电涡流间隙传感器的温度补偿

电涡流间隙传感器具有无接触测量、动态响应快和适应性好等特点,应用领域十分广泛,缺点是温度漂移较大。介绍了电涡流传感器工作原理,并分析了温度漂移的主要因素。建立了检测线圈的数学模型,通过温控试验证明了数学模型的正确性;利用差分方式抵消了检波电路参数的温度漂移,提高间隙信号输出的稳定性。通过试验对检测线圈和检波环节补偿电路进行验证,得出温度-检测线圈输出电压曲线,将补偿前和补偿后试验结果进行对比,满足JJG 644-90标准要求,温度漂移小于12.1%,证明了补偿方法的有效性。     

基于GA-BP的电涡流传感器称重系统的温度补偿

针对电涡流传感器在称重系统中的温度漂移问题,该文提出了基于遗传算法优化BP神经网络(GA-BP)算法对电涡流传感器进行温度补偿修正模型。通过对电涡流传感器做标定试验,并且利用LM35温度传感器监测其工作温度,建立GA-BP神经网络模型。该模型用遗传算法对BP神经网络的权、阈值进行全局的优化,克服了易陷入局部最优的缺陷。研究结果表明,补偿后的零位温度系数由2.723×10^-3/℃提高到1.099×10^-4/℃,灵敏度温度系数由2.956×10^-3/℃提高到6.877×10^-4/℃,均提高了2个数量级,满量程的相对误差由8.43%提高到1.93%,提高了1个数量级。成功实现了温度补偿的目的。     

电涡流传感器温度漂移分析及补偿实现

大温差环境下检测线圈阻抗是导致传感器输出漂移的主要环节.对检测线圈阻抗温度漂移进行了理论分析,电阻温度漂移改变了阻抗,间隙对传感器温度灵敏度的影响很小,即不同间隙下温度漂移量认为是相同的.提出对检测线圈进行串联负温度系数(NTC)电阻补偿,并采用修正表算法来减小检测线圈带来的温度漂移.对漂移补偿后的传感器进行了实验验证.     

基于小波神经网络的电涡流传感器非线性补偿

为消除电涡流传感器的非线性误差,提高其测量精度,提出了一种基于小波神经网络和遗传算法的电涡流传感器非线性补偿方法。该方法利用小波神经网络的非线性映射能力,使得传感器的输入与输出线性化,并使用遗传算法搜寻网络的最优初始值,加强网络的非线性逼近能力和收敛能力,显著提高电涡流传感器的非线性补偿效果。实验结果表明,经过补偿后,极大提高了传感器的精度,传感器输出电压最大绝对误差为15.55mV,最大相对误差为1.36%,非线性误差为0.34%。     

电涡流传感器温度漂移的综合补偿

在介绍电涡流传感器基本原理的基础上,分析了温度漂移产生的主要因素,并提出了一种温度漂移补偿的新方法,即利用负反馈组成闭环系统实现对温度漂移的综合补偿。实际测试结果表明:温度漂移综合补偿准确度可达0.41%,明显优于一般方法的补偿准确度。     

一类耐高压电涡流位移传感器的温度补偿研究

电涡流传感器的温度漂移制约了其测试精度,因此需要给以温度补偿;理论分析出导致传感器温度漂移的主要原因在于线圈电阻的温度系数过大,因此提出采用无感线圈进行补偿的方法,并给出了设计实例;实验表明该方法在20～90℃温度范围内补偿效果良好,温度稳定性达到0.7%;该方法简单、有效且成本低,可扩展应用于其他类型电涡流传感器.     

基于GA-WNN模型的差动螺管电感式位移传感器的温度补偿

针对差动螺管式电感位移传感器温度漂移的问题,提出了一种遗传优化小波神经网络(GA-WNN)算法的温度补偿模型。用差动螺管式电感位移传感器的位移和温度的二维标定试验数据,建立GA-WNN模型。该模型利用遗传算法对小波神经网络的参数进行全局优化,克服了小波神经网络易陷入局部最优解的不足。试验结果表明,优化后的零点温度系数提高了2个数量级,灵敏度温度系数提高了1个数量级,实现了对传感器的温度补偿。     

基于SCA-LSSVM的电涡流传感器温度补偿方法研究

针对电涡流传感器在实际应用中容易受环境温度影响产生温度漂移这一现象,采用最小二乘支持向量机(LSSVM)建立回归模型,并将正余弦算法应用于回归模型的参数优化。通过正余弦算法对LSSVM的惩罚因子和核函数参数进行优化选取,得到最佳的传感器回归模型,并和粒子群算法优化最小二乘支持向量机(PSO-LSSVM)进行比较。实验结果表明,SCA和PSO优化后模型计算结果均方误差分别为9.97×10-4、4.39×10-3,模型优化耗时分别为578s、782s,传感器温度灵敏度系数分别为8.73×10-6(/℃)、7.63×10-5(/℃)。可以看出SCA算法在优化精度和效率方面均优于PSO算法。该方法提高了传感器的温度稳定性和系统检测精度,具有很强的实际应用价值。     

基于GA-WNN温度补偿的红外CO2气体传感器系统研究

为了提高红外CO2气体传感器的探测灵敏度和精度,首先基于计算流体动力学（CFD）仿真计算,研究了传感器腔内气体辐射功率吸收效率与腔体结构之间的关系,模拟结果表明：当圆柱腔体的直径与内壁反射率固定时,腔体结构存在最佳腔长可使传感器红外辐射功率吸收效率达到最大。然后基于CFD仿真的结果设计和实现了CO2气体传感器,并开展了实验比对与验证,进而着重研究了环境温度对气体测量结果的影响。实验结果表明：在5~45oC温度范围内,传感器在0~2000 ppm浓度范围内的测量误差随着温度升高而显著增大。最后采用遗传小波神经网络算法（GA-WNN）对传感器进行了温度补偿,数据融合补偿后传感器的温度漂移得到了较好的抑制,其绝对误差小于±70 ppm,在非样本温度点下,整体平均误差小于±100 ppm,表明CO2气体传感器的测量精度得到了较好的提升。     

电涡流传感器的温度补偿

电涡流传感器采用双路差动调频电路.在各个环节进行温度补偿,实现在较大温度范围内综合补偿,达到比较明显的温度补偿效果.     

基于遗传算法的小波神经网络温度补偿模型

对单晶硅压阻式压力传感器的输出随温度漂移的问题,提出了基于遗传算法的小波神经网络模型,该模型充分发挥了遗传算法的全局搜索能力和小波神经网络简单快速的函数逼近能力,研究结果表明,该模型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。     

基于神经网络的光纤光栅电流传感器的温度补偿

分析了光纤光栅电流传感器的温度特性,表明传感器的输出受环境温度的影响大且很难消除。利用神经网络具有可以逼近任意非线性函数的特点,提出了用人工神经网络对光纤光栅电流传感器进行温度补偿的方法,实现传感器输出特性的非线性校正。通过Matlab语言编程仿真实验表明,该方法可以有效地消除温度的影响。     

基于DE优化BP的压阻式压力传感器的温度补偿研究

压阻式压力传感器存在温度漂移的问题,因此需要对该传感器进行温度补偿。为此,首先从标定实验中获取被测压力值、压阻式压力传感器的输出电压值以及环境温度值、温度传感器的输出电压值,然后用差分进化算法（DE）优化的BP神经网络算法从该标定数据中得到补偿后的数据。实验结果表明,所提出的温度补偿方法对压阻式压力传感器进行温度补偿后,其灵敏度温度系数提高了一个数量级,相对误差也得到很大的改善,因而其具有显著的理论意义和应用价值。     

基于线性加权免疫克隆算法的压力传感器温度补偿方法

对于压力传感器存在温度漂移[1]的现象,提出了线性加权(LWF)算法和免疫克隆算法相融合的方法对压力传感器输出数据进行补偿处理,以消除非线性目标参数(温度)对于传感器的影响;通过分析工程实验结果,该方法在全局收敛性[2]、非线性目标函数逼近能力等方面效果显著,在压力传感器温度补偿处理上具有较高的实用性.     

基于Matlab的光纤电流传感器温度补偿研究

针对光纤电流传感器存在温度稳定性的问题,文章提出了一种基于Matlab的光纤传感器温度补偿的设计方案。该方案根据光纤电流传感器的输出偏差值,结合Matlab的曲线拟合功能,进行最小二乘法四次多项式拟合,找出温度补偿因子,从而建立温度补偿方程。实验结果表明,该光纤电流传感器测得的电流值的最大误差由温度补偿前的13.35%降低到温度补偿后的0.3%,大大提高了光纤电流传感器的精度和温度稳定性。     

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。     

基于RBF神经网络的电化学CO气体传感器的温度补偿

针对电化学CO气体传感器的输出精度易受环境温度影响的缺点,提出了一种基于RBF神经网络的温度补偿方法,并借助所设计的气体采集系统进行了实验研究.实验结果表明,未进行温度补偿时传感器输出最大误差为20.0%,基于BP神经网络温度补偿方法的误差为1.44%,而采用RBF神经网络进行温度补偿后最大误差可达到0.12%,故该方法可有效的用于电化学CO气体传感器的温度补偿,令传感器具有更高的测量精度和温度稳定性.