一种压力传感器的标定简化方法

1.本发明涉及传感器测量技术领域，具体地说，涉及一种压力传感器的标定简化方法。


背景技术：

2.压力传感器是过程控制和自动化系统中最常用到的传感器之一，而利用mems技术制造的硅压阻式压力传感器由于兼具灵敏度高、尺寸小、生产成本低等优点，广泛应用于不同的行业。在实际应用中，外部环境温度的变化，会使压力传感器的输出产生温度漂移，严重影响传感器测量精度，因此必须进行温度补偿。
3.压力传感器的温度补偿方法主要分为两类：内置电路方法和数值校准方法。内置电路方法通常使用热敏电阻、二极管或可调增益运算放大器来校准和补偿传感器的输出信号，该方法调试不便、补偿精度低、通用性差，不利于工业应用；数值校准方法作为一种后补偿方法，通过对实验标定过程中获取的标定数据进行分析，使用附加的补偿算法来校正压力传感器的输出，补偿算法主要包括插值法、多项式拟合法、人工智能算法等，该方法灵活性强、维护方便、精度高。
4.数值校准中的补偿算法建立在已有实验标定数据的基础上，并且压力传感器的测量精度要求越高，则需要越多不同温度、不同压力下的标定数据来正确建模校正压力传感器。然而，实际标定过程中不同温度环境、压力环境的设定繁琐且耗时，严重影响标定效率的同时，也造成了大量的能源消耗。


技术实现要素：

5.本发明的目的在于针对现有技术的不足，提供一种压力传感器的标定简化方法。本发明通过提出的改进天鹰优化器优化的混合多项式核极限学习机(iao-mpkelm)算法来模拟传感器的标定过程。使用少量的实验标定数据，推理出全温区的计算数据，减少需要标定的温度及压力点，提高标定工作效率、降低能源消耗，并可通过计算需标定点以外的温度、压力下的预测码值数据，来扩大在线补偿数据表的规模，最终提高温度补偿精度。
6.本发明的目的是通过以下技术方案来实现的：
7.步骤一：将压力传感器置入相应温度环境中，施加不同压力，获取ad芯片输出电压码值，得到实验标定数据，形成实验标定数据表，其中电压码值采用十进制表示，标定数据采集完成后，将其发送到上位机中。
8.步骤二：对实验标定数据进行数据处理，包括对压力和温度进行归一化处理并可采用不同阶数的多项式特征扩展方式对压力和温度进行扩展以提供输入数据xi。
9.步骤三：使用改进天鹰优化器优化的混合多项式核极限学习机(iao-mpkelm)学习实验标定数据，模拟传感器的标定过程，得到标定计算模型。该混合核极限学习机的核函数由不同阶数的多项式核函数加权构成，可表示为：式中x和
x'表示多项式核函数的任意输入样本，d表示该多项式核函数的最高阶数，θd是d
th
阶多项式核的权重，且σd和rd则表示d
th
阶多项式核的参数。该iao-mpkelm算法步骤包括：
10.1)初始化算法参数，采用tent混沌映射代替随机数来初始化种群位置，转换后的tent混沌随机数可表示为：式中z∈(0,1)，β＝0.5。初始种群位置矩阵为z
ij
＝(ub
j-lbj)
×zt
+lbj,i＝1,
…
,n,j＝1,
…
,m，式中n表示种群数量，m表示该混合核极限学习机待优化的参数数量，ubj和lbj分别表示该mpkelm待优化参数的设定上下界。
11.2)初始化种群适应度，获取最佳个体。定义该iao-mpkelm的适应度评价函数为式中vk和vpk分别表示第k个实际电压码值、第k个预测电压码值，range则表示码值量程。
12.3)当时，进入搜索阶段，式中t表示当前迭代次数，t表示最大迭代次数，包括阶段一扩大搜索阶段，即天鹰通过垂直高翱翔寻找最佳捕食区域；阶段二缩小搜索阶段，即天鹰在最佳捕食区域中发现猎物后，在目标上方螺旋绕圈，准备着陆攻击，阶段一和阶段二的数学模型分别为：阶段二的数学模型分别为：z2(t+1)＝z
best
(t)
×
levy(d)+zr(t)+(y-x)*z
t
，式中z
best
(t)，zm(t)和zr(t)分别表示从开始迭代到当前的最佳种群位置、平均种群位置、随机种群位置，z
t
表示tent映射后的混沌随机数，levy(d)表示levy飞行函数，y＝r
×
sinθ、x＝r
×
cosθ，且r＝r1+u
×
d1、、r1＝10，u＝0.00565，ω＝0.005，d1为(1，m)之间的随机整数，m表示该混合多项式核极限学习机待优化的参数数量。
13.4)当时，进入开发阶段，包括阶段三扩大开发阶段，即天鹰已确定猎物区域，初步采用垂直下降的方式准备着陆和攻击，并观察猎物反应；阶段四缩小开发阶段，即天鹰接近猎物后，向猎物发起带有随机性的攻击，阶段三和阶段四的数学模型分别为：z3(t+1)＝(z
best
(t)-zm(t))
×
α-z
t
+((ub-lb)
×zt
+lb)
×
δ，z4(t+1)＝rt
×zbest
(t)-(r1×
z(t)
×zt
)-r2×
levy(d)+z
t
×
r1，式中α＝δ＝0.1，r1＝2
×
rand-1，1，rand表示0到1之间的随机数。
14.5)每次迭代后，计算更新种群适应度f(v)，并比较保留历史最佳的种群位置；
15.6)进入循环重复步骤3)-步骤5)，直到达到最大迭代次数t，输出mpkelm的最优参数解和最佳种群适应度f(v)，得到标定计算模型。
16.步骤四：将未标定的温度点和压力点的数值，输入训练好的标定计算模型，得到模型计算数据，模型计算数据由不同温度压力下的预测电压码值组成。
17.步骤五：整合实验标定数据及模型计算数据，形成在线补偿数据表，将其发送至mcu中，使用线性插值法对压力传感器进行在线温度补偿。
18.本发明的有益效果如下：
19.本发明通过提出的改进天鹰优化器优化的混合多项式核极限学习机(iao-mpkelm)算法来模拟传感器的标定过程。使用少量的实验标定数据，推理出全温区的计算数据，减少需要标定的温度及压力点，提高标定工作效率、降低能源消耗，并可通过计算需标定点以外的温度、压力下的预测码值数据，来扩大在线补偿数据表的规模，最终提高温度补偿精度。
附图说明
20.图1是本发明的实施流程图。
具体实施方式
21.为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图及实例来对本发明技术方案作进一步详述。
22.参见附图一，本发明提出了一种压力传感器的标定简化方法，包括以下步骤：
23.步骤一：将压力传感器置入相应温度环境中，施加不同压力，获取ad芯片输出电压码值，得到少量实验标定数据，形成实验标定数据表，其中电压码值采用十进制表示，标定数据采集完成后，将其发送到上位机中。表1为本实例选取的250kpa量程压力传感器的实验标定数据表。
24.表1为本实例选取的250kpa量程压力传感器的实验标定数据表。
[0025][0026]
步骤二：对实验标定数据进行数据处理，包括对压力和温度进行归一化处理，并可采用不同阶数的多项式特征扩展方式对压力和温度进行扩展以提供输入数据xi。其中输入特征为压力值p、温度值t。表2为该实例选择的具体特征扩展方式。其中e1-e5均为现有的不同的特征扩展方法。
[0027]
表2为该实例选择的具体特征扩展方式。
[0028][0029][0030]
步骤三：使用改进天鹰优化器优化的混合多项式核极限学习机(iao-mpkelm)学习实验标定数据，模拟传感器的标定过程，得到标定计算模型，选取温度在-40℃、15℃、65℃的标定数据作为训练集，其他作为验证集进行超参数调优。该混合核极限学习机的核函数由不同阶数的多项式核函数加权构成，可表示为：式中x和x'表示多项式核函数的任意输入样本，d表示该多项式核函数的最高阶数，本实例中d＝3，θd是d
th
阶多项式核的权重，且σd和rd则表示d
th
阶多项式核的参数。该iao-mpkelm算法步骤包括：
[0031]
1)初始化算法参数，采用tent混沌映射代替随机数来初始化种群位置，转换后的tent混沌随机数可表示为：式中z∈(0,1)，β＝0.5。初始种群位置矩阵为z
ij
＝(ub
j-lbj)
×zt
+lbj,i＝1,
…
,n,j＝1,
…
,m，式中n表示种群数量，m表示该混合核极限学习机待优化的参数数量，ubj和lbj分别表示该mpkelm待优化参数的设定上下界。
[0032]
2)初始化种群适应度，获取最佳个体。定义该iao-mpkelm的适应度评价函数为式中vk和vpk分别表示第k个实际电压码值、第k个预测电压码值，range则表示码值量程。
[0033]
3)当时，进入搜索阶段，式中t表示当前迭代次数，t表示最大迭代次数，包括阶段一扩大搜索阶段，即天鹰通过垂直高翱翔寻找最佳捕食区域；阶段二缩小搜索阶段，即天鹰在最佳捕食区域中发现猎物后，在目标上方螺旋绕圈，准备着陆攻击，阶段一和阶段二的数学模型分别为：和阶段二的数学模型分别为：z2(t+1)＝z
best
(t)
×
levy(d)+zr(t)+(y-x)*z
t
，式中z
best
(t)，zm(t)和zr(t)分别表示从开始迭代到当前的最佳种群位置、平均种群位置、随机种群位置，z
t
表示tent映射后的混沌随机数，levy(d)表示levy飞行函数，y＝r
×
sinθ、x＝r
×
cosθ，且r＝r1+u
×
d1、、r1＝10，u＝0.00565，ω＝0.005，d1为(1，m)之间的随机整数，m表示该混合多项式核极限学习机待优化的参数数量。
[0034]
4)当时，进入开发阶段，包括阶段三扩大开发阶段，即天鹰已确定猎物区域，初步采用垂直下降的方式准备着陆和攻击，并观察猎物反应；阶段四缩小开发阶段，即天鹰接近猎物后，向猎物发起带有随机性的攻击，阶段三和阶段四的数学模型分别为：z3(t+1)＝(z
best
(t)-zm(t))
×
α-zt+((ub-lb)
×zt
+lb)
×
δ，z4(t+1)＝rt
×zbest
(t)-(r1×
z(t)
×zt
)-r2×
levy(d)+z
t
×
r1，式中α＝δ＝0.1，r1＝2
×
rand-1，1，rand表示0到1之间的随机数。
[0035]
5)每次迭代后，计算更新种群适应度f(v)，并比较保留历史最佳的种群位置；
[0036]
6)进入循环重复步骤3)-步骤5)，直到达到最大迭代次数t，输出mpkelm的最优参数解和最佳种群适应度f(v)，得到标定计算模型。
[0037]
步骤四：将未标定的温度点和压力点的数值，输入训练好的标定计算模型，模型计算数据，模型计算数据由不同温度压力下的预测电压码值组成。实例中选取温度点-25℃、5℃、25℃、50℃、85℃，压力点同表1时的数据作为未标定点，并将其作为测试集。表3为使用该标定计算模型对上述温度点和压力点采用e5扩展得到的模型计算数据表。
[0038]
表3是温度点和压力点采用e5扩展得到的模型计算数据表
[0039][0040][0041]
实例中，为验证预测电压码值的准确性，将压力传感器置于上述环境中，输出实际电压码值进行对比，表4为该实例预测电压码值的最大满量程误差。
[0042]
表4为该实例预测电压码值的最大满量程误差
[0043]
预测电压码值训练集验证集测试集最大满量程误差0.0020％0.0021％0.0243％
[0044]
从表4中可以看出，训练集、验证集和测试集最大满量程误差分别为：0.0020％，0.0021％，0.0243％。
[0045]
步骤五：整合实验标定数据及模型计算数据，形成在线补偿数据表，在本实例中，形成9
×
10的在线补偿数据表，将其发送至mcu中，使用线性插值法对压力传感器进行在线温度补偿。
[0046]
本发明通过提出的改进天鹰优化器优化的混合多项式核极限学习机(iao-mpkelm)算法来模拟传感器的标定过程。使用少量的实验标定数据，即可推理出全温区的计算数据。根据表4可知，在测试集中使用该算法模型计算的预测电压码值与实际标定得到的实际电压码值最大误差仅0.0243％，说明本发明提出的改进天鹰优化器优化的混合多项式核极限学习机正确的模拟了传感器的标定过程，可以减少需要标定的温度及压力点，提高标定工作效率、降低能源消耗，并可通过计算需标定点以外的温度、压力下的预测码值数据，来扩大在线补偿数据表的规模，最终提高温度补偿精度。