Aplicação de Algoritmos Evolutivos na Calibração de Sensores Inerciais MEMS

147 Pages·2016·4.97 MB·Portuguese

Universidade Estadual de Londrina
Centro de Tecnologia e Urbanismo
Departamento de Engenharia Elétrica
Caroline Peres da Silva
Aplicação de Algoritmos Evolutivos na
Calibração de Sensores Inerciais MEMS
Londrina
2016
Universidade Estadual de Londrina
Centro de Tecnologia e Urbanismo
Departamento de Engenharia Elétrica
Caroline Peres da Silva
Aplicação de Algoritmos Evolutivos na Calibração de
Sensores Inerciais MEMS
TrabalhodeConclusãodeCursoorientadopeloProf. Dr. Francisco
Granziera Júnior intitulado “Aplicação de Algoritmos Evolutivos
naCalibraçãodeSensoresInerciaisMEMS”eapresentadoàUniver-
sidade Estadual de Londrina, como parte dos requisitos necessários
para a obtenção do Título de Bacharel em Engenharia Elétrica.
Orientador: Prof. Dr. Francisco Granziera Júnior
Londrina
2016
Ficha Catalográfica
Caroline Peres da Silva
AplicaçãodeAlgoritmosEvolutivosnaCalibraçãodeSensoresInerciaisMEMS
- Londrina, 2016 - 146 p., 30 cm.
Orientador: Prof. Dr. Francisco Granziera Júnior
1. Calibração. 2. MEMS. 3. Algoritmos Evolutivos. 4. Otimização Não-
Linear. 5. Determinação de Atitude.
I. Universidade Estadual de Londrina. Curso de Engenharia Elétrica. II. Apli-
cação de Algoritmos Evolutivos na Calibração de Sensores Inerciais MEMS.
Caroline Peres da Silva
Aplicação de Algoritmos Evolutivos na
Calibração de Sensores Inerciais MEMS
Trabalho de Conclusão de Curso apresentado ao Curso de
Engenharia Elétrica da Universidade Estadual de Londrina,
como requisito parcial para a obtenção do título de Bacharel
em Engenharia Elétrica.
Comissão Examinadora
Prof. Dr. Francisco Granziera Júnior
Universidade Estadual de Londrina
Orientador
Prof. Dr. Marcelo Carvalho Tosin
Universidade Estadual de Londrina
Prof. Dr. Taufik Abrão
Universidade Estadual de Londrina
Londrina, 3 de março de 2016
Para Rafael
Agradecimentos
Ao Prof. Dr. Francisco Granziera Jr., que orientou este trabalho e foi essencial em
seu desenvolvimento, fornecendo orientações, conselhos e conhecimentos.
Ao Prof. Dr. Marcelo Tosin pelo auxílio no projeto.
Ao Prof. Dr. Taufik Abrão pelas dúvidas esclarecidas e sugestões fornecidas para a
conclusão deste trabalho.
Ao Daniel Batista, colega de laboratório, que também apoiou e ajudou nesse trabalho,
em especial nas simulações no MatLab.
Aos colegas de graduação pela amizade e companheirismo demonstrados ao longo
desses anos estudando juntos.
Ao meu namorado Rafael, pelo apoio, carinho e paciência.

Caroline Peres da Silva. 2016. 146 p. Trabalho de Conclusão de Curso em Engenharia
Elétrica- Universidade Estadual de Londrina, Londrina.
Resumo
Este trabalho apresenta um estudo e a comparação entre algoritmos heurísticos e evoluti-
vosaplicadosàcalibraçãodesensoresMEMSparadeterminaçãodeatitude. Osalgoritmos
foram implementados em MATLAB, sendo testados com dados reais e dados simulados,
e comparados com o método já estabelecido da Mínima Variância. Para a aplicação dos
algoritmos, um estudo sobre os melhores parâmetros de entrada a serem utilizados foi
realizado, e foi possível observar que existem parâmetros ótimos que deixam os algorit-
mos mais precisos e rápidos. Por fim, o algoritmo PSO foi executado em uma plataforma
embarcada.
Palavras-Chave: 1. Calibração. 2. MEMS. 3. Algoritmos Evolutivos. 4. Otimização
Não-Linear. 5. Determinação de Atitude.
Application of Evolutive Algorithms on the Calibration of MEMS Inertial
Sensors. 2016. 146 p. Monograph in Engenharia Elétrica- Universidade Estadual de
Londrina, Londrina.
Abstract
This work presents the study of evolutionary algorithms applied to the calibration of
MEMS sensors for attitude determination. The algorithms were implemented on MAT-
LAB, using real and simulated data, and the results were compared to the Minimum
Variance Method. An analisis of the best entry parameters for each algorithm was made
for the studied problem, in order to verify if there are optimum parameters that increase
the speed and precision of the algorithms. Finally, the fastest algorithm was coded in C
and executed on a microprocessor in a sensor data colecting platform, and the results of
this experiment were verified by MATLAB.
Key-words: 1. Calibration. 2. MEMS. 3. Evolutive Algorithms. 4. Non-Linear
Optimization. 5. Attitude Determination.
Lista de ilustrações
Figura 1 – Modelo interno do sensor acelerômetro MEMS. Fonte: Retirado de
LEARNINGSPACE (2009) . . . . . . . . . . . . . . . . . . . . . . . . . 30
Figura 2 – Esquemático da estrutura interna de um magnetômetro AMR. . . . . . 31
Figura 3 – Mesa de Rotação. Fonte: Seçer (2012) . . . . . . . . . . . . . . . . . . 33
Figura 4 – Centrifuga. Fonte: Seçer (2012) . . . . . . . . . . . . . . . . . . . . . . 33
Figura 5 – Desalinhamento entre os eixos da tríade. Fonte: Granziera Jr. et al.
(2011) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Figura 6 – Modelo da estimação de parâmetros. Fonte: Li et al. (2006) . . . . . . 38
Figura 7 – RepresentaçãodosistemadecalibraçãoapresentadoporLötters(1998).
Fonte: Santana, 2009 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Figura 8 – Fluxograma do Algoritmo Genético. Fonte: Autora . . . . . . . . . . . 46
Figura 9 – Operação de crossover para geração de um filho. Fonte: Elbeltagi et
al., 2005 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
Figura 10 – Demonstração visual do PSO. Fonte: Ali et al. (2012). . . . . . . . . . 48
Figura 11 – Intervalo de dados selecionados pela técnica descrita. Fonte: Ali et al.
(2012) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Figura 12 – Modelo em Simulink para simulação de sensores. . . . . . . . . . . . . 53
Figura 13 – Modelo em Simulink para cálculo da velocidade angular ω de um corpo. 54
Figura 14 – Modelo em Simulink para a obtenção do quatérnion. . . . . . . . . . . 55
Figura 15 – Blocos para conversão de um quatérnion em medida de sensor a partir
de dada referência. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
Figura 16 – Blocos para adição de erros nos sensores simulados. . . . . . . . . . . . 56
Figura 17 – Experimento MEMS. Fonte: Batista et al., 2014 . . . . . . . . . . . . . 57
Figura 18 – Erro quadrático médio dos parâmetros estimados em função do valor
de v . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
max
Figura 19 – Evolução do algoritmo para v = 100 . . . . . . . . . . . . . . . . . . 61
max
Figura 20 – Evolução do algoritmo para v = 10−1 . . . . . . . . . . . . . . . . . 62
max
Figura 21 – Evolução do algoritmo para v = 10−2 . . . . . . . . . . . . . . . . . 62
max
Figura 22 – Evolução do algoritmo para v = 10−3 . . . . . . . . . . . . . . . . . 62
max
Figura 23 – Erro quadrático médio dos parâmetros estimados em função do valor
de v . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
max
Figura 24 – Número de iterações do algoritmo em função do valor de v . . . . . . 64
max
Figura 25 – Evolução do algoritmo para v = 100 . . . . . . . . . . . . . . . . . . 64
max
Figura 26 – Evolução do algoritmo para v = 10−1 . . . . . . . . . . . . . . . . . 65
max
Figura 27 – Evolução do algoritmo para v = 10−2 . . . . . . . . . . . . . . . . . 65
max