压力传感器及误差补偿

介绍了压力传感器、变送器、智能压力传感器,对压力传感器的零点漂移、压力灵敏度、非线性误差进行补偿。设计了压力变送器、温度变送器、A/D转换器和单片机电路。较好地补偿压力传感器的误差,提高测量精度一个数量级别,达到测量精度0.1%±1字。     

声表面波压力传感器温度误差及补偿方法研究

要提高声表面波压力传感器的测量精确度，温度补偿是主要难题。尽管目前有许多补偿方法，但其效果不佳。采用软件方法进行温度补偿的研究在国内外已成热点，但选用神经网络对SAW压力传感器进行温度补偿尚罕见报道。本文以CSF-10型SAW压力传感器为研究对象，通过理论分析和实验，得到了SAW压力传感器的温度特性曲线，又经现场实际操作，BP神经网络对SAW压力传感器温度补偿的效果良好，充分表明了应用神经网络在提高声表面波测量精度方面是行之有效的方法。     

基于 ＰＳＯ￣ＢＰ 神经网络的增量式拉线位移传感器误差补偿方法

拉线位移传感器将拉绳的位移转变为滑轮的转动,通过角度测量得到拉线自由端的位移,安装方式和使用环境都会对测量结果产生影响。本文基于拉线位移传感器的工作原理建立了拉线的力学模型,分析了误差影响因素,同时分析了其角度测量部件-增量式旋转编码器引入的误差。由于目前比较普遍的误差补偿模型优化算法难以获得较好的补偿效果,本文提出了一种基于粒子群算法（PSO）优化的BP神经网络模型的误差补偿方法。以KS120系列拉线位移传感器为研究对象,并进行了实验研究,结果显示：在全量程范围内,使用该方法进行误差补偿后的拉线位移传感器精度由0.136%FS提高到0.007%FS,提高了95%。最后将本模型与基于多项式拟合算法和传统BP神经网络算法的补偿系统进行实验对比,结果显示补偿效果亦优于这两种方法。     

一种基于正交基神经网络算法的传感器误差补偿方法

为了提高传感器的误差补偿精度,提出了一种基于正交基神经网络算法的传感器误差补偿方法.研究了神经网络算法的收敛性,为学习率的选择提供了理论依据.为了验证算法的有效性,给出了传感器误差补偿实例.研究结果表明,基于正交基神经网络算法的传感器误差补偿方法具有高的误差补偿精度,因而是一种有效的误差补偿方法.     

基于小波神经网络的压力传感器温度补偿方法

介绍了硅压阻式压力传感器温度误差产生的原因及其特点,在比较了多种神经网络优缺点的基础上,提出了一种利用小波神经网络对压力传感器温度误差及非线性误差进行补偿的方法.该网络与BP神经网络相比,具有更快的收敛速度和更好的补偿精度.经过实验证明:该网络能够有效地补偿压力传感器的温度非线性误差,在-40～60℃范围内,使温度误差从原来的5.4%降到了0.2%.     

基于神经网络的压力传感器数据融合

针对压力传感器在实际应用中受多个非目标参量的影响而导致其输出数据不仅仅与目标参量有关，提出了应用神经网络技术对多传感器数据进行融合以消除非目标参量对传感器输出的影响；研究结果表明，利用神经网络实现多传感器数据融合消除非目标参量对传感器输出的影响是可行的。     

用小波神经网络补偿传感器非线性误差的研究

研究了一种用小波神经网络对传感器非线性误差进行补偿的方法 ,给出了相应的算法和计算公式。该方法可将传感器传输特性的非线性模型改造成为与实际物理过程相一致的不失真的线性模型 ,从而使传感器的非线性误差大大减小。应用实例结果表明了该方法的有效性。     

油井作业中传感器误差补偿方法的研究

为了提高油井作业中压力传感器的测量精度,提出了一种基于粒子群优化BP神经网络的误差补偿方法.利用粒子群算法的全局寻优和收敛速度快的特点,训练网络的权值,能有效地改善BP神经网络传统算法的收敛速度和学习能力.结果表明:这种方法大大提高了压力传感器在油井作业中的测量精度和稳定性,也提高了油田作业的工作效率.     

基于循环神经网络的传感器漂移补偿方法

本文讨论了一种基于循环神经网络的传感器补偿新方法。该方法利用循环神经网络对时序信号的捕捉能力,对传感器的漂移进行预测,从而减少传感器的校正次数,提高测量 的精度。在训练和预测期间,充分融合传感器的“同类数据”完成对传感器的训练和漂移预测。     

基于BP神经网络的压力传感器温度补偿方法研究

硅压阻式压力传感器在工作时受温度的影响较大,随着温度的升高或降低,传感器的实际测量值会出现一定的误差,出现温度漂移的现象。为了抑制温度漂移对传感器的影响,采用人工神经网络中的BP神经网络的方法对温度漂移现象进行补偿,通过对补偿前后数据的对比,使传感器的灵敏度温度系数和满量程误差分别提升了两个数量级,得到了较为理想的效果,提升了传感器的性能和可靠性。     

基于 ＭＥＭＳ 惯性传感器的助残手控制方法研究

通过MEMS惯性传感器采集上肢运动的姿态角数据,分析姿态角数据表现出来的运动规律,提出了一种基于意图识别的助残机械手控制方法。该方法包括两部分,第一部分计算上肢运动过程中姿态角的移动方差综合值来判断手臂的动静状态;第二部分首先记录预备阶段后手臂第一次静止状态时的姿态角数据,然后将之后手臂每一次静止状态的姿态角数据与第一次静止状态的姿态角数据进行比对,来判断机械手的开闭意图。将此方法应用于日常生活中常见的五种抓取动作,识别准确率达到94%,表明该方法具有一定的可行性和普适性。     

电容式压力传感器温度补偿的RBF神经网络

提出了一种基于径向基函数 (RBF)神经网络的电容式压力传感器温度补偿方法。通过实例说明了这一方法的应用 ,结果表明采用这种方法能在不同的压力下及温度变化较大时 ,对电容式压力传感器进行有效的温度补偿 ,并且能得到很高的补偿精度。     

基于导数约束的称重传感器非线性误差补偿方法

电阻应变式称重传感器存在严重的非线性误差,直接影响称重结果的准确度。本文首先阐述了称重传感器的非线性误差机理与误差补偿原理,提出了一种基于导数约束的称重传感器非线性误差补偿方法。该方法根据称重传感器输入-输出特性曲线的单调递增性,构造神经网络补偿模型训练的约束条件,完成神经网络优化设计,弥补了因训练样本不足导致的网络泛化误差大的缺陷,同时讨论了惩罚因子对网络性能的影响。实验表明,采用这种基于导数约束神经网络补偿方法（DCNN方法）的称重传感器的非线性误差远小于补偿前的误差;同时当训练样本不足时,DCNN方法比传统训练方法（仅利用数据样本训练神经网络,DINN）具有更好的泛化能力,称重准确度更高。     

基于神经网络的压力传感器数据融合

针对压力传感器在实际应用中受多个非目标参量的影响而导致其输出数据不仅仅与目标参量有关,提出了应用神经网络技术对多传感器数据进行融合以消除非目标参量对传感器输出的影响;研究结果表明,利用神经网络实现多传感器数据融合消除非目标参量对传感器输出的影响是可行的.     

基于BP神经网络温度补偿的压力传感器无线数据采集系统

介绍了一种多路智能压力传感器数据采集电路的设计方法,采用BP神经网络算法对其实现温度的软件补偿。该算法有效改善了传感器的非线性及温度变化所引起的输出的误差,提高了测量精确性和可靠性。通过无线收发模块PTR2000实现了数据的无线传输。该系统可以在一些特殊的场所实现信号的采集、处理和发送、接收,并具有成本低、可靠性好、实用性强等优点。     

扩散硅压力传感器的高精度误差补偿算法

扩散硅压力传感器的传输特性受温度影响较大,必须采用某种手段将传感器的输入压力与温度进行解耦,从而实现对压力传感器输出的有效补偿,进而得到准确可靠的压力测量值.文中分析了一般扩散硅压力传感器的误差组成,针对误差提出了一个简单而又高精度的补偿模型,建立了有效算式,最后通过实例验证了算法的正确性,其精度可达到0.1％FS以下.     

基于磁阻传感器的组合定位系统及误差补偿

详细介绍GPS和磁阻传感器组合定位系统的系统组成、工作原理,并介绍了磁阻传感器的测量原理和误差补偿算法,实验说明GPS/MR组合定位系统可快速、连续地确定移动载体的位置。     

霍尔传感器检测电动机电流的误差补偿

针对温度引起霍尔传感器检测电动机电流的误差,设计了基于BP神经网络的温度误差补偿系统,并对系统进行了仿真和实验测试,结果表明,BPNN补偿准确度高。     

称重传感器非线性误差自适应补偿方法

额定量程内称重传感器的非线性误差不同,为此阐述了称重传感器的非线性误差特性,提出了一种非线性误差自适应分段补偿方法:在额定量程的上限区,采用基于径向基函数神经网络(RBFNN)的补偿网络完成传感器非线性误差补偿;在下限区,采用数字滤波器完成非线性误差补偿;在中间区,传感器不补偿。同时利用自适应选择网络,完成了分段补偿的选择。实验表明,采用这种方法补偿后的称重传感器下限区、中间区与上限区的最大相对误差分别由补偿前的0.2、0.4、1.37下降到0.16、0.04、0.07,补偿效果明显。     

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。