如何识别和分析MEMS传感器中的噪声？

简介：
本文探讨了在MEMS传感器中识别和分析各种类型的噪声的方法，包括白噪声、低频噪声等，并提供了减少其对测量精度影响的技术策略。 这段设计技巧详细介绍了如何分析与识别MEMS传感器中的噪声，并深入探讨了Allan方差及Hadamar方差及其变化形式（如非重叠、修正和总计）的理论背景。 通过使用Allan和其他类型的方差，可以有效表征MEMS传感器。其基本假设是，在测量过程中，感兴趣的信号保持恒定且平坦状态；然而，实际输出则是该信号与噪声叠加的结果。从长期看，噪音应趋向于平均为零。因此，分析和识别噪声有助于确定可用于最小化输出方差的样本数量。 标准偏差在长时间数据记录中表现不佳的问题促使了Allan方差的发展。计算时，连续“样本”（2-样本方差）之间平方差异的均值即构成σ^2。这里，“样本”的定义是通过将m个采样点平均化来确定，其中Ts=1/Fs为采样间隔，Fs代表采样频率。 Allan方差σ(τ)则是上述计算结果的平方根，在对数坐标图上其斜率能够直接反映出噪声类型。具体来说： - Allan方差（非重叠AVAR、重叠OAVAR及修正MAVAR）以及Hadamar方差（非重叠HVAR和重叠OHVAR），可以通过数字滤波器链进行计算。 通过这种方法，可以利用移动平均值M(M)对样本数据进行处理，并使用D1(m)来获取两个特定采样点间的第一个差异。然后应用下采样的步骤m:1从选定的多个采样中挑选一个代表性的样本用于进一步分析。最终方差是通过对计算结果平方并求均值得到，偏差则为该值的平方根，其置信度可通过将偏差除以平均输出样本数量的平方根来估计得出。 总之，通过深入理解Allan和Hadamar方差及其变化形式的应用原理与实践操作方法，有助于更精确地表征MEMS传感器中的噪声特性。