Vibration Rectification and Thermal Disturbances in Ultra Precision Inertial Sensors
Notice bibliographique
Résumé
Advanced inertial MEMS sensors facilitate achieving superb precision and resolution in measuring translational and rotational displacements, down to femtometers and milli-arcseconds. At present such performance is possible only in measurements of a very short duration, typically below 1 second. As this duration increases, the precision rapidly deteriorates. However, experimental accelerometers indicate the possibility of measurements with sub-micron precision for up to 30 seconds. For longer measurements, e.g., up to 5 minutes, the errors increase. However they still remain below 100 μm. The main cause of errors is a strong amplification of low frequency disturbances and distortions introduced by the sensors. It occurs when acceleration and angular rate are converted to the translational and angular displacement, i.e., during the integration. Thus, the key to maximizing the performance of inertial displacement sensors is a reduction of their low frequency disturbances. In the top tier sensors the key components of the disturbances include (1) the inherent thermodynamic and electrical noise, (2) chaotic mechanical phenomena, and (3) nonlinear distortion. The presented research is concerned with these three areas. It focuses on the identification and correction of errors which deteriorate a stability of the sensors’ bias, in particular on the vibration rectification error (VRE) and temperature variations due to the actuation in servo accelerometers. The investigated accelerometers are high performance sensors, digital and analog, whose total harmonic distortion is in the range from 1% down to a few parts-per-million (i.e., <0.001%). The objective is to develop on-line corrective filters capable of reducing the overall low frequency distortion below 0.00001%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».