Design di algoritmi di classificazione per la qualifica di sensori MEMS inerziali

MEMS (Micro-Electro-Mechanical Systems) inertial sensors are devices that measure acceleration and angular velocity in three dimensions. They are commonly used in applications such as navigation, motion tracking, and vibration monitoring. There are two main types of MEMS inertial sensors: accelerometers and gyroscopes. Accelerometers measure linear acceleration along three directions (X, Y, Z), while gyroscopes measure angular velocity around the accelerometer directions (Pitch, Roll and Yaw). The devices are tested and calibrated in the process of Final Test, which is the last step of the manufacturing process of MEMS inertial sensor (and in general of any silicon device). Since the production phases of the sensors are not ideal, all physical and electrical parameters may vary within the process window and can produce different behaviors from one part to another that heavily impact the target specifications of the device. The studies and research carried out during this thesis allow for a preventive qualification (before the calibration process) to be carried out during the Final Test process, in order to establish whether the sensors have any non-idealities or to identify a malfunction within the test environment. To determine the degree of defectiveness of a MEMS accelerometer or gyroscope, it is observed the measured output in response to a test movement carried out by a rotating arm (Rate Table). Similarly, to determine if there is a fault in the test environment, the angular rate profile of the test movement (which is executed by the Rate Table) is also observed. To determine whether the device (or the test environment) is defective or not, a feature extraction has been performed to best describe the shape of the output pattern. These features will be used for the training phase of supervised machine learning algorithms such as Decision Trees, Random Forest Classifiers, Support Vector Machines and for training phase of unsupervised machine learning algorithms like Isolation Forests or one-class Support Vector Machines. The best model, that may be suitable for a possible integration in the process of Final Test, will be the one that would be able to make a classification on the output patterns of MEMS inertial devices (and the output pattern of the Rate Table) with the minimum number of mispredictions.

I sensori MEMS (Micro-Electro-Mechanical Systems) inerziali sono dispositivi in grado di misurare l'accelerazione e la velocità angolare lungo tre direzioni, quando lo stesso dispositivo è sottoposto a un movimento di traslazione e di rotazione. Sono comunemente utilizzati in applicazioni come la navigazione, il tracciamento del movimento e il monitoraggio delle vibrazioni. Esistono due tipi principali di sensori inerziali MEMS: accelerometri e giroscopi. Gli accelerometri misurano l'accelerazione lungo le tre direzioni (X, Y, Z), mentre i giroscopi misurano la velocità angolare attorno alle direzioni dell’accelerometro (Pitch, Roll, Yaw). I dispositivi vengono testati e calibrati nel processo di Final Test, che è l'ultimo passaggio del processo di produzione dei sensori MEMS inerziali (e in generale di qualsiasi dispositivo in silicio). Poiché le fasi di produzione dei sensori non sono ideali, tutti i parametri fisici ed elettrici possono variare all'interno del process window e possono produrre comportamenti diversi che influiscono significativamente sulle specifiche finali del dispositivo. Gli studi e le ricerche effettuati durante questa tesi consentono di effettuare una qualificazione preventiva (prima del processo di calibrazione) durante il processo di Final Test, al fine di stabilire se i sensori presentano eventuali non idealità o di identificare un malfunzionamento all'interno dell'ambiente di test. Per determinare il grado di difettosità di un accelerometro o giroscopio MEMS, è possibile misurare l’uscita in risposta a un movimento di prova eseguito da una tavola rotante (Rate Table). Allo stesso modo, per determinare se c'è un difetto nell'ambiente di prova, viene osservato anche il profilo di velocità angolare del movimento di prova. Per determinare se il dispositivo (o l'ambiente di prova) presenta una difettosità o meno, si potrebbe pensare di effettuare un'estrazione di caratteristiche o feature in grado di descrivere al meglio la forma del pattern d’uscita. Queste caratteristiche verranno utilizzate per la fase di apprendimento di algoritmi di machine learning supervisionati come l’albero decisionale, il classificatore Random Forest, il Support Vector Machine e per la fase di apprendimento di algoritmi di machine learning non supervisionati come l’algoritmo Isolation Forests o l’algoritmo di clustering one-class Support Vector Machine. Il modello migliore, che potrebbe essere il più adatto per una possibile integrazione nel processo di Final Test, sarà quello in grado di effettuare una classificazione sui pattern d’uscita di accelerometri e giroscopi (e sul pattern d’uscita della Rate Table) con il minor numero di predizioni errate.