随着MEMS技术不断创新,MEMS惯性器件以功耗小,质量轻等特点被广泛的应用于各个领域,尤其在自动驾驶和机器人领域。由于MEMS惯性器件内部器件结构由温度敏感材料硅组成,环境温度的变化会影响它的性能,导致测量精度下降。因此,解决温度导致的输出漂移成为提高MEMS惯性器件测量精度的最大挑战。实际工程中常用方法通常有两种,分别是硬件补偿法以及软件补偿法。硬件补偿即直接从硬件着手,方法一是研究传感器的内部结构和材料性能受温度的影响,从而改变传感器的内部结构,更换耐热材料达到温度补偿的目的。方法二是通过在传感器内部安装恒温电路来进行温度补偿。缺点是即使调整内部结构或者更换材料,也很难避免温度变化对惯性器件机械形变的影响;另一方面,读出电路的性能也会受加工工艺偏差和温度变化所影响。软件补偿是根据温度输出误差模型,通过拟合算法得到惯性器件温度模型的各种补偿系数因子,常见的拟合模型有:多项式拟合、神经网络拟合等。多项式模型的缺点是需要比较高的阶数以及较多的系数才能达到很好的补偿效果,这使得运算量很大;神经网络拟合的缺点是需要大量的训练样本,难以集成到芯片上。针对以上温漂问题,本文提出了一种实时温度补偿方法,该方法基于一种新型函数补偿模型。针对复杂函数模型的难于实现与集成问题,选取了一阶傅里叶函数作为温补模型。首先,该模型不需要较多的系数且对初值的依赖度低。其次,在硬件实现上采用CORDIC算法计算三角函数值,硬件实现简单。因此,该模型易于实现且稳定性高,适合用来进行惯性器件的实时补偿。最后,对温度曲线数据进行实时补偿测试,测试结果表明,本文提出的模型补偿前后,全温输出最大温漂的绝对值从1.587m V降低到0.0541m V,全温度零偏极差从3.718m V降低到0.14359m V。由此可见,补偿后的加速度计性能得到了改善,证明了温度补偿模型的有效性和可行性,具有实际应用意义。