CN109738669B - 一种压电式加速度传感器的温漂补偿方法 - Google Patents
一种压电式加速度传感器的温漂补偿方法 Download PDFInfo
- Publication number
- CN109738669B CN109738669B CN201910028338.0A CN201910028338A CN109738669B CN 109738669 B CN109738669 B CN 109738669B CN 201910028338 A CN201910028338 A CN 201910028338A CN 109738669 B CN109738669 B CN 109738669B
- Authority
- CN
- China
- Prior art keywords
- temperature
- acceleration sensor
- drift compensation
- temperature drift
- output
- 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.)
- Active
Links
Images
Landscapes
- Feedback Control In General (AREA)
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
Abstract
本发明提供一种压电式加速度传感器的温漂补偿方法,该温漂补偿方法包括获取不同温度值t1所对应的压电式加速度传感器的输出电压;利用小波神经网络对步骤S1获得的不同温度值和对应的输出电压之间的非线性关系进行拟合,构建温漂补偿模型;利用温漂补偿模型对压电式加速度传感器的原有输出电压进行补偿;该方法有效解决压电式加速度传感器因温度变化而输出发生高频变化的输出数据曲线拟合问题,补偿方法简单可靠,一般神经网络、最小二乘法等算法相比,具有收敛速度快,拟合高频非线性精度高的特点,并且根据输入温度曲线可进行依单调性自主分段,分段比较精确。
Description
技术领域
本发明属于加速度传感器的温漂补偿领域,特别涉及一种压电式加速度传感器的温漂补偿方法。
背景技术
压电式加速度传感器是利用材料的压电效应进行检测振动,其压电材料受温度的影响较大,为适应更宽的工作要求,需对压电式加速度传感器进行温度补偿。当前国内外已有不少关于压电式加速度传感器的温度补偿研究、温度试验和静态温度模型辨识研究,包括硬件方法和软件方法。硬件方法是对加速度计转换电路的温度补偿方法,如硬件对称法、热敏电阻补偿法、记忆功能块补偿法、微积分抑制补偿法和双敏感器件互补法等。软件方法是通过大量在工作温度范围内的测试,辨识出加速度传感器的偏置,得到加速度传感器输出与温度的函数曲线,然后在应用的过程中加以补偿。比较而言,硬件补偿可以作为改善压电式加速度传感器精度的基础,要实现高精度的输出还要靠软件方法。
由于压电式加速度传感器结构复杂,随着环境温度的变化,加速度计结构热胀冷缩的效应、残余应力作用、系统刚度变化、电路温度漂移等都会使输出产生漂移现象,这种漂移现象为非线性变化,很难利用多阶多项式拟合得到,求平均温补的方法也是难以对这种漂移现象很好的进行消除。因此,需要寻找一种收敛速度快,拟合精度高的压电式加速度传感器的温漂补偿方法。
发明内容
为了解决现有技术中存在的问题,本发明提供了一种压电式加速度传感器的温漂补偿方法。
本发明具体技术方案如下:
本发明提供一种压电式加速度传感器的温漂补偿方法,该温漂补偿方法包括如下步骤:
1):获取不同温度值t1所对应的压电式加速度传感器的输出电压;
2):利用小波神经网络对步骤S1获得的不同温度值和对应的原有输出电压之间的非线性关系进行拟合,构建温漂补偿模型;
3):利用温漂补偿模型对压电式加速度传感器的原有输出电压进行补偿。
进一步的改进,步骤2)中的小波神经网络为三层神经网络,包括输入层、隐含层和输出层。
进一步的改进,从输入到输出的非线性映射关系为:
其中,aj和bj分别为第j个隐含层小波元的伸缩和平移尺度;xi为输入层的第i个输入样本,yl为输出层的第l个输出值;n为输入层节点个数;m为隐含层节点个数;Ψ()为小波过程神经元激励函数;wij()为输入层节点i和隐含层节点j的权值,“-”表示估计值;vj为隐含层节点j和输出层节点l的权值;T表示积分时间长度,(t)dt为时间的微分算子。
进一步的改进,步骤1)还包括获取压电式加速度传感器内部的温度值t2,将t1与t2进行比较,当t1=t2时,进行步骤2)和步骤3)。
进一步的改进,所述温漂补偿方法还包括:
4):当t1≠t2时,计算t1与t2的温度差Δt,并将温度差Δt与温度差阈值Δt1进行比较,当Δt≤Δt1,进行步骤5);
5):分别利用小波神经网络对步骤1)获得的不同温度值t1和对应的输出电压之间及温度值t2和对应的原有输出电压之间的非线性关系进行拟合,构建第一温漂补偿模型和第二温漂补偿模块;
6):将获取的压电式加速度传感器内部的温度值输入到第一温漂补偿模型和第二温漂补偿模型内,将输出结果进行结合后对压电式加速度传感器的原有输出电压进行补偿。
进一步的改进,步骤6)所述的结合具体为:
进一步的改进,所述温漂补偿方法还包括:
7):当Δt>Δt1,将t1与对应的温度差Δt作为训练样本;
8):利用小波神经网络对步骤7)获得的训练样本的非线性关系进行拟合,构建温差补偿模型;
9):利用温差补偿模型对压电式加速度传感器内部的温度进行补偿;
10):利用小波神经网络对步骤S9获得的补偿后的温度和对应的原有输出电压之间的非线性关系进行拟合,重新构建温漂补偿模型;
11):利用重新构建的温漂补偿模型对压电式加速度传感器的原有输出电压进行补偿。
进一步的改进,步骤8)小波神经网络包括三层,输入层、隐含层和输出层,所述隐含层的节点个数为7。
进一步的改进,步骤8)从输入到输出的非线性映射关系为:
xi为输入层的第i个输入样本,yl为输出层的第l个输出值;n为输入层节点个数;m为隐含层节点个数;f()为激励函数;pij为输入层节点i和隐含层节点j的权值;kj为隐含层节点j和输出层节点l的权值。
本发明的有益效果:
本发明提供一种压电式加速度传感器的温漂补偿方法,该方法包括精密温度实验、非线性数据拟合和分温度段数据补偿,实现压电式加速度传感器在-40℃-120℃区间内的温度补偿,有效解决压电式加速度传感器因温度变化而输出发生高频变化的输出数据曲线拟合问题,补偿方法简单可靠,一般神经网络、最小二乘法等算法相比,具有收敛速度快,拟合高频非线性精度高的特点,并且根据输入温度曲线可进行依单调性自主分段,分段比较精确。
附图说明
图1为实施例1一种压电式加速度传感器的温漂补偿方法的流程图;
图2为实施例1数字温控箱的的实验框图;
图3为实施例1小波神经网络模型结构示意图;
图4为实施例1小波神经网络学习过程流程图;
图5为实施例1温度补偿曲线的示意图;
图6为实施例2一种压电式加速度传感器的温漂补偿方法的流程图。
附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所描述的步骤。
具体实施方式
由于本发明的方法描述是在计算机系统中实现的,该计算机系统可以设置在服务器或客户端的处理器中。例如本文所述的方法可以实现为能以控制逻辑来执行的软件,其由服务器中的CPU来执行。本文所述的功能可以实现为存储在非暂时性有形计算机可读介质中的程序指令集合。当以这种方式实现时,该计算机程序包括一组指令,当该组指令由计算机运行时其促使计算机执行能实施上述功能的方法。可编程逻辑可以暂时或永久地安装在非暂时性有形计算机可读介质中,例如只读存储器芯片、计算机存储器、磁盘或其他存储介质。除了以软件来实现之外,本文所述的逻辑可以利用分立部件、集成电路、与可编程逻辑设备(诸如,现场可编程门阵列(FPGA)或微处理器)结合使用的可编程逻辑,或者包括它们任意组合的任何其他设备来体现。所有此类实施均落入本发明的范围之内。
实施例1
本发明实施例1提供一种压电式加速度传感器的温漂补偿方法,如图1所示,该温漂补偿方法包括如下步骤:
1):获取不同温度值t1所对应的压电式加速度传感器的输出电压;本发明采用精密数字温控箱,进行温度补偿实验,温控箱可满足温度波动范围在±0.3℃之内,从-40℃到120℃,温度可每上升5℃或10℃,进行一次压电式加速度传感器输出测量,也可以随机选择温度值,然后测量压电式加速度传感器的输出电压,同时记录温控箱温度t1;为避免温控箱中气压变化对传感器输出的影响,温控箱中设置有压强调节装置,保证传感器的气压环境稳定,实验框图如图2所示。
2):利用小波神经网络对步骤S1获得的不同温度值和对应的原有输出电压之间的非线性关系进行拟合,构建温漂补偿模型;小波神经网络模型结构如图3所示,其为三层神经网络,包括输入层、隐含层和输出层,小波神经网络对非线性数据进行曲线拟合的过程是由正向传播输出和反向传播调整两个过程组成的。在正向传播的过程中,输入信号按输入层-隐含层-输出层的顺序逐层处理,当输出层信号与期望输出误差较大时,输出信号的误差将沿原来的连结通路反向传播,直到输入层,并以误差最小为优化目标,对各层连结权值进行修改。含一个小波过程神经元隐层的权函数基展开、线性输出的连续小波神经网络可以写为
小波神经网络学习过程流程图如图4所示,网络参数主要指网络之间的权值、小波神经元函数的平移值和伸缩值,将网络计算输出值和实际传感器样本值作差,通过使网络输出与实际样本之间的范式距离最小,来修正网络参数。小波神经网络的基元和整个结构是依据小波分析理论确定的,较一般神经网络而言,结构更简单,收敛速度更快,拟合非线性温度曲线的精度更高。
根据温漂补偿模型输出的结果,将对应的温度和输出结果形成一条温度补偿曲线,如图5所示,其中T1,T2分别表示温度转折点,S1,S2,S3分别为各分段单调曲线。
3):利用温漂补偿模型对压电式加速度传感器的原有输出电压进行补偿。将获取的压电式加速度传感器内部的温度值t2与T1和T2进行比较,当t2<T1,利用S1温度曲线进行温漂补偿,当T1≤t2≤T2,利用S2温度曲线进行温漂补偿,当t2>T2,利用S3温度曲线进行温漂补偿。
实施例2
本发明实施例2提供一种压电式加速度传感器的温漂补偿方法,该温漂补偿方法与实施例1的基本相同,不同的是,步骤1)还包括获取压电式加速度传感器内部的温度值t2,将t1与t2进行比较,当t1=t2时,进行步骤2)和步骤3)。为了保持温控箱温度与压电式加速度传感器内部温度相同,温控箱每变化一个温度值后,同一温度保持1小时的恒温条件,提高温漂补偿的准确性。
实施例3
本发明实施例3提供一种压电式加速度传感器的温漂补偿方法,该温漂补偿方法与实施例2的基本相同,不同的是,如图6所示,所述温漂补偿方法还包括:
4):当t1≠t2时,计算t1与t2的温度差Δt,并将温度差Δt与温度差阈值Δt1进行比较,当Δt≤Δt1,进行步骤5);
5):分别利用小波神经网络对步骤1)获得的不同温度值t1和对应的输出电压之间及温度值t2和对应的原有输出电压之间的非线性关系进行拟合,构建第一温漂补偿模型和第二温漂补偿模块;
6):将获取的压电式加速度传感器内部的温度值输入到第一温漂补偿模型和第二温漂补偿模型内,将输出结果进行结合后对压电式加速度传感器的原有输出电压进行补偿;结合具体为:
7):当Δt>Δt1,将t1与对应的温度差Δt作为训练样本;
8):利用小波神经网络对步骤7)获得的训练样本的非线性关系进行拟合,构建温差补偿模型;其中小波神经网络包括三层,输入层、隐含层和输出层,所述隐含层的节点个数为7,从输入到输出的非线性映射关系为:
9):利用温差补偿模型对压电式加速度传感器内部的温度进行补偿;
10):利用小波神经网络对步骤S9获得的补偿后的温度和对应的原有输出电压之间的非线性关系进行拟合,重新构建温漂补偿模型;含一个小波过程神经元隐层的权函数基展开、线性输出的连续小波神经网络可以写为
11):利用重新构建的温漂补偿模型对压电式加速度传感器的原有输出电压进行补偿。
温控箱在设定温度时,可能是随机的,并且压电式加速度传感器在长时间使用时,内部的温度升高对测量结果也有显著的影响,导致温控箱的温度和压电式加速度传感器内部的温度不同,这样降低了温漂补偿的准确性,所以本申请进行对压电式加速度传感器内部的温度与温控箱温度进行比较,当温控箱温度与压电式加速度传感器内部温差在一定范围内时,采用两个温漂补偿模型的输出结果相结合,进行温漂补偿,当温度差较大时,对压电式加速度传感器内部的温度进行补偿,然后将补偿后的温度和对应的输出电压经过小波神经网络进行非线性拟合,重新构建温漂补偿模型,并利用重新构建的温漂补偿模型对压电式加速度传感器的原有输出电压进行补偿,经过以上方法,大大提高了温漂补偿的准确性和精度,克服了压电式加速度传感器内部升温带来的温漂问题。
Claims (7)
1.一种压电式加速度传感器的温漂补偿方法,其特征在于,所述温漂补偿方法包括如下步骤:
1):获取不同温度值t1所对应的压电式加速度传感器的输出电压及获取压电式加速度传感器内部的温度值t2,将t1与t2进行比较,当t1=t2时,进行步骤2)和步骤3);
2):利用小波神经网络对步骤1)获得的不同温度值和对应的输出电压之间的非线性关系进行拟合,构建温漂补偿模型;
3):利用温漂补偿模型对压电式加速度传感器的原有输出电压进行补偿;
4):当t1≠t2时,计算t1与t2的温度差Δt,并将温度差Δt与温度差阈值Δt1进行比较,当Δt≤Δt1,进行步骤5);
5):分别利用小波神经网络对步骤1)获得的不同温度值t1和对应的输出电压之间及温度值t2和对应的输出电压之间的非线性关系进行拟合,构建第一温漂补偿模型和第二温漂补偿模型;
6):将获取的压电式加速度传感器内部的温度值输入到第一温漂补偿模型和第二温漂补偿模型内,将输出结果进行结合后对压电式加速度传感器的原有输出电压进行补偿。
2.如权利要求1所述的压电式加速度传感器的温漂补偿方法,其特征在于,步骤2)中的小波神经网络为三层神经网络,包括输入层、隐含层和输出层。
5.如权利要求1所述的压电式加速度传感器的温漂补偿方法,其特征在于,所述温漂补偿方法还包括:
7):当Δt>Δt1,将t1与对应的温度差Δt作为训练样本;
8):利用小波神经网络对步骤7)获得的训练样本的非线性关系进行拟合,构建温差补偿模型;
9):利用温差补偿模型对压电式加速度传感器内部的温度进行补偿;
10):利用小波神经网络对步骤9)获得的补偿后的温度和对应的输出电压之间的非线性关系进行拟合,重新构建温漂补偿模型;
11):利用重新构建的温漂补偿模型对压电式加速度传感器的原有输出电压进行补偿。
6.如权利要求5所述的压电式加速度传感器的温漂补偿方法,其特征在于,步骤8)小波神经网络包括三层,输入层、隐含层和输出层,所述隐含层的节点个数为7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910028338.0A CN109738669B (zh) | 2019-01-11 | 2019-01-11 | 一种压电式加速度传感器的温漂补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910028338.0A CN109738669B (zh) | 2019-01-11 | 2019-01-11 | 一种压电式加速度传感器的温漂补偿方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109738669A CN109738669A (zh) | 2019-05-10 |
CN109738669B true CN109738669B (zh) | 2020-12-25 |
Family
ID=66364561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910028338.0A Active CN109738669B (zh) | 2019-01-11 | 2019-01-11 | 一种压电式加速度传感器的温漂补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109738669B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112557595A (zh) * | 2020-11-30 | 2021-03-26 | 苏州芯镁信电子科技有限公司 | 一种氢气传感器模组输出自动校准电路及其校准方法 |
CN115047213B (zh) * | 2021-03-09 | 2023-04-21 | 北京大学 | 一种提高mems加速度计长期稳定性的方法 |
CN114993461B (zh) * | 2022-08-08 | 2022-11-04 | 成都久和建设设备有限责任公司 | 一种塔机机构电机振动的检测系统和方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101440849B1 (ko) * | 2013-11-19 | 2014-09-17 | 만도헬라일렉트로닉스(주) | 가속도 센서의 출력 보정장치 및 그 제어방법 |
CN104950135A (zh) * | 2015-03-26 | 2015-09-30 | 苏州大学 | 基于lm_bp算法的硅微加速度计温度补偿方法及系统 |
CN108073075A (zh) * | 2017-12-21 | 2018-05-25 | 苏州大学 | 基于ga优化bp神经网络的硅微加速度计温度补偿方法、系统 |
CN108120451A (zh) * | 2017-12-21 | 2018-06-05 | 苏州大学 | 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统 |
-
2019
- 2019-01-11 CN CN201910028338.0A patent/CN109738669B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101440849B1 (ko) * | 2013-11-19 | 2014-09-17 | 만도헬라일렉트로닉스(주) | 가속도 센서의 출력 보정장치 및 그 제어방법 |
CN104950135A (zh) * | 2015-03-26 | 2015-09-30 | 苏州大学 | 基于lm_bp算法的硅微加速度计温度补偿方法及系统 |
CN108073075A (zh) * | 2017-12-21 | 2018-05-25 | 苏州大学 | 基于ga优化bp神经网络的硅微加速度计温度补偿方法、系统 |
CN108120451A (zh) * | 2017-12-21 | 2018-06-05 | 苏州大学 | 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统 |
Non-Patent Citations (3)
Title |
---|
基于谐振频率的微机械加速度计温度补偿方法;刘义冬等;《天津大学学报(自然科学与工程技术版)》;20150731;第48卷(第7期);第658-662页 * |
石英加速度计温度漂移的小波网络建模;解启瞻等;《测控技术》;20090831;第28卷(第8期);第15-18页 * |
石英振梁加速度计的小波神经网络温度补偿研究;惠进等;《兵器装备工程学报》;20160731;第37卷(第7期);第118-122页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109738669A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109738669B (zh) | 一种压电式加速度传感器的温漂补偿方法 | |
CN109255160B (zh) | 基于神经网络的单元延时预测方法和单元延时灵敏度计算方法 | |
Ichalal et al. | Simultaneous state and unknown inputs estimation with PI and PMI observers for Takagi Sugeno model with unmeasurable premise variables | |
US11176447B2 (en) | Semiconductor device modeling using input pre-processing and transformed targets for training a deep neural network | |
JP2009134751A (ja) | 物理的システムにおいて入力信号を発生する方法及び装置 | |
KR20220048941A (ko) | 인공 신경망을 이용한 트랜지스터 컴팩트 모델링 시스템, 방법 및 컴퓨터 프로그램 제품 | |
Bertrand et al. | Wing airfoil pressure calibration with deep learning | |
Amiraliyev et al. | A fitted approximate method for a Volterra delay-integro-differential equation with initial layer | |
KR100413134B1 (ko) | 박막 트랜지스터의 전기적 특성의 모델링 | |
US20030033058A1 (en) | Method and apparatus for generating input signals in a physical system | |
CN104535257B (zh) | 一种硅压阻温度补偿评估方法 | |
Li et al. | Mori-Zwanzig reduced models for uncertainty quantification | |
CN110927798B (zh) | 一种基于深度学习的测井曲线预测方法及其系统 | |
Jarnda | Genetic algorithm based extraction method for distributed small-signal model of GaN HEMTs | |
Poliarus et al. | Identification of a nonlinear inertial measuring pressure channel | |
CN105628297A (zh) | 一种9mm压电激励振动筒压力传感器的拟合方法 | |
CN108879669A (zh) | 基于低阶iigd算法的时滞电力系统特征值分析方法 | |
CN105956609B (zh) | 一种基于svm的加速度计混合动态模型建立的方法 | |
Kumari et al. | Performance enhanced nonlinearity compensation of thermocouple using convolutional neural network | |
Yan et al. | Discretization error estimation by the error transport equation on unstructured meshes-applications to viscous flows | |
CN116611378A (zh) | 电路模型的仿真模拟方法及装置、计算机设备和存储介质 | |
CN110232720B (zh) | 基于灵敏度矩阵优化的电学层析成像正则化重建方法 | |
Winkler | Stochastic DAEs in transient noise simulation | |
CN111695230B (zh) | 一种用于微波无源器件的神经网络空间映射多物理建模方法 | |
Dibi et al. | Artificial neural network‐based hysteresis estimation of capacitive pressure sensor |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210602 Address after: 102600 unit 1908, 21 / F, building 1, No.3, rongjingdong street, Beijing Economic and Technological Development Zone, Daxing District, Beijing Patentee after: North Keyuan (Beijing) Technology Development Co.,Ltd. Address before: 801, 8 / F, building 1, No. 5, Ronghua Middle Road, Daxing District, Beijing, 100176 Patentee before: BEIJING MAISI TAIKE TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |