项目名称: 旋转式重力梯度仪用加速度计动静态参数匹配与补偿方法

项目编号: No.61304246

项目类型: 青年科学基金项目

立项/批准年度: 2014

项目学科: 自动化技术、计算机技术

项目作者: 黄银国

作者单位: 天津大学

项目金额: 27万元

中文摘要: 加速度计性能参数匹配是提高旋转式重力梯度仪精度的重要保证,也是旋转式重力梯度仪研究的难题之一。由于匹配要求非常高,单一的加速度计静态性能匹配方法难以有效解决匹配问题。所以,加速度计性能参数匹配研究具有重要的科学意义。针对加速度计性能参数匹配,本课题将从三个方面展开研究:(1)研究基于平面双线圈结构的新型力矩器及标度因数匹配方法。通过光刻工艺,减小传统工艺中因偏心、粘接、不同轴等引起的不匹配,提高工艺参数的一致性。通过调节驱动电流实现标度因数匹配,既保证标度因数匹配的精度,也适于在线调节。(2)研究加速度计动态性能参数匹配方法。基于加速度计精确模型参数辨识,设计控制器,使加速度计动态特性趋于一致,实现加速度计动态性能参数匹配。(3)引入反映"匹配程度"的反馈量,研究旋转式重力梯度仪的在线匹配和补偿方法。

中文关键词: 加速度计;旋转重力梯度仪;标度因数;参数匹配;

英文摘要: The performance matching of accelerometers is not only an important guarantee for improving the accuracy of rotating gravity gradiometer, but also one key problem in the research of rotating gravity gradiometer. Due to the high matching requirements, the matching method about the static performance of a single accelerometer cannot effectively solve the matching problem. Therefore, the research on accelerometers matching has important scientific significance. Aiming at accelerometers matching, this project will study from the following three aspects. (1) With the use of new torque converter based on the planar dual-coil and photolithography process, the mismatching caused by eccentric, bonding, and misalignment is reduced, and also the consistency of process parameters is improved. Adjusting the drive current to realize scale factor matching ensures the accuracy of it, and also suits online matching. (2) Based on the model identification of exact parameters of the accelerometers, the dynamic characteristics of the accelerometers tend to be equalized. In this way, the dynamic performance matching of the accelerometers is realized. (3) With the feedback reflecting the degree of matching, we studies the online matching and compensation methods.

英文关键词: accelerometer;rotating gravity gradiometer;scale factor;parameters match;

成为VIP会员查看完整内容
0

相关内容

NeurIPS 2021 | 通过动态图评分匹配预测分子构象
专知会员服务
21+阅读 · 2021年12月4日
【NeurIPS2021】序一致因果图的多任务学习
专知会员服务
19+阅读 · 2021年11月7日
专知会员服务
22+阅读 · 2021年9月20日
专知会员服务
11+阅读 · 2021年7月16日
专知会员服务
11+阅读 · 2021年7月4日
机器人运动轨迹的模仿学习综述
专知会员服务
44+阅读 · 2021年6月8日
【KDD2020】最小方差采样用于图神经网络的快速训练
专知会员服务
27+阅读 · 2020年7月13日
自动驾驶高精度定位如何在复杂环境进行
智能交通技术
18+阅读 · 2019年9月27日
【泡泡一分钟】基于运动估计的激光雷达和相机标定方法
泡泡机器人SLAM
25+阅读 · 2019年1月17日
【泡泡图灵智库】HSfM: 混合运动恢复结构(CVPR)
泡泡机器人SLAM
10+阅读 · 2018年12月13日
一种轻量级在线多目标车辆跟踪方法
极市平台
13+阅读 · 2018年8月18日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月18日
Arxiv
17+阅读 · 2019年3月28日
Arxiv
12+阅读 · 2018年1月12日
小贴士
相关VIP内容
NeurIPS 2021 | 通过动态图评分匹配预测分子构象
专知会员服务
21+阅读 · 2021年12月4日
【NeurIPS2021】序一致因果图的多任务学习
专知会员服务
19+阅读 · 2021年11月7日
专知会员服务
22+阅读 · 2021年9月20日
专知会员服务
11+阅读 · 2021年7月16日
专知会员服务
11+阅读 · 2021年7月4日
机器人运动轨迹的模仿学习综述
专知会员服务
44+阅读 · 2021年6月8日
【KDD2020】最小方差采样用于图神经网络的快速训练
专知会员服务
27+阅读 · 2020年7月13日
相关基金
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员