多功能压力传感器与现场总线技术

传统的差压传感器一般由差压敏感元件和温度补偿网络构成,输出信息量少。在线性及温度误差的补偿方法通常采用无源网络对传感器的两个端点进行补偿,比较粗糙,补偿精度较低,对静压带来的误差无法补偿。本文介绍了ＨＡＲＴ协议智能扩散硅差压变送器的组成原理及应用,阐述了扩散硅多功能传感器的特点,以及非线性及温度误差的补偿方法。     

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RBF网络的智能气敏传感器温度补偿

研制出一种基于ARM7的智能气敏传感器,通过测量气敏薄膜的电阻,并将所测阻值和气体浓度进行校准,从而显示气体浓度。为了减小温度漂移带来的附加误差,提高传感器的测量精度,将气敏传感器所测量的电阻值与加热电压作为神经网络的输入,气体浓度值为输出,构造了一个双输入单输出的RBF神经网络温度补偿模型。采用RBF网络的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后,误差保持在1.5%以内,大大提高了传感器的性能和测量精度,该装置能够很好地对环境中的气体进行监控。     

压力传感器集成恒流源灵敏度温度系数补偿

针对超低量程微型压力传感器和表面微机械加工的多晶硅压力传感器在高精度测试时和宽温区使用时灵敏度温度系数补偿量大的特点,提出应用"集成恒流源网络"来补偿灵敏度温度系数的方法,推导了定量补偿的公式。灵敏度温度漂移补偿实验中,通过温度周期的调节标定,补偿后灵敏度温度系数绝对值容易达到10×10-6/℃~50×10-6/℃满量程输出,从而验证了该方法的可行性和实用性,表明用集成恒流源补偿压阻式压力传感器具有补偿量大、成本低、效果好、精度高、容易集成等优点,在器件制作中有很大的应用前景。     

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。     

基于温度补偿的甲烷检测系统设计与实现

由于现场农田环境的复杂多变性,红外甲烷传感器所测数据的准确性和稳定性受外界环境温度影响较大,因而由温度造成的浓度测量偏差需要补偿。分析温度对浓度测量的影响,采用温度、浓度控制单一变量法,对同一浓度甲烷标准气体在不同温度下作标定实验,研究红外甲烷传感器输出值随温度变化关系,得到补偿温度影响率,结合补偿数据处理算法得到补偿值。针对不同浓度的甲烷气体,进行温度特性实验和温度补偿数据处理,实验结果表明:温度补偿前最大测量误差为0.2%,经补偿后,甲烷浓度测量值随温度变化较小,误差范围为0~0.02%。补偿后传感器稳定性和准确性得到改善,能检测0~5%浓度甲烷气体,检测精度可达40×10-6,满足对CH4气体实时监测需求。     

基于PSO-SVR的压力传感器温度补偿

针对压力传感器受温度漂移影响而造成的精度和可靠性下降的问题,建立粒子群优化算法与支持向量回归机结合的PSO-SVR温度补偿模型。利用PSO优化SVR的惩罚系数和核参数,改善粒子陷入局部最小值的问题。通过对测试集预测,得到最大绝对误差为0.001 6,均方误差为0.000 8%。PSO-SVR模型的补偿精度比RBF网络和SVM高。PSO-SVR模型能够满足实际使用的精度要求。     

基于MAX1452硅压力传感器温度补偿系统的设计

针对硅压阻式传感器存在的温度漂移误差和输出信号的非线性提出了利用MAX1452温度调理芯片进行补偿的方案。描述了传感器温度补偿系统的整体构架,着重阐述了MAX1452的补偿原理以及对传感器的补偿过程。测试结果表明传感器经过补偿以后,在-40~80℃的温度范围内输出的信号与压力成较好的线性关系,测量的误差小于0.8%。     

硅压阻式压力传感器测量误差在线补偿方法研究

由于硅压阻式压力传感器的测量精度易受温漂和非线性等因素影响,而现有测量误差数字补偿方法实时性不高,因此提出了一种基于二元插值算法的异频分步在线补偿方法。首先采用三次样条插值算法对传感器输出电压和工作温度插值,抑制温漂;然后利用拉格朗日插值算法对压力和电压进行分段插值,减小非线性误差;同时降低温度的插值频率以减少每个压力插值周期内计算量,克服了传统的插值补偿方法将两个变量在一个插值周期内计算时间长的缺点。通过传感器标定和误差补偿实验验证了该方法的补偿精度在0～60℃的温度范围内满足±0.05%FS的误差要求,并且在设计的采集系统上实现1 kHz的数据输出速率。实验结果表明该方法可以有效地提高硅压阻式压力传感器的测量精度,且具有较高的实时性,能够实现误差在线补偿。在航空发动机试验的气体压力测量中具有一定的工程应用价值。     

硅荷重传感器

本文提出了一种新型的扩散硅荷重传感器。介绍了一种微计算机软件补偿技术,以消除或减小由扩散硅器件的输出温度影响、零点温度影响、零点漂移和非线性带来的误差,从而提高了硅荷重传感器的精度。     

基于RBF神经网络算法在重金属浓度测量中的应用

针对在线重金属检测仪器其测量数据精度较低的问题进行研究,同时考虑电化学传感器随温度变化易产生误差,提出了采用多传感器数据融合方法,将RBF(Radial Basis Function Neural Network)算法应用到检测中。研究结果表明此方法可使重金属浓度检测系统的输出结果更加准确,实现了温度补偿,减轻了环境温度对传感器测量精度和稳定性带来的不利影响。     

硅压阻压力传感器调理电路设计与验证

文中提出了一种硅压阻压力传感器的调理电路。首先,针对硅压阻压力传感器精度取决于激励源的特性,提出了一种高精度直流电压激励电路,该激励电路采用负反馈结构,且具有过流保护功能,当外部发生过流故障时,恒压源输出变为占空比可配置的PWM形式,有效提高了电路可靠性;其次,针对硅压阻压力传感器输出阻抗较大的问题,利用传感器全桥结构提出了“双上拉电阻”方案,在实现开路检测功能的同时,对硅压阻压力传感器输出误差影响可忽略不计,并设计了基于仪表运放的放大电路及滤波电路;最后,对该电路进行了测试验证,结果表明激励电压精度为0.2%,传感器输出调理精度为0.5%,满足压力高精度调理需求。     

矩形双岛硅膜结构扩散硅压力传感器

本文报道一种已获国家专利的新型扩散硅压力传感器结构。它由带有矩形双岛的方形硅膜和扩散硅力敏电阻全桥组成。用各向异性腐蚀工艺形成其微机械结构。力敏电阻位于小岛形成的沟槽内。由于外应力高度集中于这些沟槽内,故器件的压力灵敏度比C型硅杯结构提高五倍左右。采用该结构还可实现非线性内补偿。本文讨论了最佳补偿条件并由实验得到证实。已制成量程为100kPa,非线性、滞后、重复性均优于5×10~(-4)F·S,满程输出150mV/V和量程为6kPa,非线性、滞后、重复性均优于5×10~(-4)F·S,满程输出80mV/10V的PT14型扩散硅压力传感器。     

高温高压井下压力传感器的补偿与校正

潜油电泵、油藏监测、智能井等系统需要对井下压力进行长期在线监测,压力测试装置是其一个重要组成部分,是反映采油井实时状况的一个重要参数。井下温度随着深度的增加变化比较大,选用硅压阻式传感器存在温度漂移和线性误差,因此需要对压力传感器进行温度补偿和线性化校正。由于井下环境比较复杂,井下采集电路没有CPU进行处理,因此采用软件温度补偿与校正不易实现。经分析研究采用MAX1452信号调理芯片对压力传感器进行补偿与校正,能使压力传感器的精度达到0.1%。本文主要分析与研究MAX1452的补偿原理和实现方法,经试验分析得出经补偿校正后的系统在-40~125℃的温度范围内输出电流具有很好的线性度。     

基于萤火虫优化BP神经网络方法的传感器温度补偿策略

为了解决硅压阻式压力传感器温度漂移现象影响工程测量精度的问题,提出一种基于萤火虫优化的BP神经网络温度补偿策略。对一般型BP神经网络利用萤火虫算法进行权值和阈值的优化,进而提高神经网络的泛化性能和搜索速度,并利用优化后的BP神经网络进行压力传感器温度补偿实验。将优化后的BP神经网络温度补偿性能与一般的神经网络和粒子群优化的神经网络进行对比分析,结果表明:萤火虫优化后的BP神经网络补偿效果显著,相比于一般的神经网络补偿误差减少了52%,相比于粒子群优化的BP神经网络补偿误差减少了23%;考虑补偿耗时,萤火虫优化的BP神经网络综合特性表现良好,补偿后的传感器数据满足课题实验需求,补偿算法可行。     

扩散硅多功能集成差压传感器

传感器的智能化从数字运算上解决传感器的温度补偿、静压补偿问题,解决了以前静压无法补偿,仅靠工艺解决的难题;改变了温度补偿仅靠硬件电路的方式。大大提高了仪表的测量精度,达到0 1%和0 075%。增加了传感器输出的信息量,实现了传感器的智能化,这也是国际传感技术发展的方向。所研制的小型多功能压力传感器是利用微电子和微机械加工融合技术在尺寸仅为3 5mm×4 0mm的硅片上集差压敏感元件、静压敏感元件、温度敏感元件为一体、并将其封装在由金属膜片隔离密封的保护液中,具有可靠的密封性。利用数字补偿技术进行处理,可使其在-30～80℃的温度范围内,变送器精度达到0 1级。该传感器能够同时实现对现场中的差压、静压、温度变化的测量,静压和温度的测量数据可修正被测环境的差压输出信号,从而可提高差压传感器的精度,它是工业智能差压变送器的核心部件。     

MEMS陀螺零偏温度补偿方法

MEMS陀螺零偏是惯性导航系统的主要误差源之一,而外界环境温度变化对MEMS陀螺零偏具有重要影响。针对上述情况,提出基于小波阈值去噪与RBF神经网络相结合的零偏温度补偿方法。通过设计好的实验方案采集与温度相关的MEMS陀螺输出数据,并采用不同的温度补偿方法进行零偏温度补偿。实验结果表明,与原始输出、多项式拟合及RBF神经网络相比,基于去噪RBF神经网络的零偏温度补偿方法精度更高,适应性更强,有效地提高了MEMS陀螺输出精度,进而提高惯性导航系统精度。     

基于神经网络融合的传感器温度误差补偿

海底油气输送管道漏磁检测装置工作于高温高压环境下,其中的InSb霍尔传感器对温度敏感,需要补偿温度误差。该文构建了多传感器融合模型,将多个霍尔传感器和温度传感器的输出用径向基函数（RBF）神经网络进行融合,用遗传算法对网络进行训练。实验室检测数据和反演出的缺陷形状表明,采用神经网络融合方法进行误差补偿,简单方便,霍尔传感器输出的平均温度敏感系数降低了两个数量级。     

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。