传感器动态特性补偿算法研究

论文总字数：18117字

目 录

一 绪论 6

1.1 研究背景、目的及意义 6

1.2 国内外研究现状 7

二　传感器的性能指标 8

2.1 传感器静态性能指标 8

2.2 传感器动态性能指标 10

2.2.1 时间域动态性能指标 10

2.2.2 频域动态性能指标 10

三　 传感器的动态补偿原理 11

3.1 采用硬件电路补偿 11

3.2 采用软件方法进行补偿 11

四　基于RBF神经网络的补偿算法 13

4.1 神经网络的基本原理 13

4.2 神经元模型 14

4.2.1 单输入神经元 15

4.2.2 多输入神经元 15

4.3 RBF神经网络 15

4.3.1 RBF神经网络结构 16

4.3.2 神经网络的学习算法 17

4.3.2 RBF神经网络的学习算法 18

五 量子粒子群优化算法 19

5.1 量子粒子群算法 20

5.2 QPSO算法优化RBF神经网络的具体步骤[14] 20

六 实验仿真及分析 22

6.1 值仿真实验 22

七 总结与展望 24

7.1 本文总结 24

7.2 未来展望 25

参考文献 26

致 谢 27

摘要：

传感器被广泛地运用到社会各行各业中，在科学研究中也起到重大作用。如何提高传感器性能也成为如今传感器技术研究领域要解决的关键性问题。本文从静态和动态两个方面分析与探讨传感器的性能指标。根据传感器特性提出基于RBF神经网络的传感器动态特性补偿方法来改善其动态性能。

神经网络具有自组织、自学习、自适应及非线性动态处理等特性，对于解决复杂的非线性问题应用前景非常广阔。文中分析了RBF神经网络进行传感器动态动态补偿的原理及算法，并提出利用量子粒子群算法对RBF网络的权值进行优化。RBF神经网络动态补偿方法不需要传感器模型，实现简单并且可以优化参数。通过实验和计算机仿真证明了该方法是可行的。

关键词：传感器性能指标；动态特性补偿；RBF神经网络

Research on testing method of sensor performance index

Huangrongxia

Nanjing University of Information Science amp; Technology Nanjing 210044,China

Abstract:

Sensors are widely used in all walks of life, and play a major role in scientific research. How to improve the performance of sensors has become a key problem in the field of sensor technology. This paper analyzes and discusses the performance indexes of sensors from two aspects of static and dynamic. T According to the sensor characteristics, a dynamic compensation method based on RBF neural network is proposed to improve its dynamic performance.

The neural network has the characteristics of self-organization, self-learning, self adaptation and nonlinear dynamic processing, and it has a bright future for solving complex nonlinear problems. In this paper, the principle and algorithm of RBF neural network for dynamic compensation of sensors are analyzed, and the quantum particle swarm optimization (PSO) algorithm is used to optimize the weights of RBF networks. RBF neural network dynamic compensation method does not need sensor model, it is simple to implement and can optimize parameters. The method is proved to be feasible by experiment and computer simulation.

Key words： Sensor performance index; Dynamic compensation; RBF neural network.

一 绪论

1.1 研究背景、目的及意义

为了满足使用领域及高精度的需求，测量系统应该具备更高性能。传感器作为测量系统的关键环节，它的性能及特性研究一直受到广泛关注。传感器作为一种测量装置，可将被测量根据某些规律转换成可用输出信号。从结构上来看，传感器可分为敏感元件及转换元件两个模块。传感器可以实现自动控制与自动检测，在过程控制系统中起重要作用。它也是仪器仪表和测量系统的中枢部件。传感器对于信息的采集使得其在科学研究和社会生产中发挥重要的作用。

现代科学技术的发展使得传感器被运用到一些极端技术的研究，比如说被测量参数极短瞬间的反应，冲击波压力，超高温、超低温超弱磁场等。为了获得信息更精确，传感器被要求具备更高的性能。更低造价高精度的传感器也需根据更深入的理论分析及实验研究完成设计。

传感器可以检测出静态量与动态量以获得某些依靠人类感官无法采取的信息。相对地，大家对于其性能关注重点放在静态特性及动态特性上。目前对于静态特性研究已有慢慢成熟的趋势。传感器的静态性能指标（如迟滞性、重复性、灵敏度、分辨力和阈值等）可在其说明书中看到。相比之下传感器动态性能的研究相对较少，而且在这个方面发展空间很大。受技术水平限制，许多动态特性在标准之下的传感器达不到动态测量的要求，被测信号的瞬间变化无法在测量结果中准确被描述出来。大部分情况下，传感器动态特性常常会导致发生输入信号失真问题，这对我们所要得到的测量结果影响很大。

目前，有下面几种方式来改善传感器动态特性：对传感器的结构和参数进行修改、将其替代成动态性能更好的和对传感器进行动态补偿等。在工艺和材料的层面上，约束修改传感器的结构和参数被约束，并且修改之后的传感器会影响其之前所具有的静态特性。动态性能更好的传感器其价格更为不菲。相比之下，采用动态补偿方式更为经济、可行。本文重点讨论传感器的动态特性，因此需要其具备良好的动态响应。然而当前传感器存在的问题为响应时间过长，输入信号的快速变化无法被准确反映出来。换句话说，传感器具有动态响应误差。

传感器通常具备非线性问题，在传感器的动态特性研究中，无法规避要考虑到因为非线性因素所产生影响。本文会依靠传感器动态模型来分析它的动态性能，而后对其动态特性进行补偿，改善动态性能，进而提高测量精度。将传感器的动态特性和RBF神经网络联系起来，根据它们的特性来研究出可靠的补偿方法是本文的目的，最终改善动态特性指标。传感器动态特性得到改善，许多与之相关的科学研究和工业生产将能更好地进行和发展。

1.2 国内外研究现状

传感器的动态补偿技术本质上是改进其动态性能。补偿技术大概是从1960年到1970年开始出现且发展速度很快。应那时宇航工业、核工业发展的要求，许多瞬态信号迫切需要得到测量。由于仪器技术水平的限制瞬态变化的信号无法被准确测量，在这种情况下动态补偿技术顺应时代的要求而出现，填补了测量仪器或者装置的不足。传感器动态补偿方式有许多种，对应补偿原理亦存在不同之处。

在动态补偿技术刚开始发展时，一般采用动态误差修正。也就是根据阶跃响应或者脉冲响应由输出按照某些特定的计算关系直接得到输出端的信号。由此来实现减小测量系统动态误差的目的。较为常用的动态误差修正方式有这几类：数值微分法、叠加积分法、频率域修正法及反卷积法等。

数值微分法其原理是由测量结果还原被测信号被测信号，主要实现过程是依据两者间的微分方程。此方法要求计算精度非常高，因而计算量不小。叠加积分法可以导出由测量结果还原出被测信号的数学关系。其中，被测信号被看做许多阶跃信号的叠加，这些阶跃信号的响应作为测量结果。

通过在输出后增加补偿环节来改进传感器系统的动态特性是目前动态补偿技术关键研究热点。在此过程中可利用模拟电路设计动态补偿滤波器，也能由计算机软件来实现传感器实时的补偿。动态补偿滤波器和原传感器系统被补偿环节串联起来使得系统总的动态性能够达到所需要求。

零点相消法实现动态特性补偿，根据其原理不同可分成软件补偿及硬件补偿。软件补偿是指通过数字滤波器实现的补偿算法运算后，传感器的输出信号动态误差得以补偿。传感器使用频带也被相应扩展。硬件补偿则利用串联式校正电路使得最佳阻尼比被保持且测量最低频率下降达到所要求的指标，从而实现超低频测量。

近几年提出一个比较行之有效的补偿方法：通过人工神经网络对传感器动态特性进行改善。在传感器建模时可以将函数联接型神经网络引入到动态特性研究中。文献[1]采取基于FLANN方法对传感器实现动态补偿。传感器动态模型的建立依赖于神经元网络优异的逼近能力。刘清教授在文献[2]中对硅加速度传感器动态补偿方法进行介绍，此方法利用粒子群优化算法来完成且在此过程中不用知道传感器动态模型。戴先中教授在文献[3]中对以神经网络为基础的传感器动态补偿策略进行介绍。该原理是根据神经网络逼近能力由传感器校准时输入及响应来获取传感器的近似逆模型。

近年来大家广泛关注的一个新方法为利用BP网络实现传感器数据补偿。传统BP网络本身存在一些缺陷，经过一些改善措施使BP网络在提高传感器的动态特性的应用上更可靠有效。虚拟仪器、小波分析、非线性滤波器、自适应的方法等也可以改变传感器的动态特性。Brignell在文献[4][5]介绍了传感器动态模型是未知的前提下在线数字补偿技术。文中确立传感器理想条件下的阶跃响应曲线和实际阶跃响应曲线间的误差面积函数成为最佳指标函数。黄俊钦教授在文献[6]里介绍利用零极点配置法对传感器动态补偿滤波器进行设计的方式。

总的来说，当前传感器动态补偿技术发展很好，可以填补传感器在动态测量方面的不足之处使得传感器获得较好的动态性能。

二　传感器的性能指标

2.1 传感器静态性能指标

传感器各个输入量不再发生变化时，输入和输出之间的关系可以看作为传感器的静态特性。对此，传感器受到的关键影响因素包括非线性和随机变化两个方面。对传感器而言，不一样的厂商建立性能指标的方法可能是有差别的。在传感器的应用中，性能指标的计算方法的不同影响不大，但一些应用中比如过程控制，传感器的高精度和低漂移非常重要。

传感器非线性表现为其输出同标定直线之间的最大偏差。对非线性的定义有多种方式，比如说最佳拟合直线法和终端法等。

滞后性是指某一给定压力点在压力上升和下降过程中输出读数的插值。

剩余内容已隐藏，请支付后下载全文，论文总字数：18117字

相关图片展示：