MEMS-IMU Sensörünün ölçüm hatası ve sıcaklık değişimine bağlı tahmin performansının sönümleme faktörlü adaptif kalman filtresi ile iyileştirilmesi

Abstract

Bu çalışmada, sistem matrisi ve modeli belirsiz olan sistem durumlarını tahmin etmek için yeni bir algoritma olan Düşük Hata Oranına Uyarlanabilir Sönümlü Kalman Filtresi (LERAFKF) önerilmektedir. LERAFKF'nin tasarlanmasındaki amaç ölçümlerdeki zorluklar, sistem parametreleri ve yanlış durum uzayı modellerinden kaynaklanan sorunları hafifletmektir. Sistem parametrelerindeki belirsizliklerin, bilinmeyen kovaryanslı ölçümlerin ve kötü tanımlanmış sistem modellemelerinin olduğu durumlarda Kalman Filtresi (KF) ve Genişletilmiş Kalman Filtresi (EKF) algoritmasının kullanıldığı çeşitli çalışmalar bulunmaktadır. Çalışmamızın yeniliği, halihazırda kullanılan Kalman tahmin algoritması ve sönümleme faktörü uyarlamalı filtrenin kombinasyonu ile yeni bir yöntem önermektir. Burada Kalman filtresi sönümleme faktörü ile uyarlanabilir Kalman filtresine dönüştürüldü ve algoritma optimize edilmiş sönümleme faktörünü hesaplayacak şekilde yeniden tasarlandı. Bu çalışmada simülasyon çalışmasında doğrusal ve doğrusal olmayan bir sistem kullandık. Doğrusal sistem hareketli bir nesneyi temsil ediyordu. Simülasyon, Pololu IMU01b, Honeywell HG9900C1A-2025.2625 ve kalifikasyon testleri tamamlanmamış laboratuvar ürünü olan yerli SDI33.R3.0009 3 eksenli ataletsel ölçüm birimi (IMU) sensöründen ölçümler kullanılarak gerçekleştirildi. Doğrusal olmayan sistem için 2 eksenli döner tablaya monte edilen 9 serbestlik derecesine (DoF) sahip ilgili sensörler kullanıldı. Bu sistemle bir füze 4. dereceden doğrusal olmayan bir sistem olarak simüle edilmiştir. Bununla birlikte sensörler için 3 farklı sıcaklıklıkta ölçümler alınmış ve sıcaklığa bağlı ölçüm hatasının filtrelerin verdikleri cevaplar ve tahmin performansları irdelenmiştir. Önerilen LERAFKF filtremizin özellikle ölçüm kaynaklı hatalar durumunda sistem durumlarını tahmin etmede KF ve EKF'den daha iyi sonuçlar verdiği görülmüştür. Ortalama karesel hata analizi yapıldığında LERAFKF'nin hem doğrusal hem de doğrusal olmayan sistemlerde en az hata değerine sahip olduğunu ve KF ve EKF'den daha iyi performans gösterdiğini kanıtladık. In this study, a new algorithm, Low Error Rate Adaptive Fading Kalman Filter (LERAFKF) is proposed to predict the system states whose system matrix and model are uncertain. The purpose of designing LERAFKF is to alleviate the problems caused by the difficulties in the measurements, system parameters and wrong state space models. There are several studies in which the Kalman Filter (KF) and Extended Kalman Filter (EKF) algorithm are used where there are uncertainties in system parameters, measurements with unknown covariances and ill defined system modeling. The novelty of our work is to propose a new method with the combination of the currently used Kalman estimation algorithm and the fading factor adaptive filter. Here, the Kalman filter was transformed into an adaptive Kalman filter with the forgetting factor and the algorithm was redesigned to calculate the optimized forgetting factor. In this study, we used a linear and a nonlinear system in the simulation study. The linear system represented a moving object. The simulation were carried out by using measurements from 3-axis inertial measurement unit (IMU) sensors; Pololu IMU01b, Honeywell HG9900C1A-2025.2625 and SDI33.R3.0009 which were a laboratory product whose qualification tests have not been completed. For the nonlinear system, these sensors which 9 degrees of freedom (DoF) mounted on a 3-axis rotary table was used. With this system, a missile were simulated as a 4th order nonlinear system. In addition, measurements were taken for the sensors at 3 different temperatures, and the responses and prediction performances of the filters due to temperature-related measurement error were examined. It was observed that our proposed LERAFKF filter provided better results than KF and EKF in estimating system states especially in case of measurement-related errors. When the mean square error analysis was performed, we proved that LERAFKF had the least error value and performed better than KF and EKF in both linear and nonlinear systems.