مقاله بخش ۴.۵ – مدل خطا و پایداری
چکیده
عملکرد واقعی ژیروسکوپها تحت تأثیر انواع مختلفی از خطاها و نویزها قرار دارد که شناخت و مدلسازی آنها برای طراحی سیستمهای اینرسی دقیق ضروری است. این مقاله به بررسی منابع اصلی خطا شامل بایاس، نوفه زاویهای و رانش دمایی میپردازد. سپس روش استاندارد تحلیل آلن (Allan Variance) برای شناسایی و کمیسازی فرآیندهای نویزی معرفی میشود و در نهایت مدلهای ریاضی ساده و کاربردی خطای ژیروسکوپ ارائه میگردد.
مقدمه
هیچ سنسوری ایدهآل نیست و ژیروسکوپ نیز از این قاعده مستثنی نیست. خطاهای ژیروسکوپ به دو دسته کلی تقسیم میشوند: خطاهای سیستماتیک (مانند بایاس و ضریب مقیاس) و خطاهای تصادفی (نویز و رانش). درک صحیح این خطاها و نحوه تغییر آنها با زمان و دما، پایه و اساس کالیبراسیون، جبرانسازی و ادغام دادهها در سیستمهای ناوبری اینرسی است.
۴.۵.۱ بایاس، نوفه زاویهای و رانش دما
بایاس (Bias):
مقدار خروجی ژیروسکوپ هنگامی است که سرعت زاویهای واقعی صفر باشد. بایاس میتواند شامل یک جزء ثابت و یک جزء متغیر با زمان باشد. در عمل، بایاس اولیه معمولاً با کالیبراسیون حذف میشود، اما تغییرات آن با گذشت زمان و دما همچنان مشکلساز است.
نوفه زاویهای (Angle Random Walk – ARW):
این نوع نویز ناشی از نویز سفید روی نرخ زاویهای است. پس از انتگرالگیری، این نویز به صورت یک فرآیند تصادفی روی زاویه (Random Walk) ظاهر میشود. ARW معمولاً بر حسب درجه بر جذر ساعت ((^\circ/\sqrt{h})) بیان میشود و نشاندهنده عملکرد کوتاهمدت سنسور است.
رانش دما (Temperature Drift):
یکی از مهمترین منابع خطا در ژیروسکوپهای MEMS، وابستگی شدید پارامترها (بهویژه بایاس و ضریب مقیاس) به دما است. تغییرات دمایی باعث انبساط حرارتی، تغییرات مدول الاستیسیته و جابهجایی فرکانس تشدید میشود که در نهایت به صورت رانش در خروجی ظاهر میگردد.
نکته مهندسی:
در بسیاری از کاربردهای عملی، رانش دمایی میتواند چندین برابر بزرگتر از نویز ذاتی سنسور باشد. بنابراین، جبرانسازی دمایی (از طریق سنسور دمای داخلی یا مدلسازی) یکی از مهمترین مراحل در استفاده از ژیروسکوپهای MEMS است.
۴.۵.۲ تحلیل آلـن و انحراف بلندمدت
تحلیل آلن (Allan Variance) روش استانداردی برای شناسایی و تفکیک انواع مختلف فرآیندهای نویزی در سنسورهای اینرسی است. این روش با محاسبه واریانس میانگینگیریشده خروجی سنسور در بازههای زمانی مختلف ((\tau)) و رسم آن در مقیاس لگاریتمی-لگاریتمی، امکان شناسایی نوع غالب نویز در هر بازه زمانی را فراهم میکند.
در نمودار انحراف آلن (Allan Deviation) معمولاً چندین ناحیه قابل شناسایی است:
- در بازههای زمانی کوتاه: نویز سفید زاویهای (Angle Random Walk)
- در بازههای زمانی متوسط: ناپایداری بایاس (Bias Instability) که معمولاً به صورت یک کف (flat region) ظاهر میشود
- در بازههای زمانی طولانی: Random Walk نرخ و Rate Ramp
نکته مهندسی:
تحلیل آلن ابزار بسیار قدرتمندی برای مقایسه عملکرد واقعی ژیروسکوپها و پیشبینی خطای انباشتهشده در طول زمان است. این تحلیل به مهندس کمک میکند تا بفهمد در کاربرد مورد نظرش (کوتاهمدت یا بلندمدت)، کدام نوع نویز غالب خواهد بود و آیا سنسور انتخابشده مناسب است یا خیر.
۴.۵.۳ مدلسازی ریاضی خطا
یک مدل ساده و پرکاربرد برای خطای ژیروسکوپ به صورت زیر بیان میشود:
![\[\omega_{meas} = (1 + SF) \cdot \omega_{true} + b(t) + n(t)\]](https://quicklatex.com/cache3/14/ql_3c656e18aca0df6fc539c7c759ef8914_l3.png "Rendered by QuickLaTeX.com")
که در آن:
- (SF) ضریب مقیاس (Scale Factor)
- (b(t)) بایاس متغیر با زمان
- (n(t)) نویز تصادفی است
بایاس (b(t)) خود میتواند شامل چندین مؤلفه باشد:
- یک مقدار ثابت (که با کالیبراسیون حذف میشود)
- یک فرآیند تصادفی با همبستگی زمانی (مانند Gauss-Markov process)
- یک مؤلفه وابسته به دما
در فیلترهای کالمن مورد استفاده در سیستمهای AHRS و INS، این خطاها معمولاً به عنوان متغیرهای حالت مدل میشوند تا به صورت پیوسته تخمین و جبران شوند.
نکته مهندسی:
سادگی یا پیچیدگی مدل خطا باید با دقت مورد نیاز کاربرد و قدرت پردازشی سیستم متناسب باشد. استفاده از مدلهای خیلی ساده ممکن است باعث انباشت خطای غیرقابل قبول شود، در حالی که مدلهای بسیار پیچیده میتوانند باعث ناپایداری فیلتر یا افزایش بار محاسباتی شوند.
منابع
- Titterton, D.H. and Weston, J.L. (2004). Strapdown Inertial Navigation Technology (2nd Edition). Institution of Engineering and Technology (IET).
- IEEE Std 952 و کاربرد Allan variance در سنسورهای اینرسی.
- Application notes معتبر Analog Devices و STMicroelectronics در مورد Allan variance و تحلیل نویز سنسورهای اینرسی.