一种基于边缘计算的NTC温度传感器校准方法

一种基于边缘计算的ntc温度传感器校准方法
技术领域
1.本发明涉及温度校准与测量技术领域，尤其涉及一种利用边缘计算技术对ntc温度传感器进行校准的方法。


背景技术：

2.传统的温度校准方式即实验室校准，是客户将自己的待校温度计周期性的运送到上级计量校准机构，校准专业人员在环境可控的校准实验室中将其与高等级的标准铂电阻进行测量比对，校准后的温度计再运送回相关客户单位，同时签署校准证书并发送到相关客户单位。这种传统方式具有校准周期长、不确定度高、管理难度大、效率低等缺点，最终会对现代化工业的正常生产进度造成一定的影响。
3.针对上述问题，本发明采用边缘计算技术，在设备的边缘端完成与标准器的数据拟合并建立误差补偿模型，在软件层面减少温度传感器测温时的误差。


技术实现要素：

4.本发明的目的在于针对传统温度传感器校准方式校准周期长、管理难度大、效率低等缺点，提出一种基于边缘计算的ntc温度传感器校准方法。
5.本发明的目的是通过以下技术方案来实现的：一种基于边缘计算的ntc温度传感器校准方法，该方法包括如下步骤：步骤1：在校准现场部署边缘计算网络；
6.步骤2：在校准流程开始后，设备端将待校准的ntc温度传感器与标准器的包含检测指标的温度数据通过tcp/ip协议发送至边缘节点；
7.步骤3：边缘节点解析接收的数据
8.步骤4：在边缘节点通过遗传算法来选择校准的最佳特征点；
9.步骤5：根据步骤4得到的特征点并进行拟合分析，在特征点处将待校准的ntc温度传感器与标准器进行标定，通过标定数据来准确计算温度传感器特征点的测量温度；
10.步骤6：边缘节点利用mqtt协议将校准数据及校准结果北向发送至云端实现校准记录的云存储，同时利用tcp/ip协议将特征函数南向发送至设备端完成校准。
11.进一步地，所述步骤2中包含的检测指标具体为电阻、温度、时间戳、设备编号和环境温度。
12.进一步地，所述步骤4中为了减少校准所花费的时间成本，采用遗传算法选择最优特征点进行标定，获得最优特征点的具体步骤如下：
13.(4.1)基因的建立与特征点的选取：将设备端发送的每一个温度数据抽象为基因，定义xq表示第q个测试点是否为特征点，当xq＝1时表示第q号测试点被入选为特征值点，反之当xq＝0时表示第q号测试点不入选为特征值点；
14.(4.2)适应度函数的定义：基于给定的优化目标，利用适应度函数来测量种群中染色体的质量；由于决策的目标是降低总时间成本，选择适应度函数为度量染色体的总时间成本c
total
的平方倒数，
15.(4.2.1)单次测量时间成本：测量一个温度值所需要的时间成本，记为cq；
16.(4.2.2)标定误差时间成本：
[0017][0018]
符号cj单点误差对应的时间成本值。其中i表示传感器编号，j表示测试点，t
i,
表示实际温度值，表示传感器读数；
[0019]
单个样本本体的标定误差时间成本用计算；
[0020]
(4.2.3)样本个体标定时间成本：样本个体的标定时间成本ci是单体测定时间成本与误差标定时间成本之和；
[0021]ci
＝cs+cq·
ni[0022]
ni表示对该样本个体标定过程中的测定点数目；
[0023]
(4.2.4)总成本：总成本c
total
为所有个体的标定时间成本的平均值，m为样本总数；
[0024][0025]
(4.3)交叉运算：使用模拟的二元交叉,从亲本p1和p2中计算后代c1和c2；通过在[0,1)中选择一个随机数u，计算后代的参数后代可以表示为
[0026]
(4.4)变异运算：为模拟遗传过程，如果一个个体要发生变异，那么该个体的每个特征都要乘以一个范围内的随机数[1-m
rgnge
，1+m
range
]，m
range
作为一个乘法因子根据每个特征独立计算，根据收敛的程度，m
range
∈[0.01,0.3，通过轮盘选择法从当前种群中选择出10％的优秀个体进入下一代的迭代中去，使优秀个体能够最大限度保留下来；
[0027]
(4.5)终止条件：超出以下范围，遗传迭代终止：
[0028][0029]
σ2(ri)为第i个温度特征点ri方差，σ2(wi)为第i个特征点组合wi的方差，cov(r
i-rj)为特征点i，j协方差，为最小输入温度，为最大输入温度。
[0030]
进一步地，所述步骤5中，选择steinhart-hart算法的三阶多项式拟合公式对温度数据进行拟合分析，具体如下：
[0031]
选取对ntc热敏电阻的rt表数据进行曲线拟合的三阶多项式拟合公式:选取对ntc热敏电阻的rt表数据进行曲线拟合的三阶多项式拟合公式:其中t为开式温标，单位为k，r为电阻，单位为kω，a，b，c为常数系数；通过分析误差平方和即有：
[0032][0033]
式中，ri为第i个电阻，ti为ri匹配的温度值；常量使用a
i,
替代并带入多项式拟合公式，获得常数矩阵：
[0034][0035]
可知拟合公式的常数系数：
[0036]
a＝(a23^2*b1-a12*a23*b3+a13*a22*b3-a13*a23*b2+a12*a33*b2-a22*a33*b1)/(a33*a12^2-2*a12*a13*a23+a22*a13^2+a11*a23^2-a11*a22*a33)
[0037]
b＝(a13^2*b2-a12*a13*b3+a11*a23*b3-a13*a23*b1-a11*a33*b2+a12*a33*b1)/(a33*a12^2-2*a12*a13*a23+a22*a13^2+a11*a23^2-a11*a22*a33)
[0038]
c＝(a12^2*b3-a12*a13*b2-a11*a22*b3+a11*a23*b2-a12*a23*b1+a13*a22*b1)/(a33*a12^2-2*a12*a13*a23+a22*a13^2+a11*a23^2-a11*a22*a33)
[0039]
从而计算得出在某一阻值下的温度标准值。
[0040]
进一步地，所述步骤5中边缘网关基于曲线拟合的三阶多项式拟合公式计算特征点的温度并进行二次校验，将通过二次校验的校准结果发送至云端服务器以及将校准后的曲线拟合的三阶多项式拟合公式发送至设备端，将未通过二次校验的结果进行本地记录同时报上云端。
[0041]
进一步地，边缘网关二次校验需要同时满足如下两个规则，具体为：
[0042]
规则1：复查温度校准过程边缘网关接收设备端上报的历史数据是否在检测指标的既定范围内，如果数据值不在既定范围内，则视为校验不通过；
[0043]
规则2：利用曲线拟合的三阶多项式拟合公式计算残差及标准差，如果残差及标准差超过云端服务器设定的区间范围，则视为校验不通过。
[0044]
本发明的有益效果：
[0045]
本技术的一种基于边缘计算的ntc温度传感器校准方法，相比于传统校准方式，可以大大缩短校准所需要的周期。
[0046]
本技术的一种基于边缘计算的ntc温度传感器校准方法，校准的主要流程全部在边缘端进行，设备端不需要将所有的参数发送至云端，有效节省了云服务器的带宽消耗，减少云端的计算压力。
[0047]
本技术的一种基于边缘计算的ntc温度传感器校准方法，能够有效提高ntc温度传感器的精度和准确率。
附图说明
[0048]
图1为本发明的方法流程图。
具体实施方式
[0049]
以下结合附图对本发明具体实施方式作进一步详细说明。
[0050]
在如图1所示，本技术提出了一种基于边缘计算的ntc温度传感器校准方法，首先，边缘节点通过tcp/ip协议获取设备端ntc温度传感器的实时数据，基于遗传算法选择最优特征点进行标定，同时于特征点进行基于steinhart-hart算法的温度数据拟合分析，其次，将校准后的温度模型通过tcp/ip协议更新至设备端，同时将校准结果发送至云服务器，实现边缘网关的南北向通信，完成在边缘端的温度传感器的校准。具体步骤如下：
[0051]
步骤1、在需要进行设备校准的校准现场部署一个边缘计算网络。
[0052]
具体来说，边缘计算网络由边缘计算节点与设备节点构成。边缘节点的部署利用容器技术，在不同类型的设备中，搭建无差别的边缘计算节点，边缘节点的载体可以是windows、macos或linux设备等具有一定计算能力的设备。每个温度传感器为一个具有无线通讯能力的设备节点，通过特定的通信协议与边缘节点一同构成边缘计算网络。
[0053]
所述边缘计算节点的数量根据实际需求可以选择一个或多个。
[0054]
具体来说，假设待校设备数量大且时间紧迫性大，因此如果单个的边缘计算节点存在计算压力时，可以动态增加边缘计算节点的数量，进行多边缘计算节点的并行运算，提高校准效率。
[0055]
步骤2、所述设备端包括一个或多个标准器和多个待校准设备，所述待校准设备为待校准的ntc温度传感器，设备端可以对校准时的需要上报至边缘节点的包含检测指标的温度数据进行采集，每个所述的设备端将采集到的包含检测指标的温度数据按照既定的时间间隔发送至所述边缘计算节点。
[0056]
举例来说，设备端通过tcp/ip协议将采集到的温度、电阻值、时间戳、设备编号和环境温度发送至边缘节点，其中设备编号和环境温度只需在校准过程开始前发送一次即可，温度、电阻值、时间戳按照5秒一次的频率上传至边缘节点。
[0057]
步骤3、边缘节点解析上报的json格式数据并暂存至本地redis数据库，存储一周后清楚本地数据库数据，释放边缘节点的存储空间，并且方便短期的追溯。具体来说，数据库中的设备以设备编号作为主键，用来区分不同设备上报的温度、电阻等数据。设备以是否完成校准作为状态位，当设备完成校准后，数据库自动删除该设备编号下的数据以保证数据库清洁度；未完成校准的设备端数据在数据库中保留24小时，超出时间限制后数据库自动清理数据。
[0058]
步骤4、在边缘节点通过遗传算法来选择校准的最佳特征点。
[0059]
具体来说，对于大规模制造的测温模块，由于各个传感器之间存在差异，输入-输出特性具有明显的非线性，且个体差异性比较大，在进行校准时，如果对每个特征点进行标定，时间成本会大大增加，因此在选择特征点进行拟合时，效果与选取的数据之间存在某种
制约关系，故使用遗传算法，在不改变拟合效果的前提下，对特征点进行选取，从而得到效率高成本低且拟合效果好的解决方案。具体过程如下：
[0060]
(4.1)基因的建立与特征点的选取：将设备端发送的每一个温度数据抽象为基因，定义xq表示第q个测试点是否为特征点，当xq＝1时表示第q号测试点被入选为特征值点，反之当xq＝0时表示第q号测试点不入选为特征值点；
[0061]
(4.2)适应度函数的定义：基于给定的优化目标，利用适应度函数来测量种群中染色体的质量；由于决策的目标是降低总时间成本，选择适应度函数为度量染色体的总时间成本c
total
的平方倒数，
[0062]
(4.2.1)单次测量时间成本：测量一个温度值所需要的时间成本，记为cq＝50；
[0063]
(4.2.2)标定误差时间成本：
[0064][0065]
符号cj单点误差对应的时间成本值。其中i表示传感器编号，j表示测试点，t
i,j
表示实际温度值，表示传感器读数；
[0066]
单个样本本体的标定误差时间成本用计算；
[0067]
(4.2.3)样本个体标定时间成本：样本个体的标定时间成本ci是单体测定时间成本与误差标定时间成本之和；
[0068]ci
＝cs+cq·
ni[0069]
ni表示对该样本个体标定过程中的测定点数目；
[0070]
(4.2.4)总成本：总成本c
total
为所有个体的标定时间成本的平均值，m为样本总数；
[0071][0072]
(4.3)交叉运算：使用模拟的二元交叉,从亲本p1和p2中计算后代c1和c2；通过在[0,1)中选择一个随机数u，计算后代的参数后代可以表示为
[0073]
(4.4)变异运算：为模拟遗传过程，如果一个个体要发生变异，那么该个体的每个特征都要乘以一个范围内的随机数[1-m
range
，1+m
range
]，m
range
作为一个乘法因子根据每个特征独立计算，根据收敛的程度，m
range
∈[0.01,0.3，通过轮盘选择法从当前种群中选择出10％的优秀个体进入下一代的迭代中去，使优秀个体能够最大限度保留下来；
[0074]
(4.5)终止条件：超出以下范围，遗传迭代终止：
[0075][0076]
σ2(ri)为第i个温度特征点ri方差，σ2(wi)为第i个特征点组合wi的方差，cov(r
i-rj)为特征点i，j协方差，为最小输入温度，为最大输入温度。
[0077]
举例来说，当选择的温度特征点为6个时，对应的总成本c
total
为350
±
10，所花费的时间为350
±
100s；当特征点为5个时，对应的成本为260
±
10，所花费的时间为600
±
100s，次数时间增加是因为遗传算法去选择特征点的时候迭代的次数变多。总成本基本上接近选择的特征点数量乘以单次测量时间成本。
[0078]
步骤5、通过由遗传算法得出的温度特征点，在特征点处将待校准设备与标准器的温度-电阻值变化曲线进行拟合，通过拟合得到的温度模型来准确计算温度传感器特征点的测量温度。选择steinhart-hart算法的三阶多项式拟合公式对温度数据进行拟合分析，具体如下：
[0079]
选取对ntc热敏电阻的rt表数据进行曲线拟合的三阶多项式拟合公式:选取对ntc热敏电阻的rt表数据进行曲线拟合的三阶多项式拟合公式:其中t为开式温标，单位为k，r为电阻，单位为kω，a，b，c为常数系数；通过分析误差平方和即有：
[0080][0081]
式中，ri为第i个电阻，ti为ri匹配的温度值；常量使用a
i,
替代并带入多项式拟合公式，获得常数矩阵：
[0082][0083]
可知拟合公式的常数系数：
[0084]
a＝(a23^2*b1-a12*a23*b3+a13*a22*b3-a13*a23*b2+a12*a33*b2-a22*a33*b1)/(a33*a12^2-2*a12*a13*a23+a22*a13^2+a11*a23^2-a11*a22*a33)
[0085]
b＝(a13^2*b2-a12*a13*b3+a11*a23*b3-a13*a23*b1-a11*a33*b2+a12*a33*b1)/(a33*a12^2-2*a12*a13*a23+a22*a13^2+a11*a23^2-a11*a22*a33)
[0086]
c＝(a12^2*b3-a12*a13*b2-a11*a22*b3+a11*a23*b2-a12*a23*b1+a13*a22*b1)/(a33*a12^2-2*a12*a13*a23+a22*a13^2+a11*a23^2-a11*a22*a33)
[0087]
从而计算得出在某一阻值下的温度标准值。
[0088]
边缘网关基于曲线拟合的三阶多项式拟合公式计算特征点的温度并进行二次校验，将通过二次校验的校准结果发送至云端服务器以及将校准后的曲线拟合的三阶多项式拟合公式发送至设备端，将未通过二次校验的结果进行本地记录同时报上云端。
[0089]
边缘网关二次校验需要同时满足如下两个规则，具体为：
[0090]
规则1：复查温度校准过程边缘网关接收设备端上报的历史数据是否在检测指标的既定范围内，如果数据值不在既定范围内，则视为校验不通过；
[0091]
规则2：利用曲线拟合的三阶多项式拟合公式计算残差及标准差，如果残差及标准差超过云端服务器设定的区间范围，则视为校验不通过。该实例采用的操作系统为linux，边缘端使用的开发语言为go1.17，设备端使用的开发语言为c语言,以树莓派4b作为边缘节点，内存为4gb。对设备端上报的数据通过遗传算法，选择以下6个点进行拟合。结果表明。经过校准后，残差控制在
±
1mk的范围内，标准差为0.0049℃，校准效果良好。
[0092]
表1校准前后数据分析
[0093][0094]
步骤6：边缘节点利用mqtt协议将校准数据及校准结果发送至云端实现校准记录的云存储，同时利用tcp/ip协议将特征函数发送至设备端完成校准。
[0095]
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。