基于STM32的高精度车载气压高度表设计

针对车载气压高度表对跨地域、长时间运行的高精度以及系统小型化、界面友好化等要求,设计了基于STM32硬件平台的车载气压高度表系统.系统中采用高精度硅压阻式压力传感器,皮托管及相关管路组成气路系统实现大气压静压的采集,并通过嵌入式实时操作系统μC/OS-Ⅱ和图形用户界面μC/GUI实现基于多任务的界面显示.实验结果表明：经实时校正后的车载气压高度表在长时间运行时测量精度优于1.2m,具有较高的测量精度,能很好地满足气压高度表车载应用的高精度高度定位要求.     

用硅压阻式压力传感器解算高度速度的方法

简要阐述了解算气压高度速度的原理，对使用硅压阻式压力传感器来解算高度速度的误差和传感器选择作了详细分析，结果表明，用硅压阻式压力传感器来作简易的高度速度测量，可达到中等测量精度的水平。     

硅压阻式压力传感器的高精度补偿算法及其实现

硅压阻式压力传感器广泛应用于汽车、医疗、航空航天、环保等领域。随着科学技术的发展,各领域对压力测量精度的要求越来越高。但由于半导体材料的固有特性,硅压阻式压力传感器普遍存在零点随温度漂移、灵敏度随温度变化和非线性等问题。为了提高硅压阻式压力传感器测量精度、降低输出误差,对该传感器的几种常用补偿算法进行了对比分析和研究,提出了一种基于最小二乘法的曲面拟合高精度补偿算法。该补偿算法能有效消除硅压阻式压力传感器零点漂移、灵敏度漂移和非线性误差,提高该传感器的输出精度。试验结果表明,在-40^+80℃温度范围内,硅压阻式压力传感器经该补偿算法计算后,测量精度得以大幅度提高,输出误差小于0.01%F·S。     

一种智能大气数据测量系统的设计与实现

大气数据测量系统是飞行器的重要组成部分，为飞行控制系统提供高度和速度等重要的信息源，设计了一种采用硅压阻传感器和DSP技术实现的大气数据测量系统，建立了系统的数学模型，提出了系统的组成方案，给出了系统的工作原理图和部分硬件电路图等，对系统的误差源进行了分析和消除，最后对系统进行了具体实现；该系统已投入使用，实践表明，其测量精度高（气压高度精度可达5m）、可靠性高、智能化程度较高。     

基于MSP430F448的压力智能变送器的设计与实现

针对硅压阻式传感器输出信号的非线性和温度失调,提出了以仪用嵌入式微处理器MSP430F448为核心,利用神经网络进行非线性补偿的智能压力变送器的设计方案。文章描述了智能压力变送器的系统架构,着重阐述了对压阻式传感器输出信号智能补偿的原理。测试结果表明经补偿后的模拟输出有良好的线性特性,变送器的输出精度达到了0.72%。     

一种户外多功能定位与测量装置的设计实现

本设计是针对在户外登山、旅行、勘测过程中常常既需要定位系统,又需要温度、高度、气压、湿度等参数测量系统的情况下,设计的一种多功能便携式测量工具。本系统采用STM32作为控制器,移植了μC/OS实时操作系统,驱动GPS模块和各种传感器模块,实现了数据的实时采集显示。本系统采用了0.96’OLED作为显示单元,STM32引入了低功耗模式,锂电池供电,提升了系统的便携性和低功耗。     

高精度硅压阻式气压传感器系统设计

为了消除环境温度对硅压阻式传感器输出的影响,大幅提升硅压阻式传感器的测量精度,将传感器芯片与热源和测温原件封装在一起,通过控制加热的方式使传感器工作在恒定50℃的环境中,对传感器进行线性标定和测试.结果显示:在-45～45℃环境下,600～1 100 hPa量程内气压传感器的测量误差小于0.3 hPa.     

基于分段融合的压阻式传感器温度补偿方法

针对硅压阻式压力传感器在工程应用中受环境温度和压力的影响产生漂移,影响测量精度等问题.提出一种基于粒子群优化RBF神经网络与最小二乘法融合的温度补偿模型.使用粒子群算法对常规RBF神经网络的权值和阙值进行优化,提高神经网络的泛化性能和训练效率,增强传感器非线性段温度补偿的效果;使用最小二乘法对线性段进行温度补偿,提高整体模型的补偿效率.以飞思卡尔24 PC型压力传感器进行补偿实验,结果表明:对比优化前的神经网络和最小二乘方法,利用本文方法进行温度补偿,耗时短,总体误差低于其他两种方法.传感器在整个温度区间和压力测试点下的输出基本不受影响,补偿效果明显,数据精度符合课题实验的要求.     

基于DZ-H扩散硅液位变送器的水位测量系统设计

目前国内主要通过浮子式水位计、压力式水位计、超声波水位计等技术进行水位的监测控制,存在着读数波动大、实时性差、投入成本高等缺点。基于DZ-H扩散硅液位变送器进行了外围硬件电路与软件设计,并进行了水位测量实验。实验结果表明:设计的DZ-H扩散硅液位变送器测量电路工作可靠,由于温度引起的最大温漂为0.07 mA/℃,测量液位时的误差不超过0.04 m,精度较高。该设计可实时监测水位的变化,动态显示数据,且不受水底淤积等因素对测量数据的影响。     

μC/OS-Ⅱ的优化及在智能变送器中的应用

μC／OS-Ⅱ受到内部存储资源及代码运行速度的限制,所以在两线制智能变送器中引入实时嵌入式操作系统μC／OS-Ⅱ时,必须要对μC／OS-Ⅱ进行优化。在研究内核的基础上,提出了任务／事件的静态创建机制及单节点标志事件方法。数据对比表明,优化后的μC／OS-Ⅱ在启动速度、内存占用等方面有明显改善。利用优化后的μC／OS-Ⅱ,实现了变送器系统的多任务实时运行需求,并且验证了系统能够符合HART通信链路层的规范要求。     

嵌入式大气数据系统人工智能算法及故障诊断

嵌入式大气数据传感(FADS)系统由于其诸多优势成为现在战斗机设计中的关键技术之一。开发了基于BP(反向传播)人工神经网络的FADS算法和基于随机森林算法的故障识别与处理算法。该嵌入式大气数据系统算法以迎角和马赫数为分段依据,分别计算大气数据。故障识别则采用随机森林算法自动识别出故障测压点,在将故障测压点剔除后,采用不含故障点压强的组合预测各大气数据。采用飞行数据测试开发FADS系统算法,结果表明:该算法计算大气参数较为准确,迎角误差小于0.2°,侧滑角误差小于0.3°,马赫数误差小于0.0105,静压误差小于300 Pa。采用单个测压点故障的压强组合测试了故障识别与容错算法的性能,测试结果显示该算法能够准确识别出故障测压点压强,采用的飞行曲线测试中准确度达到100%,且各大气数据计算精度可达上述无故障压强时的精度,有效降低了故障压强对FADS系统算法计算精度的影响。     

MEMS硅铝异质结构压力传感器的设计制作与测试研究

金属半导体异质混合结构是一种特殊的压阻结构,其具有高于传统MEMS压阻式压力传感器的压阻性能.鉴于此,设计和研究了一种由掺杂单晶硅和金属铝混合形成的MEMS异质结构压力传感器.首先结合理论模型和ANSYS有限元模拟仿真分析了硅铝异质结构传感器的灵敏度特性,然后通过MEMS工艺制作了硅铝异质结构压力传感器芯片,并对其进行了封装与测试.实验结果表明,硅铝异质结构压力传感器的灵敏度可达到0.1168 mV/(V·kPa),而利用参考结构能够明显减小环境温度对其性能的影响.在此基础之上,本文采用基于遗传算法改进的小波神经网络对传感器的温度漂移和非线性误差进行了补偿,补偿后硅铝异质结构压力传感器的测量误差小于±1.5％FS.     

基于BP网络的智能压力传感器系统研究与设计

将STM32F101C8微处理器与μC/OS-Ⅱ操作系统相结合,设计出了一种高精度智能传感器系统,给出了相应的硬件结构和软件设计.利用BP神经网络对压力和温度两个目标参量进行数据融合处理,减小了两者相互交叉干扰敏感度.实测结果显示该传感器能满足多任务下的实时性要求,并具有更加精确、稳定、可靠的性能.     

基于PSO的神经网络在传感器 数据融合中的应用

针对压力传感器对温度存在交叉灵敏度这一具体问题,常采用BP神经网络对其进行数据融合.但BP神经网络方法训练收敛速度慢,易陷入局部最优.采用PSO全局优化算法训练多层前向神经网络权值,使网络训练误差比BP方法降低了两个数量级,并且收敛速度明显加快.融合结果表明基于PSO神经网络方法更有效地消除了温度对压力传感器的影响,显著提高了传感器的稳定性和准确度.     

基于降维BP神经网络的高维数据分类研究

为确保高维数据的神经网络分类精度,提出了先降维后分类的方法。采用主成分分析（PCA）法实现高维数据的降维。通过分析传统BP算法,提出分两步来更新网络权值的扰动BP学习方法。采用MATLAB对降维分类算法的分类精度和误差收敛速度进行分析。仿真结果显示：先降维再采用扰动BP网络进行高维数据分类可大大提高数据的分类精度和训练速度。     

基于PSO的BP神经网络在压力传感器温度补偿中的应用

针对硅压阻式压力传感器的温度漂移问题,提出了基于粒子群优化算法PSO(Particle Swarm Optimization Algorithm)的BP神经网络的温度补偿模型,通过粒子群化算法对BP网络的权值和阈值进行全局寻优,克服了BP网络收敛速度慢和易陷入局部极值的缺陷,而且温度补偿的精度较高。研究结果表明,该方法有效的抑制了温度对压力传感器输出的影响,提高了传感器的稳定性和准确性。     

An adaptive constrained type-2 fuzzy Hammerstein neural network data fusion scheme for low-cost SINS/GNSS navigation system

In low-cost micro-electro mechanical system (MEMS)-grade strap-down inertial navigation system (SINS), failure to compensate inertial sensors errors as well as un-modeled uncertainties in SINS could result in exponentially divergence in overall performance of low-cost SINSs. This study deals with the enhancement of low-cost SINS accuracy in combination of global navigation satellite system (GNSS). In this respect, a novel adaptive constrained integrated scheme for SINS/GNSS is developed based on type-2 fuzzy Hammerstein neural network (T2FHNN). To this aim, a gray-box Hammerstein neural network model are defined based on clear interpretation with the physical nature of the inertial sensors error. In addition a knowledge-based type-2 fuzzy programming extracted from inertial sensors data is also used for managing the learning rate of Hammerstein neural networks. Some vehicular real-world tests have been carried out in order to show the effectiveness and feasibility of the proposed integration scheme in the long-term performance and accuracy of the proposed navigation algorithm. The results indicate that the proposed integration algorithm improved the navigation accuracy, reliability and stability in the presence of state constraints of the stand-alone SINS during signal blockage of GNSS.     

SMAP Satellite Sea Surface Brightness Temperature Simulation and Sea Surface Salinity Retrieval

Sea surface salinity remote sensing is one of the important contents of the remote sensing research of the ocean. For the influence of the sea surface salinity remote sensing caused by the atmospheric, according to the theory of atmospheric radiation transfer, the atmospheric radiation effects were simulated and corrected, and then the sea surface salinity was inverted by the neural network model. The result showed that the atmospheric radiation effect was serious, and it needed to be corrected. When the precision of atmospheric temperature and pressure of the earth surface was 2 ℃ and 10 hPa, the atmospheric influence could be removed. The difference in the number of the training sample sets would have a certain impact on the accuracy of neural network inversion. The salinity retrieval relative error of the SMAP satellite was small, and the residual error was basically concentrated within 0.6, but the error was larger in the region where the salinity value is lower than 34.4‰.