压力传感器因温度漂移补偿方法.pdf
《压力传感器因温度漂移补偿方法.pdf》由会员分享,可在线阅读,更多相关《压力传感器因温度漂移补偿方法.pdf(8页珍藏版)》请在咨信网上搜索。
1、Research&Development 研究动态传感器世界 2023.04Vol.29 NO.04 Total 3349摘要:为了改善压力传感器因温度漂移导致的测量误差问题,在标定压力和温度下,通过传感器测出的数据做拟合,减小温度对测量结果的影响。文章首先对数据进行预处理,利用协方差评价序列间的影响权重,以数据融合方式改造训练集,过滤其中潜在因素的影响,进而增强数据间的相关性;其次,利用插值曲线良好的拟合效果,等间隔的在曲线上抽取若干新数据点,扩充原始训练集,提升神经网络的训练精度;最后,用加权 K 均值聚类(K-means Clustering Algorithm)的径向基神经网络(Rad
2、ial Basis Function Neyral Network)对扩增数据进行训练,得到拟合神经网络模型,使用测试数据对模型进行试验。实验结果表明,文章提出的方法对压力传感器温度漂移数据的拟合有很好的效果。关键词:插值拟合;协方差;径向基神经网络;加权 K 均值聚类;扩增样本中图分类号:TP212 文献标志码:A 文章编号:1006-883X(2023)04-0009-08收稿日期:2023-03-18 DOI:10.16204/j.sw.issn.1006-883X.2023.04.002Pressure Sensor Compensation Method Due to Tempera
3、ture Drift DONG Tianqi,TAN Cong(School of Electronics and Information,Yangtze University,Jingzhou 434100,China)Abstract:In order to improve the measurement error caused by temperature drift of the pressure sensor,the data measured by the sensor is fitted under the calibration pressure and temperatur
4、e to reduce the influence of temperature on the measurement result.Firstly,the data are preprocessed,and the covariance is used to evaluate the influence weights between sequences,and the training set is modified by data fusion to filter the influence of potential factors,so as to enhance the correl
5、ation between the data.Secondly,using the good fitting effect of the interpolation curve,several new data points are extracted on the curve at equal intervals to expand the original training set and improve the training accuracy of the neural network.Finally,the Radial Basis Function Neyral Network
6、of the weighted k-means clustering algorithm is used to train the amplified data,and the fitted neural network model is obtained,and the test data are used to test the model.Experimental results show that the proposed method has a good effect on the fitting of temperature drift data of pressure sens
7、ors.Key words:interpolation fitting;covariance matrix;radial basis function neural network;k-means clustering algorithm;amplify the sample压力传感器因温度漂移补偿方法董添奇 谈聪 长江大学电子信息学院,湖北荆州 434023 0 前言由于传感器工作过程中可能会受到压力、温度、湿度、电磁波等噪声的影响,获得的测量数据会存在非线性的噪声误差。例如,井下近钻头压力参数矫正中,若仅考虑温度对压力传感器的影响,就必须测出传感器工作时的温度和压力信息来做矫正。由于其他因
8、素的影响,温度测量数据和压力测量数据之间的相关关系不够明朗,传统拟合方式很难得出较好的结果。随着人工智能的快速发展,神经网络已成为一种重要的回归建模方式,相较于传统的建模方式,神经网络回避了需要提前确定回归模型结构的难点,并具有非线性映射能力强、并行信息处理能力强的特点。其 中,多 层 前 向 BP(Back Propagation)网 络1、RBFNN应用2-4较广。RBFNN在高精度传感器补偿5-6上存在应用先例。GALLANT A等人7经过研究表明,若要使神经网络拟合结果无限接近实际值,需要的样本量将无限大。但在实际的生产活动中,采集大量的数据用于建模是十分困难的,例如在井下采集数据是十
9、分困难和昂贵的,常常需要用较少获得的数据进行研究动态 Research&Development传感器世界 2023.04Vol.29 NO.04 Total 33410分析建模。小样本神经网络建模问题受到中外学者的广泛关注。JOERDING W H 等人8提出利用专家知识使小样本的神经网络训练结果达到和大样本相似的效果,但前提是输出输入都为一维。王宏刚等人9提出分别采用 Bootstrap 和核密度拉丁超立方采样法扩充训练样本,解决小样本建模问题。徐延学等人10利用改进初始值的选择和背景值的构造方法来提升灰色系统,并通过遗传算法优化 RBFNN 参数,使用灰色系统处理后的数据进行拟合建模。以数
10、据角度解决小样本神经网络问题的方法分为 2 种:一种是扩充样本数据,利用扩充数据进行建模;另一种是结合已有信息改造样本数据,利用处理后的数据进行建模。结合上述数据角度的 2 种方法思路,本文提出利用协方差矩阵改造传感器带噪数据,利用三次 b 样条插值曲线在数据间可导且原理简单而被广泛应用于数据的拟合和平滑处理11的优势,尝试通过三次 b 样条插值曲线再抽取的方式扩增数据样本数量,并以扩充样本进行神经网络拟合建模。1 数据预处理针对温度漂移数据,由于传感器测量值受到的不可控因素影响,致使压力传感器数据和温度传感器数据之间不是严格的线性关系。同时在样本量较少的前提下,由于数据点过少,往往出现采集数
11、据震荡、非线性关系较强。主成分分析12-13以协方差矩阵的特征值选择少量的特征向量,并将数据投影到新的空间中,实现对数据的降维,通过剔除影响不大的协变量来减小属性间的耦合。主成分分析将含有的部分信息丢弃的方式,对于信息宝贵的数据而言显然是不值当的。不同序列间的协方差值体现着序列间的相关关系,揭示杂乱无章数据的内在线性结构和相关性。其绝对值大小代表二者相关性强弱;正负性反映了二者的相关方向。协方差矩阵解决样本个体多维度的关联性问题14。在金融、工科、机器学习和关联性分析常有应用。(1)其中,x、y 是长度为 n 的列向量;xi、yi分别为向量 x 和 y的第 i 个数值;分别为向量 x 和 y
12、的平均值。若存在测量数据矩阵为:(2)其中,X 为 n*m 的矩阵;xi为矩阵 X 的第 i 列列向量。(变量属性个数 m,序列长度 n)则 m 个变量的协方差矩阵为:(3)其中,covX 为 X 的协方差矩阵;cov(xi,xj)(1i,jm)为列向量 xi和列向量 xj的协方差。通过将原始数据序列与协方差矩阵点乘,实现属性之间按其整体相关性的方向进行改造,在保留所有属性信息影响的前提下,消除不可知因素的影响,增强数据之间的相关性。(4)其中,xTi为 xi的转置向量。(5)其中,Newxi为 xTi经协方差矩阵 covX 改造后的向量结果。new_xji=(x1icov(x1,xj)+x2
13、icov(x2,xj)+xmicov(xm,xj)(6)其中,new_xji为 xTi的改造向量第 j 个数值。以下列在标准压力仪器产生标定压强 0 kPa、50 kPa、100 kPa、150 kPa、200 kPa、250 kPa 环境下,通过调控温度和外部震动来模拟复杂环境。测得压力模块上温度传感器输出数据为 17.7、30.4、44、58、72、44.8、21.2,并统计得到压力传感器采集数值(单位:mV),nyyxxniii1)()cov(yx,yx、mxxxX21mnnnmmxxxxxxxxx212221212111),cov(),cov(),cov(),cov(),cov(),c
14、ov(),cov(),cov(),cov(1mmmmmmxxxxxxxxxxxxxxxxxxX212221212111covn miiixxx,.,21Tix miiixnewxnewxnew_,.,_,_21XxNewTixicov Research&Development 研究动态传感器世界 2023.04Vol.29 NO.04 Total 33411如表 1 所示,表中压力传感器所测数据在不同温度下得到的数据并不是呈线性关系的;在相同温度下,所测数据也不同,即可能受到非温度等不明因素的影响,或者温度测量值受不明因素影响导致最终压力传感器测量误差等可能。对表 1 数据中影响最终标定压强拟
15、合的温度和压力传感器输出值,用协方差矩阵改造,改造效果如图 1 所示。图 1(a)由于小样本以及数据噪声的影响,压力传感器数据和温度传感器数据的相关系数 R 仅为-0.00446,图 1(b)经过协方差矩阵处理后,原本剧烈震动的温度数据,在压力传感器输出数据的影响下而趋向于梯形的趋势。协方差改造数据使得原本弱相关的协变量之间呈现出强相关的同趋势性关系。改造后的属性相关系数 R 为 0.9993。数据经过协方差矩阵的改造,有如下优点:(1)矫正各协变量,滤除序列中动荡的噪声,增强变量之间的相关性;(2)改善属性间隐晦的关系,使各协变量之间的关系更加突出。2 径向基神经网络2.1 径向基神经网络结
16、构RBF 神经网络15-17是一种性能良好的前向神经网络模型,具有全局逼近的性质,且不存在局部最小问题。RBF 网络结构简单,包括输入层、隐藏层和输出层 3 层结构,如图 2 所示。隐藏层结点通过径向基函数对数据进行非线性变换的特征提取。由于 RBFNN隐藏层结点数量、径向基函数参数选择对网络的构建和拟合效果有重要影响18-20,高斯函数的类别中心对RBFNN 的拟合泛化性、正确性有重要影响,通常用区分度较高的聚类点作为类别中心。聚类中心的计算分为 3 种方法:直接计算法(随机选择中心点)、无监督学习选取中心(通常选用 K 均值聚类算法)、有监督学习选取中心(梯度下降法)。在数据量较少时如何选
17、择一种聚类算法对数据进行分类,对 RBF 网络拟合效果有重要影响。借鉴加权K均值聚类算法21思路,减小异常值对聚类中心影响的同时动态确定 RBFNN中高斯函数参数。020400.00.51.0归一化值数据序号压力传感器输出数据归一化值020400.00.51.0归一化值数据序号温度归一化值表 1 压力传感器采集数据采集温度()压力标定值(kPa)05010015020025017.73143,7548,30012,79617,30121,80021.23033,7898,30912,79717,27121,74930.43093,8828,32012,70317,09521,47730.430
18、83,8808,29812,70917,08221,464443184,0328,34012,62316,90821,17744.83174,0728,36012,63516,88021,176583544,2498,44112,61016,77720,934583544,2668,46212,62016,76120,925725224,5008,58412,66816,69220,782725404,5298,60012,65016,67820,710输入层隐藏层输出层x1x2xny1y2ynWij研究动态 Research&Development传感器世界 2023.04Vol.29 NO
19、.04 Total 33412RBF 通常选用高斯函数做径向基函数。高斯函数的中心点参数 x 和带宽参数 对输入数据进行特征提取控制。(7)其中,x 为输入特征向量;x 为中心点向量;为高斯半径长度。对于 RBFNN 的构建需要解决两个问题:一是RBFNN 的拓扑结构(即隐藏层个数);二是高斯函数中心点和带宽参数选择。高斯中心和带宽参数18决定了隐藏层对输入数据提取特征的能力。高斯中心常常通过无监督的 K 均值聚类算法确定。带宽越小,对特征提取的能力越具有针对性,泛化能力越小;为了保证在小样本下让拟合效果不差,选择带宽参数是距离其他中心点最近的欧式距离。借鉴加权 K 均值聚类算法21论文的方法
20、,减小异常值对聚类中心影响的同时,动态确定 RBFNN 中高斯函数参数。2.2 动态参数确定进行初次聚类时,对数据集 A 中两点的最远欧式距离进行 k 等分,得出层次聚类的半径范围 R:(8)其中,distance(A)为数据集 A 中两点间的欧氏距离集;Max 操作将对集合中的最大值进行求解;R 为层次聚类半径。对数据集 A 进行初次聚类:首个类别中心为数据集 A 的最小方差点,并将此中心 R 范围内的数据归为此类别;剔除归为上个类别的数据点后,再以 2R 范围重复相同操作得出下一中心点,直到k个中心点确定。对数据集 A 计算与 k 个中心点的加权欧氏距离,按照最小值归类。对聚类簇求质点并更
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 压力传感器 温度 漂移 补偿 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。