基于深度学习的高温环境下QCM湿度传感器温度补偿模型

为减小高温低湿环境下温度漂移对传感器测量结果的影响，以基频4 MHz的石英晶体为基片，使用滴注法将氧化石墨烯（Graphene Oxide,GO）沉积在基片上，研制出一种基于石英晶体微天平（Quartz Crystal Microbalance,QCM）的湿度传感器。AT切石英晶片以及氧化石墨烯材料在高温环境中的温度漂移现象显著，导致传感器的频率输出发生漂移，因此使用深度学习方法对温度漂移进行修正，在不同的绝对湿度条件下，测试了反向传播（Back Propagation,BP）神经网络修正模型对QCM湿度传感器的适应特性。实验结果表明，通过深度学习方法得到的修正模型能够有效提高QCM湿度传感器的灵敏度、稳定性以及响应速度，对于研究温湿度耦合条件下的QCM湿度传感器的频率修正技术具有重要意义。