#第十届立创电赛#基于国产自研芯片加速度计信号采集与误差补偿系统

2026-08-11 10:39:01阅读量：3

为了给大家些创作灵感，今天带来第十届立创电赛三等奖作品 #第十届立创电赛#基于国产自研芯片加速度计信号采集与误差补偿系统案例分享！本文作者：@dsy8855，禁止商用，未经许可禁止转载。

第十一届立创电赛正在进行中心，点击图片报名。

一、国内外研究现状

石英挠性加速度计（QFA）是一种高精度惯性传感器，已广泛应用于航空航天、导航和精密计量等要求严苛的领域。其关键优势在于将基于挠性的石英结构与力平衡伺服回路相结合，从而具有高分辨率、优异线性度和卓越稳定性。与微机电系统（MEMS）加速度计相比，QFA通常表现出更好的长期漂移和温度稳定性，使其非常适用于高精度惯性导航系统[1–4]。

尽管性能卓越，但QFA的整体精度从根本上受到随机误差的限制。在战略级导航和卫星姿态控制等超高精度应用中，严格的精度和可靠性要求使得由固有噪声和环境扰动引起的随机误差成为主要限制因素[5-9]。虽然确定性误差可以通过精密制造、热补偿和伺服控制来抑制，但随机误差仍然难以消除，尤其是在动态或恶劣环境下。因此，对随机误差进行有效建模和补偿已成为进一步提高QFA测量稳定性和精度的核心挑战[10-11]。

一般而言，加速度计的随机误差补偿策略可分为两种主要方法：（1）硬件级优化，通过材料选择或结构重新设计来改善噪声特性；（2）软件级补偿，应用信号处理或数据驱动算法在后处理中减少随机误差。对于已制造的传感器，硬件优化通常成本高、耗时长且不灵活。相比之下，基于软件的补偿提供了一种实用且高效的替代方案，因为它无需修改传感器的物理结构即可提升性能[12-13]。

先前的研究为随机误差建模与补偿奠定了坚实的理论基础。早期研究使用艾伦方差和频谱分析来识别MEMS和石英传感器中各种随机误差分量的来源和量级[14-15]。基于这些模型，开发了卡尔曼滤波技术来估计和抑制随机漂移，从而提高了长时间运行期间姿态和位置估计的精度[16-17]。随后，提出了诸如降内存自相关法（MRMA）[18]和基于自回归滑动平均（ARMA）的预测补偿[19-20]等先进统计方法，以去除相关性和抑制噪声分量，有效降低了标准差和偏置不稳定性。

随着近年来机器学习和深度学习与惯性传感器误差补偿的结合，数据驱动方法在捕捉非线性随机特性方面展现出巨大潜力。时序卷积网络（TCN）、循环神经网络（RNN）、长短期记忆（LSTM）模型以及基于Transformer的架构已成功用于补偿惯性传感器噪声和偏置，从而在长期稳定性和漂移抑制方面取得了显著改善[21-22]。混合优化技术，包括基于前向线性预测（FLP）、粒子群优化-反向传播（PSO-BP）和变分模态分解-随机森林（VMD-RF）的温度补偿框架，进一步增强了系统对抗环境变化的鲁棒性[23]。

与主要侧重于离线后处理的传统方法不同，本研究为QFA开发了一种实时随机误差补偿系统。所提出的框架将轻量级神经网络算法与嵌入式硬件相结合，以实现实时信号采集、去噪和偏置补偿。重点在于在确保低计算延迟和低功耗的同时保持高补偿精度，从而使其能够实际部署于嵌入式及基于边缘计算的惯性测量系统中。

[1] Xiao T, Wang Y, Liu C, et al. 2023 Mechanical model analysis and reliability design approach of quartz flexible accelerometer under fractured state IET Circuits, Devices & Systems 17 225–234

[2] Zhang C, Wang X, Song L, et al. 2021 Temperature hysteresis mechanism and compensation of quartz flexible accelerometer in aerial inertial navigation system Sensors 21 294

[3] Zhang Z, Liu W, Guo S, et al. 2025 Study on spatiotemporal variation in internal temperature field in quartz flexible accelerometer Micromachines 16 241

[4] Xia H, Zhou Y, Zhang X, et al. 2025 Prediction and analysis of the assembly accuracy for quartz flexible accelerometer with adhesive joining Transactions of Beijing Institute of Technology 45 503–512

[5] Huang W, Li J, Feng X, et al. 2025 The digital-twin modeling method and cross-coupling mechanism of quartz flexible accelerometer IEEE Sensors Journal 25 1–10

[6] Sheng X, Liu J, Li C, et al. 2025 Dynamic calibration of quartz flexure accelerometers Sensors 25 5096

[7] Zhao J, Xu J, Wang P, et al. 2025 Compensation of temperature-induced errors in quartz flexible accelerometers using a polynomial-based non-uniform mutation genetic algorithm framework Sensors 25 653

[8] Zhao J, Xu J, Wang P, et al. 2025 Genetic algorithm with enhanced non-uniform mutation strategy for high-order polynomial optimization in temperature drift compensation of quartz flexible accelerometers Sensors and Actuators A: Physical 387 116371

[9] Hemerly E M 2017 MEMS IMU stochastic error modelling Systems Science & Control Engineering 5 1–8

[10] El-Sheimy N, Hou H, Niu X 2008 Analysis and modeling of inertial sensors using Allan variance IEEE Transactions on Instrumentation and Measurement 57 140–149

[11] Zhang Y, Du C, Mu Q 2013 Random error modelling and compensation of accelerometer in airborne remote sensing stabilized platform Transactions of the Institute of Measurement and Control 35 503–509

[12] Tanenhaus M, Figueroa J, Parker M, et al. 2010 Accurate real time inertial navigation device by application and processing of arrays of MEMS inertial sensors IEEE/ION Position, Location and Navigation Symposium (San Diego, USA)

[13] Yang X, Li X, Chen J, et al. 2021 A novel NLOS error compensation method based on IMU for UWB indoor positioning system IEEE Sensors Journal 21 11203–11212

[14] Gao Y, Liu B, Zhang P, et al. 2022 Gyro-Net: IMU gyroscopes random errors compensation method based on deep learning IEEE Robotics and Automation Letters 8 1471–1478

[15] Zhang Y, Du C, Mu Q 2013 Random error modelling and compensation of accelerometer in airborne remote sensing stabilized platform Transactions of the Institute of Measurement and Control 35 503–509

[16] Zhang X, Zhang T, Chen Z, et al. 2008 Allan variance analysis on error characters of MEMS inertial sensors for an FPGA-based GPS/INS system Proceedings of the International Symposium on GPS/GNNS (Sydney, Australia: University of New South Wales)

[17] Wei X, Zhang T, Sun H, et al. 2025 A robust adaptive error-state Kalman filter for MEMS IMU attitude estimation under dynamic acceleration Measurement 242 116097

[18] Vitali R V, McGinnis R S, Perkins N C 2020 Robust error-state Kalman filter for estimating IMU orientation IEEE Sensors Journal 21 3561–3569

[19] Narasimhappa M 2020 Moving average (ARMA) models Gyroscopes: Principles and Applications (London: IntechOpen) 37–54

[20] Ding M, Zhu Z, Liu Y, et al. 2021 The method of MEMS gyroscope random error compensation based on ARMA Measurement Science and Technology 32 125109

[21] Huang F, Zhao P, Zhang L, et al. 2022 A MEMS IMU gyroscope calibration method based on deep learning IEEE Transactions on Instrumentation and Measurement 71 1–9

[22] Buchanan R, Agrawal V, Camurri M, Dellaert F, Fallon M 2023 Deep IMU bias inference for robust visual–inertial odometry with factor graphs IEEE Robotics and Automation Letters 8 41–48

二、项目属性

首次公开，一篇论文在投，没有在其他比赛中获过奖，没有参加过学校答辩，硕士毕业设计课题。

三、开源协议

CC-BY-NC-SA开源协议：知识共享许可协议-署名-非商业使用-相同方式共享

四、硬件部分

1、系统整体方案

整体硬件设计采用全国产芯片方案，实现完全自主可控。该模块采用分层板卡结构，尺寸紧凑，直径与1元硬币相当（约25毫米），兼具高集成性与实用便携性。

电源板（下板）：负责系统供电，集成 LDO 线性稳压器和 DC-DC 开关电源电路，可生成多路不同电压等级的稳定输出，为各功能板卡提供高效、纯净的电力支持。
主控与通信板（中板）：作为系统的处理与通信枢纽，搭载国产高性能 MCU 芯片，负责数据调度、协议处理及对外通信，确保信号传输的实时性与可靠性。
采集板（上板）：专为高精度信号采集设计，内置 32 位高精度 ADC、温度传感器及电压基准源芯片，能够准确捕捉微弱电流信号，并结合温度监测实现测量过程的温度补偿，保障数据准确性。
转接板：作为连接桥梁，用于衔接显示表头与上层采集板，提供稳定的电气连接与机械支撑，简化整体装配结构。

详情请参考项目源文件。

注：本项目有些元器件实施管制，购买不到请找同类替换。

2、电源板硬件电路

电源板硬件电路

系统总电源输入为±15 V。其中，+15 V电源首先通过DC-DC转换器高效降压至3.3 V，再由LDO线性稳压器进行二次稳压，生成高精度、低噪声的+2.5 V电压，为模拟电路等关键部分供电。负电源通路则通过-15 V经LDO直接稳压至-2.5 V。这种“DC-DC预降压+LDO精细稳压”的混合式设计，兼顾了转换效率与电源纯净度，确保了采集系统的高精度和稳定性。

3、主控与通信板硬件电路

主控与通信板硬件电路

主控与通信板的核心为全国产化MCU，其硬件设计与软件生态均对标业界主流的STM32系列，确保了良好的开发兼容性与可移植性。板载一颗RS-232通信芯片，将MCU的UART信号转换为标准RS-232接口。该接口采用差分信号传输，具备强大的共模噪声抑制能力，显著优于直接使用TTL电平，从而实现了数据在复杂电磁环境下的远距离、高可靠性传输。

4、采集板硬件电路

采集板作为信号感知的核心，内置三大关键电路模块，共同确保高精度数据采集。首先，输入信号经由电流转电压电路，将待测的微弱电流信号转换为便于测量的电压信号。随后，信号通过差分滤波电路进行调理，此设计能有效抑制共模噪声，并滤除带外干扰。最终，调理后的模拟信号由一颗32位国产高精度ADC 进行采样量化，其高分辨率和低噪声特性是实现微伏级测量精度的基础。这套信号链为后端的数据处理与随机误差补偿提供了高质量、低噪声的原始数据。

注：请前往嘉立创EDA 生成/上传设计文件，文件完成后，相关文稿将自动生成至项目详情；这里可以详细说明您的项目实现原理和机制、注意事项、调试方法、测试方法等。推荐图文并茂的形式向别人介绍您的想法。

五、软件部分

软件部分

（A）展示了所提出的实时信号采集与误差补偿框架的工作流程。流程始于通过模数转换器（ADC）进行连续数据采样，ADC将来自QFA的模拟加速度信号转换为数字形式。数字数据首先在微控制器单元（MCU）内进行缓冲和归一化，以确保与量化后的BR CNN模型输入范围兼容。一旦缓冲区达到预设容量，系统应用重叠相加（OLA）方法来构建重叠的推理窗口。这种方法保持了连续数据帧之间的时间连续性，并减少了边界伪影。

缓冲后，MCU在INT8精度下使用BR CNN模型执行量化推理。该模型实时预测并抑制随机噪声分量。去噪后的输出随后经过逆OLA阶段处理，以确保连续推理窗口之间的平滑过渡。补偿后的信号通过RS232通信传输至上位机，用于可视化、存储和艾伦方差分析。随后流程返回采集状态，形成一个连续的数据流。通过重叠采样和推理，系统实现了无帧丢失或明显延迟的实时流处理。

（B）展示了用于实时部署和验证的物理硬件平台。该设置包含三个主要组件，排列在一个紧凑的框架内。第一个组件是石英挠性加速度计，用于执行高精度加速度传感，并输出与外部加速度成正比的模拟电压信号。第二个组件是信号采集与补偿电路，它集成了MCU、ADC、存储器和通信接口。MCU以168 MHz的时钟频率运行，工作电压为3.3 V，满负载下功耗约为46 mA。这些规格确保了设备即使在连续流推理期间也能保持低功耗和稳定运行。

第三个组件是金属屏蔽外壳，用于最大限度地减少电磁干扰，确保长时间测量期间的性能稳定。整个装置安装在隔振平台上，以进一步增强测量一致性并减少机械耦合噪声。

量化后的BR CNN模型在每个处理窗口上执行一次推理周期大约需要667 μs，实现了低延迟和稳定的吞吐量。系统的总功耗保持在50 mW以下，使其适用于对能效和实时响应要求极高的嵌入式惯性导航和边缘传感应用。

总体而言，该嵌入式框架证明，所提出的BR CNN能够以最少的计算资源实现实时去噪能力，为石英挠性加速度计的车载随机误差补偿提供了一个实用且可扩展的解决方案。

创新点

1．国产化电路设计

芯片作为现代工业的“粮食”，其自主可控性直接关系到国家安全、经济发展和科技竞争力。军用芯片、航天芯片、通信设备芯片等涉及国家安全的核心领域，若依赖国外供应链，可能面临禁运、后门植入、远程锁死等风险。国产化可确保军事装备、能源电网、金融系统等关键领域不受制于人。

在MCU方面，国外芯片（可能内置硬件级后门（如Intel ME管理引擎），存在数据泄露风险。

国产芯片（如龙芯、飞腾）可提供可信计算环境，符合国家网络安全法规（如等保2.0）。

此外降低芯片进口依赖，中国是全球最大芯片进口国，2023年芯片进口额超3000亿美元（超过石油进口），对外依存度超70%，若实现国产替代，可大幅减少外汇支出，增强经济自主性。

中美贸易战，导致“断供”危机。国产化（如中芯国际、长江存储）可构建安全备份产能，确保供应链稳定。全球芯片短缺（如2020年疫情）导致汽车、消费电子等行业停产，国产化可提高抗风险能力。

2．超小型电路设计

石英挠性加速度计（Quartz Flexure Accelerometer, QFA）是一种高精度惯性传感器，广泛应用于航空航天、导弹制导、无人系统、石油测井、地震监测等领域。其电路小型化（包括信号调理、数据采集、电源管理等模块的集成化设计）具有重要的技术、经济和战略意义。

在无人机、微纳卫星（CubeSat）、便携式导航设备中，空间极其有限，传统分立电路占用体积大，小型化可大幅提高设备紧凑性。此外还可以减少信号传输损耗，提高可靠性，传统分立电路因PCB走线较长，易受电磁干扰（EMI）和噪声影响，集成化设计可缩短信号路径，提升信噪比（SNR）。

当其电路小型化后便可适用于电池供电设备，在石油测井仪器、可穿戴导航设备等场景中，续航能力至关重要，小型化电路可延长电池寿命。

3．AI算法边缘化部署

石英挠性加速度计（QFA）作为高精度惯性传感器，其测量精度受温度漂移、非线性误差、振动干扰等因素影响显著。传统误差补偿方法依赖标定实验和固定模型，难以适应复杂动态环境。AI算法边缘化部署（Edge AI）为QFA的实时误差补偿提供了突破性解决方案，离线标定：依赖实验室环境下的多项式拟合或查表法，无法适应温度骤变、机械冲击等实时扰动。固定模型泛化性差：如卡尔曼滤波需精确已知噪声统计特性，实际工况下易失效。而AI模型具有低延迟推理的特点，边缘端AI模型（可在1ms内完成温度/非线性误差补偿，满足导弹制导、航天器姿态控制等场景的实时性需求。离线模型可以减少数据上传依赖，提升系统可靠性传统云端补偿的弊端有网络延迟的风险，云端回传补偿指令需100ms以上，导致控制环路失稳。还有断网风险：战场、深海等场景下通信中断时，补偿功能失效。

在传统方案的资源消耗，高精度补偿需外接DSP或上位机，功耗达500mW以上，难以用于便携设备。边缘AI的轻量化创新

模型压缩技术：通过知识蒸馏、8位量化，将LSTM模型压缩至50KB以下，可运行于低功耗MCU。硬件协同设计：利用MCU内置硬件加速器（如ARM CMSIS-NN）提升计算效率。

AI的多模态融合能力也至关重要，依靠多传感器输入边缘AI可同步处理加速度计输出、温度传感器数据、振动频谱（通过FFT），构建端到端补偿模型。还可以做到迁移学习适配，在A设备训练的模型，通过少量数据微调即可适配B设备，降低标定成本。

公开数据集验证效果

各去噪模型的时间序列重建效果与艾伦偏差性能对比

子图（a1–c1）和（a2–c2）分别展示了加速度计1和加速度计2经六种去噪网络处理后的重建加速度信号，这些网络包括：基于注意力机制的CNN、深度CNN、空洞CNN、简单CNN、密集CNN以及本文所提出的BR CNN。红色垂直虚线标示出用于详细对比的典型信号段，插图为代表性区段的放大显示。

子图（a3–c3）和（a4–c4）展示了相应的艾伦偏差曲线，突显了各模型所达到的随机稳定性。

六、BOM清单

清单见源文件。