CN107036716A - 一种自校准红外热电堆温度传感器及自校准方法 - Google Patents
一种自校准红外热电堆温度传感器及自校准方法 Download PDFInfo
- Publication number
- CN107036716A CN107036716A CN201710278540.XA CN201710278540A CN107036716A CN 107036716 A CN107036716 A CN 107036716A CN 201710278540 A CN201710278540 A CN 201710278540A CN 107036716 A CN107036716 A CN 107036716A
- Authority
- CN
- China
- Prior art keywords
- calibration
- self
- signal processing
- module
- processing module
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000004044 response Effects 0.000 claims abstract description 148
- 238000012545 processing Methods 0.000 claims abstract description 70
- 230000005855 radiation Effects 0.000 claims abstract description 62
- 238000004458 analytical method Methods 0.000 claims abstract description 61
- 238000010438 heat treatment Methods 0.000 claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 66
- 230000003321 amplification Effects 0.000 claims description 55
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 55
- 210000002569 neuron Anatomy 0.000 claims description 44
- 238000012360 testing method Methods 0.000 claims description 43
- 230000001419 dependent effect Effects 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 14
- 230000005611 electricity Effects 0.000 claims description 10
- 238000010521 absorption reaction Methods 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 8
- 230000007935 neutral effect Effects 0.000 claims description 7
- 230000004043 responsiveness Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000005619 thermoelectricity Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract 2
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 101100311460 Schizosaccharomyces pombe (strain 972 / ATCC 24843) sum2 gene Proteins 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000005428 wave function Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/10—Radiation pyrometry, e.g. infrared or optical thermometry using electric radiation detectors
- G01J5/12—Radiation pyrometry, e.g. infrared or optical thermometry using electric radiation detectors using thermoelectric elements, e.g. thermocouples
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/80—Calibration
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation Pyrometers (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明涉及红外传感技术领域，尤其涉及一种自校准红外热电堆温度传感器及自校准方法包括发热电阻与信号处理模块连接；热电堆通过放大器与信号处理模块连接；本地温度测量模块与信号处理模块连接；信号处理模块与自校准响应分析模块连接，自校准响应分析模块与校准温度计算模块连接；信号处理模块与校准温度计算模块连接；本申请中利用第一控制电压控制发热电阻产生第一红外辐射，并将其转化为第一电压差信号，根据第一控制电压、第一电压差信号、由信号处理模块处理得到的第一电学响应率、本地温度值和红外辐射效率常数基于小波神经网络获得第二电学响应率，再根据第二电学响应率获得校准温度，提高了红外热电堆传感器的检测准确度。
Description
技术领域
本发明涉及红外传感技术领域，尤其涉及一种自校准红外热电堆温度传感器及自校准方法。
背景技术
目前，全球传感器市场呈现高速增长的态势，创新的多样化传感器，比如无线传感器、智能传感器、光纤传感器等将在未来传感器市场中占据更高的份额。微电子机械系统(Micro Electro Mechanical System，MEMS)是利用半导体材料和微电子加工技术制造的。并且，微电子机械系统是由微传感器、微执行器、信号处理电路和通讯接口等组成的一体化微型器件。微电子机械系统具有光、机、电一体化，体积小、重量轻、功耗低，以及可动、可形变或悬空微结构等特点。其中，红外热电堆温度传感器是一种新型MEMS传感器，由于其具有非接触式测温的特性，被广泛应用于环境监测、安防系统、智能家居以及消防、国防医疗和制程控制等场景中，以实现对温度的自动检测与控制。
现有的红外热电堆温度传感器在对物体的温度进行检测时存在检测准确度低的技术问题。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的测试红外热电堆温度传感器及自校准方法。
本发明实施例提供一种自校准红外热电堆温度传感器，包括发热电阻、热电堆、放大器、本地温度测量模块、信号处理模块、自校准响应分析模块和校准温度计算模块；
所述发热电阻的一端接地，所述发热电阻的另一端与所述信号处理模块的第一输入端连接；
所述热电堆与所述放大器的输入端连接，所述放大器的输出端与所述信号处理模块的第二输入端连接；
所述本地温度测量模块与所述信号处理模块的第三输入端连接；
所述信号处理模块的第一输出端与所述自校准响应分析模块的第一输入端连接，所述自校准响应分析模块的输出端与所述校准温度计算模块的第一输入端连接；
所述信号处理模块的第二输出端与所述校准温度计算模块的第二输入端连接；
其中，所述信号处理模块用于提供第一控制电压，所述发热电阻在所述第一控制电压的控制下产生第一红外辐射，所述热电堆将所述第一红外辐射转化为第一电压差信号，所述放大器对所述第一电压差信号进行放大，所述本地温度测量模块用于测量得到本地温度值，所述信号处理模块还用于根据所述第一控制电压、放大后的所述第一电压差信号和所述本地温度值，获得第一电学响应率，所述自校准响应分析模块用于根据所述第一控制电压、放大后的所述第一电压差信号、所述第一电学响应率、所述本地温度值和红外辐射效率常数，基于小波神经网络对所述第一电学响应率进行校准得到第二电学响应率，所述校准温度计算模块用于根据所述放大后的所述第一电压差信号、所述本地温度值、所述热电堆的吸收面积、所述热电堆的辐射系数相关常数、斯蒂芬玻尔兹曼常数和校准后的所述第二电学响应率，获得校准温度。
优选的，还包括自测试响应分析模块；
所述信号处理模块的第三输出端与所述自测试响应分析模块的输入端连接；
所述自测试响应分析模块的输出端与所述自校准响应分析模块的第二输入端连接；
其中，所述信号处理模块还用于提供第二控制电压和第三控制电压，所述发热电阻在所述第二控制电压的控制下产生第二红外辐射，所述热电堆将所述第二红外辐射转化为第二电压差信号，所述发热电阻在所述第三控制电压的控制下产生第三红外辐射，所述热电堆将所述第三红外辐射转换为第三电压差信号，所述放大器用于对所述第二电压差信号和所述第三电压差信号进行放大，所述信号处理模块还用于根据所述第二控制电压、放大后的所述第二电压差信号和所述本地温度值，获得第三电学响应率，所述信号处理模块还用于根据所述第三控制电压、放大后的所述第三电压差信号和所述本地温度值，获得第四电学响应率，所述自测试响应分析模块用于根据放大后的所述第二电压差信号、放大后的所述第三电压差信号、所述第三电学响应率、所述第四电学响应率和所述本地温度值，基于概率的鲁棒性异方差神经网络对所述自校准红外热电堆温度传感器的温度检测的准确度进行判断。
优选的，还包括数模转换器，所述发热电阻通过所述数模转换器与所述信号处理模块连接。
优选的，还包括第一模数转换器，所述放大器通过所述第一模数转换器与所述信号处理模块连接。
优选的，还包括第二模数转换器，所述本地温度测量模块通过所述第二模数转换器与所述信号处理模块连接。
优选的，所述自校准响应分析模块包括自校准控制单元、加权求和器、小波函数查找单元、权值存储器和小波函数存储器；
所述自校准响应分析模块用于接收时钟信号、所述第一控制电压、放大后的所述第一电压差信号、所述第一电学响应率、所述本地温度值和红外辐射效率常数，并在接收到自校准信号时执行自校准的响应分析，为所述加权求和器、小波函数查找单元提供控制信号；
所述加权求和器用于根据其接收到的参数从所述权值存储器中读取相应的权值，以及在乘法控制信号的控制下进行乘法运算，以及在加法控制信号的控制下进行加法运算；
所述小波函数查找单元用于将其接收到的参数作为小波函数的自变量，并利用折半查找法在所述小波函数存储器中查找对应的因变量，并将查找到的因变量作为输出结果。
优选的，所述小波神经网络包括：
输入层：包含5维向量，所述5维向量包括所述第一控制电压、放大后的所述第一电压差信号、所述第一电学响应率、所述本地温度值和红外辐射效率常数；
隐含层：包含5个神经元，所述隐含层的激励函数为Morlet小波基函数；
输出层：包含1个神经元，所述神经元用于将所述隐含层的输出加权求和，获得所述第二电学响应率。
基于同一发明构思，本发明实施例还提供一种应用在如上所述自校准红外热电堆温度传感器中的自校准方法，所述方法包括：
在所述信号处理模块提供第一控制电压时，所述发热电阻在所述第一控制电压的控制下产生第一红外辐射，利用所述热电堆将所述第一红外辐射转化为第一电压差信号，所述第一电压差信号在经过所述放大器放大后输出给所述信号处理模块；
根据所述第一控制电压、放大后的所述第一电压差信号和由所述本地温度模块测量得到的本地温度值，利用所述信号处理模块获得第一电学响应率；
根据所述第一控制电压、放大后的所述第一电压差信号、所述第一电学响应率、所述本地温度值和红外辐射效率常数，利用所述自校准响应分析模块基于小波神经网络对所述第一电学响应率进行校准得到第二电学响应率；
利用所述校准温度计算模块根据所述放大后的所述第一电压差信号、所述本地温度值、所述热电堆的吸收面积、所述热电堆的辐射系数相关常数、斯蒂芬玻尔兹曼常数和校准后的所述第二电学响应率，获得校准温度。
优选的，所述小波神经网络包括：
输入层：包含5维向量，所述5维向量包括所述第一控制电压、放大后的所述第一电压差信号、所述第一电学响应率、所述本地温度值和红外辐射效率常数；
隐含层：包含5个神经元，所述隐含层的激励函数为Morlet小波基函数；
输出层：包含1个神经元，所述神经元用于将所述隐含层的输出加权求和，获得所述第二电学响应率。
本发明实施例中的一个或多个技术方案，至少具有如下技术效果或优点：
本申请通过信号处理模块利用第一控制电压对发热电阻进行控制，使得发热电阻产生第一红外辐射，热电堆再将第一红外辐射转化为第一电压差信号，在利用放大器对第一电压差信号进行放大后，信号处理模块根据第一控制电压、放大后的第一电压差信号和本地温度值，获得第一电学响应率，自校准响应分析模块根据第一控制电压、放大后的第一电压差信号、第一电学响应率、本地温度值和红外辐射效率常数，基于小波神经网络对第一电学响应率进行校准得到第二电学响应率，校准温度计算模块用于根据放大后的第一电压差信号、本地温度值、热电堆的吸收面积、热电堆的辐射系数相关常数、斯蒂芬玻尔兹曼常数和校准后的第二电学响应率，获得校准温度，实现了对检测温度的校准，提高了红外热电堆传感器的检测准确度。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考图形表示相同的部件。在附图中：
图1示出了本发明实施例中利用折半查找法在小波函数存储器中的查找过程的示意图；
图2示出了本发明实施例中自校准响应分析模块的工作信号图；
图3示出了本发明实施例中自校准响应分析模块的时序图；
图4示出了本发明实施例中小波神经网络的示意图；
图5示出了本发明实施例中一种具体实施方式下的自校准红外热电堆温度传感器的结构图；
图6示出了本发明实施例中自测试响应分析模块的工作信号图；
图7示出了本发明实施例中自测试响应分析模块的时序图；
图8示出了本发明实施例中基于概率的鲁棒性异方差神经网络的示意图。
其中，1为发热电阻，2为热电堆，3为放大器，4为本地温度测量模块，5为数模转换器，6为第一模数转换器，7为第二模数转换器，8为信号处理模块，9为自校准响应分析模块，10为校准温度计算模块，11为自测试响应分析模块。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例还提供一种自校准红外热电堆温度传感器，包括发热电阻1、热电堆2、放大器3、本地温度测量模块4、信号处理模块8、自校准响应分析模块9和校准温度计算模块10。发热电阻1的一端接地，发热电阻1的另一端与信号处理模块8的第一输入端连接，热电堆2与放大器3的输入端连接，放大器3的输出端与信号处理模块8的第二输入端连接，本地温度测量模块4与信号处理模块8的第三输入端连接，信号处理模块8的第一输出端与自校准响应分析模块9的第一输入端连接，自校准响应分析模块9的输出端与校准温度计算模块10的第一输入端连接；信号处理模块8的第二输出端与校准温度计算模块10的第二输入端连接。
其中，信号处理模块8用于提供第一控制电压，发热电阻1在第一控制电压的控制下产生第一红外辐射，热电堆2将第一红外辐射转化为第一电压差信号，放大器3对第一电压差信号进行放大，本地温度测量模块4用于测量得到本地温度值，信号处理模块8还用于根据第一控制电压(即Vres)、放大后的第一电压差信号(即△V)和本地温度值(T0)，获得第一电学响应率，自校准响应分析模块9用于根据第一控制电压、放大后的第一电压差信号、第一电学响应率、本地温度值和红外辐射效率常数(即η)，基于预先训练好的小波神经网络对第一电学响应率进行校准得到第二电学响应率(即Ro)，校准温度计算模块10用于根据放大后的第一电压差信号、本地温度值、热电堆2的吸收面积(即As)、热电堆2的辐射系数相关常数(即a)、斯蒂芬玻尔兹曼常数(即δ)和校准后的第二电学响应率，获得校准温度(即T1)。
其中，校准温度的获得公式如下：
本申请通过信号处理模块8利用第一控制电压对发热电阻1进行控制，使得发热电阻1产生第一红外辐射，热电堆2再将第一红外辐射转化为第一电压差信号，在利用放大器3对第一电压差信号进行放大后，信号处理模块8根据第一控制电压、放大后的第一电压差信号和本地温度值，获得第一电学响应率，自校准响应分析模块9根据第一控制电压、放大后的第一电压差信号、第一电学响应率、本地温度值和红外辐射效率常数，基于小波神经网络对第一电学响应率进行校准得到第二电学响应率，校准温度计算模块10用于根据放大后的第一电压差信号、本地温度值、热电堆2的吸收面积、热电堆2的辐射系数相关常数、斯蒂芬玻尔兹曼常数和校准后的第二电学响应率，获得校准温度，实现了对检测温度的校准，提高了红外热电堆2传感器的检测准确度。
在本申请中，自校准响应分析模块9包括自校准控制单元、加权求和器、小波函数查找单元、权值存储器和小波函数存储器。
其中，自校准响应分析模块9用于接收时钟信号、第一控制电压、放大后的第一电压差信号、第一电学响应率、本地温度值和红外辐射效率常数，并在接收到自校准信号时执行自校准的响应分析，为加权求和器、小波函数查找单元提供控制信号。
加权求和器用于根据其接收到的参数从权值存储器中读取相应的权值，以及在乘法控制信号的控制下进行乘法运算，以及在加法控制信号的控制下进行加法运算。其中，加权求和器接收到的参数来自其前一级模块。
小波函数查找单元用于将其接收到的参数作为小波函数的自变量，并利用折半查找法在小波函数存储器中查找对应的因变量，并将查找到的因变量作为输出结果。其中，小波函数查找单元接收到的的参数来自其前一级模块。
另外，权值存储器和小波函数存储器用于存储数据供查找和输出使用。
进一步，利用折半查找法在小波函数存储器中查找对应的因变量的实现过程如图1所示，小波基函数表中存储了1001组(x,y),x与y的关系为小波基函数：y＝cos(1.75x)exp(-x2/2)。输入一个x要迅速在表中查找到该x,最快的办法是折半查找法，平均用时Log1000＝10。在采用折半查找法进行查找的过程中，先初始化Min＝-5.00；Max＝5.00；Mid＝0.00；输入的x先与Mid比较，若Midx则更新Min＝Mid+0.01；若Midx则更新Max＝Mid-0.01；每次更新都重算Mid＝(Max+Min)/2，将重算的Mid再与x比较，直到Mid＝x,则查找到了x，输出表中对应的y，也就完成了小波基函数的运算。
下面将对自校准响应分析模块9的工作过程进行详细介绍，自校准响应分析模块9的信号图如图2所示，时序图如图3所示，其中时钟Clk的上升沿触发。先要完成6个神经元的运算，每个神经元先加权求和，再查小波函数存储器。在使能信号Test-en1高电平有效控制下加权求和，每一个参数先在Test-mult低电平有效控制下和相应权值做乘法，再在Test-add低电平有效控制下做加法，5个输入参数所以要5个Cali-mult和Cali-add有效电平。在Cali-en2高电平有效控制下做小波函数的折半查找，先在Cali-comp低电平有效控制下作比较，再在Cali-mid低电平有效控制下做加法和除法更新Mid的值，经过多次比较和更新Mid，直到在输入Calixi等于Mid时，将Mid作为地址LittleWave-address输入小波函数存储器中，查出对应的Cali-yi输出，最后将Cali-finish2置高电平输出给自校准控制单元，表示小波函数查找结束。以上加权求和与小波查找要重复6次，表示完成6个神经元的运算。第三步做两个加权求和，得出校准的红外响应率Ro，最后输出Test-finish4传给自校准控制单元，表示自校准响应分析方法结束，可以准备开始校准温度计算模块10的处理。
在本申请中，小波神经网络如图4所示，包括：
输入层：包含5维向量，5维向量包括第一控制电压、放大后的第一电压差信号、第一电学响应率、本地温度值和红外辐射效率常数；
隐含层：包含5个神经元，隐含层的激励函数为Morlet小波基函数，即y＝cos(1.75x)exp(-x2/2)；
输出层：包含1个神经元，神经元用于将隐含层的输出加权求和，获得第二电学响应率。
在一种具体的实施方式中，如图5所示，自校准红外热电堆温度传感器还包括自测试响应分析模块11、数模转换器5、第一模数转换器6和第二模数转换器7。发热电阻1通过数模转换器5与信号处理模块8连接，放大器3通过第一模数转换器6与信号处理模块8连接，本地温度测量模块4通过第二模数转换器7与信号处理模块8连接。信号处理模块8的第三输出端与自测试响应分析模块11的输入端连接，自测试响应分析模块11的输出端与自校准响应分析模块9的第二输入端连接，其中，信号处理模块8还用于提供第二控制电压和第三控制电压，发热电阻1在第二控制电压的控制下产生第二红外辐射，热电堆2将第二红外辐射转化为第二电压差信号，发热电阻1在第三控制电压的控制下产生第三红外辐射，热电堆2将第三红外辐射转换为第三电压差信号，放大器3用于对第二电压差信号和第三电压差信号进行放大，信号处理模块8还用于根据第二控制电压、放大后的第二电压差信号和本地温度值，获得第三电学响应率，信号处理模块8还用于根据第三控制电压、放大后的第三电压差信号和本地温度值，获得第四电学响应率，自测试响应分析模块11用于根据放大后的第二电压差信号、放大后的第三电压差信号、第三电学响应率、第四电学响应率和本地温度值，基于概率的鲁棒性异方差神经网络(Robust Heteroscedastic Probabilistic NeuralNetwork，RHPNN)对自校准红外热电堆温度传感器的温度检测的准确度进行判断。
具体来讲，在本申请中，首先通过自测试响应分析模块11检测自校准红外热电堆温度传感器的检测温度是否准确，若准确进行后续自校准过程。
对于自测试响应分析模块11而言，在本申请中，自测试响应分析模块11包括自测试控制单元、加权求和器、高斯函数查找单元、比较输出单元、权值存储器和高斯函数存储器。
其中，自测试控制单元用于接收时钟信号、放大后的第二电压差信号、放大后的第三电压差信号、第三电学响应率、第四电学响应率和本地温度值，并在接收到自测试信号时执行自测试的响应分析，为加权求和器、高斯函数查找单元和比较输出单元提供控制信号。自测试控制单元先给使能信号Test-en1给加权求和器，各加权求和器求和后接收运算结束信号Test-finish1，再给使能信号Test-en2给高斯函数查找单元，以此类推。
加权求和器用于根据其接收到的参数从权值存储器中读取相应的权值，以及在乘法控制信号的控制下进行乘法运算，以及在加法控制信号的控制下进行加法运算。具体地，加权求和器接收到的参数来自前一级模块。
高斯函数查找单元用于将其接收到的参数作为高斯函数的自变量Test-x，并利用折半查找法在所述高斯函数存储器中查找对应的因变量Test-y，并将查找到的因变量作为输出结果。具体地，高斯函数查找单元接收的参数来自前一级模块。
比较输出单元用于接收所述高斯函数查找单元输出的属于合格类神经元的第一加权求和结果和属于不合格类神经元的第二加权求和结果，并根据所述第一加权求和结果和所述第二加权求和结果对所述自测试红外热电堆2温度传感器的温度检测的准确度进行判断，其中，若所述第一加权求和结果大于所述第二加权求和结果，则表明所述自测试红外热电堆2温度传感器的温度检测的准确度属于合格状态，若所述第一加权求和结果等于或小于所述第二加权求和结果，则表明所述自测试红外热电堆2温度传感器的温度检测的准确度属于不合格状态。
另外，权值存储器和高斯函数存储器中用于存储数据供查找和输出使用。
下面将对自测试响应分析模块11的工作过程进行详细介绍，自测试响应分析模块11的信号图如图6所示，时序图如图7所示，时钟Clk的上升沿触发，先要完成20个神经元的运算，每个神经元先加权求和，再查高斯函数表。在使能信号Test-en1高电平有效控制下加权求和，每一个参数先在Test-mult低电平有效控制下和相应权值做乘法，再在Test-add低电平有效控制下做加法，5个输入参数所以要5个Test-mult和Test-add有效电平。在Test-en2高电平有效控制下做高斯函数的折半查找，先在Test-comp低电平有效控制下作比较，再在Test-mid低电平有效控制下做加法和除法更新Mid的值，经过多次比较和更新Mid，直到在输入Test-xi等于Mid时，将Mid作为地址Gauss-address输入高斯函数表中，查出对应的Test-yi输出，最后将Test-finish2置高电平输出给自测试控制单元，表示高斯函数查找结束。以上加权求和与高斯查找要重复20次，表示完成20个神经元的运算。第三步做两个加权求和，一个算出合格类的加权求和值sum1，另一个不合格类神经元的加权求和sum2。最后一个模块做比较输出，接收上一级给的合格类神经元的加权求和结果sum1与不合格类的求和结果sum2，比较大小：sum1大则表示测试结果合格，输出电学响应率Re，将自校准使能信号Self-cali变成1，触发自校准模块，输出Test-finish4传给自测试控制单元，表示自测试响应分析方法结束；sum2或者两者相等，则自测试结果不合格，只输Test-finish4给自测试控制单元结束自测试。
本申请将放大后的第二电压差信号、放大后的第三电压差信号、第三电学响应率、第四电学响应率和本地温度值这五个物理量输入基于概率的鲁棒性异方差神经网络中来判断自测试红外热电堆2温度传感器的温度检测是否准确。其中，基于概率的鲁棒性异方差神经网络预先训练好，基于概率的鲁棒性异方差神经网络如图8所示，包括：
输入层：包含5维向量，所述5维向量包括放大后的第二电压差信号(即△V1)、放大后的第三电压差信号(即△V2)、第三电学响应率(即Re1)、第四电学响应率(即Re2)和本地温度值(即T0)。
隐含层：包含20个神经元，所述20个神经元包括18个故障类神经元和2个非故障类神经元。隐含层激励函数为高斯函数，如下式，其中和c和德尔塔为训练结果给出的权重参数，视不同的i和j而不同。x和p为输入和输出值
求和层：包含2个加权求和器，所述2个加权求和器用于对所述隐含层中的运算结果分两部分分别进行加权求和。下式中β为对应的p的权重，共有M个β所以有M个p，M个β之和为1。
输出层：包含1个加权比较器，所述加权比较器用于对所述求和层中的两个加权求和结果进行比较。若属于合格类神经元的第一加权求和结果大于属于不合格类神经元的第二加权求和结果，则表明自测试红外热电堆2温度传感器的温度检测准确，其准确度属于合格状态，若第一加权求和结果等于或小于第二加权求和结果，则表明自测试红外热电堆2温度传感器的温度检测不准确，其准确度属于不合格状态。比较输出函数如下，每个f乘以对应权重α，max函数选出j个乘积中的最大值，然后arg是一个映射关系，映射成合格或者不合格的结果输出。
gBayes＝arg(max{αjfj(x)})
在本申请的RHPNN神经网络算法的整体实现框架中，第一层5个神经元用5个存储器实现，利用5个存储器存储5维向量，第二层20个神经元，每个神经元都包含一个加权求和器，一个高斯函数查找表和一个运算结果存储器，实际电路实现中加权求和器和高斯函数查找表只有一个，供20个神经元分时复用，运算结果依次存入20个运算结果存储器中；第三层两个加权求和器，把第二层的运算结果分两部分加权求和，得出结果给第四层；第四层是比较选择器，比较第三层的两个和，合格类的和更大则输出测试结果为合格，反之输出结果为不合格。这些运算由一个有限同步状态机充当控制器，给各个部分提供时序。
进一步，在本申请中，自校准时片上自测试供电电压信号输出为0，通过内部计数，自校准信号被激活，从而使一个大于0的自校准供电电压传送到发热电阻1，使其发热为热电堆2提供热辐照，热电堆2吸收发热电阻1产生的热辐照，得到此时的响应电压差值ΔV和发热电阻1两端的电压差值Vres，从而计算得到此时器件的响应率R并保存。然后片上自校准供电电压信号输出为0，发热电阻1不发热，热电堆2通过吸收环境中的红外辐射而正常工作，此时利用自校准供电电压下计算出的响应率Re、红外辐射效率η、环境温度T0、响应电压差值ΔV和发热电阻1两端的电压差值Vres都输入自校准响应分析模块9，估算出实际的红外响应率Ro，从而实现红外热电堆2温度传感器响应率的片上自校准。自校准信号被激活后，产生一个自校准供电电压信号，利用在此电压信号的作用下获得的发热电阻1两端的电压Vres和响应的热电堆2的输出电压ΔV，可以得到此时探测器的电学响应率Re，还有此时环境温度T0，以及红外辐射效率η。运用上述物理量，来计算当前条件下的红外响应率Ro。经过分析和测试比较，一个经过训练的小波神经网络，可以非常好的运用上述5个物理量，实现计算当前条件下的红外响应率Ro的功能。
本申请从以下两个方面进行了优化：一方面，隐含层的5个高斯神经元，在实际电路中只有一个，采用分时复用的办法让5个神经元按时间顺序先后进行计算，以增加计算时间来减少占用资源，另一方面，激励函数小波基函数本身太复杂，运算量非常巨大且不容易实现，本文采用查表法，在存储器中存入需要的高斯函数值，根据输入x就可以查到对应的小波基运算结果y，由此大大减少了运算量。
小波神经网络的整体实现框架：第一层5个神经元用5个存储器实现，存储输入的一个5维向量；第二层6个神经元，每个神经元都包含一个加权求和器，一个小波基函数查找表，和一个运算结果存储器，实际电路实现中加权求和器和高斯函数查找表只有一个，给6个神经元分时复用，运算结果依次存入6个运算结果存储器中；第三层两个加权求和器，把第二层的运算结果分两部分加权求和，得出结果就是Ro。这些运算由一个有限同步状态机充当控制器，给各个部分提供时序。
需要说明的是，红外响应率也即电学响应率。
基于同一发明构思，本发明实施例还提供一种应用在如上所述自校准红外热电堆温度传感器中的自校准方法，所述方法包括：
在所述信号处理模块8提供第一控制电压时，所述发热电阻1在所述第一控制电压的控制下产生第一红外辐射，利用所述热电堆2将所述第一红外辐射转化为第一电压差信号，所述第一电压差信号在经过所述放大器3放大后输出给所述信号处理模块8；
根据所述第一控制电压、放大后的所述第一电压差信号和由所述本地温度模块测量得到的本地温度值，利用所述信号处理模块8获得第一电学响应率；
根据所述第一控制电压、放大后的所述第一电压差信号、所述第一电学响应率、所述本地温度值和红外辐射效率常数，利用所述自校准响应分析模块9基于小波神经网络对所述第一电学响应率进行校准得到第二电学响应率；
利用所述校准温度计算模块10根据所述放大后的所述第一电压差信号、所述本地温度值、所述热电堆2的吸收面积、所述热电堆2的辐射系数相关常数、斯蒂芬玻尔兹曼常数和校准后的所述第二电学响应率，获得校准温度。
优选的，所述小波神经网络包括：
输入层：包含5维向量，所述5维向量包括所述第一控制电压、放大后的所述第一电压差信号、所述第一电学响应率、所述本地温度值和红外辐射效率常数；
隐含层：包含5个神经元，所述隐含层的激励函数为Morlet小波基函数；
输出层：包含1个神经元，所述神经元用于将所述隐含层的输出加权求和，获得所述第二电学响应率。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：
本申请通过信号处理模块利用第一控制电压对发热电阻进行控制，使得发热电阻产生第一红外辐射，热电堆再将第一红外辐射转化为第一电压差信号，在利用放大器对第一电压差信号进行放大后，信号处理模块根据第一控制电压、放大后的第一电压差信号和本地温度值，获得第一电学响应率，自校准响应分析模块根据第一控制电压、放大后的第一电压差信号、第一电学响应率、本地温度值和红外辐射效率常数，基于小波神经网络对第一电学响应率进行校准得到第二电学响应率，校准温度计算模块用于根据放大后的第一电压差信号、本地温度值、热电堆的吸收面积、热电堆的辐射系数相关常数、斯蒂芬玻尔兹曼常数和校准后的第二电学响应率，获得校准温度，实现了对检测温度的校准，提高了红外热电堆传感器的检测准确度。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种自校准红外热电堆温度传感器，其特征在于，包括发热电阻、热电堆、放大器、本地温度测量模块、信号处理模块、自校准响应分析模块和校准温度计算模块；
所述发热电阻的一端接地，所述发热电阻的另一端与所述信号处理模块的第一输入端连接；
所述热电堆与所述放大器的输入端连接，所述放大器的输出端与所述信号处理模块的第二输入端连接；
所述本地温度测量模块与所述信号处理模块的第三输入端连接；
所述信号处理模块的第一输出端与所述自校准响应分析模块的第一输入端连接，所述自校准响应分析模块的输出端与所述校准温度计算模块的第一输入端连接；
所述信号处理模块的第二输出端与所述校准温度计算模块的第二输入端连接；
其中，所述信号处理模块用于提供第一控制电压，所述发热电阻在所述第一控制电压的控制下产生第一红外辐射，所述热电堆将所述第一红外辐射转化为第一电压差信号，所述放大器对所述第一电压差信号进行放大，所述本地温度测量模块用于测量得到本地温度值，所述信号处理模块还用于根据所述第一控制电压、放大后的所述第一电压差信号和所述本地温度值，获得第一电学响应率，所述自校准响应分析模块用于根据所述第一控制电压、放大后的所述第一电压差信号、所述第一电学响应率、所述本地温度值和红外辐射效率常数，基于小波神经网络对所述第一电学响应率进行校准得到第二电学响应率，所述校准温度计算模块用于根据所述放大后的所述第一电压差信号、所述本地温度值、所述热电堆的吸收面积、所述热电堆的辐射系数相关常数、斯蒂芬玻尔兹曼常数和校准后的所述第二电学响应率，获得校准温度。
2.如权利要求1所述的自校准红外热电堆温度传感器，其特征在于，还包括自测试响应分析模块；
所述信号处理模块的第三输出端与所述自测试响应分析模块的输入端连接；
所述自测试响应分析模块的输出端与所述自校准响应分析模块的第二输入端连接；
其中，所述信号处理模块还用于提供第二控制电压和第三控制电压，所述发热电阻在所述第二控制电压的控制下产生第二红外辐射，所述热电堆将所述第二红外辐射转化为第二电压差信号，所述发热电阻在所述第三控制电压的控制下产生第三红外辐射，所述热电堆将所述第三红外辐射转换为第三电压差信号，所述放大器用于对所述第二电压差信号和所述第三电压差信号进行放大，所述信号处理模块还用于根据所述第二控制电压、放大后的所述第二电压差信号和所述本地温度值，获得第三电学响应率，所述信号处理模块还用于根据所述第三控制电压、放大后的所述第三电压差信号和所述本地温度值，获得第四电学响应率，所述自测试响应分析模块用于根据放大后的所述第二电压差信号、放大后的所述第三电压差信号、所述第三电学响应率、所述第四电学响应率和所述本地温度值，基于概率的鲁棒性异方差神经网络对所述自校准红外热电堆温度传感器的温度检测的准确度进行判断。
3.如权利要求1所述的自校准红外热电堆温度传感器，其特征在于，还包括数模转换器，所述发热电阻通过所述数模转换器与所述信号处理模块连接。
4.如权利要求1所述的自校准红外热电堆温度传感器，其特征在于，还包括第一模数转换器，所述放大器通过所述第一模数转换器与所述信号处理模块连接。
5.如权利要求1所述的自校准红外热电堆温度传感器，其特征在于，还包括第二模数转换器，所述本地温度测量模块通过所述第二模数转换器与所述信号处理模块连接。
6.如权利要求1所述的自校准红外热电堆温度传感器，其特征在于，所述自校准响应分析模块包括自校准控制单元、加权求和器、小波函数查找单元、权值存储器和小波函数存储器；
所述自校准响应分析模块用于接收时钟信号、所述第一控制电压、放大后的所述第一电压差信号、所述第一电学响应率、所述本地温度值和红外辐射效率常数，并在接收到自校准信号时执行自校准的响应分析，为所述加权求和器、小波函数查找单元提供控制信号；
所述加权求和器用于根据其接收到的参数从所述权值存储器中读取相应的权值，以及在乘法控制信号的控制下进行乘法运算，以及在加法控制信号的控制下进行加法运算；
所述小波函数查找单元用于将其接收到的参数作为小波函数的自变量，并利用折半查找法在所述小波函数存储器中查找对应的因变量，并将查找到的因变量作为输出结果。
7.如权利要求1所述的自测试红外热电堆温度传感器，其特征在于，所述小波神经网络包括：
输入层：包含5维向量，所述5维向量包括所述第一控制电压、放大后的所述第一电压差信号、所述第一电学响应率、所述本地温度值和红外辐射效率常数；
隐含层：包含5个神经元，所述隐含层的激励函数为Morlet小波基函数；
输出层：包含1个神经元，所述神经元用于将所述隐含层的输出加权求和，获得所述第二电学响应率。
8.一种应用在如权利要求1-7中任一权利要求所述自校准红外热电堆温度传感器中的自校准方法，其特征在于，所述方法包括：
在所述信号处理模块提供第一控制电压时，所述发热电阻在所述第一控制电压的控制下产生第一红外辐射，利用所述热电堆将所述第一红外辐射转化为第一电压差信号，所述第一电压差信号在经过所述放大器放大后输出给所述信号处理模块；
根据所述第一控制电压、放大后的所述第一电压差信号和由所述本地温度模块测量得到的本地温度值，利用所述信号处理模块获得第一电学响应率；
根据所述第一控制电压、放大后的所述第一电压差信号、所述第一电学响应率、所述本地温度值和红外辐射效率常数，利用所述自校准响应分析模块基于小波神经网络对所述第一电学响应率进行校准得到第二电学响应率；
利用所述校准温度计算模块根据所述放大后的所述第一电压差信号、所述本地温度值、所述热电堆的吸收面积、所述热电堆的辐射系数相关常数、斯蒂芬玻尔兹曼常数和校准后的所述第二电学响应率，获得校准温度。
9.如权利要求8所述的方法，其特征在于，所述小波神经网络包括：
输入层：包含5维向量，所述5维向量包括所述第一控制电压、放大后的所述第一电压差信号、所述第一电学响应率、所述本地温度值和红外辐射效率常数；
隐含层：包含5个神经元，所述隐含层的激励函数为Morlet小波基函数；
输出层：包含1个神经元，所述神经元用于将所述隐含层的输出加权求和，获得所述第二电学响应率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710278540.XA CN107036716B (zh) | 2017-04-25 | 2017-04-25 | 一种自校准红外热电堆温度传感器及自校准方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710278540.XA CN107036716B (zh) | 2017-04-25 | 2017-04-25 | 一种自校准红外热电堆温度传感器及自校准方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107036716A true CN107036716A (zh) | 2017-08-11 |
| CN107036716B CN107036716B (zh) | 2019-07-26 |
Family
ID=59535701
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710278540.XA Active CN107036716B (zh) | 2017-04-25 | 2017-04-25 | 一种自校准红外热电堆温度传感器及自校准方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107036716B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109846496A (zh) * | 2017-11-30 | 2019-06-07 | 昆山光微电子有限公司 | 智能可穿戴设备情绪感知功能的硬件实现方法及组合 |
| CN111323135A (zh) * | 2020-03-25 | 2020-06-23 | 安徽正华生物仪器设备有限公司 | 一种具有红外测温耳机的测温系统及方法 |
| CN113317782A (zh) * | 2021-04-20 | 2021-08-31 | 港湾之星健康生物(深圳)有限公司 | 多模个性化监测的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7795583B1 (en) * | 2005-10-07 | 2010-09-14 | The United States Of America As Represented By The Secretary Of The Navy | Long range active thermal imaging system and method |
| CN103398784A (zh) * | 2013-07-26 | 2013-11-20 | 江苏物联网研究发展中心 | 红外热电堆温度传感器的自校正电路 |
| CN103674285A (zh) * | 2013-11-30 | 2014-03-26 | 江苏物联网研究发展中心 | 具有自校正功能的红外热电堆温度传感器的温度计算模块及温度计算方法 |
| CN105444893A (zh) * | 2015-11-11 | 2016-03-30 | 江苏物联网研究发展中心 | 红外热电堆温度传感器的自测试和自校准系统 |
-
2017
- 2017-04-25 CN CN201710278540.XA patent/CN107036716B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7795583B1 (en) * | 2005-10-07 | 2010-09-14 | The United States Of America As Represented By The Secretary Of The Navy | Long range active thermal imaging system and method |
| CN103398784A (zh) * | 2013-07-26 | 2013-11-20 | 江苏物联网研究发展中心 | 红外热电堆温度传感器的自校正电路 |
| CN103674285A (zh) * | 2013-11-30 | 2014-03-26 | 江苏物联网研究发展中心 | 具有自校正功能的红外热电堆温度传感器的温度计算模块及温度计算方法 |
| CN105444893A (zh) * | 2015-11-11 | 2016-03-30 | 江苏物联网研究发展中心 | 红外热电堆温度传感器的自测试和自校准系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109846496A (zh) * | 2017-11-30 | 2019-06-07 | 昆山光微电子有限公司 | 智能可穿戴设备情绪感知功能的硬件实现方法及组合 |
| CN111323135A (zh) * | 2020-03-25 | 2020-06-23 | 安徽正华生物仪器设备有限公司 | 一种具有红外测温耳机的测温系统及方法 |
| CN113317782A (zh) * | 2021-04-20 | 2021-08-31 | 港湾之星健康生物(深圳)有限公司 | 多模个性化监测的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107036716B (zh) | 2019-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kim et al. | Target localization using ensemble support vector regression in wireless sensor networks | |
| CN107036716A (zh) | 一种自校准红外热电堆温度传感器及自校准方法 | |
| CN106851573A (zh) | 基于对数路径损耗模型的联合加权k近邻室内定位方法 | |
| CN109724703A (zh) | 基于模式识别的复杂场景下的温度矫正方法 | |
| Zhang et al. | Device-free wireless localization and activity recognition with deep learning | |
| CN109186811A (zh) | 一种基于bp神经网络的fbg温度标定方法 | |
| CN109246598A (zh) | 基于岭回归和极限学习机的室内定位方法 | |
| CN111050294A (zh) | 一种基于深度神经网络的室内定位系统及方法 | |
| CN111624522A (zh) | 基于蚁群优化rbf神经网络控制变压器故障诊断方法 | |
| Wen et al. | Localization of low velocity impacts on CFRP laminates based on FBG sensors and BP neural networks | |
| Chen et al. | A wifi indoor localization method based on dilated cnn and support vector regression | |
| CN115228511A (zh) | 一种超低温试验箱的快速温变方法 | |
| CN107036717B (zh) | 一种自测试红外热电堆温度传感器及自测试方法 | |
| Li et al. | Two indoor location algorithms based on sparse fingerprint library | |
| CN111122635A (zh) | 一种食用菌干燥状态在线评估方法及系统 | |
| CN108562697A (zh) | 一种室内有害气体监测装置 | |
| Xu et al. | Genetic inverse algorithm for retrieval of component temperature of mixed pixel by multi-angle thermal infrared remote sensing data | |
| CN210899633U (zh) | 一种基于深度神经网络的室内定位系统 | |
| CN107607955A (zh) | 一种数据筛选方法以及地物杂波的筛选装置 | |
| Wu et al. | RangingNet: A convolutional deep neural network based ranging model for wireless sensor networks (WSN) | |
| CN108181001A (zh) | 一种基于机器学习的远红外温度预测方法 | |
| Zhao et al. | CentralNet Method for Human motion Recognition Based on Multi-feature Fusion of Millimeter Wave Radar | |
| Liu et al. | Indoor Fingerprinting Positioning System Using Deep Learning with Data Augmentation. | |
| Patra et al. | Radial basis function implementation of intelligent pressure sensor on field programmable gate array | |
| Gao et al. | A novel intrusion detection method based on WOA optimized hybrid kernel RVM |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |