CN103940453B - 一种提高传感器测量精度方法 - Google Patents

一种提高传感器测量精度方法 Download PDF

Info

Publication number
CN103940453B
CN103940453B CN201410150492.2A CN201410150492A CN103940453B CN 103940453 B CN103940453 B CN 103940453B CN 201410150492 A CN201410150492 A CN 201410150492A CN 103940453 B CN103940453 B CN 103940453B
Authority
CN
China
Prior art keywords
sensor
data
algebra
polynomials
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201410150492.2A
Other languages
English (en)
Other versions
CN103940453A (zh
Inventor
王祥
卢文科
俞经龙
陈月华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Donghua University
Original Assignee
Donghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Donghua University filed Critical Donghua University
Priority to CN201410150492.2A priority Critical patent/CN103940453B/zh
Publication of CN103940453A publication Critical patent/CN103940453A/zh
Application granted granted Critical
Publication of CN103940453B publication Critical patent/CN103940453B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种提高传感器测量精度方法,其特征在于,包括以下步骤:建立传感器电路,获取主传感器和测量干扰量的传感器的数据,将数据采集到计算机中;利用matlab软件对传感器测得数据进行预处理,利用统计学方法剔除偶然误差点;将剩余数据进行归一化处理后作为多项式神经网络的输入值,进行Matlab仿真,通过多次仿真比较传感器干扰量敏感性,从而确定出多项式神经网络隐含层最优神经元数目,得出神经网络结构;保存最优神经元数目下的神经网络权值,确定传感器输出值;将数据融合模型存储至传感器系统中。本发明提高测量精度,简单有效,方法明确,方便快捷,可以应用到各种传感器系统中,具有比较好的效果。

Description

一种提高传感器测量精度方法
技术领域
本发明涉及一种提高传感器测量精度方法,属于传感器测量技术领域。
背景技术
传感器是能感受规定的被测量件并按照一定的规律转换成可用信号的器件或装置,通常由敏感元件和转换元件组成,在工业生产、宇宙开发、海洋探测、环境保护、资源调查、医学诊断、生物工程中都离不开各种各样的传感器,传感器技术在发展经济、推动社会进步方面的有着非常重要的作用。随着社会的进步,对各种事物的探索及各种行业的需求,传感器的精度要求也越来越高,然而提高传感器精度需要付出很大的经济代价,亟需一种简单方便有效的提高精度的方法。
Matlab(MATLAB是matrix&laboratory两个词的组合,意为矩阵工厂(矩阵实验室)。是由美国mathworks公司发布的主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中,为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案,并在很大程度上摆脱了传统非交互式程序设计语言(如C、Fortran)的编辑模式,代表了当今国际科学计算软件的先进水平)。
发明内容
本发明要解决的技术问题是:提供了一种简单有效、方法明确、方便快捷的提高传感器测量精度方法,解决了对各种事物的探索及各种行业的需求,传感器的精度要求越来越高,而提高传感器精度需要付出很大经济代价的问题。
为了解决上述技术问题,本发明的技术方案是提供了一种提高传感器测量精度方法,其特征在于,包括以下步骤:
步骤(1):建立传感器电路,获取主传感器和测量干扰量的传感器的数据,将数据采集到计算机中;
步骤(2):利用matlab软件对传感器测得数据进行预处理,利用统计学方法剔除偶然误差点;
步骤(3):将剩余数据进行归一化处理后作为多项式神经网络的输入值,进行Matlab仿真,通过多次仿真比较传感器干扰量敏感性,从而确定出多项式神经网络隐含层最优神经元数目,得出神经网络结构;
步骤(4):保存步骤(3)中得出的最优神经元数目下的神经网络权值,确定传感器输出值;
步骤(5):将数据融合模型存储至传感器系统中。
本发明采用多传感器融合技术,消除了干扰量影响;同时取消了原先检测的硬件结构,从而简化了结构,降低了成本。本发明简单有效,方法明确,方便快捷,可以应用到各种传感器系统中,具有比较好的效果。
附图说明
图1为一种提高传感器测量精度方法的流程图;
图2为传感器电路的电路框图;
图3为采用实施例1中的数据确定神经网络结构仿真图。
具体实施方式
为使本发明更明显易懂,兹以优选实施例,并配合附图作详细说明如下。
本发明为一种提高传感器测量精度方法,其中主传感器和辅助传感器同时使用的多传感器融合技术,主传感器测量目标量,辅助传感器测量影响主传感器测量精度的因素,通过标定实验获取主传感器和辅助传感器测量数据,将所获数据存入到计算机中,采用多项式神经网络算法,利用Matlab软件确定多项式神经网络结构以及神经网络权值,将在计算机中所获得的模型存入到多传感器测量系统微处理器中,主传感器和辅助传感器测量值作为模型的输入值,从而得出消除影响后输出值,从而达到提高传感器测量精度的目的。
实施例1
提高开环式霍尔电流传感器测量精度:首先建立霍尔电流传感器测量电路,环境温度对霍尔电流传感器测量精度有很大的影响,将霍尔电流传感器作为主传感器,将温度传感器作为辅助传感器,将温度传感器贴于霍尔电流传感器表面上,采集霍尔电流传感器和温度传感器测量数据。测量电路框图,如图2所示,主传感器和辅助传感器接收数据后进入信号处理电路进行处理,再对其进行AD转换后进入微处理器。将测得的数据(如表1)存入到Matlab程序中,利用统计学方法剔除偶然误差点,剩余数据作多项式神经网络处理数据,将剩余数据进行归一化处理后作为多项式神经网络的输入值,进行Matlab仿真,通过多次重复性仿真,如图3所示,当神经元数为38时,比较得出比较优良的神经网络结构,利用多项式神经网络权值直接确定的方法,得出神经网络权值,从而得出传感器系统输出值,如表2所示。应该理解为,应用到其他行业或者有着类似的观点的操作视为同一个发明。
表1霍尔电流传感器二维试验标定数据
表2消除温度影响后传感器系统输出值
实施例2
提高压阻式压力传感器测量精度:首先建立压力传感器测量电路,环境温度对压力传感器测量精度有比较大的影响,将压力传感器作为主传感器,将温度传感器作为辅助传感器,将温度传感器和压力传感器处于同一测量场中,采集压力传感器和温度传感器测量数据,测量电路框图如图2所示,将测得数据存入到Matlab程序中,利用统计学方法剔除偶然误差点,剩余数据作多项式神经网络处理数据,将剩余数据进行归一化处理后作为多项式神经网络的输入值,进行Matlab仿真,通过多次重复性仿真,利用多项式神经网络权值直接确定的方法,得出神经网络权值,从而得出传感器系统输出值。

Claims (1)

1.一种提高传感器测量精度方法,其特征在于,包括以下步骤:
步骤(1):建立传感器电路,获取主传感器和测量干扰量的传感器的数据,将数据采集到计算机中;
步骤(2):采用多项式神经网络算法,利用matlab软件对传感器测得数据进行预处理,利用统计学方法剔除偶然误差点;
步骤(3):将剩余数据进行归一化处理后作为多项式神经网络的输入值,进行Matlab仿真,通过多次仿真比较传感器干扰量敏感性,从而确定出多项式神经网络隐含层最优神经元数目,得出神经网络结构;
步骤(4):保存步骤(3)中得出的最优神经元数目下的神经网络权值,确定传感器输出值;
步骤(5):将数据融合模型存储至传感器系统中。
CN201410150492.2A 2014-04-15 2014-04-15 一种提高传感器测量精度方法 Expired - Fee Related CN103940453B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410150492.2A CN103940453B (zh) 2014-04-15 2014-04-15 一种提高传感器测量精度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410150492.2A CN103940453B (zh) 2014-04-15 2014-04-15 一种提高传感器测量精度方法

Publications (2)

Publication Number Publication Date
CN103940453A CN103940453A (zh) 2014-07-23
CN103940453B true CN103940453B (zh) 2016-08-17

Family

ID=51188221

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410150492.2A Expired - Fee Related CN103940453B (zh) 2014-04-15 2014-04-15 一种提高传感器测量精度方法

Country Status (1)

Country Link
CN (1) CN103940453B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105699043B (zh) * 2016-04-14 2018-06-08 中国空气动力研究与发展中心高速空气动力研究所 一种提高风洞传感器测量稳定性和精准度的方法
CN106405007B (zh) * 2016-08-30 2018-10-26 河北先河环保科技股份有限公司 气体传感器、颗粒物传感器的新校准方法
CN108287183A (zh) * 2017-12-28 2018-07-17 东华大学 一种降低半导体氢气传感器对一氧化碳的交叉敏感的方法
WO2021157360A1 (ja) * 2020-02-06 2021-08-12 パナソニックIpマネジメント株式会社 物理量検出装置、および、故障判定方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0682267A (ja) * 1992-09-01 1994-03-22 Yaskawa Electric Corp 温度ドリフト補正機能付センサ
DE19747510A1 (de) * 1997-10-28 1999-05-06 Sican F & E Gmbh Sibet Meßsystem und Verfahren zur Auswertung von Sensorsignalen
CN203053909U (zh) * 2013-01-16 2013-07-10 昆明理工大学 一种神经网络信息融合的智能co传感器

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0682267A (ja) * 1992-09-01 1994-03-22 Yaskawa Electric Corp 温度ドリフト補正機能付センサ
DE19747510A1 (de) * 1997-10-28 1999-05-06 Sican F & E Gmbh Sibet Meßsystem und Verfahren zur Auswertung von Sensorsignalen
CN203053909U (zh) * 2013-01-16 2013-07-10 昆明理工大学 一种神经网络信息融合的智能co传感器

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SVR在传感器预测中的研究;李如发等;《信息通信》;20130831(第8期);第37-39页 *
基于MLP传感器的非线性校正;李如发等;《湖北大学学报(自然科学版)》;20140331;第36卷(第2期);第181页1.1节至第184页结论部分,图1-3,表1-2 *
基于神经网络的光线光栅电流传感器的温度补偿;郭颖等;《传感技术学报》;20080930;第21卷(第9期);第1528-1531页 *

Also Published As

Publication number Publication date
CN103940453A (zh) 2014-07-23

Similar Documents

Publication Publication Date Title
CN103940453B (zh) 一种提高传感器测量精度方法
CN103335814B (zh) 风洞中实验模型倾角测量误差数据的修正方法
CN103063341B (zh) 一种检测轴销所承受径向力的方法
CN103049608B (zh) 基于约束边应变极值坐标的载荷辨识系统及方法
CN103852000B (zh) 多层导电涂层厚度的涡流检测方法和装置
CN112906282B (zh) Sanger神经网络并行主元抽取的工作模态参数识别方法和系统
CN107590321A (zh) 一种管道振动响应的整体测量方法
CN108255786A (zh) 一种称重结果的干扰补偿计算方法及系统
CN108256238A (zh) 一种基于深度学习的光纤光栅波长解调方法及装置
Zhang et al. Operation conditions monitoring of flood discharge structure based on variance dedication rate and permutation entropy
Zhang et al. A novel ensemble model using PLSR integrated with multiple activation functions based ELM: Applications to soft sensor development
CN103323533A (zh) 基于近场声全息技术检测植物病害的系统及方法
CN113158315B (zh) 一种基于静力触探数据的岩土体参数三维非平稳条件随机场建模方法
CN105352571A (zh) 一种基于指数关系估计的粮仓重量检测方法及装置
Zheng et al. Research on feature extracted method for flutter test based on EMD and CNN
CN103076035B (zh) 一种基于双支持向量机的传感器测量方法
CN103793579B (zh) 一种基于ei和逐步累积法的传感器优化布设方法
CN115033977B (zh) 一种基于神经网络技术的地面实测脉动压力参数辨识方法
CN105158137A (zh) 一种基于最小二乘支持向量机的水松纸透气度检测方法
CN113973403A (zh) 基于结构离散测点拓扑的温致应变场重分布智能感知方法
Fukuda et al. Random forests hydrodynamic flow classification in a vertical slot fishway using a bioinspired artificial lateral line probe
CN109580519A (zh) 一种基于elm算法的地表水cod在线监测系统及方法
Li et al. Thermal zero drift compensation of pressure sensor based on data mining and BP neural network
CN107260146A (zh) 一种血压检测的方法和血压检测设备
Chen et al. Internet of Things-Based Agricultural Mechanization Using Neural Network Extreme Learning on Rough Set

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160817

Termination date: 20190415

CF01 Termination of patent right due to non-payment of annual fee