的精神和范围之内，本发明的范围仅由所附权利要求书确定。