Estimation des paramètres d'un système à partir de données fortement quantifiées, application aux MEMS

Parameter estimation methods based on binary observations - Application to Micro-Electromechanical Systems (MEMS)

• Auteur / Autrice : Kian Jafaridinani
• Direction : Jérôme Juillard
• Type : Thèse de doctorat
• Discipline(s) : Electronique (STIC)
• Date : Soutenance le 09/07/2012
• Etablissement(s) : Supélec
• Ecole(s) doctorale(s) : Ecole doctorale Sciences et Technologies de l'Information, des Télécommunications et des Systèmes (Orsay, Essonne ; 2000-2015)
• Jury : Président / Présidente : Éric Walter
• Jury : Examinateurs / Examinatrices : Yann Le Gorrec, Morgan Roger
• Jury : Rapporteur / Rapporteuse : Salvador Mir, Alina Voda

Mots clés

Mots clés contrôlés

Systèmes microélectromécaniques

Estimation de paramètres

Mots clés libres

Méthodes d'estimation des paramètres

Observations binaires

Identification du système

MEMS

Parameter estimation methods

Binary observations

System identification

MEMS

Résumé

Bien que les dimensions caractéristiques des systèmes électroniques aient été réduites aux micro- ou nano-échelles, leur performance reste très sensible à des facteurs extérieurs. Les variations lors du processus de fabrication des microsystèmes et celles dans leurs conditions de fonctionnement (température, humidité, pression) sont la cause habituelle de ces dispersions. Par conséquent, il est important de co-intégrer des routines de self-test ou d'auto-ajustement pour ces micro-dispositifs. La plupart des méthodes d'estimation des paramètres du système existantes sont fondées sur la mise en œuvre de mesures numériques haute résolution de la sortie du système. Leur mise en œuvre nécessite ainsi un long temps de conception et une grande surface de silicium, ce qui augmente le coût de ces micro-dispositifs. Les méthodes d'estimation de paramètres basées sur les observations binaires ont été présentées comme des méthodes d'identification alternatives, nécessitant seulement un Convertisseur Analogique-Numérique (CAN) 1-bit.Dans cette thèse, nous proposons une nouvelle méthode d'identification récursive pour le problème d'estimation des paramètres à partir des observations binaires. Un algorithme d'identification en ligne avec de faibles besoins de stockage et une complexité algorithmique réduite est introduit. Nous prouvons la convergence asymptotique de cette méthode sous certaines hypothèses. Ensuite, nous montrons par des simulations de Monte-Carlo que ces hypothèses ne doivent pas nécessairement être respectées dans la pratique pour obtenir une bonne performance de la méthode. De plus, nous présentons la première application expérimentale de cette méthode dédiée au self-test de MEMS intégrés. La méthode de «Built-In Self-Test» en ligne proposée est très intéressante pour le self-test de capteurs, car elle nécessite des ressources faibles de stockage, un seul CAN 1-bit et un seul CNA 1-bit qui peut être facilement mis en œuvre dans une petite surface de silicium avec une consommation réduite d'énergie.

While the characteristic dimensions of electronic systems scale down to micro- or nano-world, their performance is greatly influenced. Micro-fabrication process or variations of the operating situation such as temperature, humidity or pressure are usual cause of dispersion. Therefore, it seems essential to co-integrate self-testing or self-adjustment routines for these microdevices. For this feature, most existing system parameter estimation methods are based on the implementation of high-resolution digital measurements of the system's output. Thus, long design time and large silicon areas are needed, which increases the cost of the micro-fabricated devices. The parameter estimation problems based on binary outputs can be introduced as alternative self-test identification methods, requiring only a 1-bit Analog-to-Digital Converter (ADC) and a 1-bit Digital-to-Analog Converter (DAC).In this thesis, we propose a novel recursive identification method to the problem of system parameter estimation from binary observations. An online identification algorithm with low-storage requirements and small computational complexity is derived. We prove the asymptotic convergence of this method under some assumptions. We show by Monte Carlo simulations that these assumptions do not necessarily have to be met in practice in order to obtain an appropriate performance of the method. Furthermore, we present the first experimental application of this method dedicated to the self-test of integrated micro-electro-mechanical systems (MEMS). The proposed online Built-In Self-Test method is very amenable to integration for the self-testing of systems relying on resistive sensors and actuators, because it requires low memory storage, only a 1-bit ADC and a 1-bit DAC which can be easily implemented in a small silicon area with minimal energy consumption.