MPX压力传感器的温度补偿方法

本文在分析ＭＰＸ压力传感器温度特性的基础上，分别讨论了压力传感器的满量程变化的温度补偿和零点漂移电压的温度补偿，给出了补偿的简单方法和思路。     

基于PSO-BP算法的压力传感器温度补偿研究

硅压力传感器在工业环境中使用时,尤其是用于测量油井井下压力的时候,环境温度变化范围通常比较大.硅压力传感器由于其自身结构的原因,输出压力值会呈现非线性变化,大大的降低了压力传感器的测量精度.本文是基于PSO-BP神经网络方法对压力传感器在温度变化时产生的误差进行补偿修正,以达到系统精度要求.PSO-BP算法的本意是使用PSO算法用于对BP神经网络的初始权值和阈值进行改进和筛选,然后再使用BP网络对样本进行训练,以提高系统的泛化能力和稳定性.     

压力传感器非线性误差的硬件补偿法研究

基于许多压力传感器的灵敏度随压力增加而下降的事实，提出对线性拟合的残留一次多项式近似，并进而实现硬件补偿的非线性修正新方法。构造了简单、稳定的补偿电路，该电路利用对三角波进行导通角调制来二次多项式函数。这个方法已在工程上得到了应用并取得发良好的效果。     

优化RBF神经网络在压力传感器中的应用

针对压力传感器在应用中出现温度误差大这一缺点,提出了通过采用径向基函数(RBF)神经网络较强的非线性逼近能力,实现其非线性校正和温度补偿的网络方法,并对该法进行改进。通过仿真可看出,改进方法校正的系统能自动补偿非线性误差,具有误差小,精度高等优点。因此,提出的改进的RBF神经网络法对压力传感器的非线性补偿是可行的。     

二维PSD非线性修正的神经网络算法的研究

分析了位置传感器(PSD)的非线性成因，并根据PSD的非线性特点，提出了用神经网络的BP算法对PSD的非线性进行补偿，从而使PSD的B区获得了与A区近似的线性度。故在不增加成本、不改变测量设备的复杂度的情况下，扩大了测量范围，提高了B区的测量准确度及数据的置信度。     

基于灰色神经网络的压力传感器温度补偿模型

压力传感器的输出随温度呈非线性变化,同时含有较大的随机噪声。针对BP神经网络对压力传感器温度补偿建模时误差较大的问题,提出了基于灰色模型和BP神经网络的压力传感器温度补偿模型。首先,用灰色模型对数据进行预处理,以减小原始数据的噪声;然后,用降噪后的样本数据作为BP神经网络的输入进行训练。在相同的训练次数下训练误差可减小一个数量级。结果表明,采用该模型补偿后的压力传感器补偿精度明显优于BP网络模型。     

一种新型高精度温度补偿压力传感器

本文是根据晶体管的发射结偏压随温度变化的关系,将温度补偿晶体管代换扩散硅压力传感器中的温度补偿电阻,从而制出一种新型高精度温度补偿压力传感器.     

基于RBF神经网络的虚拟仪器测试系统动态补偿方法

测试系统存在着动态测试误差,为了准确地复现出被测量的原始信号,提出了基于RBF神经网络的虚拟仪器测试系统动态补偿方法.该方法不依赖于测试系统的数学模型,而是根据测试系统的输入和响应数据,利用神经网络的强非线性逼近能力获得补偿系统的模型参数,通过LabVIEW构造出测试系统的动态补偿系统.实验结果表明,将RBF神经网络和虚拟仪器相结合,对测试系统进行动态补偿具有良好的效果.     

压力敏感器件智能测试系统的设计

设计了一套压力敏感器件智能测试系统,通过自动控制高低温试验箱、压力控制器、高精度数字万用表、绝缘电阻测试仪、漏电流测试仪等仪表,实现对压力敏感器件的温度冲击老练、温度补偿、静态特性、稳定性等多项参数的自动测试;同时,该系统能够实现对压力敏感器件测试数据的自动整理、分析、处理,形成测试报告,给出传感器质量分析报告,最终达到对压力敏感器件的自动测试。将该系统应用于压力敏感器件的测试中,可以提高传感器的测试效率和产品质量,降低生产成本。     

一种新颖的基于神经网络的压力传感器标定系统

根据一种特定的输入-输出特性曲线,本文提出了一种新颖的标定算法,同时设计了一种可有效消除该非线性误差的标校系统。 不同于常规的BP和RBF,本文的方法首先获取该特性曲线的斜率和截距,然后得到电压-压力的特性曲线。测试结果表明：本算法收敛速度快,具有很强的鲁棒性,同时可得到很小的MSE。不同的试验结果也表明：本标校系统工作稳定,测量精度优于设计要求,而且,本系统具有很好的实时性。     

射孔器枪内压力测试系统研究及试验数据分析

枪内压力由于测试环境的高温、高压、高冲击和空间狭小,至今没有枪内压力测试仪器成功应用于油田,但枪内压力相对于环空压力对于压力的特性反映更直接。因此,开展枪内压力测试仪器研究很有必要。射孔器枪内环境和被测信号的特殊性对测压仪器壳体防护及内部测试电路等具有严格的要求。用模拟膛压校准系统对测试仪进行了模拟环境实验,验证测试仪的灵敏度和其动态特性。比较248 MPa压力下仪器与标准传感器所测数据可知,仪器获取的动态压力曲线能够准确反映被测环境实际情况。     

自蔓延高温合成实验压力与燃烧速率测试方法研究

自蔓延高温合成技术是利用原料在初始点燃条件下化学反应所产生的高温高热,使燃烧反应自发地进行,从而得到新的成分和结构的产物。通过对自蔓延高温合成实验压力和燃烧速率测试方法的研究,根据实验的要求,选择合适的压力传感器,并自行设计有效的燃烧速率测试系统,合理选择监测点,编制满足测试需求的数据采集及控制程序,获取大量有效实验数据,为测定自蔓延燃烧过程中的压力和速率变化曲线,进行反应热力学、动力学分析,对反应安全进行评估,提供有力的数据支持,并对相关研究具有重要的借鉴意义。     

医用体内光纤温度传感器探头神经网络设计

利用误差反向传播算法(BP)和径向基函数(RBF)神经网络法，分别对医用体内光纤温度传感器探头进行设计，训练神经网络的数据通过实验和插值得到。该方法具有准确、可靠和知识辅助设计的特点。结果证明，此方法可以节省设计成本，缩短设计周期，有很高的实用价值。     

基于数据融合技术的智能压力传感器研究

随着科学技术的发展,智能传感器系统已成为计算机测控系统新的研究方向,而信息融合技术又为开发多功能传感器系统开辟了途径。在此采用ADuC812单片机设计硬件电路,实现信号处理,利用多维回归分析法消除多参数状态下复合灵敏度的影响,提高传感器的精度,并通过MAX232收发器实现PC机与传感器测量系统之间的通信,完成数据转换、数据处理和打印等功能,使测量系统更加完善。实验结果表明,该系统具有体积小,携带方便,精度高和功能强的特点,适合航空、宇航、海洋和化学等场所的应用。     

基于卡尔曼滤波-神经网络预测的GNSS/INS误差反馈校正的研究

当GNSS信号失锁时,GNSS/INS组合导航系统的误差会随着时间而积聚从而失去导航的功能.通过理论分析和数学建模,本文提出了一种基于卡尔曼滤波-RBF神经网络预测INS误差并进行补偿,从而弥补GNSS失锁无法导航的缺陷.卡尔曼滤波器为神经网络的训练提供了数据预处理的作用.通过跑车实验和仿真,最后证实了方法的可行性,在平均位置误差为3米的情况下,能够持续30秒左右的精准预测.     

基于GSA-BP神经网络的压力传感器温度补偿

针对压力传感器输出的温度非线性特性,采用遗传模拟退火算法优化的BP神经网络(GSA-BPNN)进行误差补偿,并与标准BP神经网络补偿误差进行了比较。通过matlab仿真验证,实验结果表明：采用GSA-BP神经网络不易陷入局部极小值,大大减小传感器非线性误差,误差精度小于0.1%,补偿结果优于标准BP神经网络。     

基于人工神经网络的压力传感器的温度补偿

为了在一定的温度和压力下有效改善传感器的非线性及温度变化引起的误差输出特性,提出了一种人工神经网络算法对其实现软件补偿.它包含4个权值的调整,分别代表输出信号的一次项,二次项以及温度的一次项,二次项系数,经过迭代以后获得一个最佳输出公式.该公式既能够满足样本值,也能够满足非样本值,并最终可校验神经网络迭代结果的正确性.