본 연구에서는 Double-Ended Tuning Fork (DETF) 공진형 MEMS 가속도계의 바이어스 드리프트를 보정하기 위한 새로운 하이브리드 기법을 제안한다. 이 접근법은 1) 스케일링 조정과 2) 다항식 회귀 분석 및 비선형 예측 모델인 Nonlinear AutoRegressive model with eXogenous inputs (NARX)을 통합하는 하이브리드 보정 방식을 사용한다. 스케일링 조정은 이중 공진자 간의 구조적 비대칭으로 인해 발생하는 감도 불일치를 보정하여 환경적 영향을 최소화한다. 하이브리드 보정 기법은 먼저 스케일링 조정된 공진자 출력에 다항식 피팅을 적용하여 온도 변화로 인한 정적 드리프트를 학습한다. 그 후, 다항식 모델의 In-run 예측값 일부와 실제 In-run 측정값 일부를 NARX 모델에 학습시킴으로써 동적 드리프트, 특히 턴온 드리프트를 보정한다. 이는 다항식 모델에만 의존하는 기존 기법에 비해 초기 실행 단계에서 더욱 정확한 보정을 제공하고 데이터 효율을 향상시킬 수 있다. 실험 결과에 따르면, 제안된 방법은 RMSE를 전체적으로 약 65%, 전원 켜짐 후 첫 10분 이내에는 최대 87%까지 감소시키는 것으로 나타났다. 더 나아가, 기존 학습방법에 요구되는 훈련 데이터 양의 단지 6분의 1을 사용하여 동일 수준의 정확도를 달성할 수 있음을 확인하였다. 이러한 결과는 항공우주, 국방, 고정밀 산업 내비게이션을 포함한 다양한 미래 응용 분야에서 활용될 수 있는 강력한 잠재력을 보여준다.

Bias Drift Compensation in Resonant MEMS Accelerometers using Hybrid Polynomial-NARX Modeling

Yebin Choi

We propose a novel hybrid method to compensate for bias drift in Double-Ended Tuning Fork (DETF) resonant MEMS accelerometers. The approach employs 1) scaling adjustment and 2) a hybrid compensation scheme that integrates polynomial regression with a nonlinear predictive model, Nonlinear AutoRegressive model with eXogenous inputs (NARX). The scaling adjustment corrects sensitivity mismatches caused by structural asymmetry between the dual resonators, minimizing environmental influences. The hybrid method first addresses static drift caused by temperature variations by applying polynomial fitting to scaling-adjusted resonator outputs. Afterwards, it targets dynamic drift—particularly the turn-on drift—by training a NARX model using portions of the polynomial predictions and actual in- run measurements. Thus, it enables more accurate compensation during the early in-run phase with improved data efficiency when compared to the traditional techniques which rely solely on polynomial models. Experimental results show that the proposed method reduces RMSE by approximately 65% overall and up to 87% within the first 10 minutes after power-on. Furthermore, it achieves similar accuracy using only one-sixth of the training data required by conventional methods. These findings demonstrate strong potential for use in a wide range of future applications, including aerospace, defense, and high-precision industrial navigation.

Keywords: drift bias, compensation, hybrid, MEMS, accelerometer

Speaker 최예빈 LIG넥스원