改进PSO优化的小波神经网络在压力传感器温度补偿中的研究

针对电阻应变式压力传感器在实际工作环境使用中出现温度漂移,进而影响测量精度的问题,提出了基于粒子群算法(PSO)优化小波神经网络的温度补偿方法,通过PSO算法优化小波神经网络的参数,克服基本人工神经网络收敛速度慢,容易陷入局部极值的缺陷。研究结果表明:该方法能有效地消除环境温度对电阻应变式压力传感器输出的影响,经过温度补偿后其压力传感器的全温区准确度提高到了0.136 4%,温度漂移明显得到改善,提高了压力传感器的稳定性和准确性。     

基于改进RBF神经网络的传感器温度补偿系统研究

考虑到目前常用的温度补偿方法是使用智能算法建立温度补偿模型,并使用群智能优化算法进行优化,提高补偿精度,对于传感器非线性温漂段具有较好的补偿效果,但是对于具有较好的线性使用这种方法的效率较低,而使用常规的线性最小二乘直线拟合方法即可得到较好的补偿效果,因此本文将最小二乘直线拟合方法与RBF神经网络模型进行融合,研究一种对压力传感器进行温度补偿模型,使用蚁群算法对常规RBF神经网络进行优化,提高补偿模型的性能。通过MPX53型压阻式压力传感器进行实验研究,结果表明,使用本文研究的温度补偿方法后,传感器在各个温度下同样基本不受温度的影响,与使用全程蚁群优化RBF神经网络温度补偿方法效果相差不大,但是由于中间温度区域采用直线拟合方法,整体温度补偿的效率有所提高。     

基于BP神经网络的压力传感器误差补偿算法研究

采用BP神经网络来建立扩散硅压力传感器的输出输入模型,其网络模型具有三层结构,采用改进型的差分进化算法来优化BP神经网络的权值和阀值,并在MATLAB中进行了仿真。经训练得到补偿后扩散硅压力传感器的输出满量程误差可达到0．035％,结果表明采用基于改进型差分进化算法的BP神经网络建模对提高智能差压传感器的测量准确度具有参考价值。     

用BP神经网络法对压力传感器进行温度补偿

压阻型扩散硅压力传感器在测试压力时,容易受到环境温度的影响。为了消除温度所带来的影响,需要对压力传感器进行温度补偿。神经网络技术中的BP神经网络算法可以在压力试验中对压力传感器进行温度补偿。此方法将压力传感器和温度传感器所采集到的电压信号进行数据融合,削弱了温度对压力传感器所产生的干扰,补偿后比补偿前得到压力传感器灵敏度温度系数和满量程时相对误差都分别提高了2个数量级。     

OEM硅压力传感器温度补偿技术研究

ＯＥＭ硅压力传感器除具有普通扩散硅压力传感器的灵敏度高、稳定性好等优点外,还具有体积小、人格低廉易于批量生产等特点,成为市场的主导产品,文中对多种ＯＥＭ硅压力传感器的温度特性曲线及其补偿电路进行测试、比较、分析,对传感器温度曲线可补偿性进行研究,实现了低温度系数厚膜网络温度补偿。     

基于Elman神经网络的铣削力预测模型研究

以切削深度,切削宽度,主轴转速,每齿进给量作为输入,铣削力在x、y、z三个方向的分量作为输出,建立了Elman铣削力的神经网络预测模型,预测结果与期望输出较为接近,说明Elman神经网络适用于铣削力的预测.     

基于LabVIEW和神经网络的压力传感器温度补偿系统

经典传感器的输入输出特性大都存在非线性，且易受工作环境温度的影响。本文提出了采用BP神经网络技术和虚拟仪器技术相结合的方法，对其进行数据融合处理，以消除非目标参量对压力传感器输出的影响。     

基于USB的数字压力传感器的补偿方法

介绍了压阻型扩散硅压力传感器的温漂及补偿方法,设计了一种基于USB接口传递的数字压力传感器实现温漂的数字补偿.传感器包括了压力传感器、补偿电路和上位机界面等3部分.对数字补偿的硬件电路进行了详细介绍,数字补偿电路以ATmega8单片机和FT232为核心.传感器通过采集压力传感器的输出信号,再对采集到的信号进行分析处理后将数据打包通过USB接口给上位机,压力值在上位机界面显示出来,可实现对测量压力的数字化补偿和实时传送.     

压力传感器厚膜温度补偿技术研究

采用厚膜电路制造技术实现硅基压力传感器的温度补偿,不仅可以使传感器的补偿精度高、补偿温区宽,而且可以使传感器的可靠性、抗震动性、耐高低温冲击性以及传感器的外观品质得以全面提升。文中介绍了压力传感器温度补偿电阻网络的原理、厚膜电路的设计和制造技术、网络阻值调整等方面的研究,通过合理的版图、结构和工艺设计,实现了OEM压力传感器的温度补偿,已在压力传感器产品的生产中得到成功应用。     

An artificial neural network-based smart capacitive pressure sensor

A smart capacitive pressure sensor (CPS) using a multi-layer artificial neural network is proposed in this paper. A switched capacitor circuit (SCC) converts change in capacitance of the CPS due to applied pressure into a proportional voltage. The nonlinear characteristics of the CPS make the SCC output nonlinear. Further, due to dependence of the CPS characteristics on ambient temperature, the SCC output becomes quite complex for obtaining correct digital output of the applied pressure, especially when the ambient temperature varies with time and/or place.

To circumvent this difficulty, an ANN is employed to model the sensor. By training the ANN model suitably, the digital readout of the applied pressure can be obtained which is independent of ambient temperature. A new idea for collecting temperature information from the sensor characteristics themselves, and automatic feeding of this information into the ANN-based CPS model is proposed. From the simulation results it is verified that the ANN model can give correct readout of the applied pressure within ±1% error (FS) over a wide range of temperature variation starting from −20°C to 70°C. This modeling technique of the CPS provides greater flexibility and accuracy in a changing environment.     

探空仪气压传感器温度补偿的新方法

气压传感器是探空仪中的核心部件之一,传统的硅压阻传感器应用于探空仪中还存在着一些不足。本文介绍了一种集成气压传感器,提出了集成气压传感器中的两种新的温度控制补偿方法,并依据试验数据做出了对比分析。     

压力传感器温度漂移补偿的RBF网络模型

压力传感器在实际应用中普遍存在着温度漂移现象,这降低了传感器的测量精度,因此需要采取适当的补偿措施对传感器的温度附加误差进行修正,从而提高测量的准确性.本文针对在压力传感器电路中采用温度硬件补偿措施成本较高且精度不高的情况,建立了RBF网络软件补偿模型.RBF网络具有良好的非线性映射能力和泛化能力,采用带遗忘因子的梯度下降算法进行RBF网络的参数调整,实验表明RBF算法学习速度快,精度高.对实验中采集的数据进行非线性补偿,取得了良好的效果,大大提高了压力传感器的性能和测量精度.     

基于BP神经网络的压力传感器数据融合研究

压力传感器由于输出电压值易受环境温度、电压扰动等非目标参量的影响而导致精度大大降低。该文采用BP神经网络对压力和温度2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。结果表明,采用BP神经网络进行数据融合,能够提高传感器的稳定性及其精度,仿真验证了该方法的有效性和可行性。     

LabVIEW下基于BP神经网络的温度补偿虚拟压力测量系统设计

压力传感器的输入输出通常存在非线性，而且输出会因工作环境温度的改变，使其零点、灵敏度均发生漂移。为消除温度对压力传感器测量结果的影响，在LabVIEW下实现虚拟压力测量系统，并应用反向传播（BP，Back Propagation）神经网络，通过样本对网络进行训练，并将该BP网络以动态链接库的形式提供给LabVIEW调用。测试结果表明温度补偿效果非常好，同时具备传感器测量值的转换和非线性校正功能，该应用BP神经网络的虚拟压力测量系统具有很大的实用价值。     

基于聚合物封装的光纤布拉格光栅压力传感器

设计并研究了一种光纤布拉格光栅压力传感器,FBG1与FBG2串联连接,其中FBG1直接封装于聚合物之中,而FBG2先粘贴于弹性基体上再封装于聚合物之中。推导了传感器的灵敏度和解耦算法,并且使用有限元法计算了本传感器压力灵敏度和温度灵敏度,最后对传感器进行了实验验证。实验结果表明FBG1和FBG2的压力灵敏度分别为197.4 pm/MPa和95.7 pm/MPa,温度灵敏度分别为47.2 pm/℃和36 pm/℃,具有良好的线性度,较小的回程误差,并且符合该传感器感知的压力和温度解耦条件。同时,随着聚合物小圆环直径增加,基体的应变量越来越大,并趋近于没有基体时聚合物的应变量。研究表明,较之传统的聚合物封装的光纤光栅压力传感器,本传感器的聚合物与套筒不易脱落,两者之间的非固结连接可以增加传感器灵敏度,并且本传感器具有温度补偿功能。     

基于温度补偿方法去敏的新型光纤光栅压力传感器

本文阐述了一种带温度补偿、基于平面薄板结构的新型光纤光栅压力传感器.作为弹性体的压力敏感薄板,其硬心通过一L型刚性位移传递机构拉动压力敏感FBG;温度去敏通过被动温度补偿和残留温度效应实时修正来解决.传感器性能指标测试如下:重复性0.066%FS,回程误差0.846%FS,线性度0.102%FS,传感器精度±0.591%FS;在-30℃到+80℃范围内,传感器零点漂移为+1.720 8%FS,灵敏度漂移为+0.010 4%FS,传感器温漂为+1.731 2%FS.     

基于RBF神经网络集成-模糊加权输出的数字温度传感器误差补偿

数字温度传感器存在非线性误差,在高精度测温系统中需要进行误差补偿。提出了一种基于径向基函数神经网络集成-模糊加权输出(RBFNNE-FWO)的数字温度传感器误差补偿方法:首先根据数字温度传感器的误差特征,提取特征阈值,构造三个相互独立的成员RBFNN;考虑到成员网络之间边界误差补偿问题,构建一种RBFNN集成输出权值模糊调节器,获得RBFNN集成输出权值,从而完成数字温度传感器的全量程误差补偿。与多种方法的比较仿真实验表明,这种RBFNNE-FWO方法的性能最佳、各成员网络边界误差最小,补偿后的数字温度传感器误差减少了两个数量级,大大提高了测温准确度。     

神经网络加速度传感器在振动压实中应用研究

在车载式振动压路机压实度检测中利用加速度传感器对信号的检测,由于加速度传感器受自身性能、安装位置、方向、土壤压实度和振动压路机振动轮振动量等随机性、不确定性和模糊性的环境因素的影响。使得加速度传感器的信号输出是一种典型的非线性系统。RBF神经网络因具有较强的自组织性、自学习能力和自适应性等优势,更适合对加速度传感器的输出进行仿真与预测。基于Matlab程序建立了加速度传感器的神经网络模型,通过神经网络的优势性能对加速度传感器在信号检测中进行预测。     

基于函数链神经网络的智能传感器非线性校正方法

针对温度传感元件输出的非线性特性,文章建立了智能传感器数据采集的非线性校正模型,利用函数链神经网络的非线性映射特性快速求取反非线性函数参数,实现了温度校准模型的精确拟合,给出了利用函数链神经网络进行参数计算的方法和步骤,通过气象科学中广泛使用的铂电阻温度元件实验验证了算法的有效性,校正精度达到0.1%。