Датчик ускорения: Датчики ускорения | Kistler

Особенности и сравнительные характеристики технологий изготовления твердотельных акселерометров

Аннотация: В статье рассматриваются различные технологии изготовления твердотельных акселерометров. Оцениваются преимущества и недостатки устройств, изготовленных с применением различной технологии. Предлагается сравнительная оценка основных рабочих характеристик и оптимальные области применения для акселерометров различной конструкции.

Введение: Задача измерения линейных ускорений и, связанные с ней, задачи контроля положения объекта в пространстве, скорости, вибрационных и других характеристик актуальна во многих областях производства и эксплуатации. Оборудование, требующие контроля и измерения этих характеристик, встречается практически во всех областях производства – от потребительской электроники, до авиации, космонавтики и военного дела.

Вполне естественно, что для решения настолько распространенной задачи предлагается широкий ассортимент специализированных датчиков – акселерометров – обладающих разнообразными характеристиками, как с точки зрения измерительной способности и стойкости к внешним воздействиям, так и по диапазону условий эксплуатации и надежности.

Не последнюю роль в вопросах качества, надежности и сферы применения акселерометров играет технология изготовления чувствительного элемента и особенности конструкции датчика. На данный момент в мире существует три основных технологии изготовления чувствительных элементов датчиков ускорения – две основаны на использование пьезоэлементов: пьезоэлектрическая и пьезорезистивная технологии и третья, более современная, основана на использовании микромеханических (МЭМС/MEMS) структур и функционирует по емкостному принципу.

Каждая из технологий обладает своим уникальным набором преимуществ и недостатков, которые, в большой степени, определяют область применения датчиков этого типа.

Пьезоэлектрическая технология: Конструкция пьезоэлектрического акселерометра основана на использования пьезокристалла. Кристалл устанавливается на массивное основание, а сверху на него монтируется инертная масса, обеспечивающая деформацию кристалла при приложении к датчику ускорения (см.

рис.1)

Как известно, деформация пьезокристалла приводит к образованию разности электрических потенциалов на гранях кристалла перпендикулярных оси деформации. Именно на этом эффекте и построена измерительная ячейка датчика – электрический сигнал, снимаемый с кристалла, создается приложенным к деформирующей массе ускорением и пропорционален этому ускорению. При этом, чувствительность датчика определяется пьезоэлектрическим коэффициентом кристалла, т.е. напрямую зависит от свойств используемого материала.

Использование кристалла в качестве чувствительного элемента и фактическое отсутствие подвижных деталей, делает датчики этого типа крайне устойчивыми к внешним воздействиям, в том числе ударам высокой амплитуды (до 6000g), воздействию высоких температур (до 350 °С). Специфика чувствительного элемента позволяет проводить измерения в широком диапазоне частот, что существенно для высокодинамичных задач. Еще одним существенным преимуществом этого типа пьезоэлектрических акселерометров являются компактные размеры, вытекающие из простоты конструкции и миниатюрности ее компонентов.

К сожалению пьезоэлектрические датчики, при всем своем удобстве, обладают существенными недостатками, проистекающими как из конструкционных особенностей измерительной ячейки, так и из ее материала. Первым существенным недостатком, осложняющим жизнь разработчику оборудования, куда интегрируется пьезоэлектрический акселерометр, является необходимость использования электрических соединений с высоким импедансом для подключения датчика к прочим устройствам системы. Требование высокого импеданса вытекает из физической природы пьезоэффекта – индуцированная деформацией разность электрических потенциалов крайне мала по своей величине. Вторым существенным недостатком является низкая стабильность смещения датчика, т.е. величины, определяющей выходной сигнал датчика в состоянии покоя. Низкая стабильность смещения подразумевает существенное и плохо предсказуемое изменение этого параметра под воздействием условий окружающей среды и рабочими воздействиями.

Это, само по себе, не слишком удобное при эксплуатации явление отягчается низкой термостабильностью измерительной ячейки, что так же является особенностью пьезокристалла. Низкая термостабильность ячейки приводит к существенному изменению выходного сигнала датчика при изменении температуры окружающей среды и, соответственно, необходимости вводить поправку на изменение температуры, чаще всего определяемую коэффициентами полиномов четвертого — пятого порядков.

Дополнительным неудобством, связанным с использованием пьезокристаллов является их сравнительно высокая гигроскопичность. Таким образом, как хранение, так и эксплуатация пьезоэлектрического акселерометра требует контроля влажности или обеспечения герметичности измерительной ячейки.

Последними двумя факторами, осложняющими эксплуатацию, пьезоэлектрических акселерометров в ряде задач является отсутствие возможности измерения в статическом режиме (разность потенциалов образуется только непосредственно в процессе деформации кристалла, а в крайних положениях сигнал отсутствует) и косвенно вытекающая из этого невозможность реализации функции самотестирования датчика.

Таким образом, можно сделать вывод, что по совокупности преимуществ и недостатков, пьезоэлектрический акселерометр может успешно использоваться для решения задач измерения усилий и перемещения, особенно в тех случаях, когда приложение требует работы при температурах свыше 120 °С. При этом нужно помнить о ряде сложностей, связанных с его эксплуатацией.

Пьезорезистивная технология: Конструкция пьезорезистивного акселерометра основана на использовании тонких пленок пьезо материала, нанесенных на диэлектрическое покрытие консоли измерительной ячейки (см. рис. 2), соединяющей массивное кремниевое основание датчика и инертную массу из того же материала, свободно подвешенную на конце этой консоли.
Приложение ускорения приводит к колебаниям инертной массы и, соответственно, изгибу консоли.

Изгибаясь, консоль деформирует пьезорезистивные полоски, что приводит к изменению их сопротивления, пропорциональному изгибу, а, следовательно, и ускорению.

Таким образом, чувствительный элемент представляет собой мостовую схему в плечах которой находятся изменяемые сопротивления (см. рис.3).

Специфика использования пьезорезистивных акселерометров, их преимущества и недостатки, во многом сходны с таковыми для пьезоэлектрических датчиков и основываются на свойствах пьезо материалов, использованных в конструкции.

Аналогично с предыдущим разделом, существенными преимуществами технологии являются широкий частотный диапазон измерений, устойчивость к высоким ускорениям (до 20000g), вибрационным и ударным нагрузкам, способность функционировать при температурах до 350 °С.

Надежная жесткая конструкция и отработанная технология изготовления так же являются преимуществами.

Дополнительным и весьма важным фактором, определяющим качество измерений пьезорезистивных датчиков, является низкий уровень гистерезиса, что существенно улучшает точностные характеристики датчика и его повторяемость.

Схожесть используемых в конструкции, как пьезорезистивных, так и пьезоэлектрических датчиков материалов, определяет и аналогичный набор недостатков данной технологии. Точно так же, как в предыдущем разделе, существенными факторами являются низкая стабильность смещения и плохая термостабильность, чувствительность к влажности, отсутствие возможности статических измерений и реализации самотестирования. Из действовавших ранее факторов, пожалуй, исключается только необходимость использования соединений с высоким импедансом. В данном случае, сложности с согласованием ячейки и остальной схемы отпадают за счет работы ячейки под постоянным потенциалом, который и определяет уровень требуемого импеданса. Однако, это сравнительно небольшое улучшение, полностью компенсируется усложнением конструкции как самой ячейки, так и датчика в целом и необходимость подвода питания к подвижным элементам конструкции (консоли инертной массы).

Дополнительно ухудшает ситуацию с эксплуатацией пьезорезистивных датчиков крайне плохая нелинейность, что вновь ведет к необходимости использования полиномов высоких порядков для компенсации внешних условий, и низкий коэффициент усиления, определяющий разрешающую способность датчика.

Резюмируя, следует отметить, что при всех своих недостатках пьезорезистивные акселерометры могут с успехом использоваться для измерений усилий, перемещений и давления, особенно в условиях задач, требующих работы при высоких температурах, больших ускорениях и потенциальной возможности ударных воздействий. В том числе, этот тип датчиков может быть использован и при решении промышленных задач.

Емкостная технология: Конструкция емкостного МЭМС акселерометра основана на измерительной ячейке, представляющей собой корпус из кремния, внутри которого размещена консоль с подвешенной инертной массой. На внутренние поверхности корпуса и поверхности массы нанесены электроды, что превращает конструкцию в систему из двух конденсаторов (см.рис. 4)

Под действием ускорения инертная масса колеблется на консоли, что приводит к изменению расстояния между обкладками обоих конденсаторов и, как следствие, изменению их емкости. При этом, суммарная емкость составного конденсатора остается неизменной. Вариация емкости конденсаторов отражается изменением потенциалов на их обкладках, что, собственно, и может быть измерено, как сигнал пропорциональный приложенному ускорению.   

Легко видеть, что в данном случае, чувствительность и разрешение подобной МЭМС структуры зависят от конструкции измерительной ячейки, величины воздушного зазора между обкладками конденсаторов и диапазоном его изменения. При этом зависимость параметров от свойств материала, негативно проявившая себя в акселерометрах на основе пьезоэффекта – практически или полностью отсутствует.

Как правило, измерительная ячейка герметична. Ее сборка производится в инертной среде или вакууме, что так же обеспечивает ряд преимуществ данной технологии по сравнению с рассмотренными ранее.

В первую очередь емкостные МЭМС датчики отличает высокая термостабильность и отличная временная стабильность рабочих характеристик. Это обеспечивает простоту и удобство задания необходимой компенсации, причем для работы практически всегда можно найти линейный или слабо-параболический участок рабочей характеристики, что избавляет от необходимости использовать для введения компенсации полиномиальные выражения. В целом, эти факторы обеспечивают емкостным МЭМС акселерометрам высокую степень повторяемости результатов измерений и надежность в сравнительно широком интервале ускорений и условий окружающей среды.

Дополнительный, но весьма существенным, при решении ряда задач, преимуществом является возможность проведения измерений в статическом режиме и, косвенно связанная с этим, возможность проведения самотестирования датчика. Действительно – работоспособность и адекватность измеряемой величины такого датчика легко проверить, просто подав переменный сигнал на обкладки измерительной ячейки. Отклик на такое воздействие даст однозначное понимание о работоспособности датчика. Существует ряд применений, например, такие, в которых используются целые массивы акселерометров или датчиков вибрации на их основе, для которых функция самотестирования является одним из немаловажных факторов эксплуатации.

Безусловно, как и в любой другой технологии, у емкостных МЭМС акселерометров имеется ряд недостатков, основным из которых является относительная сложность конструкции, требующая более трудо- и наукоемкого производства, приводящая к бОльшим срокам изготовления и несколько более высокой стоимости датчиков. Впрочем, при условии массового производства на автоматизированных промышленных линиях этот фактор практически не оказывает влияния. Другой существенной особенностью емкостных датчиков, которую следует учитывать при их эксплуатации, является чувствительность датчиков к электромагнитному воздействию, в той степени, в которой к нему чувствительны все емкостные элементы.

Легко видеть, что заметные преимущества технологии емкостных акселерометров, делают эти датчики оптимальным решением для широкого спектра задач, связанных с измерениями ускорений, перемещения, давления, наклонов и вибрации. Эти датчики с большим успехом могут быть использованы и используются при проектировании промышленных решений и в задачах, сопряженных со значительными ударными и вибрационными нагрузками.

Следует заметить, что в настоящее время, существует два типа датчиков, основанных на емкостных МЭМС структурах, различающихся по технологическим особенностям изготовления самой МЭМС структуры, и подразделяющихся, соответственно, на изготовленные по планарной (поверхностной) и объемной технологии. Сохраняя все преимущества емкостных датчиков, о которых говорилось выше, эти два типа акселерометров, все же, имеют некоторые различия.

Так, датчики, изготовленные по планарной технологии (см. рис. 5) имеют гребенчатую структуру инертной массы, способную, при грамотной конструкции консолей, колебаться сразу в нескольких плоскостях.

Это делает возможным реализацию многоосного акселерометра в габаритах одиночной измерительной ячейки. Планарные ячейки имеют ширину «воздушного» зазора между электродами конденсаторов переменной емкости в диапазоне 4-6 мкм (с погрешностью 17%), при весе инертной массы 0,03 – 0,3 мг. Это обеспечивает емкость переменных конденсаторов на уровне от 2 до 5 пФ (численные данные предоставлены корпорацией Safran Colibrys).

Сравнительная простота технологии изготовления планарных структур (поверхностное травление), обеспечивает надежность изготовления и малые габариты измерительных ячеек. Это же делает планарные измерительные ячейки более дешевыми, по сравнению с ячейками, изготавливаемыми по объемной технологии. Тем не менее, небольшая инертная масса и большая величина зазора между электродами вызывают ряд недостатков, основным из которых является высокий уровень шумов и низкая (в сравнении с датчиками объемной технологии) стабильность рабочих характеристик.

Датчики, изготовленные по объемной технологии (см. рис. 6) имеют инертную массу, свободно подвешенную на консоли над поверхностью основания.

Легко видеть, что такая технология изготовления (объемное прецизионное травление и технология сплавления кремния) гораздо сложнее и требует большего времени и более сложного оборудования. При этом габариты измерительной ячейки больше чем у изготовленной по планарной технологии, а также отсутствует возможность реализации многоосной системы в рамках одной ячейки. Однако, при ширине «воздушного» зазора порядка 2 мкм (с погрешностью 1,5%) и весе инертной массы от 5 до 15 мг, такие переменные конденсаторы имеют емкость в диапазоне от 15 до 50 пФ (численные данные предоставлены корпорацией Safran Colibrys), что обеспечивает акселерометрам, изготовленным по объемной технологии, уникально низкий уровень шумов и высокую стабильность рабочих характеристик.

Сравнение: Из приведенных данных легко видеть, что каждая из трех описанных выше технологий имеет свой собственный уникальный набор явных преимуществ, равно как и набор очевидных недостатков. Сведя всю совокупность данных на общую сравнительную диаграмму, приведенную на рисунке 7 (данные предоставлены корпорацией Shafran Colibrys), и проанализировав ее, можно сделать вывод о том, что области применения акселерометрических датчиков, изготовленных по различным технологиям, фактически не перекрываются.

Пьезоэлектрические и пьезорезистивные акселерометры демонстрируют способность работать в жестких условиях эксплуатации – при высоких температурах, ударных и вибрационных воздействиях и производить измерения ускорений в широком диапазоне как по амплитуде, так и по полосе частот.

При этом, емкостные МЭМС датчики, уступая как в амплитудных значениях измеряемых ускорений, так и по условиям окружающей среды, демонстрируют уникальную точность, надежность и стабильность измерений, при высокой чувствительности к измеряемому параметру.

Выводы: Резюмируя, можно сделать вывод, о том, что конкретная модель акселерометрического датчика, как и технология его изготовления, должна определяться исходя из решаемой задачи, поскольку области применимости датчиков различных типов практически не перекрываются.

Видно, что емкостные МЭМС акселерометры могут быть использованы в широком ассортименте задач, от решений для потребительской электроники и промышленных задач, до специфических устройств из области транспорта, добычи полезных ископаемых, авиации и оборонных проектов. Такие акселерометры, изготовленные по объемной технологии, успешно применяются в качестве датчиков наклона в оборудовании шельфового бурения, в системах стабилизации и контроля набора крыла современных пассажирских лайнеров, в качества датчиков вибрации для контроля состояния дорожного полотна и тележек вагонов в современных высокоскоростных поездах.

Одновременно с этим (см рис. 8), использование пьезо акселерометров оправдано в том случае, когда для достижения сверхвысоких рабочих температур, высоких уровней измеряемого ускорения или эксплуатации в сверхвысокодинамичных системах, возможно пренебречь вопросами стабильности и точности проводимых измерений.

Датчики малых ускорений компании Freescale Semiconductor — Компоненты и технологии

Freescale Semiconductor впервые вышла на рынок датчиков MEMS (Micro-Electric-Mechanical Systems — микроэлектромеханические системы) в начале 1980-х [3]. Через несколько лет компания представила датчики давления с температурной компенсацией, а затем, в конце 1980-х, начала разрабатывать первые датчики ускорения для рынка автомобильных подушек безопасности.

В настоящий момент Freescale Semiconductor обладает одной из самых широких линеек датчиков на рынке и продолжает развивать это направление. Компания недавно достигла важного этапа своей деятельности: Freescale Semiconductor уже осуществила поставку 1 млрд датчиков.

Основные сферы применения датчиков ускорения

Начиная наш краткий обзор, хотелось бы остановиться, прежде всего, на основных сферах применения датчиков ускорения в различных отраслях.

Применение данных устройств основано на их способности преобразования статического и динамического ускорения в электрическую величину (емкость, сопротивление, напряжение и др.) для дальнейшего использования в различных устройствах, фиксирующих те или иные механические явления.

В таблице 1 представлены некоторые физические явления, параметры которых могут фиксироваться устройствами, в состав которых входят датчики ускорения. В таблице 1 отмечены области применения датчиков, а также частные задачи, при которых такие явления происходят [2].

Таблица 1. Применение датчиков ускорения

	Применение	Ускорение
Наклон	Инклинометры, электронные игры, прокрутка теста/интерфейс пользователя, поворот изображения, LCD-проекция, физиотерапия, стабилизация видео- и фотоизображения	1-2g
Движение	Навигация движения объекта, обратная связь с GPS/ГЛОНАСС, приборы защиты от хищения, карты маршрута, защита при свободном падении, защита жесткого диска, отслеживание падений, регистрация падений, управление движением, счисление пути, инерциальные измерительные устройства (Inertial Measurement Unit, IMU)	1-2g
Вибрация	Отслеживание сейсмической активности	ig
	Интеллектуальный электропривод, балансировка и отслеживание вибраций, акустическое оборудование	8-10g
Удар	Шагомеры, ударные выключатели, удары при транспортировке	8-10g, 20-30g
	Воздушные подушки, регистрация падения, черные ящики/регистраторы событий	40-250g

Помимо тех применений, которые перечислены в таблице 1, существует еще довольно большой спектр приложений, где используются данные устройства.

Большое количество применений датчиков ускорений, прежде всего, обусловлено переходом от использования чисто механических систем к системам, которые используют для измерения ускорения электрические и механические явления.

Рассмотрим структуру датчиков ускорений и их принцип работы.

Датчики измерения ускорения: принцип работы и классификация

Датчики ускорения преобразуют приложенное к датчику статическое или динамическое ускорение как входную величину. В зависимости от типа прибора в качестве выходной величины используется либо электрический сигнал, либо электрический параметр (С, R). На рис. 1 представлена схема датчика ускорения.

Рис. 1. Схема датчика ускорения

Датчик ускорения состоит из чувствительного элемента (ЧЭ) и подсоединенного к нему преобразователя механического смещения. ЧЭ представляет собой инерциаль-ную массу, закрепленную на упругом подвесе на корпусе датчика.

Принцип работы датчиков ускорения можно описать следующим образом. При воздействии ускорения на датчик чувствительный элемент смещается за счет инерции.

Если акселерометр механический, то смещение чувствительного элемента преобразуется в смещение стрелки прибора. Если в качестве выходной величины используется электрический сигнал, то на выходе преобразователя смещения генерируется электрический сигнал, который далее преобразуется для использования в различных системах автоматического управления.

Таким образом, датчики как приборы для измерения линейных ускорений могут быть классифицированы по различным признакам. Например:

• По виду электрического преобразователя смещения чувствительного элемента: пьезоэлектрический, пьезорезистивный или тензометрический, емкостной.
• По принципу действия: генераторные и параметрические. Генераторные датчики осуществляют непосредственное преобразование входной величины в электрический сигнал. Параметрические датчики осуществляют преобразование в изменение какого-либо электрического параметра (L, С или R).
• В зависимости от типа выходного электрического сигнала: с аналоговым выходом, с цифровым выходом. Помимо перечисленных признаков, можно отметить еще множество других. Но мы не будем на них подробно останавливаться, поскольку это выходит за рамки нашего обзора.

Большой популярностью в настоящее время пользуются датчики ускорений, сделанные по технологии MEMS.

Для технологии MEMS наиболее перспективными оказались тензометрические и емкостные датчики, которые оказалось возможным сформировать в поверхностных и объемных структурах кремниевой пластины. Все эти датчики в настоящее время разрабатываются различными компаниями, эти устройства занимают собственные ниши в разных областях применения [2].

Пленочные пьезоэлектрические датчики ускорения выполняются на основе многослойной пьезоэлектрической полимерной пленки. Датчики этого типа имеют плохую повторяемость характеристик в серийном производстве, высокую чувствительность к изменению температуры и давления. Они самые простые и дешевые.

Более точными являются поверхностные емкостные датчики и объемные интегральные датчики. Как раз о емкостных генераторных датчиках для измерения малых ускорений компании Freescale Semiconductor мы расскажем подробнее. Сразу оговоримся, что под малыми ускорениями будем считать диапазон ускорений до 20g, где g = 9,8 м/с² — ускорение свободного падения.

Емкостные MEMS датчики ускорения

В настоящее время применение емкостных датчиков в промышленной и бытовой электронике обусловлено рядом преимуществ датчиков данного типа. Прежде всего, отметим высокую точность и воспроизводимость измерений, защиту от перегрузок и прочность, высокий КПД, малые габариты, широкий диапазон рабочих температур.

Рассмотрим принцип работы емкостных датчиков ускорения. Схематическое изображение датчика представлено на рис. 2.

Рис. 2. Схема емкостного датчика ускорения

Внутри датчика находится элемент, у которого имеется две жестко закрепленные крайние пластины и одна центральная пластина, прикрепленная к инерциальной массе, которая может сдвигаться под действием инерци-альных сил, вследствие упругого соединения. Расстояние между пластинами при этом изменяется, что приводит к изменению емкости между пластинами. Таким образом, схематично данную структуру можно представить в виде последовательного соединения двух конденсаторов с эквивалентными емкостями С₁ и С₂. Емкость одного из них уменьшается, а другого — увеличивается в соответствии с выражением [2]:

С = (A*ε)/D,

где A — площадь пластины; ε — диэлектрическая постоянная; D — расстояние между пластинами.

В качестве чувствительного элемента для трехосевых датчиков компания Freescale Semiconductor применяет свою микромеханическую систему «батутной» конструкции — элемент G-Cell, представленный на рис. 3.

Рис. 3. Конструкция чувствительного элемента G-Cell

G-Cell включает в себя четыре пластины из поликристаллического кремния, три из которых образуют обкладки конденсаторов, а четвертая используется для самотестирования.

Для фиксации изменения емкости применяется источник тока с заданной длительностью импульса. Напряжение, снимаемое с конденсатора, в данном случае обратно пропорционально его емкости. Величина изменения этого напряжения достаточно мала, что обусловлено малым сдвигом центральной пластины. Поэтому осуществляют измерение разности между емкостями двух конденсаторов, а затем выполняют усиление данного сигнала.

Таким образом, генераторный датчик с емкостным чувствительным элементом преобразует линейные ускорения в совокупность электрических сигналов. Датчики могут иметь одну или несколько осей чувствительности.

Типовые схемы управления микроэлектронными датчиками ускорения содержат следующие блоки: блоки переключения конденсаторов, динамической фильтрации, ОУ, цифровую логику и ППЗУ, хранящее данные калибровки, осуществляемой при изготовлении датчика. Упрощенная структура схемы управления для трехосевого датчика ускорения с аналоговым выходом приведена на рис. 4. На этом рисунке помимо структуры также обозначены питающие входы датчика (V_DD, V_SS), сигнальные выходы по трем осям (X_out, Y_out, Z_out). Помимо стандартных функций датчики ускорения также имеют ряд функциональных особенностей: выбор диапазона измерения и режима работы/сна, самотестирование и другие. Эти особенности более детально будут описаны позднее, а пока отметим назначение входов датчика:

• g-Select. Логический вход для выбора того или иного диапазона измерения ускорения.
• Sleep. Данный логический вход предназначен для перевода датчика в режим пониженного энергопотребления.
• Self Test. Логический вход для самотестирования и проверки нормального функционирования работы датчика.

Рис. 4. Блок-схема трехосевого аналогового датчика ускорения

Одним из последних достижений в области усовершенствования структуры датчика стало введение в его состав АЦП. При этом удалось разгрузить микроконтроллер от операций преобразования данных в АЦП.

Кроме того, выходной сигнал цифрового датчика менее подвержен влиянию помех. Блок-схема трехосевого цифрового датчика ускорения представлена на рис. 5.

Рис. 5. Блок-схема трехосевого цифрового датчика ускорения

Основные характеристики семейства 3-осевых емкостных MEMS датчиков ускорения компании

Основной характеристикой, определяющей применение акселерометров в различных устройствах, является диапазон измеряемого ускорения.

Помимо диапазона измеряемого ускорения среди основных характеристик, определяющих рабочий диапазон датчиков ускорения, можно отметить диапазоны напряжения питания, потребляемых токов и рабочих температур.

Аналоговые датчики ускорения имеют статическую передаточную характеристику, похожую на характеристику ОУ. Выходным сигналом является напряжение, пропорциональное ускорению, приложенному к датчику ускорения. В цифровых датчиках ускорения выходной сигнал характеризуется численным значением кода, соответствующим определенной величине приложенного ускорения. Как правило, в качестве цифрового интерфейса используются типовые интерфейсы: I²C или SPI.

Кроме основных характеристик, датчики ускорения характеризуются параметрами, которые определяют качество их работы. Типы этих параметров определяются для различных датчиков, как аналоговых, так и цифровых. Рассмотрим типы этих характеристик для акселерометров с различным типом выходного сигнала.

Смещение при нулевом ускорении

Как правило, смещение является обычной характеристикой при измерении как отрицательных, так и положительных величин ускорений. В датчиках с аналоговым выходом эта величина численно равна напряжению смещения, а в датчиках с цифровым выходом — значению кода при нулевом ускорении.

Чувствительность

Чувствительность датчика ускорения определяется как выходной сигнал, соответствующий ускорению в один g. Соответственно, для датчиков ускорения с аналоговым выходом это будет напряжение (мВ/g), а для датчиков с цифровым выходом — это значение кода (LSB/g). Например, при чувствительности измерения 308 мВ/g, диапазоне измерения ±4g и смещении при нулевом ускорении 1,4 В диапазон выходного сигнала будет составлять: (1,4 ±0,308·4), то есть 0,168-2,632 В. Чувствительность зависит, прежде всего, от технологии производства. Помимо технологии, чувствительность определяется также пределом измерения ускорения, напряжением питания в аналоговых датчиках и разрядностью цифровой части — в цифровых.

Поперечная чувствительность

Помимо основной чувствительности, имеется еще и величина поперечной чувствительности, которая определяется выходным сигналом при подаче входного ускорения по направлениям, перпендикулярным основной оси. Она задается в процентах от полного диапазона выходного сигнала (%FS, где FS — Full Scale, полный диапазон).

Температурные характеристики

С изменением температуры изменяется и сигнал датчика. К этому можно отнести как изменение смещения при нулевом ускорении, так и изменение величины чувствительности. Первая ошибка указывается в эквивалентном смещении на один градус Цельсия, а вторая — в процентах от максимального входного сигнала на один градус Цельсия.

Пусть датчик с диапазоном измерения ±1,5g имеет температурный дрейф нуля — 2 мg/°C, температурную ошибку чувствительности 0,03%/°C, смещение при нулевом ускорении 1,4 В и чувствительность 800 мВ/g при температуре окружающей среды 25 °C. При изменении температуры до 85 °C смещение при нулевом ускорении составит: 1,4+0,002·(85-25)· ·0,800 = 1,496 В. При внешнем ускорении 1,5g и температуре окружающей среды 85 °C величина выходного сигнала составит: 1,496+1,5· ·0,800+0,0003·1,5·(85-25) = 2,723 В.

Нелинейность

Отклонение характеристики от линейной. Измеряется в процентах от полного диапазона выходного сигнала.

Частота среза

Помимо усилителя, обеспечивающего увеличение чувствительности, цепи согласования в аналоговых датчиках содержат еще фильтр низких частот, который гарантирует, что тактовая частота цифровой ИС или механический резонанс не повлияют на выходной сигнал.

Данный параметр также справедлив и для цифровых датчиков (в ряде случаев его может заменять такой параметр, как частота отсчетов).

Резонансная частота чувствительного элемента

При входных сигналах с такой частотой колебания чувствительного элемента могут усиливаться за счет резонанса, что надо учитывать в разработке.

Динамические характеристики

Из динамических характеристик можно отметить следующие: время возврата из состояния насыщения в рабочую область, время включения, время возврата из режима пониженного энергопотребления. Наряду с этими характеристиками имеется еще и целый ряд иных динамических характеристик, которые определяют режимы работы датчика.

Шумовые характеристики

Данные параметры более актуальны для датчиков с аналоговым выходом. Здесь стоит отметить спектральную плотность мощности на выходе датчика, которая характеризует белый шум, наложенный на полезный сигнал на выходе датчика.

Характеристики цифрового интерфейса

Прежде всего, это тип интерфейса: IIC или SPI. И, соответственно, все характеристики, которые связаны с данными интерфейсами (скорость передачи данных/частота, уровни входных напряжений и токов, время инициализации и др.)

Кроме перечисленных, имеется целый ряд параметров, которые не требуют детального объяснения, но которые необходимо учитывать в разработке готового устройства: это рабочий диапазон напряжения питания, величина выходной емкости, выходное сопротивление, токи потребления в активном режиме и режиме standby, температурный режим и др.

И наконец, это предельные характеристики: предельно допустимое ускорение, максимальный диапазон электрических напряжений, неразрушающая высота падения, допустимый диапазон температуры хранения. Выход за предельно допустимые параметры может привести не только к отклонению от гарантированных значений параметров, но и к повреждению датчика.

Таким образом, датчики ускорения обладают довольно широким спектром характеристик, которые необходимо учитывать при разработке того или иного устройства. Компания Freescale Semiconductor предлагает аналоговые и цифровые трехосевые датчики ускорения c диапазоном измеряемого ускорения до 12g, классификация семейств которых представлена на рис. 6.

Рис. 6. Семейства трехосевых датчиков ускорения

В таблицах 2 и 3 представлены основные характеристики для рассматриваемых датчиков ускорения компании Freescale Semiconductor.

Таблица 2. Основные характеристики трехосевых аналоговых датчиков ускорения

Наименование характеристик	Семейство eMercury(6)(7)
	MMA7331	MMA7341	MMA7361
Диапазон ускорений, g	±4/±12	±3/±11	±1,5/±6
Чувствительность, мВ/g (LSB/g)	308/83,6	440/117,8	800/206
Типовое значение смещения при нулевом ускорении, В	1,4(1)	1,65(2)	1,65(2)
Разброс смещения при нулевом ускорении, В	1,316+1,484(1)	1,551+1,749(2)	1,485-И,815(2)
Температурный дрейф нуля(3), мg/°C	±2,0
Температурная ошибка чувствительности(3), %FS/°C	±0,03
Частота среза по осям XY, Гц	400
Частота среза по оси Z, Гц	300
Температурный диапазон, °C	-40…+85	-40…+85	-40…+85
Потребляемый ток в активном режиме, мкА	4001″	400(5)	400(5)
Потребляемый ток в спящем режиме, мкА	3(5)	3(5)	3(5)
Спектральная плотность мощности RMS (0,1 Гц — 1 кГц), мкg/Гц	350
Нелинейность выходного сигнала по осям X, Y, Z, %FS	-1,0.1,0
Поперечная чувствительность, %	-5,0.5,0

Примечания. (1) Измерено при напряжении питания 2,8 В и температуре окружающей среды 25 °C. (2) Измерено при напряжении питания 3,3 В и температуре окружающей среды 25 °C. (3) Измерено при минимальном диапазоне измерения ускорения. (4) При напряжении питания 2,8 В. (5) При напряжении питания 3,3 В. (6) Напряжение питания — 2,2-3,6 В. (7) Тип корпуса — LGA.

Таблица 3. Основные характеристики трехосевых цифровых датчиков ускорения

Наименование характеристик	Ion(6)	Tron(6)
	MMA7455	MMA7660
Тип выхода	I2C/SPI	I2C
Диапазон ускорений, g	±2/±4/±8	±1,5
Разрядность, бит	8/10(1)	6
Чувствительность для диапазонов ±2g (8 бит)/±4g (8 бит)/±8g (8 бит)/±8g (10 бит), LSB/g	64/32/16/64	21,33
Типовое значение смещения при нулевом ускорении для режимов с разрядностью 8/10 бит(2), кол-во отсчетов	128/512	0
Разброс смещения при нулевом ускорении для режимов с разрядностью 8/10 бит(2, кол. отсчетов	107-149/491-533	-3.3
Температурный дрейф нуля по осям X/Y/Z(2), мg/°C	—	—1,3/1,5/—1,0
Температурная ошибка чувствительности™, %FS/°C	—	±0,01
Частота отсчетов, Гц	125/250	1-120(3)
Температурный диапазон, °C	-40…+85	-40.+85
Потребляемый ток в активном режиме(5), мкА	400	47-294(4)
Потребляемый ток в спящем режиме(5), мкА	2,5	2/0,4(7)
Нелинейность выходного сигнала по осям X, Y, Z	-1…1%FS	±1 отсчет
Поперечная чувствительность, %	-5.5	±1
Тип корпуса	LGA	DFN

Примечания. (1) Для диапазона ±8g имеется два режима с разрядностью выходного сигнала 8 и 10 бит. (2) Измерено при напряжении питания 2,8 В и температуре окружающей среды 25 °C. (3) Доступно 8 режимов частот отсчетов: 1/2/4/8/16/32/64/120 Гц. (4) Потребление тока различается в зависимости от частоты отсчетов: 47/49/54/66/89/133/221/294 мкА. (5) При напряжении питания 2,8 В. (6) Напряжение питания — 2,4-3,6 В. (7) Потребление в режиме ожидания (при активном интерфейсе I²C, при выключенном аналоговом питании) — 2 мкА, в режиме OFF (при выключенном аналоговом питании и неактивном интерфейсе I²C) — 0,4 мкА.

Из характеристик, представленных в таблице 2, обратите внимание на следущие:

• Избирательный диапазон измерения.
• Низкое энергопотребление: 400 мкА в активном режиме.
• Наличие режима сна: 3 мкА.
• Невысокий температурный дрейф. Сочетание в данных датчиках таких преимуществ, как низкое электропотребление, избирательная чувствительность, невысокие шумы выходного сигнала, а также ряда дополнительных функций позволяет реализо-вывать на их основе разнообразные устройства, в которых ключевым преимуществом является высокая точность и низкое энергопотребление. К ним можно отнести, например, мобильные устройства, в которых решаются такие задачи, как определение наклона, мониторинг движения и счисление пути.

Использование цифровых датчиков дает фиксированное ограничение по разрядности и, соответственно, точности измерений, но избавляет от необходимости установки схемы фильтрации и преобразования выходного сигнала. Во множестве применений, где не требуется высокая точность измерений, это является одним из ключевых преимуществ. Помимо этого, отметим следующие особенности цифровых датчиков ускорения Freescale Semiconductor:

• Программируемый диапазон измерения для MMA7455.
• Низкое энергопотребление: 47 мкА при частоте отсчетов 1 Гц для датчика MMA7660.
• Наличие режима ожидания (2 мкА) и OFF-режима для MMA7660 (0,4 мкА) и режима сна для MMA7455 (2,5 мкА).
• Избирательная частота отсчетов для оптимизации энергопотребления для MMA7660.
• Избирательная чувствительность для диапазона измерения ±8g: 16 или 64 бит — для датчика MMA7455.
• Различные режимы для обнаружения наклона, движения, свободного падения и пр.

Данные особенности позволят использовать такие датчики в разнообразных мобильных и стационарных устройствах защиты от кражи, игровых манипуляторах, для детектирования определения свободного падения, коррекции координат положения объекта, в электронных компасах.

Функциональные особенности датчиков ускорения Freescale Semiconductor

Как было отмечено ранее, у датчиков Freescale Semiconductor имеется ряд функциональных особенностей, применение которых позволит добиться лучшего качества конечного устройства. Активация данных функций осуществляется либо подачей сигнала высокого уровня на логический вход аналогового датчика, либо записью определенного значения в соответствующий регистр в цифровом датчике.

Режим пониженного энергопотребления

Перевод датчика в режим пониженного энергопотребления. Применяется в мобильных приложениях, которые являются критичными к энергопотреблению.

Выбор диапазона измерения

Данная функция предназначена для выбора того или иного диапазона измерения и, соответственно, выбора чувствительности измерения линейного ускорения.

Определение нулевого ускорения

Активизация логического выхода при фиксации нулевого ускорения по всем осям. Применяется в качестве дополнительного сигнала, который может быть заведен на вход микроконтроллера (МК), как внешнее прерывание для активации защиты устройства при свободном падении.

Самотестирование

Эта диагностическая функция предполагает проверку целостности механической и электрической частей датчика. Она необходима в тех применениях, в которых должна гарантироваться работоспособность и целостность всей системы на протяжении всего времени использования. Также данную функцию можно использовать при проверке правильности монтажа датчика на печатную плату. Когда функция активирована, электростатическая сила, приложенная к каждой оси, вызывает смещение чувствительного элемента. Величины типовых смещений при активизации функции указаны в документации на датчики.

Определение порогов и импульсов линейного ускорения

Как правило, этот режим отличается от обычного режима измерения датчика тем, что датчик определяет возникновение конкретного события и выдает соответствующий сигнал на МК. Соответственно, возможно определение следующих событий:

• Приложенное ускорение больше установленного значения.
• Приложенное ускорение меньше установленного значения.
• Фиксация появления одного импульса приложенного ускорения.
• Фиксация появления двух импульсов приложенного ускорения.

Этот режим может использоваться при определении таких событий, как фиксация движения или свободного падения.

Выбор частоты отсчетов

В ряде случаев нет необходимости постоянно использовать активный режим работы с максимальной частотой отсчетов и, соответственно, с максимальным током потребления. В периоды ожидания частота отсчетов может быть снижена, и, следовательно, может быть снижен ток потребления.

Эта функция, прежде всего, ориентирована на устройства, где необходимо снизить ток потребления.

Автопробуждение

Эта функция используется совместно с функцией выбора частоты отсчетов и также направлена на снижение энергопотребления. При необходимости снизить потребление микросхемы данная функция автоматически снижает частоту отсчетов при отсутствии движения в течение заданного периода времени, а при фиксировании начала движения автоматически повышает частоту отсчетов до заданного уровня.

Оценочные платы

Для оценки характеристик датчиков и для ускорения этапа разработки Freescale Semiconductor разрабатывает и производит оценочные платы. Сейчас компания выпускает различные типы оценочных плат, начиная с простейших, на которых установлен датчик с разведенными выводами на DIP-разъемы, и заканчивая беспроводными модулями обмена информацией на частотах 2,4 ГГц или 433 МГц, в которых используются трансиверы и микроконтроллеры, а также датчики ускорения собственного производства.

Примеры использования таких плат описываются в статьях по применению (Application Notes, AN). Статьи содержат информацию о таких применениях, как измерение углов наклона объекта [4], обнаружение свободного падения [5], счисление пути [6], и других задачах, которые стоят перед разработчиками. В данных описаниях содержится детальная информация о необходимых расчетах, практические рекомендации по проектированию устройств, примеры исходного кода на языке программирования С.

Помимо вышеперечисленного, в статьях и документации имеются примеры подключения датчиков ускорения с цифровыми и аналоговым интерфейсами (рис. 7-9). На рис. 7 представлен пример подключения цифрового датчика MMA7455 по интерфейсу SPI. Как видно на рис. 7, в этой схеме объединены цифровое и аналоговое питание (DVdd_IO, AVdd), выведены стандартные сигналы интерфейса SPI (CLK, MISO, MOSI, CS). Помимо этого, выведены 2 сигнала внешних прерываний (INT2, INT1), которые используются для выдачи прерываний при достижении установленных порогов и импульсов приложенного линейного ускорения.

Рис. 7. Пример подключения датчика по SPI-интерфейсу

Рис. 8. Пример подключения датчика по РС-интерфейсу

Рис. 9. Рекомендуемая схема подключения датчика с аналоговым выходом к контроллеру

На рис. 8 приведен пример подключения цифрового датчика MMA7455 по интерфейсу I²C. Данная схема отличается от предыдущей только подключением по цифровому интерфейсу со своими стандартными сигналами (SCL, SDA) и отдельной шиной питания, к которой подтянута шина I²C.

Рекомендуемую схему подключения аналогового датчика к микроконтроллеру можно найти на рис. 9. Все логические входы и выходы подключены напрямую к микроконтроллеру, что предоставляет возможность выбора диапазона измерения (g-Select), активировать режим сна (Sleep) и функцию самотестирования (Self Test), а также зафиксировать состояние, при котором ускорения по всем осям равны нулю (0g-Detect). По выходным цепям (X_out, Y_out, Z_out) рекомендуется устанавливать конденсаторы для уменьшения шума от внутреннего фильтра на переключаемых конденсаторах.

Эта статья носит обзорный характер и, естественно, не включает в себя всю необходимую информацию о датчиках ускорения Freescale Semiconductor и о проектировании устройств на их основе. Дополнительную информацию читатели могут найти на сайте производителя www.freescale.com, а также в онлайн-семинарах на сайте компании «Элтех» [7].

При выборе того или иного датчика ускорения, прежде всего, необходимо руководствоваться диапазоном измеряемого ускорения и требуемым типом выходных сигналов. Цифровые датчики ускорения, в отличие от аналоговых датчиков, как правило, используются в тех приложениях, где не требуется тщательной настройки для получения высокой точности измерений. С другой стороны, цифровые датчики ускорений обладают большей функциональностью, чем аналоговые, и их применение, во-первых, позволяет избавиться от необходимости реализации схем фильтрации, масштабирования и преобразования, а, во-вторых, позволяет разгрузить микроконтроллер от необходимости выполнения дополнительных функций, таких как определение превышения порога, обнаружение импульса и пр.

Благодаря хорошему качеству и довольно низкой цене (по сравнению с аналогами, которые выпускают конкуренты) датчики Freescale Semiconductor могут применяться для создания надежных качественных устройств серийного производства. А наличие готовых оценочных комплектов и детальной информации по применению позволит ускорить процесс разработки и создать конкурентоспособное устройство в короткие сроки.

MMA7361L — 3-осевой, аналоговый датчик ускорения

MMA7361L — малопотребляющий, емкостной микроэлектромеханический датчик ускорения в низкопрофильном корпусе, отличающийся однополярным низкочастотным фильтром, схемой температурной компенсации и само-тестирования, детектором нулевого ускорения для определения линейного свободного падения и возможностью выбора одного из двух уровней ускорения. Уровень напряжения нулевого ускорения и чувствительность имеют заводскую настройку и не требуют дополнительных внешних компонентов. MMA7361L имеет режим сна, что делает его идеальным для применений в портативных приборах с питанием от батареи.

Структурная схема

Отличительные особенности Выбор уровня ускорения — 1.5 g или 6 g Рабочий ток потребления 400 мкА Ток потребления в режиме сна 3 мкА Напряжение питания 2.2…3.6 Вольта Чувствительность 800 мВ/g при ускорении 1.5 g Высокая скорость срабатывания (время реакции 0.5 мс) Схема само-тестирования для теста детектора свободного падения Детектор нулевого ускорения для защиты от свободного падения Схема формирования сигналов с низкочастотным фильтром Прочная конструкция с высокой стойкостью к удару Низкопрофильный корпус LGA-14 размером 3.0 х 5.0 х 1.0 мм Отвечает требованиям RoHS Низкая цена

Область применения Игровые приставки и аксессуары Датчики наклона и движения MP3 плееры Детекторы свободного падения для приводов жестких дисков Стабилизация изображения, прокрутка текста и навигация в мобильных телефонах Шагомеры Компенсаторы ударов в электронных компасах Робототехника

Документация

Датчики ускорения (серия QG) | Датчики DIS

Датчики ускорения серии QG измеряют ускорение по 1, 2 или 3 осям. Эти продукты основаны на надежной технологии MEMS, в которой разность емкостей может быть преобразована в аналоговое напряжение в микросхеме микромеханического датчика. Это аналоговое напряжение пропорционально ускорению, которому подвергается датчик. Модульная конструкция позволяет легко адаптировать датчики к конкретным требованиям. Корпус доступен из металла (алюминий и нержавеющая сталь), а также из пластика.Датчики ускорения
DIS имеют более широкую полосу пропускания, чем датчики наклона, поэтому они могут измерять более быстрые движения с очень высокой точностью.

Функции акселерометров

Измерение ускорения и вибрации, активное гашение вибрации, мониторинг транспорта

Приложения

Сельскохозяйственная техника, ветряные мельницы, контейнеры

Корпус датчика ускорения

Многие из датчиков DIS в QG В серии используется уникальная концепция универсального пластикового корпуса, известная как QUADRO®.Преимуществом является очень компактный размер, простая установка и тот факт, что электроника полностью герметична, что обеспечивает высокую степень защиты от проникновения (IP67).

Типы датчиков ускорения

Датчики ускорения DIS доступны со следующими общими характеристиками:

Диапазон измерений:	± 0,26 до ± 18 г (1 г = 9,81 м / с²)
Частота:	0-10 / 50/100/500 / 1,000 / 2,500 Гц
Электропитание:	5 В постоянного тока или 10-30 В постоянного тока
Аналоговый выход:	0.5 — 4,5 В или 4 — 20 мА
Цифровой выход:	CANopen (безопасность)
Уровень защиты:	IP67, IP68 или IP69K
Точность:	в зависимости от модели и диапазона : до ± 0,003 г
Возможность обнуления:	в зависимости от модели
Функциональная безопасность:	SIL2 / PLd (опция)
Корпус:	(усиленный) пластик или нержавеющая сталь

Дополнительная информация

Полезные документы для датчиков QG, такие как обзоры семейств, руководства и файлы EDS, можно найти в разделе загрузок.

Принадлежности наши датчики ускорения

У нас есть широкий ассортимент принадлежностей, чтобы убедиться, что датчик ускорения будет работать с максимальной отдачей. Пожалуйста, взгляните на аксессуары для обзора. Если вы ищете аксессуар, которого нет в списке, не стесняйтесь обращаться к нам.

Найдите нужный датчик

Воспользуйтесь селектором продуктов, чтобы решить, какой тип датчика ускорения лучше всего подходит для вашего конкретного случая. потребности.Если вы не можете найти нужный датчик, сообщите нам. Вместе мы сможем найти вам датчик или разработать датчик, который будет соответствовать вашим требованиям.

Лаборатория автомобильной электроники Clemson: датчики ускорения

Датчики ускорения Базовое описание Датчики линейного ускорения, также называемые датчиками перегрузки, представляют собой устройства, которые измеряют ускорение, вызванное движением, вибрацией, столкновением и т. Д. Все датчики ускорения работают на простом принципе, в котором второй закон движения Ньютона применяется к пружинной массе. система.Масса соединена с основанием датчика ускорения через эквивалентную пружину. Поскольку сила между массой и основанием пропорциональна ускорению массы, а относительное расстояние между ними линейно зависит от силы, создаваемой пружиной, ускорение можно вычислить на основе измерения относительного положения массы или усилие на пружину, поскольку оно меняется со временем. Как правило, наиболее распространенными типами датчиков ускорения являются: пьезоэлектрические, пьезорезистивные, с переменной емкостью и переменным сопротивлением. Пьезоэлектрический Пьезоэлектрический датчик ускорения использует пьезоэлектрический эффект для измерения относительного расстояния между массой и основанием датчика, а затем представляет ускорение в терминах выходного напряжения. Иногда в качестве чувствительных элементов используются кристаллы кварца. Но обычно используются керамические пьезоэлектрические материалы, такие как титанат бария, титанат цирконита свинца (PZT) и метаниобат свинца. Пьезоэлектрические датчики ускорения широко используются из-за их компактных размеров и небольшого веса, но их нельзя использовать для измерения установившихся ускорений. Пьезорезистивный В пьезорезистивном датчике ускорения пьезорезистивный материал расположен так, что он деформируется из-за положения массы, изменяющей свое сопротивление. Этот тип датчика ускорения обычно имеет небольшой размер, большую амплитуду сигнала и хорошую линейность, но он может быть чувствительным к колебаниям температуры. Пьезорезистивные датчики можно использовать для измерения как установившихся, так и динамических ускорений. Переменная емкость Датчик ускорения с переменной емкостью использует изменения емкости, вызванные смещением массы, для определения своего положения.Чувствительный элемент, обычно используемый здесь, представляет собой конденсатор с противолежащими пластинами с воздушным демпфированием. Эти типы датчиков ускорения обладают хорошей чувствительностью, линейным выходом, хорошей реакцией на постоянный ток, малым рассеянием мощности и низкой температурной чувствительностью. Одним из недостатков датчиков переменной емкости является то, что они могут быть подвержены электромагнитным помехам. Переменное сопротивление Датчик ускорения с переменным магнитным сопротивлением использует изменения индуктивности катушки, вызванные смещением массы, изготовленной из магнитного материала, для определения положения массы. В большинстве датчиков ускорения пружина не является пружиной из витой проволоки, а имеет тенденцию восстанавливать массу в исходное положение. В некоторых датчиках вместо пружины используются маятники или диафрагмы. Датчики баланса сил сервопривода работают по замкнутому циклу. Эти датчики контролируют баланс сил между массой и пружиной и поддерживают их в состоянии равновесия. Этот механизм сводит к минимуму ошибки, вызванные нелинейностью пружины, но увеличивает стоимость. Датчики ускорения MEMS: Датчики ускорения, основанные на технологии MEMS (MicroElectroMechanical Systems), становятся все более популярными в автомобильных системах. Устройства MEMS относительно небольшие и прочные по сравнению с другими технологиями. Они изготавливаются путем травления крошечной механической структуры на кремниевых пластинах, где они легко интегрируются с системной электроникой. В датчиках ускорения MEMS чувствительный элемент представляет собой гребенчатую структуру дифференциальных конденсаторов, расположенных параллельно на балке (формирующей сейсмическую массу), поддерживаемой пружинами, вытравленными из кремниевой подложки.Дифференциальный конденсатор образует емкостной полумост, управляемый высокочастотным генератором прямоугольных импульсов. Когда ускорение применяется перпендикулярно сейсмической массе, дифференциальный конденсатор не согласовывается, и на центральной пластине появляется ненулевое напряжение. Этот сигнал предварительно усиливается, демодулируется, усиливается и выводится как напряжение, пропорциональное приложенному ускорению. Применение датчиков ускорения в автомобильной промышленности: Обнаружение столкновения и срабатывание подушки безопасности: для измерения интенсивности столкновения и сигнала для запуска срабатывания подушки безопасности. Электронные программы стабилизации и управления: Измеряет ускорение по различным осям (например, ускорение вперед, при торможении и повороте, для вычисления относительных перемещений и их регулирования). Антиблокировочная тормозная система. Активные системы подвески: Измеряет продольные и поперечные ускорения, а также характеристики крена автомобиля для соответствующего изменения характеристик амортизатора. Контроль спуска / удержания на холме: Измеряет наклон и скорость транспортного средства для регулирования системы. Мониторинг шума, вибрации и резкости. Автомобильные навигационные системы для определения местоположения, скорости и т. Д. Автомобиля Производителей ÅAC Microtec, Altheris, Analog Devices, Bosch, Continental, CTC, Freescale, GE, Honeywell, Kionix, Memsic, Mitsubishi Electric, McLaren Electronics, Murata, Omega, Panasonic, печатная плата, Rieker, Sensata, Silicon Designs, STMicroelectronics, TRW Для получения дополнительной информации [1] Акселерометр, Википедия. [2] МЭМС акселерометры STMicroelectronics, YouTube, 8 июня 2009 г. [3] Акселерометры MEMS, Матей Андреяшич, 2008 г. (pdf) [4] Оптический акселерометр представляет новый класс датчиков движения, Optics.org, 29 октября 2012 г. [5] Акселерометры и принцип их работы, Texas Instruments. (pdf) [6] Введение в акселерометры, веб-сайт Omega Engineering. [7] Руководство по акселерометрам для начинающих, веб-сайт Dimension Engineering. [8] Акселерометр MEMS, веб-сайт Silicon Designs. [9] Четырехцентровый бумажный акселерометр Гарварда, Popular Science, 14 февраля 2011 г. [10] Как смартфон узнает, что снизу (акселерометр), YouTube, 22 мая 2012 г.

Акселерометр: что это и как работает

Акселерометр — это устройство, которое измеряет вибрацию или ускорение движения конструкции. Сила, вызванная вибрацией или изменением движения (ускорением), заставляет массу «сжимать» пьезоэлектрический материал, который производит электрический заряд, пропорциональный приложенной к нему силе.Поскольку заряд пропорционален силе, а масса постоянна, то заряд также пропорционален ускорению. Эти датчики используются по-разному, от космических станций до портативных устройств, и есть большая вероятность, что у вас уже есть устройство с акселерометром в нем. Например, сегодня почти все смартфоны содержат акселерометр. Они помогают телефону узнать, испытывает ли он ускорение в каком-либо направлении, и по этой причине дисплей вашего телефона включается, когда вы его переворачиваете.В промышленных условиях акселерометры помогают инженерам понять устойчивость машины и позволяют им отслеживать любые нежелательные силы / вибрации.

Подробнее об акселерометрах

КАК ВЫБРАТЬ АКСЕЛЕРОМЕТР?

1. Какую амплитуду вибрации следует контролировать?
2. Какой частотный диапазон нужно контролировать?
3. Каков температурный диапазон установки?
4. Каков размер и форма исследуемого образца?
5. Есть ли электромагнитные поля?
6. Есть ли поблизости высокий уровень электрических шумов?
7. Заземлили ли поверхность, на которой должен быть установлен акселерометр?
8. Является ли окружающая среда агрессивной?
9. Требуются ли в данной области искробезопасные или взрывозащищенные приборы?
10. Область влажная или вымытая?

Как работает акселерометр?

Акселерометр работает с использованием электромеханического датчика, который предназначен для измерения статического или динамического ускорения.Статическое ускорение — это постоянная сила, действующая на тело, например сила тяжести или трение. Эти силы в значительной степени предсказуемы и однородны. Например, ускорение свободного падения постоянно и составляет 9,8 м / с, а сила гравитации почти одинакова во всех точках Земли.

Силы динамического ускорения неоднородны, и лучшим примером является вибрация или удары. Автокатастрофа — отличный пример динамического ускорения. Здесь изменение ускорения внезапно по сравнению с его предыдущим состоянием.Теория акселерометров заключается в том, что они могут определять ускорение и преобразовывать его в измеримые величины, такие как электрические сигналы.

Типы акселерометров

Пьезоэлектрические акселерометры (датчики вибрации) бывают двух типов. Первый тип — это акселерометр с выходом заряда с «высоким сопротивлением». В этом типе акселерометра пьезоэлектрический кристалл производит электрический заряд, который напрямую связан с измерительными приборами. Для вывода заряда требуются специальные приспособления и приборы, которые чаще всего встречаются в исследовательских центрах.Этот тип акселерометра также используется в высокотемпературных приложениях (> 120 ° C), где нельзя использовать модели с низким импедансом.

Второй тип акселерометра — это акселерометр с низким сопротивлением на выходе. Акселерометр с низким импедансом имеет акселерометр заряда в качестве переднего конца, но имеет крошечную встроенную микросхему и транзистор на полевом транзисторе, который преобразует этот заряд в напряжение с низким сопротивлением, которое может легко взаимодействовать со стандартными приборами. Этот тип акселерометра обычно используется в промышленности.Источник питания акселерометра, такой как ACC-PS1, обеспечивает надлежащее питание микросхемы от 18 до 24 В при постоянном токе 2 мА и устраняет уровень смещения постоянного тока, они обычно вырабатывают выходной сигнал с нулевым отсчетом до +/- 5 В в зависимости от Номинальное значение акселерометра в мВ / г. Все акселерометры OMEGA® относятся к этому типу с низким импедансом.

Основные области применения акселерометров

Акселерометры

находят множество применений в различных отраслях промышленности. Как уже говорилось, вы можете найти их в самых сложных машинах для ваших портативных устройств.Давайте посмотрим на некоторые практические применения акселерометров. Цифровые устройства: Акселерометры в смартфонах и цифровых камерах отвечают за поворот дисплея в зависимости от того, в каком положении вы его держите.

Транспортные средства: Изобретение подушек безопасности за годы спасло миллионы жизней. Акселерометры используются для срабатывания подушек безопасности, поскольку датчик посылает сигнал при внезапном сотрясении. Дроны: Акселерометры помогают дронам стабилизировать ориентацию в полете. Вращающееся оборудование: Акселерометры, используемые во вращающихся машинах, обнаруживают волнообразные колебания. Промышленные платформы: Для измерения устойчивости или наклона платформы. Мониторинг вибрации: Движущиеся машины создают вибрации, и эти вибрации могут быть вредными для машин, если их оставить без присмотра и усилить. Акселерометры полезны для мониторинга вибраций и все чаще используются на промышленных предприятиях, турбинах и т. Д.

Выберите правильный акселерометр

Акселерометр премиум-класса
Эти акселерометры изготовлены из отборных кристаллов премиум-класса и используют малошумящие схемы для создания первоклассного малошумящего акселерометра.Их корпус из нержавеющей стали 316L герметично защищен от воздействия окружающей среды, поэтому они могут выдерживать суровые промышленные условия. Также доступны варианты искробезопасности FM и CSA. ACC793 — это стандартная конфигурация верхнего кабеля, а ACC797 — низкопрофильная конфигурация бокового кабеля.

Учить больше

Акселерометр промышленного класса
Акселерометры промышленного класса — это рабочие лошадки в промышленности. Они используются на всем, от станков до малярных шейкеров.OMEGA предлагает на выбор четыре модели. ACC101 (показан) — это высококачественный недорогой акселерометр общего назначения. ACC 102A герметичен для работы в суровых условиях, имеет фиксированный кабель и весит всего 50 граммов. ACC786A, верхний кабель, и ACC787A, боковой кабель, герметично закрыты, а съемные кабели закрыты от непогоды.

Учить больше

Акселерометр с высокой вибрацией
Акселерометры, используемые для контроля высоких уровней вибрации, имеют более низкий выходной сигнал (10 мВ / г) и меньшую массу, чем промышленные акселерометры.ACC103 весит 15 г и может контролировать уровни вибрации до 500 г. Это конструкция с креплением на шпильках, предназначенная для использования на вибростолах, вибролабораториях и тяжелых промышленных станках. ACC104 весит всего 1,5 грамма и предназначен для крепления на клей. Обе модели имеют частотный диапазон от 3 до 10 кГц и динамический диапазон +/- 500 g.

Учить больше

Часто задаваемые вопросы

Установка акселерометра
Датчик должен быть установлен непосредственно на поверхности машины для правильного измерения вибрации.Этого можно добиться с помощью нескольких типов креплений:

— Плоское магнитное крепление
— 2-полюсное магнитное крепление
— Клеи (эпоксидные / цианоакрилатные)
— Монтажная шпилька
— Изолирующая шпилька

Магнитные крепления обычно являются временными.
Магнитные опоры используются для крепления акселерометров к ферромагнитным материалам, обычно используемым в станках, конструкциях и двигателях. Они позволяют легко перемещать датчик с места на место для получения показаний в нескольких местах.Двухполюсные магнитные крепления используются для крепления акселерометра к изогнутой ферромагнитной поверхности.

Клеи и шпильки с резьбой считаются постоянными креплениями.
Клеи, такие как эпоксидная смола или цианоакрилат, доказали свою эффективность в большинстве случаев. Сохраняйте пленку как можно более тонкой, чтобы избежать нежелательного гашения вибраций из-за гибкости пленки. Чтобы снять закрепленный на клее акселерометр, используйте гаечный ключ на плоских поверхностях корпуса и поверните его, чтобы разорвать клеевое соединение.НЕ ИСПОЛЬЗУЙТЕ МОЛОТОК. Удар по акселерометру приведет к его повреждению.

Монтажные шпильки являются предпочтительным методом монтажа.
Они требуют просверливания конструкции и нарезания резьбы, но обеспечивают прочное и надежное крепление. Обязательно соблюдайте указанные настройки крутящего момента, чтобы не повредить датчик или не оборвать резьбу.

Датчик вибрации Vs. Акселерометр

Устройство, которое вы видите как датчик вибрации, представляет собой не что иное, как акселерометр. Поскольку акселерометры очень хорошо измеряют изменение скорости, эту особенность лучше всего использовать для измерения вибраций, поскольку скорость всегда постоянно меняется.

Техническое обучение Техническое обучение Просмотреть эту страницу на другом языке или в другом регионе Акселерометры

: что это такое и как они работают

Когда вы используете приложение компаса на своем смартфоне, оно каким-то образом знает, в каком направлении указывает телефон.С помощью приложений для наблюдения за звездами он каким-то образом знает, где на небе вы хотите правильно отображать созвездия. Смартфоны и другие мобильные технологии определяют свою ориентацию с помощью ускорителя, небольшого устройства, состоящего из осевого датчика движения.

Датчики движения в акселерометрах могут даже использоваться для обнаружения землетрясений и могут использоваться в медицинских устройствах, таких как бионические конечности и другие искусственные части тела. Некоторые устройства, являющиеся частью количественного определения собственного движения, используют акселерометры.

Акселерометр — это электромеханическое устройство, используемое для измерения силы ускорения. Такие силы могут быть статическими, например, непрерывная сила тяжести, или, как в случае со многими мобильными устройствами, динамическими для определения движения или вибрации.

Ускорение — это измерение изменения скорости или скорости, деленной на время. Например, автомобиль, разгоняющийся с места до 60 миль в час за шесть секунд, будет иметь ускорение 10 миль в час (60, разделенное на 6).

Назначение акселерометра

Применение акселерометров распространяется на множество дисциплин, как академических, так и ориентированных на потребителей.Например, акселерометры в ноутбуках защищают жесткие диски от повреждений. Если ноутбук внезапно упадет во время использования, акселерометр обнаружит это внезапное свободное падение и немедленно отключит жесткий диск, чтобы не ударить считывающими головками о пластину жесткого диска. Без этого они могли бы ударить и поцарапать пластину, что приведет к повреждению файлов и чтению. Акселерометры также используются в автомобилях в качестве отраслевого метода обнаружения автомобильных аварий и почти мгновенного срабатывания подушек безопасности.

В другом примере динамический акселерометр измеряет силу тяжести, чтобы определить угол наклона устройства по отношению к Земле. Ощущая величину ускорения, пользователи анализируют, как движется устройство.

Акселерометры позволяют пользователю лучше понять окружение предмета. С помощью этого небольшого устройства вы можете определить, движется ли объект вверх по склону, упадет ли он, если наклонится, летит ли он горизонтально или наклоняется вниз.Например, смартфоны поворачивают дисплей между портретным и альбомным режимами в зависимости от того, как вы наклоняете телефон.

Как они работают

Ускоритель выглядит как простая схема для более крупного электронного устройства. Несмотря на скромный внешний вид, акселерометр состоит из множества различных частей и работает по-разному, две из которых — пьезоэлектрический эффект и емкостной датчик. Пьезоэлектрический эффект является наиболее распространенной формой акселерометра и использует микроскопические кристаллические структуры, которые подвергаются напряжению из-за ускоряющих сил.Эти кристаллы создают напряжение из напряжения, и акселерометр интерпретирует напряжение, чтобы определить скорость и ориентацию.

Емкостной акселерометр определяет изменения емкости между микроструктурами, расположенными рядом с устройством. Если ускоряющая сила перемещает одну из этих структур, емкость изменится, и акселерометр преобразует эту емкость в напряжение для интерпретации.

Акселерометры состоят из множества различных компонентов и могут быть приобретены как отдельное устройство.Доступны аналоговые и цифровые дисплеи, хотя для большинства технологических устройств эти компоненты интегрированы в основную технологию и доступны с помощью управляющего программного обеспечения или операционной системы.

Типичные акселерометры состоят из нескольких осей, две для определения большинства двухмерных перемещений с возможностью третьей для трехмерного позиционирования. В большинстве смартфонов обычно используются трехосные модели, в то время как автомобили просто используют только две оси для определения момента удара. Чувствительность этих устройств довольно высока, поскольку они предназначены для измерения даже очень незначительных изменений ускорения.Чем более чувствителен акселерометр, тем легче он измеряет ускорение.

Акселерометры, которые активно используются во многих электронных устройствах в современном мире, также доступны для использования в индивидуальных проектах. Независимо от того, являетесь ли вы инженером или техническим специалистом, акселерометр играет очень активную роль в широком спектре функций. Во многих случаях вы можете не заметить наличие этого простого датчика, но есть вероятность, что вы уже используете устройство с ним.

Технические характеристики акселерометра — Краткие определения

Диапазон измерений:

Уровень ускорения, поддерживаемый характеристиками выходного сигнала датчика, обычно указывается в ± g .Это наибольшая величина ускорения, которую деталь может измерить и точно представить как выходной сигнал. Например, выходной сигнал акселерометра ± 3 g является линейным с ускорением до ± 3 g . Если он ускоряется на 4 g , на выходе может возникнуть рельс. Обратите внимание, что предел прочности определяется абсолютным максимальным ускорением, а НЕ диапазоном измерения. Ускорение 4g не сломает акселерометр ± 3 g .

Чувствительность акселерометра:

Отношение изменения ускорения (входного) к изменению выходного сигнала.Это определяет идеальное прямолинейное соотношение между ускорением и мощностью (рис. 1, серая линия). Чувствительность указывается для конкретного напряжения питания и обычно выражается в единицах мВ / g для акселерометров с аналоговым выходом, LSB / g или мг / LSB для акселерометров с цифровым выходом. Обычно указывается в диапазоне (мин., Тип., Макс.) Или в виде типичного значения и% отклонения. Для датчиков с аналоговым выходом чувствительность пропорциональна напряжению питания; например, удвоение подачи увеличивает вдвое чувствительность.

Изменение чувствительности из-за температуры обычно указывается как изменение в% на ° C. Температурные эффекты вызваны комбинацией механических напряжений и температурных коэффициентов контура.

Рисунок 1. Нелинейность — это измерение отклонения акселерометра отклик (показано черным цветом) от идеально линейного отклика (серым цветом). Это График предназначен только для иллюстрации и не показывает настоящий акселерометр dat a.

Нелинейность:

В идеале зависимость между напряжением и ускорением линейна и описывается чувствительностью устройства. Нелинейность — это измерение отклонения от совершенно постоянной чувствительности, выраженное в процентах относительно полного диапазона (% FSR) или ± полной шкалы (% FS). Обычно FSR = FS + FS. Нелинейность акселерометров Analog Devices достаточно мала, поэтому ее чаще всего можно игнорировать.

Ошибка выравнивания пакета:

Угол между осями датчиков акселерометра и указанным элементом корпуса (см. Рисунок 2).«Выравнивание оси ввода» — еще один термин, используемый для обозначения этой ошибки. Единицы измерения ошибки выравнивания упаковки — «градусы». Технология упаковки обычно выравнивает матрицу с точностью до 1 ° от упаковки.

(Ортогонально) Ошибка выравнивания:

Отклонение от идеального углового смещения (обычно 90 °) между многоосевыми устройствами (см. Рисунок 2). Акселерометры Analog Devices производятся с использованием фотолитографии на едином куске кремния, поэтому ошибка совмещения оси с осью обычно не является проблемой.

Поперечная чувствительность:

Мера того, какой выходной сигнал отображается на одной оси, когда ускорение накладывается на другую ось, обычно указывается в процентах. Связь между двумя осями является результатом комбинации ошибок выравнивания, неточностей травления и перекрестных помех в цепи.

Ноль-

г Уровень смещения:

Определяет выходной уровень при отсутствии ускорения (нулевой вход). Аналоговые датчики обычно выражают это в вольтах (или мВ), а цифровые датчики — в кодах (LSB).Ноль — g Смещение задается при определенном напряжении питания и обычно является логометрическим по отношению к напряжению питания (чаще всего смещение нуля — g номинально составляет половину напряжения питания).

Часто указываются несколько аспектов смещения нуля — g :

• Ноль- g Напряжение , в В, определяет диапазон напряжений, которые можно ожидать на выходе при ускорении 0 g .
• Отклонение выходного сигнала от идеального , также называемое начальной ошибкой смещения, определяется при 25 ° C либо в терминах ошибки ускорения ( g ), либо в виде выходного сигнала: мВ для аналоговых датчиков и младшего разряда для цифровых датчиков.
• Нуль- г Смещение в зависимости от температуры или Температурный коэффициент смещения , в м г / ° C, описывает, насколько выходной сигнал смещается при каждом изменении температуры ° C; и
• Чувствительность напряжения смещения — это изменение «Уровня нулевого смещения» по отношению к изменению источника питания. Обычно единицы измерения этого параметра: мВ / В, м , г / В или младший бит / В.
• Ноль- г Общая ошибка включает все ошибки.

Плотность шума акселерометра:

In u g / rt (Hz) RMS, является квадратным корнем из спектральной плотности мощности выходного шума. Общий шум определяется по формуле:

Шум = Плотность шума * sqrt (BW * 1.6)

где BW — полоса пропускания акселерометра, устанавливаемая конденсаторами на выходах акселерометра.

Шум акселерометров Analog Devices гауссовский и некоррелированный, поэтому шум можно уменьшить путем усреднения выходных сигналов нескольких акселерометров.напряжение питания (чаще всего ноль — г, смещение номинально составляет половину напряжения питания).

Общий шум:

Случайное отклонение от идеального выходного сигнала, равное произведению плотности шума и квадратного корня из ширины полосы шума. Единицами измерения этого параметра обычно являются мг-СКЗ.

Рис. 2. Отображение ошибки выравнивания упаковки α и ошибки выравнивания датчика θ.α — угол между осями датчика и осями корпуса. θ — отклонение осей датчика от ортогональности, то есть разница в между (ysensor — xsensor) и 90 °.

Скорость выходных данных:

В акселерометрах с цифровым выходом определяет скорость выборки данных. Полоса пропускания — это сигнал наивысшей частоты, который может быть дискретизирован без наложения спектров с указанной скоростью выходных данных. По критерию выборки Найквиста полоса пропускания составляет половину скорости выходных данных.

В акселерометрах с аналоговым выходом полоса пропускания определяется как частота сигнала, при которой отклик падает до -3 дБ от отклика на постоянное (или низкочастотное) ускорение.

Основы акселерометра — learn.sparkfun.com

Что такое акселерометр?

Акселерометры — это устройства, которые измеряют ускорение, то есть скорость изменения скорости объекта. Они измеряются в метрах на секунду в квадрате (м / с ² ) или в перегрузках (g).Единичная сила перегрузки для нас здесь, на планете Земля, эквивалентна 9,8 м / с ² , но это немного зависит от высоты (и будет другим значением на разных планетах из-за изменений гравитационного притяжения). Акселерометры полезны для измерения вибрации в системах или для ориентации.

Рекомендуемая литература

Если вы не знакомы с какой-либо из приведенных ниже тем, вы можете прочитать их, прежде чем переходить к акселерометрам.

Логические уровни

Узнайте разницу между 3.Устройства 3V и 5V и логические уровни.

I2C

Введение в I2C, один из основных встраиваемых протоколов связи, используемых сегодня.

---

Как работает акселерометр

Акселерометры — это электромеханические устройства, которые определяют статические или динамические силы ускорения. Статические силы включают гравитацию, а динамические силы могут включать колебания и движение.

Оси измерения трехосного акселерометра

Акселерометры могут измерять ускорение по одной, двум или трем осям. 3-осевые агрегаты становятся все более распространенными, поскольку стоимость их разработки снижается.

Обычно акселерометры содержат внутри емкостные пластины. Некоторые из них зафиксированы, а другие прикреплены к крохотным пружинам, которые перемещаются внутри, когда на датчик действуют силы ускорения. Когда эти пластины перемещаются относительно друг друга, емкость между ними изменяется.По этим изменениям емкости можно определить ускорение.

Другие акселерометры могут быть ориентированы на пьезоэлектрические материалы. Эти крошечные кристаллические структуры выделяют электрический заряд, когда подвергаются механической нагрузке (например, ускорению).

Пример внутренней части пьезоэлектрического акселерометра

---

Как подключить к акселерометру

Для большинства акселерометров основными соединениями, необходимыми для работы, являются питание и линии связи.Как всегда, прочтите техническое описание, чтобы убедиться, что все соединения выполнены правильно.

Коммуникационный интерфейс

Акселерометры

обмениваются данными через аналоговый, цифровой интерфейс или интерфейс с широтно-импульсной модуляцией.

• Аналоговый — Акселерометры с аналоговым интерфейсом показывают ускорение при различных уровнях напряжения. Эти значения обычно колеблются между уровнем заземления и уровнем напряжения питания. Затем для считывания этого значения можно использовать АЦП на микроконтроллере.Как правило, они дешевле цифровых акселерометров.

• Цифровой — Акселерометры с цифровым интерфейсом могут обмениваться данными через протоколы связи SPI или I ² C. Они, как правило, обладают большей функциональностью и менее чувствительны к шуму, чем аналоговые акселерометры.

• Широтно-импульсная модуляция (PWM) — Акселерометры, которые выводят данные с помощью широтно-импульсной модуляции (PWM), выдают прямоугольные волны с известным периодом, но с рабочим циклом, который изменяется с изменениями ускорения.

Мощность

Акселерометры обычно маломощные. Требуемый ток обычно находится в диапазоне микро (µ) или миллиампер при напряжении питания 5 В или меньше. Потребление тока может варьироваться в зависимости от настроек (например, режим энергосбережения по сравнению со стандартным рабочим режимом). Эти различные режимы могут сделать акселерометры подходящими для приложений с батарейным питанием.

Убедитесь, что соответствующие логические уровни согласованы, особенно с цифровыми интерфейсами.

---

Как выбрать акселерометр

При выборе акселерометра важно учитывать несколько функций, включая требования к питанию и интерфейсы связи, как обсуждалось ранее. Дополнительные возможности для рассмотрения приведены ниже.

Диапазон

Большинство акселерометров имеют выбираемый диапазон измеряемых сил. Эти диапазоны могут варьироваться от ± 1 г до ± 250 г. Как правило, чем меньше диапазон, тем более чувствительными будут показания акселерометра.Например, для измерения небольших вибраций на столе использование акселерометра с малым диапазоном дает более подробные данные, чем использование диапазона 250g (который больше подходит для ракет).

Трехосевой акселерометр ADXL362 может измерять значения ± 2g, ± 4g и ± 8g.

Дополнительные функции

Некоторые акселерометры включают такие функции, как обнаружение постукивания (полезно для приложений с низким энергопотреблением), обнаружение свободного падения (используется для активной защиты жесткого диска), температурная компенсация (для повышения точности в ситуациях точного расчета) и определение диапазона 0 g, которое другие особенности, которые следует учитывать при покупке акселерометра.Потребность в таких функциях акселерометра будет определяться приложением, в которое встроен акселерометр.

Также доступны IMU (инерциальные измерительные устройства), которые могут включать в себя акселерометры, гироскопы и даже, иногда, магнитометры в одном корпусе или плате ИС. Некоторые примеры этого включают MPU6050 и MPU9150. Они обычно используются в приложениях для отслеживания движения и системах наведения БПЛА, где важны местоположение и ориентация объекта.

---

Покупка акселерометра

Теперь, когда вы выучили азбуку x, y и z, взгляните на рекомендуемые нами акселерометры.

Наши рекомендации:

Чтобы получить более подробные сведения о выборе акселерометра, ознакомьтесь с нашим руководством по покупке , чтобы найти то, что подходит для вашего проекта.

---

Ресурсы и дальнейшее развитие

Теперь у вас должны быть все основные инструменты и навыки, необходимые для реализации акселерометра в вашем собственном проекте.

Чтобы узнать больше об акселерометрах, перейдите по следующим ссылкам:

Распознавание походки датчика ускорения для смартфонов на основе множественного классификатора Fusion

Походка, как своего рода биологическая особенность, имеет огромное значение при идентификации персонала. В статье анализируются характеристики походки на основе датчиков ускорения смартфонов и предлагается новый метод распознавания походки. Во-первых, ввиду существующих методов в процессе извлечения признаков походки, большого количества избыточных вычислений, ошибки обнаружения цикла и проблемы фазового отклонения в течение недели были выдвинуты контекст формы (SC) и нормализованное линейное время (LTN). ) объединение метода калибровки SCLTN для согласования последовательности цикла походки для представления всего извлечения типичного цикла походки.Ввиду существующих извлеченных признаков походки все еще остаются некоторые традиционные особенности; изменение скорости относительно равномерного ускорения и изменение ускорения в единицу времени предлагаются в качестве новых функций. Во-вторых, объединение новых функций с традиционными функциями для формирования новой функции устанавливается для обучения альтернативного набора функций, из которого проверяется время обучения и эффект распознавания нескольких классификаторов. Наконец, предлагается новый метод объединения нескольких классификаторов, Multiple Scale Voting (MSV), для объединения результатов нескольких классификаторов для получения окончательных результатов классификации.Для проверки работоспособности предложенного метода собраны данные о походке 32 испытателей. Окончательные результаты экспериментов показывают, что новая функция имеет хорошую разделяемость, а скорость распознавания набора функций слияния после алгоритма MSV составляет 98,42%.

1. Введение

Походка человека имеет очень уникальный рисунок, который можно использовать для идентификации и проверки. Традиционная идентификация походки, основанная на носимых датчиках, собирает данные о походке путем связывания специальных датчиков на фиксированной части тела человека [1].Благодаря быстрой популяризации смартфонов и постоянному развитию их функций в последние годы стало возможным использовать встроенный акселерометр смартфона для идентификации походки пользователей в условиях, которые не влияют на их нормальную работу, учебу и жизнь [2]. Однако такие факторы, как разнообразие смартфонов и очень большие различия в производительности встроенных акселерометров, приводят к значительным различиям в собираемых данных, что увеличивает сложность идентификации людей и напрямую влияет на точность и достоверность распознавания.

Чтобы повысить точность распознавания походки, мы постоянно проводили исследования по идентификации походки на основе акселерометров смартфонов, и результаты в основном отражаются в следующих трех аспектах.

(1) Извлечение периода походки и выбор признаков . В литературе [8] предложен устойчивый механизм периодического обнаружения, который делает определение периода более «автоматизированным». Благодаря использованию этого механизма производительность системы значительно улучшается и становится более эффективной по сравнению с предыдущим, более сложным методом определения периода.Литература [9] извлекала частоту походки, коэффициент симметрии, числовой диапазон колебаний и коэффициент подобия характеристической кривой из данных по походке в качестве характеристик. Наконец, предлагается механизм взвешенного голосования в соответствии с этими признаками для классификации и идентификации, и результаты экспериментов показывают, что эти предложенные признаки могут быть эффективно классифицированы и идентифицированы.

(2) Улучшение и предложение нового алгоритма классификации . В литературе [10] предложен новый алгоритм динамического преобразования времени (DTW), который использует время и амплитуду характерных точек как двумерную последовательность.Траектория минимального совокупного расстояния ищется по парам пиков и впадин, а затем осуществляется идентификация путем определения порогового значения. Однако в настоящее время метод был проверен только на небольших выборках. В литературе [11] предложен метод извлечения периода походки, основанный на кусочно-линейной аппроксимации (PLA), новом типе ядра метрики упругого расстояния. Функция GDTW представлена ​​на основе гауссова ядра исходной машины опорных векторов (SVM). Благодаря проверке эффективности методов DTW и PLA при извлечении периода походки в экспериментах, результаты показывают, что предлагаемый метод значительно улучшает результаты классификации.

(3) Использование ансамблевого обучения для выполнения учебных задач путем создания нескольких учащихся . В литературе [12] для оптимизации мультиклассификаторов был использован алгоритм муравьиной колонии и предложен метод взвешенного голосования с высокой степенью достоверности для объединения выходных данных классификатора, что увеличивает окончательную скорость распознавания модели более чем на 3% по сравнению с одним классификатором. В литературе [13] выходные данные машин с несколькими скоростями обучения используются для выполнения простой обработки слияния средних алгоритмов, а конечная точность распознавания выходных данных модели равна 3.На 6% выше, чем у односкоростной обучающей машины. Преимущество ансамблевого обучения заключается в возможности объединить нескольких учащихся, и часто оно может обеспечить лучшую производительность обобщения, чем один учащийся. Однако это также зависит от выбора алгоритма слияния. Соответствующий алгоритм слияния часто обеспечивает лучшую способность к обобщению, и наоборот.

Вышеупомянутые исследования разрабатывают универсальный выбор признаков для сигнала ускорения человека и обеспечивают отличные показатели распознавания, но они не исследуют особенности движения человека при ходьбе и выбирают только один классификатор с наилучшей скоростью распознавания для изучения.Из-за этих недостатков в данной статье скорости изменения ускорения и величины изменения скорости, связанные с равномерным ускорением, извлекаются из данных о походке в качестве новых функций, объединяются общие функции частотно-временной области для моделирования и идентификации нескольких классификаторов, а также предлагается многомасштабное голосование ( MSV) для обработки слияния для получения окончательных результатов распознавания.

2. Сопутствующие исследования

Здесь мы кратко представляем существующие методы извлечения признаков походки и слияния мультиклассификаторов.

Литература [9] извлекла частоту походки, коэффициент симметрии, числовой диапазон колебаний и коэффициент подобия кривой признаков из данных походки в качестве признаков, и они предложили механизм голосования по весу для классификации и распознавания походки в соответствии с этими признаками. .

Конкретная схема выглядит следующим образом.

(1) Все характеристические кривые в базе данных анализируются одна за другой для расчета частоты походки, коэффициента симметрии и динамического диапазона ().

(2) Рассчитывается на основе измеренных данных линейного ускорения: это частота походки, коэффициент симметрии и динамический диапазон.

(3) Характеристическая кривая линейного ускорения сравнивается с образцом в базе данных и вычисляется коэффициент подобия. Результат обозначается как.

(4) Процесс взвешенного голосования выглядит следующим образом.

(a) Рассчитайте абсолютную ошибку между и. Результат обозначается как.

(b) Рассчитайте абсолютную ошибку между и.Результат обозначается как.

(c) Рассчитайте абсолютную ошибку между и. Результат обозначается как.

Суммируйте взвешенное количество голосов для каждой выборки в базе данных.

где — вектор взвешенных коэффициентов.

(d) Решение голосования: текущие данные измерений соответствуют выборке с наименьшей взвешенной суммой голосования в данной базе данных.

Взвешенный коэффициент можно выбрать на основании дополнительных экспериментальных данных. Коэффициент сходства характерных кривых имеет наибольшее значение для идентификации походки, за ним следует частота походки.Коэффициент симметрии тесно связан с расположением iPhone. На динамический диапазон сильно влияет шум. Следовательно, взвешенные коэффициенты устанавливаются, как в этой статье, где

Хотя экспериментальные результаты показывают, что эти предложенные функции могут быть эффективно классифицированы и идентифицированы, эти типы функций по-прежнему являются относительно традиционными характеристиками частотно-временной области, а характеристики движения при походке не изучались.

В алгоритме слияния мультиклассификаторов порог весового коэффициента часто назначается базовому классификатору, и рациональность распределения порога напрямую влияет на точность распознавания всей модели.В большинстве существующих исследований опыт экспертов используется в качестве порога для присвоения весовых коэффициентов классификаторам, что часто приводит к неточной идентификации классификатора. Причины могут быть следующими. Случайные ошибки экспертов приводят к снижению точности распознавания; необоснованное ручное вмешательство в процесс идентификации приводит к нераспознанным окончательным результатам идентификации. В литературе [12] предложена модель взвешенного голосования с высокой степенью надежности (HRWV) для решения вышеуказанных проблем. Основная идея высокой достоверности заключается в использовании достоверности распознавания классификации базового классификатора в качестве порога его весового коэффициента, что может избежать ненадежного присвоения человеком и влияния человеческого вмешательства на идентификацию машины, что в конечном итоге гарантирует пороговую надежность и устойчивость весовых коэффициентов. .

где указывает достоверность выходного классификатора-го базового классификатора выборки класса; указывает фактическое количество образцов класса; указывает количество образцов классов, в которые тестовая выборка классифицируется как образцы классов после прохождения th базового классификатора.

где представляет собой среднюю достоверность выборок выходных классов базового классификатора чисел.

где представляет собой пороговое значение весовых коэффициентов th базового классификатора для выборки класса.После того, как числовой классификатор классифицирует образцы классов, пороговое значение классификатора с наивысшей достоверностью устанавливается на среднее значение достоверности, а пороговые значения весовых коэффициентов других базовых классификаторов устанавливаются на 1-среднее значение достоверности.

Полученные пороговые значения классификатора и методы голосования объединяются в конце алгоритма HRWV. Экспериментальные результаты показывают, что скорость распознавания алгоритма HRWV на 3% выше, чем у одного классификатора, но средняя достоверность будет меньше 0.5, если большинство классификаторов плохо идентифицируются для определенного типа выборки, что приведет к увеличению ошибочной классификации порога взвешивания классификатора и не может быть достигнут желаемый эффект слияния.

Таким образом, для условий характеристик движения походки, которые не были выделены в приведенной выше литературе, в этой статье анализируются характеристики движения походки путем извлечения изменения скорости ускорения и изменения скорости относительно равномерного ускорения. Кроме того, в статье предлагается многомасштабный алгоритм слияния для недостатка алгоритма слияния мультиклассификаторов.

3. Сбор и предварительная обработка данных

Для улучшения существующих характеристик идентификации походки на основе акселерометра смартфона предлагается метод распознавания, основанный на слиянии нескольких классификаторов (MCF). Конкретный алгоритм алгоритма показан на рисунке 1.

3.1. Сбор данных

Традиционный метод заключается в фиксации датчиков в таких местах, как задняя часть талии, внутренняя поверхность бедра, рука и лодыжка для получения стабильных данных о походке. Однако при размещении на руке и лодыжке в сигнале появляется больше шума из-за серии непроизвольных дрожаний рук и ног, что влияет на целостность и стабильность полученных данных.Чтобы повысить стабильность получения сигнала данных о походке, бумага помещает смартфон в карман брюк на внутренней стороне бедра во время сбора данных, а встроенный акселерометр используется для сбора данных (конкретное расположение показано на рисунке 2. ). Для сбора используется смартфон серии Samsung Note II, частота дискретизации — 100 Гц.

3.2. Предварительная обработка данных

Исходный сигнал ускорения содержит высокочастотный шум во время движения персонала, который в основном возникает из двух областей: одна — это шум, создаваемый акселерометром мобильного телефона, а другая — шум, создаваемый физиологической вибрацией человеческого тела. в процессе сбора данных о походке.Учитывая высокую чувствительность датчиков ускорения, даже небольшие колебания будут влиять на изменение значения ускорения, что в дальнейшем повлияет на последующее извлечение признаков и скорость распознавания классификации. Следовательно, при сохранении полезной информации также необходимо попытаться удалить как можно больше шумовых помех в данных. В условиях, когда сигнал признака походки в основном сосредоточен в низкочастотной части данных, фильтр нижних частот Баттерворта третьего порядка [14] используется для фильтрации с целью удаления высокочастотного шума.На рисунке 3 показаны данные о походке до и после фильтрации. Он имеет плавную характеристику частотной характеристики полосы пропускания, которая может быть выражена как

(a) Необработанные данные трехосного ускорения
(b) Отфильтрованные данные трехосного ускорения
(a) Исходные данные трехосного ускорения
( б) Отфильтрованные данные трехосного ускорения

4. Разделение на период и выделение признаков

4.1. Разделение на период

Обычно используются два метода разделения на периоды: сегментация на основе кадра [15, 16] и сегментация на основе периода.Сегментация на основе кадров также называется сегментацией на основе фиксированного скользящего окна, где окно представляет объем данных, используемых для одновременной обработки. Следовательно, метод делит период в соответствии с фиксированной длиной данных и может быстро реализовать процесс сегментации временного ряда. Окно также делится на перекрывающиеся и неперекрывающиеся окна, которые в основном определяются размером окна и размером шага скольжения. Этот метод часто используется в текущих исследованиях из-за его простой реализации.

Хотя метод имеет отличные характеристики в реальном времени и может поддерживать особенности модели походки, он не наилучшим образом отражает фазу походки и не решает проблемы изменения во времени, вызванные режимом походки. В отличие от сегментации на основе кадра, метод сегментации на основе периода основан на периоде походки и может полностью отражать скрытые биометрические данные данных о походке. Учитывая, что данные об ускорении походки обычно представляются в виде набора данных с периодическими характеристиками, в этой статье используется метод сегментации на основе периодов, а конкретный алгоритм делится на следующие три этапа.

(1) Оценка длины периода . По статистике нормальные люди проходят два шага в среднем от 0,8 до 1,2 с. Два шага соответствуют одному периоду в данных, поскольку при сборе данных только один мобильный телефон помещается с правой стороны кармана брюк. Кроме того, частота дискретизации устанавливается равной 100 Гц, так что приблизительно от 80 до 120 точек данных соответствуют одному периоду.

(2) Определение периода. Данные походки периодически обнаруживаются с использованием локального минимального значения [17], что означает, что данные, содержащиеся между двумя соседними минимальными значениями, считаются одним периодом походки.

(3) Устранение аномального периода. Данные походки можно разделить на один период походки с помощью двух шагов, упомянутых выше, но не все эти периоды подходят для извлечения признаков. Аномальный период следует исключить после фильтрации этих периодов. В этой статье DTW используется для расчета аналогичных расстояний в нормальный период, а периоды с большой разницей в расстоянии исключаются.

Один период походки разных людей извлекается с помощью описанных выше шагов, как показано на рисунке 4.

(a) Период походки, выделенный индивидуумом A
(b) Период походки, выделенный индивидуумом B
(a) Период походки, выделенный индивидуумом A
(b) Период походки, выделенный индивидуумом B

4.2. Типичное извлечение периода

Посредством периодического извлечения полный набор данных об ускорении походки может быть сегментирован на несколько небольших периодов походки. Учитывая периодические особенности данных об ускорении походки, в статье выделяется типичный период походки из нескольких периодов походки, чтобы охарактеризовать всю характеристику данных походки, чтобы избежать избыточных избыточных данных, которые не способствуют извлечению характеристик.В настоящее время DTW [18] (и алгоритм деформации, производный от алгоритма DTW [19–21]) и линейная временная нормализация (LTN) на основе линейного согласования [22, 23] часто используются в типичном извлечении периода. Однако DTW представляет собой алгоритм регуляризации нелинейного сопоставления, который подходит для разложения неравномерности времени действия относительно общего времени действия, особенно в области распознавания речи. Однако, учитывая, что походка линейна по периоду, DTW не подходит для извлечения периода, типичного для походки; В отличие от этого, LTN рассматривает взаимосвязь линейного согласования между данными при обработке согласования последовательности периода походки перед вычислением кратчайшего расстояния между ними.Метод сопоставления LTN уделяет больше внимания линейным характеристикам походки по сравнению с DTW, но LTN также имеет некоторые недостатки. При сопоставлении последовательностей не учитываются особенности формы самой последовательности.

Для локальной информации о форме для каждого контекста точки, который был проигнорирован в алгоритме LTN, в документе вводится концепция контекста формы (SCLTN) [24–28] в LTN, которая позволяет определять соответствие между каждой точкой данных в периодическая последовательность. Контекст формы — это описание формы, основная цель которой — зафиксировать относительное положение каждой точки данных в пространстве для достижения более строгого и точного соответствия между точками, как показано на рисунке 5.

(a) Сопоставление точек с помощью SC-LTN
(b) Гистограмма контекста формы
(a) Сопоставление точек с помощью SC-LTN
(b) Гистограмма контекста формы

Во-первых, линейная соответствие между точками на двух наборах последовательностей вычисляется с использованием LTN, из которого получается соотношение совпадения точек на рисунке 5 (а). Затем гистограмма контекста формы каждой совпадающей точки данных вычисляется с использованием контекста формы, и взаимосвязь совпадения точек LTN проверяется снова, чтобы точно соответствовать каждой точке в двух наборах последовательностей.Конкретные шаги для использования алгоритма SCLTN для извлечения типичных периодов следующие.

(1) Сначала вычислите контекстную информацию формы для каждой точки данных во всех периодах.

(2) Затем вычислите значение C между каждой точкой данных, найдя оптимальное выравнивание каждой точки в последовательности, чтобы гарантировать, что общее значение C является наименьшим.

(3) Для последовательности выравнивания, полученной на этапе, линейное правило в алгоритме LTN снова используется для проверки линейной связи между совпадающими точками выравнивания, чтобы гарантировать достижение наилучшего соответствия выравнивания.

(4) Комбинация линейных правил в приведенных выше SC и LTN используется только для выравнивания точек данных; Расстояния между периодами по-прежнему следует рассчитывать с использованием алгоритма LTN, и период, соответствующий минимальному расстоянию, выбирается в качестве типичного периода.

В этой статье не используется алгоритм контекста формы для определения окончательного расстояния между двумя наборами последовательностей, но делаются дальнейшие улучшения сопоставления точек через контекст формы. При извлечении типичного периода алгоритм LTN по-прежнему используется для вычисления последовательности между двумя группами, и период извлекается в соответствии с расстоянием.Чем короче расстояние между последовательностями, тем более похожи две группы; чем больше расстояние, тем больше их разница.

Извлечение признаков используется для извлечения векторов признаков, которые могут представлять индивидуальные идентичности из полученного отдельного периода походки, который является ключевым в технологии распознавания классификации. Эффект выделения признаков напрямую повлияет на точность обучения классификатора и окончательного распознавания классификации.

5.1. Традиционные характеристики походки

Традиционными методами, основанными на извлечении характеристик сигнала ускорения, являются анализ во временной области [29], анализ в частотной области [30] и анализ в частотно-временной области [31].Традиционные значения признаков, которые извлекаются в сочетании с вышеуказанными методами, показаны в таблице 1.

Название функции Формула Среднее значение Стандартное отклонение Среднее отклонение Интервал пиков энергия Пересечение нуля Асимметрия Эксцесс Среднеквадратичный Коэффициент ДПФ Коэффициент ДПФ

Серия A Функции временной области, такие как среднее значение, стандартное отклонение и переход через ноль, могут использоваться для представления характеристик формы сигналов сигналов данных о походке и простых статистических функций.Ряд функций, таких как шаги и шаг, можно использовать для представления биометрических данных человека. Характеристики частотной области, такие как коэффициенты Фурье, обычно используются для представления периодической информации в походке человека. Хотя традиционный расчет признаков прост, лишь немногие признаки могут отражать походку человека, а скорость распознавания, полученная с использованием традиционных признаков, невысока.

5.2. Характеристики движения

Поскольку традиционные особенности не могут лучше всего отражать биологические особенности походки, в этой статье предлагается новый метод извлечения признаков походки для выделения отдельных признаков движения.

5.2.1. Анализ процесса движения походки

Закон движения походки можно описать некоторыми кинематическими параметрами, и весь процесс движения походки можно разделить на фазы поворота и стойки.

Как показано на рисунке 6, этап качания составляет около 38% всего цикла походки. Сначала начинается свинг, затем он достигает стадии середины свинга посредством ускорения, и, наконец, он замедляется до стадии конечного свинга.

Как показано на Рисунке 7, этап стоя составляет 62% всего цикла походки и в основном состоит из следующих пяти частей.Первый этап — это этап начальной стойки, который относится к периоду после того, как пятка коснется земли и до того, как передняя часть стопы коснется земли. Второй этап — это стадия опорной реакции, которая относится к периоду после того, как ступня начинает касаться земли и перед переносом веса на другую поддерживаемую ногу. Третий этап — это этап средней стойки, который относится к периоду после нагрузки на опорную ступню и до того, как пальцы ног оторвутся от земли. Четвертая — конечная стойка, которая относится к периоду после того, как пятки оторвутся от земли и до того, как пальцы на цыпочках оторвутся от земли.Пятая стадия — это стадия предпускового взмаха, которая относится к периоду, когда ступни успешно отрываются от земли, и этот этап часто называют стадией отталкивания.

В сочетании с рисунками 6 и 7 можно сделать вывод, что собранные данные о походке повторяются в течение периода стояния и периода качания, поэтому данные, собранные в идеальных условиях, должны иметь строгую периодичность. Однако из-за многих проблем, таких как оборудование для отбора проб и окружающая среда, собранные данные о походке имеют признаки квазипериодичности.Хотя он теряет идеальную периодичность, он также сохраняет большую уникальность для отдельного человека, и отдельные особенности могут быть извлечены из большего количества данных.

5.2.2. Анализ механики походки

Исследования в большом количестве литературы показали, что сила тяжести тела и сила инерции при ходьбе передаются на ступню, которая касается земли. Когда одна ступня собирается оторваться от земли, а другая ступня собирается коснуться земли, ступня не только воспринимает силу тяжести, но также подвергается действию направленной вниз силы инерции.

Следовательно, давление на стопу в это время максимальное. И тогда у человека будет сила ускорения, необходимая для движения вверх, так что другая ступня может быть поднята вверх и успешно качаться. Когда индивидуальная походка вот-вот перейдет в стадию замаха, сила лодыжки, отталкивающая землю назад, будет постепенно увеличиваться, но во время стадии раскачивания лодыжка будет подвергаться только инерционной силе, возникающей в результате отталкивания земли назад. .Следовательно, это можно рассматривать как силу инерции, когда лодыжка, толкающая землю назад, делает походку на этапе замаха, поэтому раскачивание отдельных ног после того, как ступня отрывается от земли, вызывается силой инерции. Однако, поскольку индивидуально колеблющиеся ноги меньше нагружают суставы, ускорение человека во время ходьбы в основном зависит от противоположной реакции земли на ступню, а также дает человеку силу двигаться вперед. Но нет фиксированного закона в горизонтальном направлении личности, и он иногда становится положительным, а иногда становится отрицательным.Походка человека — это непрерывное движение одной ноги, чтобы поддержать тело, и другой ноги, чтобы повторять махи, что представляет собой процесс постоянной потери равновесия и нахождения равновесия. Делайте петли вперед и назад, и поэтому большинство мышц человека во время ходьбы кажутся расслабленными.

В сочетании с приведенным выше обсуждением и биомеханическим принципом ходьбы от Qian Jingguang et al. [32] сделан вывод, что сила контакта стопы имеет экстремальное значение в поворотной точке каждого цикла походки, и есть максимальное значение, когда пятка касается земли.Когда ступня постепенно выравнивается и площадь силы постепенно увеличивается, сила уменьшается и достигает минимального значения, когда ступня полностью выравнивается. Другое максимальное значение появляется, когда пятка отрывается от земли и пальцы ног приседают, при этом кривая силы имеет типичные симметричные бимодальные свойства на протяжении всего цикла походки. И исследование предполагает, что нет существенной разницы в силе контакта человеческого тела в разном возрасте, которое имеет определенную стабильность.

5.2.3. Извлечение признаков движения

В сочетании с анализом механики походки в Разделе 5.2.2 сделан вывод, что кривая силы во всем цикле походки имеет типичные симметричные бимодальные свойства; это может быть известно из второго закона Ньютона: (где представляет результирующую силу человека; представляет собственное качество человека; и представляет значение ускорения индивида), поэтому кривая ускорения индивида также должна иметь бимодальную характеристику. В сочетании с приведенным выше анализом любой человек будет иметь два максимальных значения ускорения в одном цикле походки.Следовательно, два максимальных значения можно использовать для разделения всего интервала походки на несколько областей движения, а затем предлагать функции движения один за другим для одной области движения.

Комбинируя приведенный выше анализ, в документе, соответственно, извлекаются шесть характеристик из одного цикла походки: начальная точка цикла, первая максимальная точка, первое минимальное значение, последнее минимальное значение, последнее максимальное значение и конечная точка цикла походки с использованием функции 6. точки, чтобы разделить отдельные данные о походке на 5 различных интервалов движения.Результаты интервального разделения разных людей в соответствии с этим методом показаны на рисунке 8. Связь между двумя характерными точками рассматривается как движение с равномерным ускорением, так что величина изменения ускорения, которая изменяется и замедляется в единицу времени, может быть выражена как наклон пяти прямых. Изменение скорости движения с относительно равномерным ускорением в одном интервале может быть представлено областью, ограниченной исходной кривой переменного ускорения и линией равномерного ускорения.Таким образом, в этой статье представлены 16 собственных значений, а именно 6 точек собственных значений, 5 наклонов и 5 областей.

(a) Период походки, выделенный индивидуумом A
(b) Период походки, выделенный индивидуумом B
(a) Период походки, выделенный индивидуумом A
(b) Период походки, выделенный индивидуумом B

6. Алгоритм объединения классификаторов

Один классификатор обычно имеет высокую скорость распознавания только для определенных лиц; следовательно, для достижения дополнительных преимуществ среди различных классификаторов окончательный результат распознавания получается в этой статье с использованием алгоритма слияния на выходе мультиклассификатора.Алгоритм слияния играет решающую роль в модели слияния мультиклассификаторов, и его качество напрямую определяет конечную скорость распознавания. Традиционный метод голосования [33] — один из наиболее часто используемых алгоритмов слияния, основное правило голосования которого состоит в том, что каждый классификатор имеет право голоса, а принцип арбитража заключается в том, что меньшинство подчиняется большинству. Однако из-за различных характеристик каждого классификатора и больших различий в эффекте распознавания для каждого человека традиционному методу голосования сложно объединить преимущества нескольких классификаторов и достичь желаемого эффекта распознавания.

Из-за недостатков традиционного метода голосования в этой статье предлагается многомасштабный метод голосования (MSV), сочетающий принципы метода голосования с его принципом арбитража. Основная идея алгоритма MSV заключается в следующем. Когда мультиклассификатор не может точно оценить категорию выборки с помощью метода голосования, неизвестная выборка должна классифицировать выборки, комбинируя различные меры (например, скорость распознавания каждого классификатора для своей выходной категории и F1_score). Алгоритм MSV не только сохраняет особенности традиционных методов голосования, но также объединяет их с единым классификатором для распознавания различных типов выборок, что делает преимущества каждого классификатора дополнительными.Алгоритм MSV в основном делится на два этапа: извлечение дискриминантов и построение функций голосования.

6.1. Извлечение дискриминантов

Для задачи распознавания образов с числовыми классификаторами и числовыми категориями традиционный метод голосования используется для подсчета повторений в количестве меток выборки, выводимых каждым классификатором, и использует метку категории с наибольшим количеством повторений в качестве окончательного результата классификации. Традиционный метод голосования имеет преимущество, потому что алгоритм прост в реализации, а точность распознавания выше, когда количество повторений разных меток больше.Однако традиционный метод голосования теряет эффект слияния для нескольких классификаторов и не дает точных результатов классификации, когда числа повторений меток образцов очень похожи или равны. Следовательно, необходимо использовать дискриминанты для выбора различных критериев. Извлечение дискриминантов делится на следующие два этапа.

(1) В соответствии со следующей формулой подсчитайте количество образцов меток, выведенных th классификатором:

В формуле представляет собой образец меток, выведенных th классификатором, и начальное значение равно 1.

(2) Выделите дискриминант по следующей формуле:

6.2. Построение функций голосования

Чтобы полностью объединить преимущества каждого классификатора, в данной статье построены функции голосования путем комбинирования различных дискриминантов, и в целом построены четыре различные функции голосования. Эффект классификации для любого отдельного классификатора может быть выражен матрицей неточностей ( CM ), где указывает, что классификатор классифицирует образцы класса по количеству классов.

На основе матрицы неточностей для неизвестной выборки, которая изначально принадлежит к классу, вероятность того, что классификатор классифицирует ее, и коэффициент отзыва класса могут быть соответственно рассчитаны с использованием

Согласно (10) и (11), следующее уравнение может быть получено для расчета F1_Score классификатора для класса:

Согласно (7), (10), (11) и (12), присвоение весов решения и функции голосования могут быть, соответственно, построены следующим образом:

Уравнения (13) и (14) являются, соответственно, первым распределением веса при голосовании и функцией голосования;

Уравнения (15) и (16) являются, соответственно, вторым распределением веса при голосовании и функциями голосования;

Уравнение (17) — это третья функция голосования, построенная путем интегрирования результатов распознавания всех классификаторов.

Уравнения (18) и (19) являются, соответственно, четвертым назначением веса голосования и функцией голосования

Для неизвестной выборки она сначала классифицируется мультиклассификатором, а затем результат классификации мультиклассификатора подвергается алгоритму объединения MSV для получить окончательную классификацию, которую можно рассчитать, используя

7. Экспериментальные результаты и анализ

7.1. Экспериментальная подготовка

7.1.1. Экспериментальные данные и окружающая среда

В этом документе используются методы сбора данных, которые были представлены в разделе сбора данных для сбора данных от 32 добровольцев возрастом примерно 25 лет.В их число вошли 16 мальчиков и 16 девочек ростом от 150 до 190 см. Во время сбора данных добровольцы прошли по ровной поверхности в своем статусе ходьбы примерно 100 м. Каждому добровольцу необходимо собрать 30 наборов независимых экспериментальных данных, чтобы избежать случайности общих экспериментальных данных и гарантировать, что данные могут лучше характеризовать особенности походки человека.

Экспериментальная среда: в этой статье используется Python 3.6 в качестве программной платформы и процессор Intel Core i7 в качестве аппаратной платформы с основной частотой 2.7 ГГц и память 8 ГБ. Принята 64-битная операционная система Windows 10.

7.1.2. Выбор нескольких классификаторов

Выбор базового классификатора является основой слияния мультиклассификаторов для выбора отличных классификаторов для максимально возможного слияния, и в этой статье в качестве альтернативы выбираются десять обычно используемых классификаторов, показанных в таблице 2.

907 Название классификатора Код Bernoulli Naive Bayes C1 Gaussian Naive Bayes C2 k-Nearest Neighbor 900 Регрессия гребня C4 Дерево решений C5 Случайный лес C6 Машина опорных векторов C7 Многослойный персептрон C8 900 29

7.2. Планирование эксперимента и анализ результатов

Чтобы проверить производительность традиционных функций данных, собранных в этой статье, и проверить возможность разделения новых функций, слияние новых функций и традиционных функций, а также производительность алгоритма слияния мультиклассификаторов MSV, выполните следующие действия. Разработано четыре эксперимента.

(1) Проверьте метод SCLTN.

(2) Реализовать мультиклассификаторный скрининг.

Цель скрининга мультиклассификаторов — выбрать наиболее подходящий классификатор из восьми альтернативных классификаторов для слияния.Чтобы завершить скрининг мультиклассификаторов, эта статья в основном демонстрирует метод с помощью следующих трех небольших экспериментов.

(a) Убедитесь, что полученные данные имеют отличную разделяемость в соответствии с традиционными характеристиками, и выберите соответствующий классификатор из восьми потенциальных базовых классификаторов для объединения.

(b) Классифицируйте новые функции, используя восемь альтернативных базовых классификаторов, и ищите альтернативные классификаторы, подходящие для объединения, сравнивая их с традиционными классификаторами, которые выбираются по функциям.

(c) Сравните способность различать образцы между новыми функциями и традиционными функциями, объединяя и классифицируя новые функции и традиционные функции, выбирая окончательный подходящий классификатор из возможных классификаторов и определяя классификатор объединения после сравнения с классификаторами, выбранными двумя первыми единицы.

(3) Проверьте надежность алгоритма объединения MSV путем экспериментального сравнения.

Чтобы лучше обучать и оценивать каждый классификатор, а также для получения предварительных знаний об алгоритме объединения MSV, таких как скорость распознавания классификатора для одного человека и частота отзыва, в этой статье экспериментальные данные во всех классификационных экспериментах делятся на 10 равных частей.Шесть частей использовались в качестве обучающих наборов, а классификатор обучался десятикратным методом во время обучения; две части были использованы в качестве тестовых наборов для проверки классификаторов и получения предварительных знаний; и две части использовались в качестве набора для проверки, в основном проверяя надежность алгоритма и влияние алгоритма слияния.

(4) Сравните с существующими исследованиями.

Метод этой статьи сравнивается с соответствующими исследованиями последних лет, чтобы еще больше отразить превосходство метода идентификации, принятого в этой статье.

7.2.1. Проверка метода SCLTN

На рисунке 5 (b) очевидно, что размер радиуса, выбранный в лог-полярном режиме, влияет на контекстную информацию каждой точки в последовательности. Поэтому важно выбрать подходящий радиус. Чтобы проверить достоверность контекстной информации формы, предполагается, что выбраны первые 10 точек данных ускорения походки, а затем получены изменения контекстной информации для 10 точек на разных радиусах, соответственно, как показано на рисунке 9.

Как показано на рисунке 9, от 10% до 100% указывают, что выбранная длина радиуса представляет собой процент от длины последовательности данных. Теоретически положения первых 10 точек в наборе данных об ускорении походки относительно близки, и контекстная информация для каждой точки также аналогична, поэтому выбранный радиус также должен удовлетворять условию. Если разница между соседними точками большая, выбранный радиус не подходит. На рисунке 9 показана разница в контекстной информации между первыми 10 точками на разных радиусах; в соответствии с диапазоном изменения кривой было обнаружено, что кривая слегка изменяется, когда радиус составляет 10% от последовательности.Следовательно, в качестве лог-полярного радиуса в документе выбрано 10% × N.

Мы проверяем преимущества метода SCLTN перед рядом различных методов евклидова расстояния, DTW и DTW. Посредством расчета «типичного периода», предлагаемого в каждом методе в разных наборах данных, и среднего абсолютного отклонения между его тестовыми периодами, если среднее абсолютное отклонение невелико, это указывает на то, что извлеченный период является репрезентативным и может характеризовать особенности всего набора данные о походке и наоборот.

Как показано в таблице 3, метод усреднения нормализует длину всех последовательностей походки и не может адекватно исправить несоответствие между периодами, так что среднее абсолютное отклонение является самым большим. DTW и его серия алгоритмов деформации компенсируют недостатки метода усреднения, так что нет необходимости нормализовать длину последовательности, ожидающей сравнения, а также эффективно решает проблему деформации времени, вызванную изменением скорости. .

OU-Inertial Gait Data SCUT-NAA 30 человек данных (данных 1) (Samsung Note II, 32 человека) Алгоритм Среднее значение Станд. Среднее значение Станд. Среднее значение Станд. Среднее значение Станд. Среднее значение 7,08 6,86 4,31 2,42 2,54 3,08 4,06 1,67 DTW 4,85 1 4,14 0,39 0,84 0,28 0,83 0,75 CRM 4.67 3,99 0,79 0,27 0,51 0,20 0,64 0,79 CDM 4,72 3,35 0,67 0,22 0,69 0,22 0,51 0,22 0,51 900 0,85 Fast-DTW 5,22 6,48 2,73 3,08 1,18 0,61 1,54 0,82 LTN 4.78 4,20 0,51 0,20 0,61 0,40 0,91 0,80 DTW + SC 3,96 3,05 0,46 0,22 0,30 0,50 0,43 LTN + SC 3,89 3,46 0,43 0,26 0,43 0.13 0,48 0,30

Однако DTW обычно используется для согласования нелинейного выравнивания последовательностей, а DTW не учитывает особенности формы самой последовательности при сопоставлении выравнивание. Алгоритм LTN является линейным и больше подходит для данных о походке, представленных в статье. По сравнению с алгоритмом DTW, линейная зависимость между походками полностью учтена, а результаты также немного улучшены.Однако ни DTW, ни LTN не учитывают локальные особенности формы данных походки или контекстную информацию каждой точки. Поэтому в этой статье используется алгоритм SCLTN для извлечения типичного периода из результатов, представленных в таблице 3, и очевидно, что значение разницы в этой части меньше, чем в других результатах. Алгоритм SCLTN учитывает линейную взаимосвязь между походками, но когда совмещение точек выровнено, локальная форма в каждой точке также принимается во внимание, и выравнивание «признак-признак» реализуется в истинном смысле.Следовательно, типичный период, извлеченный с помощью этого метода, ближе к исходным данным с точки зрения числовых значений и характеристик формы и является наиболее репрезентативным из характеристик исходных данных.

7.2.2. Скрининг мультиклассификатора

(a) В таблице 1 извлечены и перечислены следующие 15 традиционных собственных значений одиночного периода походки по осям X, Y и Z для классификационных экспериментов: среднее значение, стандартное отклонение, асимметрия, эксцесс, среднеквадратичное значение, более нулевая скорость, межквартильный размах, длина периода, энергия и первые 6 коэффициентов Фурье.Поскольку это общие частотно-временные области и статистические функции, формула расчета относительно проста и здесь не описывается.

(b) Шестнадцать новых функций, таких как изменение скорости движения с относительным равномерным ускорением, извлечены и представлены в этой статье из осей X, Y и Z одного периода ходьбы и с использованием восьми альтернативных классификаторов для классификационных экспериментов. .

(c) Пятнадцать традиционных собственных значений и 16 новых собственных значений (всего 93 характеристики) были извлечены и объединены для осей X, Y и Z одного периода походки.Во-первых, способность каждого признака различать образцы была рассчитана с использованием алгоритма ReliefF [34], чтобы проверить, имеют ли новые признаки лучшую разделяемость; во-вторых, для классификационных экспериментов использовались альтернативные классификаторы.

Из таблицы 4 видно, что данные о походке, собранные в этой статье, имеют хороший уровень распознавания для традиционных функций большинства классификаторов-кандидатов, а самый высокий уровень распознавания может достигать 91,7%. Это показывает, что своего рода биометрия, характеристики походки человека, могут быть использованы для идентификации человека, а традиционные характеристики походки имеют определенное отличие от походки; однако скорость распознавания не очень высока.

Классификатор C1 C2 C3 C4 C6 T1 63,47 82,57 87,63 88,75 86.42 90,13 85,51 80,34 T2 54,32 67,21 83,17 79961 88,35 84,23 77,09 T3 84,13 93,15 93,45 95.47 87,35 93,05 85,46 84,27

Пусть традиционный набор функций, выбранный в этом документе, будет набором функций T1, новый набор функций быть T2, а набор новых функций fusion и традиционных функций — T3.

В таблице 4 и на рисунке 10, соответственно, показана скорость распознавания тестового набора восьми возможных классификаторов для трех наборов функций T1, T2 и T3, а также время, необходимое для обучения соответствующих классификаторов и тестового набора.На рис. 11 показаны значения ReliefF, соответствующие 93 несинхронизированным функциям.

(a) Верхняя 40
(b) После 53
(a) Верхняя 40
(b) После 53

Из второй строки Таблицы 4 видно, что данные по походке, собранные в эта статья имеет хороший уровень распознавания традиционных функций большинства классификаторов-кандидатов, а самый высокий уровень распознавания может достигать 90,13%. Это как своего рода биометрия иллюстрирует, что характеристики походки человека могут использоваться для идентификации человека, а традиционные характеристики походки имеют определенную отделимость от походки, но скорость распознавания не очень высока.

Из третьей строки таблицы 4 видно, что 16 новых собственных значений, извлеченных в этой статье, уступают традиционным собственным значениям в эффекте классификации каждого классификатора, но разрыв в скорости распознавания не очень велик. Минимальный фазовый зазор составляет 0,4%; максимальный фазовый зазор — 11,1%; самый высокий уровень распознавания новых функций составляет 88,35%, что на 1,78% меньше самого высокого уровня распознавания традиционных функций. Это указывает на то, что новые функции обладают отличной отделимостью и обеспечивают теоретическую основу для последующего объединения функций.

Согласно алгоритму ReliefF, чем больше значение ReliefF, соответствующее объекту, тем выше его отличительная способность. На рисунке 11 показано, что новая функция имеет 6 функций в 10 верхних значениях ReliefF, сумма значений ReliefF этих 6 новых собственных значений составляет 0,314, а сумма значений ReliefF 4 традиционных собственных значений составляет 0,174. Новые функции занимают 20 из 40 основных функций значений ReliefF, а сумма значений ReliefF 20 новых собственных значений равна 0.529; сумма значений ReliefF новых собственных значений составляет 0,861 среди всех 93 функций, а сумма значений ReliefF традиционных собственных значений составляет 0,737. На основании приведенного выше анализа можно сделать вывод, что новые функции имеют лучший классификационный эффект, чем традиционные функции. Согласно Таблице 4, по сравнению со средним увеличением скорости распознавания традиционных функций на 6,44%, сочетание новых функций и традиционных функций приводит к значительному увеличению скорости распознавания всех кандидатов в классификаторы.Самый высокий уровень распознавания может достигать 95,47%, что указывает на очень успешное слияние функций.

Из таблицы 4 можно сделать вывод, что восемь альтернативных классификаторов получили лучшие показатели распознавания, независимо от того, используются ли они в традиционных функциях или новых функциях, или в традиционных функциях и новых функциях, что показывает, что все 8 классификаторов обладают превосходной стабильностью. Из рисунка 10 можно сделать вывод, что классификаторы C7 и C8 требуют много времени на обучение, и потребление времени классификаторами будет значительно интегрировано, если оно будет использоваться для объединения классификаторов.Поэтому, учитывая как затраты времени, так и точность, C2, C3, C4, C5 и C6 выбраны в качестве базовых классификаторов алгоритма объединения в этой статье.

7.2.3. Проверка алгоритма объединения MSV

В этой статье алгоритм объединения MSV проверяется двумя способами: во-первых, путем сравнения скорости распознавания проверочного набора при трех наборах функций и скорости распознавания после объединения алгоритма MSV одного классификатора и во-вторых, сравнивая скорость распознавания алгоритма слияния MSV и различных алгоритмов слияния мультиклассификаторов.В таблице 5 показаны скорости распознавания пяти выбранных базовых классификаторов при трех наборах функций, а в таблице 6 показаны результаты экспериментов по сравнению скорости распознавания различных алгоритмов слияния.

73,4 Классификатор Традиционный элемент Новый элемент Элемент Fusion C2 82.21 68,05 93,08 C3 87,54 83,21 93,26 C4 88,36 88,45 95,12 C5 86,58 C6 90,45 79,12 93,17

Новая функция Fusion функция Функция Fusion Традиционный метод голосования 92.89 88,75 95,27 Байесовское голосование [3] 88,90 82,87 90,95 Алгоритм MSV 94,14 91,35 98,42 Из таблиц 4 и 5 можно сделать вывод, что выбранные классификаторы на основе среды в таблице 5 обладают лучшими эффектами распознавания как в наборе тестов, так и в наборе проверки; скорость распознавания почти такая же, что свидетельствует о хорошей стабильности выбранного базового классификатора. Из таблиц 5 и 6 можно сделать вывод, по сравнению с другими алгоритмами слияния мультиклассификаторов, что скорость распознавания трех наборов функций улучшается после слияния алгоритма MSV, а скорость распознавания для каждого набора функций лучше, чем у других алгоритмы слияния. Скорость распознавания трех наборов функций на 3,30% выше, чем у пяти базовых классификаторов, а самая высокая скорость распознавания составляет 98,42% от функции слияния. Из приведенного выше анализа показано, что алгоритм MSV имеет отличную производительность слияния мультиклассификаторов. 7.2.4. Сравнение с существующими исследованиями Четыре связанных исследовательских литературы за последние годы сравниваются с методами, использованными в этой статье, чтобы дополнительно продемонстрировать превосходство алгоритма. В литературе [4] выделенные характеристики частотной области классифицируются с помощью машины опорных векторов (SVM), в которой степень точности составляет 92,7%; в литературе [5] используется машина опорных векторов (SVM) для классификации извлеченных характеристик частотной области и функций временной области, в которой степень точности составляет 94.0%; для извлеченных характеристик частотной области и характеристик временной области в литературе [6] для голосования выбираются четыре классификатора (Random Forest, AdaBoost, K-NN и Bagging), степень точности которых составляет 95,0%; в литературе [7] характеристики траекторной кривой сочетаются с традиционными статистическими характеристиками, а уровень точности, полученный методом Random Forest, составляет 97,78%. В сочетании с таблицей 7 делается вывод, что независимо от того, является ли это функцией одной частотной области или комбинацией функций временной области, более высокая скорость распознавания может быть получена путем оптимизации параметров классификатора.Хотя в литературе [6] используются четыре классификатора, в алгоритме объединения используется только простой метод голосования, который не может идеально интегрировать преимущества каждого классификатора. В литературе [7] не только сочетаются традиционная временная область с характеристиками частотной области, но также извлекаются соответствующие траектории из кривой походки для слияния, и ее скорость распознавания всего на 0,68% ниже, чем в статье. Однако его временная сложность извлечения характеристик траектории выше, чем временная сложность извлечения характеристик движения () в статье.Основываясь на приведенном выше анализе, алгоритм идентификации походки на основе данных об ускорении смартфона в статье имеет определенные преимущества по сравнению с существующими исследованиями. Литература ] Сопутствующая литература Частота дискретизации Количество образцов Расположение Скорость распознавания 27 Гц 11 Карман для брюк 92.70% Литература [5] 50 Гц 18 Карман для брюк 94,0% Литература [6] 100 Гц 12 Карман для брюк 95,0% Литература [7] 100 Гц 40 Карман для брюк 97,10% Эта бумага 100 Гц 32 Карман для брюк 97,78% 8.Заключение В документе улучшается метод, основанный на LTN, вводится концепция контекста формы, предлагается метод под названием SCLTN для извлечения типичного периода из данных походки и добавляется информация о локальной структуре точка-точка для улучшения LTN в процессе сопоставления. . Этот метод не только решает проблему ошибки сопоставления точек, но также обеспечивает строгое выравнивание всех наборов точек временного ряда походки в соответствии с точкой к точке. Основные преимущества заключаются в следующем. (1) Метод одновременно учитывает различия в значениях и формах последовательности походки. (2) Метод чувствителен к небольшим изменениям временного ряда. (3) Метод достаточно учитывает контекстную локальную информацию для каждой точки временного ряда. В этой статье единый набор данных периода походки разделен на пять областей движения с использованием максимального и минимального значений; изменение скорости относительного равномерного ускорения в области движения извлекается, а изменение ускорения в единицу времени принимается как новая характеристика. Новые функции сочетаются с традиционными функциями временной и частотной областей, чтобы сформировать новый набор функций, который можно использовать для обучения пяти основных классификаторов.Затем результаты прогнозирования каждого классификатора подвергаются алгоритму объединения мультиклассификаторов MSV для получения окончательного результата прогнозирования. Результаты экспериментов показывают, что новая функция имеет хороший эффект распознавания для пяти базовых классификаторов при использовании тестового набора; самый высокий достигнутый уровень точности составил 88,35%, а значение ReliefF новой функции также выше, чем значение традиционной функции. Эти результаты говорят о том, что новая функция хорошо отделима. Новые функции и традиционное сочетание функций также обеспечили высокую скорость распознавания на тестовом наборе, и, по сравнению с одной традиционной скоростью распознавания функций, самая высокая достигнутая скорость распознавания составила 95.47%. После объединения алгоритмов MSV скорость распознавания увеличилась в среднем на 1,34% по сравнению с максимальной скоростью распознавания для пяти базовых классификаторов, а самая высокая скорость распознавания составила 98,42% для функций объединения. Добавить комментарий Отменить ответ Ваш адрес email не будет опубликован. Обязательные поля помечены * Комментарий * Имя * Email * Сайт