Caracterização Estocástica e Modelagem Computacional de Ruídos Inerciais em Acelerômetros MEMS

Abstract

A utilização de acelerômetros baseados em Sistemas Microeletromecânicos (MEMS) em aplicações de engenharia e metrologia de precisão é frequentemente limitada pela presença de ruídos intrínsecos de natureza estocástica, que degradam a relação sinalruído e causam acúmulo de erros ao longo do tempo. Nesse contexto, este trabalho tem como objetivo caracterizar e modelar os ruídos fundamentais de um acelerômetro MEMS de alto desempenho, estabelecendo um comparativo rigoroso entre o comportamento teórico, simulado e experimental. A metodologia fundamenta-se, inicialmente, no desenvolvimento de um modelo computacional parametrizado com os dados nominais fornecidos pelo fabricante, contemplando fontes de erro isoladas como o Velocity Random Walk (VRW), a Instabilidade de Bias (BI), o Rate Random Walk (RRW), Rate Ramp (DRR) e os efeitos não lineares de quantização provenientes da conversão analógico-digital (ADC). A avaliação descritiva desse modelo estocástico é conduzida por meio da aplicação da técnica estatística do Desvio de Allan (ADEV) no domínio do tempo e através do Power Spectral Density (PSD). Para a etapa de validação física empírica, implementou-se um sistema de aquisição embarcado, composto por um microcontrolador, o acelerômetro e um módulo de armazenamento em cartão SD, destinado à coleta isócrona de dados inerciais ininterruptos, sob o objetivo de buscar um arranjo com a menor interferência vibracional e térmica possível. A simulação computacional permitiu a geração sintética do perfil preditivo de degradação do sensor, evidenciando as inclinações e limites característicos de cada tipo de ruído em escala bi-logarítmica. A partir de dados experimentais de longa duração, traçou-se a curva real de ADEV do sensor. A sobreposição dessa curva com o modelo simulado possibilitou a análise dos coeficientes operacionais de ruído do dispositivo. Conclui-se que o método de identificação fornece uma caracterização fidedigna do dispositivo, apresentando um erro relativo mínimo entre o modelo simulado e o datasheet (14,59% para a BI e 2,00% para o VRW). A etapa experimental, por sua vez, revelou os desvios inerentes às condições não ideais do ambiente de aquisição frente ao rigor laboratorial. No domínio da frequência, a densidade espectral do sensor físico aproximou-se do modelo simulado em altas frequências, ocorrendo divergência nas faixas inferiores a 1 Hz devido à atuação do ruído flicker. A extração paramétrica atestou um afastamento prático de 146,16% na parcela de ruído branco de alta frequência e um desvio de 563,81% na BI em relação às métricas nominais de projeto. Estes patamares de erro não representam falhas de instrumentação, mas quantificam com exatidão a extrema sensibilidade do transdutor a ruídos elétricos, variações térmicas reais, ruídos de solo e ruídos aéreos quando operado fora de infraestruturas de isolamento ativo.

The use of Microelectromechanical Systems (MEMS) accelerometers in engineering and precision metrology applications is often limited by the presence of intrinsic stochastic noises, which degrade the signal-to-noise ratio and cause error accumulation over time. In this context, this work aims to characterize and model the fundamental noises of a high-performance MEMS accelerometer, establishing a rigorous comparison between theoretical, simulated, and experimental behaviors. The methodology is initially based on the development of a computational model parameterized with nominal data provided by the manufacturer, contemplating isolated error sources such as Velocity Random Walk, Bias Instability, Rate Random Walk, Rate Ramp, and nonlinear quantization effects arising from analog-to-digital conversion. The descriptive evaluation of this stochastic model is conducted through the application of the Allan Deviation statistical technique in the time domain and through Power Spectral Density (PSD). For the empirical physical validation stage, an embedded acquisition system was implemented, comprising a microcontroller, the accelerometer, and an SD card storage module, designed for isochronous and uninterrupted inertial data collection, aiming for a setup with the lowest possible vibrational and thermal interference. The computational simulation enabled the synthetic generation of the sensor’s predictive degradation profile, highlighting the characteristic slopes and limits of each noise type on a bi-logarithmic scale. Based on long-term experimental data, the sensor’s real Allan Deviation curve was plotted. Overlaying this curve with the simulated model allowed the analysis of the device’s operational noise coefficients. It is concluded that the identification method provides a reliable characterization of the device, presenting a minimal relative error between the simulated model and the datasheet (14.59% for BI and 2.00% for VRW). The experimental stage, in turn, revealed the deviations inherent to the non-ideal conditions of the acquisition environment when compared to strict laboratory settings. In the frequency domain, the spectral density of the physical sensor approached the simulated model at high frequencies, with divergence occurring in bands below 1 Hz due to the influence of flicker noise. Parametric extraction confirmed a practical deviation of 146.16% in the high-frequency white noise component and a 563.81% deviation in Bias Instability relative to the nominal design metrics. These high error levels do not indicate instrumentation failures; rather, they accurately quantify the transducer’s extreme sensitivity to electrical noise, realistic thermal variations, ground vibrations, and airborne noise when operated outside of active isolation infrastructures.