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。     

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。     

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.     

采用压力传感器同时测量动态压力与温度

当在特殊测量情况如涉及压力与环境温度的准确测量时,需要面向动态压力和温度两方面采用压力传感器同时进行测量,这对动态压力传感器提出了更高更全面的要求,目前单晶硅动态压力传感器在芯片设计、封装结构等方面性能较好,本文通过采用压力传感器同时测量动态压力和温度的步骤及操作研究,深入掌握其传感规律,完善测量系统,进行动态范围内的扩展。     

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DFP算法的BP神经网络在温度补偿中的应用

为补偿压力传感器的温度漂移,将BP（后向传播）神经网络应用于压力传感器的温度补偿中,同时应用变尺度法对BP神经网络学习算法的缺陷进行改进,采用L-M学习算法的下降方向进行搜索,有效解决了算法失效问题;采用乘以放大倍数和加上扰动项的策略,从而放大权值更新向量和权值导数更新向量,有效解决了溢出问题。仿真结果表明,该方法有效地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。     

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.     

光纤光栅应变传感器温度补偿系统研究

提出了采用BP神经网络算法来实现FBG应变传感器的温度补偿系统,用以改善FBG应变传感嚣的温度交叉敏感现象.通过计算机程序和实验表明,此方法实现了FBG应变传感器对应变量和温度量的精确分离,较好地改善了温度对传感器造成的非线性干扰,使传感器对应变的测量误差达到10-3数量级.同时,有效地抑制了FBG应变传感器非线性特性的影响.     

基于神经网络的传感器非线性误差校正方法

为对传感器进行非线性校正以进一步提高其测量精度,提出了基于神经网络的校正办法。理论分析了传感器非线性误差的复杂性,并以位移传感器标定为例,详细介绍了传感器非线性校正的过程和方法。采用了最小二乘拟合、BP神经网络以及RBF网络三种方法进行校正,设计并实现了RBF网络的校正模型。实验结果证明,RBF网络的校正方法比BP网络校正方法精度提高了约44%,其补偿效果更优,且其在传感器种类变化或环境影响较大的情况下比最小二乘拟合更具非线性补偿优势。