基于数据融合技术的智能压力传感器研究

作者：时间：2012-09-13 来源：网络收藏

2．1 多维回归分析法
回归分析法的基本思想是：用多维回归方程来建立被测目标参量与传感器输出量之问的对应关系。与经典传感器一维实验标定／校准不同的足要进行多维标定／校准实验，通过最小二乘法原理由实验标定／校准数据计算出回归方程中的系数。这样，当测得传感器输出值时，就可由已知系数的多维回归方程来计算出相应的输入被测目标参数。具体的算法是已知压力传感器输出电压U代表压力信息，另一温度传感器输出电压Ut代表温度信息，则压力参量P’可以用U及Ut二元函数来表示才完备，即：
P’=f(U，Ut)
由二维坐标(Ui，Uit)决定的Pi在同一平面上，可利用二维回归方程来描述：

式中：a0～a5为常系数；ε1为高阶无穷小。
由最小二乘法原理得到系数a0～a5，代入二维回归方程中，确定检测压力P’和输出U的二元输入-输出特性。当采集到二个传感器的输出值U及Ut时，代入式中就可以计算得到传感器的被测参量P’。
2．2 BP神经网络法
神经元之间的连接方式不同，网络的拓扑结构也不同。根据神经元之间的连接方式，可将神经网络结构分为2大类，层次型结构和互联型结构。层次型结构的神经网络将神经元按功能分成若干层，如输入层、中间层(也称为隐层)和输出层，各层顺序相连。输入层各神经元负责接受来自外界的输入信息，并传递给中间各隐层神经元；隐层是神经网络的内部信息处理层，负责信息变换；最后隐层传递到输出层各神经元的信息经近一步处理后由输出层向外界输出信息处理结果。图3给出一个单隐层BP神经网络模型，它具有2个输入，每个输入都通过一个适当的权值w和下一层相连，网络输出可以表示为式(1)，f是表示输入／输出关系的传递函数。

本文引用地址：//m.amcfsurvey.com/article/159899.htm

在网络中，隐含层的激励函数选用S型函数，即：

输出层的激励函数选用线性函数，即：

式中：xi为节点接受的信息；wij为相关连接权重；y为节点输出；θ为阈值；n为节点数。如上所述，建立一个三层BP神经网络模型，把实验标定的样本数据输入网络进行学习训练后，再进行交叉敏感的消除，从而达到数据融合的目的。
由以上的讨论可以看出，多维回归算法和BP神经网络算法均能有效达到温度补偿的效果。前者算法简单，容易理解，但是数据融合能力有限，补偿程度不如后者；后者数据融合能力强，补偿效果明显，但是算法较难理解，软件编程工作量大。在本设计中，多维回归融合算法可以满足要求，并且软件编程工作量小，所以本文采用多维回归算法补偿温度对压力传感器的影响。

3智能压力传感器数据融合的应用
3．1 温度敏感元件的标定
对传感器进行静态标定，标定系统由YJF型浮球式标准压力计、HT-1714C直流稳压电源、34401 A型数字万用表、奔腾4PC机和自制的控温系统组成。在此分别对传感器在27℃，37 ℃，47 ℃，57℃，67℃的温度条件下做了静态标定，如表1所示。