CN109738079A - 一种多探头表面温度精准预测技术 - Google Patents

Abstract

一种多探头表面温度精准预测技术，主要利用两组温度探头收集特征参数，通过拟合的函数或训练好的神经网络模型实现对物体表温度精准预测。本发明实现的原理：两组温度探头，一组贴于恒温样本表面，另一组不贴于恒温样本表面并用隔温带与第一组探头隔开。环境温度突降一定值时，两组探头降低后稳定的温度数据与降温前的温度数据存在一种对应的关系，本发明利用这种现象收集特征参数，拟合函数或训练神经网络模型对恒温样本表面的真实温度进行预测。本发明提供了一种精确预测不同环境温度下物体表面真实温度的方法，可消除测量时环境温度的影响，这种方法适用于对温度精度要求较高的表面测温领域如人体腋下体温监测，高精密设备表面温度监测等。

Description

一种多探头表面温度精准预测技术

技术领域

本发明涉及测量领域，特别在环境温度变化情况下对测温精度要求较高的表面测温领域。

背景技术

目前接触式电子温度计测量物体表面温度时，因环境温度的影响都存在一定的误差，若对温度数据准确度要很高的，必须对物体表面进行处理才能精确测量，如开孔将探头内嵌入物体内部。但是有些时候不能对物体进行开孔处理，如人体腋下体温监测，市面上连续监测腋下体温的体温计往往通过约束用户要一直夹紧温度探头才能精准测量，如卡帕奇儿童体温贴。但这种方法在监测时会因为没有夹紧或婴幼儿自觉约束能力弱，导致监测的温度数据低于真实值，正在发高烧的可能监测出中烧的数据，这可能对用户的身体和生命安全造成严重的威胁。

发明内容

为了克服上述现有技术的不足，本发明提供了一种多探头表面温度精准预测技术。若该技术用于人体体温监测时，不会强制约束用户的使用习惯，并能在行业允许误差范围内能准确的预测出人体腋下的真实温度。

本发明解决现有技术问题不足所用的技术方案：测温探头分两组，第一组紧贴于恒温样本表面，收集恒温样本表面的温度数据。第二组不紧贴恒温样本表面，收集探头点所在位置的环境温度数据，两组探头用隔温带分隔。当恒温样本温度设定值不变时，环境温度上升或下降时，两组数据都会不同程度的上升和下降。这种差异是因为环境温度和恒温样本温度对两组探头数据的影响程度不同所致，本发明利用这种影响的差异性收集特征参数，拟合函数或训练神经网络模型预测恒温样本表面温度真实值。

进一步，本发明中数据收集可通过以下步骤实现，但不局限于该方法，主要步骤包括：测温探头分两组。第一组紧贴于恒温样本表面，第二组不贴于恒温样本表面，两组探头间有隔温带。

（1）记录恒温样本的温度y_j（j=1,2,3…m），待每次收集完数据后再以一定梯度重新设值再收集数据。所收集的数据为在不同y_j（j=1,2,3…m）条件下，环境温度以一定梯度重新设值后，两组探头所在点的温度数据。

（2）提取出对预测恒温样本表面真实温度有影响的特征参数X={x_i（i=1,2,3…n）}，以每个合格样本的特征参数X作为输入层，以对应恒温样本的温度设定值y_j（j=1,2,3…m）作为输出层，训练神经网络预测模型或数据拟合函数。

（3）利用得到的神经网格预测模型或函数，将两组探头收集的特征参数输入即可预测恒温样本的温度设定值。

进一步，在本发明中，对预测恒温样本真实温度有影响的特征参数有：初始温度数据，变温过程中两组探头温度数据差，稳定后的温度数据，快速变温阶段的斜率，快速变温阶段的时长等。

进一步，若构建BP神经网络模型，输入层节点个数n与特征参数相关，隐含层节点个数q由模型训练结果进行择优选取，输出层节点个数为1；模型中输入层到隐含层，隐含层到输出层之间的连接权值系数矩阵及偏置按BP神经网络模型的基本原理进行设计。

与现有技术的相比，本发明的有益效果主要表现在：利用多探表面温度预测技术能精准的预测物体表面的真实温度，使用时只需将多探头温度计正确地贴于物体表面。若该技术用于人体腋下发烧监测时，与现有技术相比不会对用户使用习惯进行强制约束，并能在行业允许误差范围内能准确的预测出人体腋下的真实温度；若该技术用于精密设备表面温度精准监测时，不用对设备进行改装就能精准监测设备表面温度。

附图说明

图1是多探头电子温度计的结构简图。

图2是一种多探头表面温度精准预测技术的原理说明。初始时，两组探头所在点的温度数据等于恒温样本设定温度值，即环境温度和恒温样本温度相等不会影响两组探头的数据造成影响。在时间A点时环境温度突降一定值，第一组和第二组探头温度数据也开始降低。两组探头降低后稳定的温度数据与时间A点以前的温度数据存在一种对应的关系，如改变环境温度或恒温样本温度，两组探头温度数据又会发生变化直到稳定达成另一个对应关系。本发明利用这种对应关系，拟合函数或训练神经网络模型进行预测恒温样本表面的真实温度。

具体实施方式

下面以实施例来详细说明本发明的实施方式。

在本实施方案中以双探头为例，主要消除接触式电子温度计连续监测或测量表面温度受环境影响带来的误差，包括以下步骤：测温探头分两组，每组各一个。第一个紧贴于恒温样本表面，第二组不贴于恒温样本表面，两组探头间有隔温带。

（1）记录恒温样本的温度y_j（j=1,2,3…m），待每次收集完数据后再以一定梯度重新设值再收集数据。每次所收集的数据为在不同y_j（j=1,2,3…m）条件下，环境温度以一定梯度重新设值后，两组探头所在点的温度数据。

（2）提取出对预测恒温样本表面温度有影响的特征参数X={x_i（i=1,2,3…k）}，以每个合格样本的特征参数X作为输入层，以对应恒温样本的温度设定值y_j（j=1,2,3…m）作为输出层，构建BP神经网络预测模型。

（3）利用得到的预测模型，将两组探头收集的特征参数输入即可预测恒温样本的温度设定值。

在本实施例中，对预测表面真实温度有影响的特征参数有：初始温度，整个变温过程中两组探头温度差，稳定后的温度，快速变温阶段的斜率。

在本实施案例中输入节点个数n=17，隐含层节点个数q由模型训练结果进行择优选取，输出层节点个数为1，本实施例中特征参数个数为k=4个。

根据BP神经网络的基本原理，首选对特征参数以及恒温样本温度设定值y_j进行归 一化处理，使他们的值都在[-1，1]之间：。

式中x_max和x_min为测量过程中特征参数或恒温样本设定温度值y_j的最大值和最小值。

模型中输入层到隐含层，隐含层到输出层之间的连接权值系数矩阵及偏置分别为 b×n矩阵W₁，1×q矩阵W₂，b×1矩阵B₁，1×1矩阵B₂，隐含层的第s个节点的输出： 。

式中f(x)为S型的正切函数tansing函数，即，w_si∈w₁， b_s1∈B₁。

输出层的输出结果Y为：，式中g(x)为purelin函数， w_1i∈w₂,b₁₁∈B_2，y_i是隐含层节点i的输出。

对于收集的特征参数X={x_i（i=1,2,3…n）}，恒温样本温度设定值y_i（i=1,2,3…n）的实验样本，将其输入神经网络进行训练。

本实施例中实验样本的输出误差定义为：。

式中Y_i是实际输出，D_i是预期值，N是训练样本的总个数，通过逆向传播调整连接权数训练神经网络，直到总误差达到最小为止，从而完成训练。

在使用中，将多探头温度计贴于待测温体表面，提取特征参数X，利用预测模型预测出物体的表面真实温度。

在实施例中，对技术方案进行了详细的说明，若通过数据拟合函数来实现预测，只需将重要特征参数，导入类似matlab的软件中，拟合出函数即可。利用拟合的函数预测出物体的表面真实温度。重要的特征参数至少包括初始温度数据、稳定后的温度等。

以上实施方式仅用于说明本发明，而非对本发明的限制。本领域的普通技术人员应当理解，对本发明的技术方案进行各种组合、修改或者等同替换，都不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种多探头表面温度精准预测技术，其特征在于：利用两组温度探头和拟合的函数或神经网络模型，实现对物体表温度进行精准快速预测，主要步骤包括：

（1）记录恒温样本的温度y_j（j=1,2,3…m），待每次收集完数据后再以一定梯度重新设值再收集数据，每次所收集的数据为在不同y_j（j=1,2,3…m）条件下，环境温度以一定梯度重新设值后，两组探头所在点的温度数据；

（2）提取出对预测恒温样本表面温度有影响的特征参数X={x_i（i=1,2,3…n）}，以每个合格样本的特征参数X作为输入层，以对应恒温样本的温度设定值y_j（j=1,2,3…m）作为输出层，训练神经网络预测模型或数据拟合函数；

（3）利用得到的神经网络预测模型或函数，将两组探头收集的特征数据输入即可预测恒温样本表面真实温度。

2.如权利要求1所述的一种多探头表面温度精准预测技术，其特征在于：所述测温探头分两组，第一组紧贴于恒温样本表面，收集恒温样本表面的温度数据；第二组不紧贴恒温样本表面，收集探头点所在位置的环境温度数据，两组探头间有隔温带。

3.如权利要求2所述的一种多探头表面温度精准预测技术，其特征在于：所述两组探头间有隔温带，隔温带可为空气或具有一定隔热作用的材料。