基于神经网络技术的虚拟传感器温度补偿系统

　　0 引言

　　固态压阻式传感器是利用半导体的压阻效应所制成的传感器，其灵敏度将随温度的变化而变化，导致输入输出特性存在非线性。表现为被测的目标参量为零或保持恒定值时，改变工作环境温度，则传感器的零点或输出电压值均发生变化，这将给测量目标参量带来误差。传统的温度补偿方法有：恒流源供电法、电压正反馈补偿法、热敏电阻补偿法，但以上三种方法只能是灵敏度温度系数接近于零，很难在较宽的温度范围内得到完全补偿。因此，本文将人工神经网络和虚拟仪器相结合，设计了压阻式压力传感器的温度补偿系统，消除了温度影响同时也进行了零点及非线性补偿。

　　1 补偿系统的工作原理

　　补偿系统由传感器和温度补偿器两部分组成。传感器部分包括主传感器与温度监测传感器：主传感器为固态压阻式传感器，它与数据采集卡(DAQ)组成测试系统;对主传感器进行温度补偿要引入温度监测传感器，它起到监测工作环境温度的作用;温度补偿器是一个软件模块，补偿系统要对上述2个传感器进行数据融合，因此温度补偿软件模块也是一个多传感器数据融合系统。

　　1.1 BP神经网络的学习算法

　　对压阻式压力传感器进行温度补偿，可以在一定的工作温度范围内选定。表1列出了在20℃～65℃间6个温度状态的静态标定数据，同时在选用的压阻式压力传感器量程范围内选了5个标定值，因此获得了30个标定数据。其中，20个数据对网络进行训练，10个数据作为网络校验样本数据。

　　从表1的标定值可以看出，在输入压力值不变的情况下，工作环境温度改变，压力传感器的输出电压值也随之改变。

　　1.2 样本数据归一化处理

　　神经网络所处理的数据应是在-1和+1间的归一化数据，因此采用如下公式进行传感器输出数据的归一化处理：

　　式中，为第m个样本神经网络的输入、输出归一化值;Xim和Om为第m个样本的输入输出标定值，本文中i=1，2;Ximax和Ximin为第i个传感器输出最大、最小标定值。

　　1.3 神经网络的结构与训练

　　BP神经网络结构：

　　基于该系统采用3层BP神经网络，输入层i=1，2，共有2个节点，分别输入压阻传感器和温度传感器的输出电压值Up和Ut。隐层节点数j=1，2，…，l可在3～30范围内选择，视补偿效果而定。输出层节点k=1，为一个节点，表示输出压力值Pt。

　　温度补偿系统BP神经网络Ot和分别为归一化的网络输出的计算值与标定值;m为样本序号;M为样本总数;训练的样本数越多，网络的计算结果Ot的偏差越小。根据标定实验提供的学习样本，采用BP算法学习修正网络的权值和阈值，直到满足精度要求为止。训练后的神经网络仍不能使用，必须使用附加样本进行性能验证，如不能满足要求，就需要重新训练网络，所以神经网络的训练是一个反复的过程。