CN112903758B - 一种气体传感器重叠分块温湿度智能自校准方法 - Google Patents

Abstract

本发明涉及气体传感器测量领域，具体是一种气体传感器重叠分块温湿度智能自校准方法，包括步骤：S1、在不同温度、湿度和浓度情况下测气体传感器的电阻；S2、获取响应电阻与各变量的变化规律；S3、粗选异常点；S4、按数据随温度、湿度及浓度的变化规律对数据重叠分块；S5、对各数据块分别做多元线性回归；S6、反复细选异常点并迭代修正；S7、对修正后的数据块进行多元线性回归；S8、通过逆运算建立浓度的温湿度补偿表达式；S9、将同种传感器的多个补偿表达式导入微控制器，并获取多个预测值，取所有预测值的平均值为气体传感器的校准结果；实现了气体传感器的温湿度实时智能自校准。

Description

一种气体传感器重叠分块温湿度智能自校准方法

技术领域

本发明涉及气体传感器测量领域，具体是指一种气体传感器重叠分块温湿度智能自校准方法。

背景技术

气体传感器的响应易受温湿度的影响，因此对温湿度带来的影响进行校准是非常有必要的，然而目前市面上的许多气体传感器并未做温湿度自校准，目前已有的温湿度校准方法主要有多元线性回归，高斯回归，神经网络等，由于高斯回归、神经网络方法，如田震设计的基于高斯回归过程的红外甲烷温湿度补偿算法、王海荣等人设计的反向传播神经网络模型温湿度补偿方法等，往往需要进行指数运算等复杂运算，因此不满足气体传感器检测所需的实时性要求，而已有的多元线性回归方法只适用于数据受温湿度影响规律简单的气体传感器，如朱恒军等人设计的汽车尾气温湿度补偿多元线性回归补偿算法，若用于受温湿度影响规律复杂的数据，会产生较大的误差。

发明内容

基于以上问题，本发明提供了一种气体传感器重叠分块温湿度智能自校准方法，实现了气体传感器根据温度和湿度自动校准。

为解决以上技术问题，本发明采用的技术方案如下：

一种气体传感器重叠分块温湿度智能自校准方法，包括如下步骤：

一种气体传感器重叠分块温湿度智能自校准方法，主要包括如下步骤：

S1、获取数据并处理数据，根据电阻随温度、湿度及浓度的变化规律对数据重叠分块；

S2、粗选异常点后，对各块数据做多元线性回归，然后细选异常点并迭代修复异常点；

S3、通过逆运算建立浓度的温湿度补偿表达式，将多个同种气体传感器的温湿度补偿表达式导入微控制器，最终预测值为各预测值的平均值。

进一步，步骤S1具体包括如下步骤：

S11、在不同温度、湿度和浓度情况下测气体传感器的电阻；

S12、绘制电阻实时响应图，找出所有波峰点作为响应电阻，分别做响应电阻-浓度最小二乘拟合曲线图，分别固定温度、固定湿度，做温度-浓度-响应电阻三维图和湿度-浓度-响应电阻三维图，获取响应电阻与各变量的变化规律；

S13、根据响应电阻随温度、湿度及浓度的变化规律对数据重叠分块，即先对温度、湿度及浓度进行重叠分段划分范围段，每个范围段与前一个范围段重叠至少两个值，再将不同范围段交叉组合，最后结合对应的响应电阻组合成数据块，在预测时重叠部分取两个预测值的均值；

进一步，步骤S2具体包括如下步骤：

S21、根据气体传感器的响应机理以及响应电阻-浓度最小二乘拟合曲线图粗选异常点；

S22、对排除粗选异常点的数据块分别做多元线性回归；

S23、计算响应电阻实际测量值与预测值的相对偏差，将偏差百分比绝对值大于10％的点作为细选异常点，删去该细选异常点；

S24、对删去细选异常点后的数据块进行多元线性回归，并使用回归结果预测S23中删去的细选异常点，使用预测值代替测量值以修复细选异常点，再对修复后的数据做分块多元线性回归；

S25、重复步骤S23，若仍有偏差绝对值大于10％的异常点，则重复步骤S24，对数据迭代修复，直到没有细选异常点为止；

进一步，步骤S3具体包括如下步骤：

S31、通过对最终回归结果做逆运算建立浓度的温湿度补偿表达式；

S31、对多个气体传感器所测的数据重复S1、S2，得到多组浓度的温湿度补偿表达式；将多个温湿度补偿表达式导入微控制器，在预测时即可获取多个预测值，取所有预测值的平均值为气体传感器的校准结果。

进一步，步骤S13所述的对数据重叠分块方法可具体阐述为：

根据响应电阻数据随温度、湿度、浓度三个自变量的变化规律，对该四元数据进行重叠分块处理，即将三个自变量范围分段并交叉组合，使变化规律相似的电阻数据划分在同一数据块中。

进一步，所述步骤S21具体包括如下步骤：

根据气体传感器的响应机理，在每一个温度和湿度下，判断响应电阻的变化曲线，若在上升型气体传感器中，出现响应电阻不随浓度增大而增大的点则存在异常点，统计异常点数量；同样，若在下降型气体传感器中，出现响应电阻不随浓度增大而减小的点则存在异常点，统计异常点数量；

进一步做存在粗选异常点的温度、湿度下的响应电阻-浓度最小二乘拟合曲线图，使响应电阻实际测量值与其拟合值进行比较，其误差较大的相应数量的点为粗选的异常点，并对照电阻实时响应图，检查第一次筛选的异常点是否符合实际情况。

进一步，所述步骤S22中，构建模型，对数据块分别做多元线性回归，模型公式为：

R＝R₀[1+α₁(ΔT/T₀)+α₂(ΔT/T₀)²][1+β₁(ΔH/H₀)+β₂(ΔH/H₀)²][1+λ₁(ΔC/C₀)]；

其中，ΔT＝T-T₀,ΔH＝H-H₀,ΔC＝C-C₀,T₀为每个温度段的中间温度值，H₀为每个温度段的中间温度值，C₀为每个浓度段的中间浓度值，将该数据块的中间温度值、中间湿度值、中间浓度值所对应的响应电阻作为标准值，即R₀为当前温度范围下的响应电阻标准值，ΔT为当前温度相对于中间温度值的偏差，ΔH为当前湿度相对于中间湿度值的偏差，ΔC为当前浓度相对于中间浓度值的偏差，另外，α₁、α₂分别为温度相对变化量的一次项和二次项系数，β₁、β₂分别为湿度相对变化量的一次项和二次项系数，λ₁为浓度相对变化量的一次项系数，α₁、α₂、β₁、β₂、λ₁为未知数，通过多元线性回归求出系数值，即可建立温度、湿度、浓度和响应电阻之间的关系式，另外，当ΔT、ΔH、ΔC均为0时，R＝R₀，为当前数据块下温度中值、湿度中值、浓度中值对应的理论响应电阻值，当ΔT、ΔH、ΔC不为0时，则在响应电阻标准值R₀的基础上计算相对偏差，将偏差绝对值大于10％的点作为细选异常点，修正细选异常点。

进一步，偏差百分比绝对值的计算方式为：

S51、将模型的公式转化为：

Y＝R₀[1+α₁x₁+α₂x₁ ²][1+β₁x₂+β₂x₂ ²][1+λ₁x₃]；

其中，x₁＝(T-T₀)/T₀、x₂＝(H-H₀)/H₀、x₃＝(C-C₀)/C₀,由于该公式为内蕴的线性回归模型，因此将其转化为线性回归模型为：

Y＝R₀[1+α₁x₁+α₂x₁₁][1+β₁x₂+β₂x₂₂][1+λ₁x₃]；

其中，x₁₁＝x₁ ²,x₂₂＝x₂ ²，带入数据，使用最小二乘法求出最佳系数α₁、α₂、β₁、β₂、λ₁，实现多元线性回归；

S52、根据多元线性回归计算出理论理论响应电阻值

并计算偏差百分比绝对值：

其中，i表示第i个数据。

进一步，所述步骤S31中，补偿表达式为：

C＝(RC₀)/[λR₀(1+α₁(ΔT/T₀)+α₂(ΔT/T₀)²)(1+β₁(ΔH/H₀)+β₂(ΔH/H₀)²)]-C₀/λ₁+C₀。

与现有技术相比，本发明的有益效果是：本发明不仅通过对数据分块使气体传感器的响应电阻在不同的温度、湿度中得到了较好的校准，而且通过使不同分块中数据的重叠使各数据块的回归具备连续性与相关性，相对于普通的分块处理，重叠分块使回归结果准确度更高，更贴近真实性。

附图说明

图1所示为本发明的流程图；

图2为本实施例中对氨气传感器智能校准的流程图

图3所示为本发明实施例提供的一种氨气传感器的30℃，30％湿度下的电阻实时响应图；

图4所示为本发明实施例提供的30℃下的湿度-浓度-响应电阻三维图；

图5所示为本发明实施例提供的30％湿度下的温度-浓度-响应电阻三维图；

图6所示为本发明实施例提供的误差分布统计图与正态曲线图。

具体实施方式

下面结合附图对本发明作进一步的说明。本发明的实施方式包括但不限于下列实施例。

如图1所示，一种气体传感器重叠分块温湿度智能自校准方法，包括如下步骤：

S1、获取数据并处理数据，根据电阻随温度、湿度及浓度的变化规律对数据重叠分块；

其中，具体包括如下步骤：

S11、在不同温度、湿度和浓度情况下测气体传感器的电阻；

S12、绘制电阻实时响应图，找出所有波峰点作为响应电阻，分别做响应电阻-浓度最小二乘拟合曲线图，分别固定温度、固定湿度，做温度-浓度-响应电阻三维图和湿度-浓度-响应电阻三维图，获取响应电阻与各变量的变化规律；

S13、根据响应电阻随温度、湿度及浓度的变化规律对数据重叠分块，即先对温度、湿度及浓度进行重叠分段划分范围段，每个范围段与前一个范围段重叠至少两个值，再将不同范围段交叉组合，最后结合对应的响应电阻组合成数据块，在预测时重叠部分取两个预测值的均值；

其中，步骤S13根据响应电阻数据随温度、湿度、浓度三个自变量的变化规律，对该四元数据进行重叠分块处理，即将三个自变量范围分段并交叉组合，使变化规律相似的电阻数据划分在同一数据块中，各数据块之间数据部分重叠以保证各数据块之间的相关性，且重叠部分的数据在预测时取两个方程预测值的平均值，因此可以保证规律突变处的数据得到准确的校准，由于重叠分块温湿度校准方法在保证前后连贯的同时将复杂数据进行了分块处理，避开了指数运算和高次运算，因此在实现气体传感器在不同温湿度下的实时精确自校准的同时可以减少误差、提高准确度、提升算力。

S2、粗选异常点后，对各块数据做多元线性回归，然后细选异常点并迭代修复异常点；

其中，具体包括如下步骤：

S21、根据气体传感器的响应机理以及响应电阻-浓度最小二乘拟合曲线图粗选异常点；

S22、对排除粗选异常点的数据块分别做多元线性回归；

S23、计算响应电阻实际测量值与预测值的相对偏差，将偏差百分比绝对值大于10％的点作为细选异常点，删去该细选异常点；

S24、对删去细选异常点后的数据块进行多元线性回归，并使用回归结果预测S23中删去的细选异常点，使用预测值代替测量值以修复细选异常点，再对修复后的数据做分块多元线性回归；

S25、重复步骤S23，若仍有偏差绝对值大于10％的异常点，则重复步骤S24，对数据迭代修复，直到没有细选异常点为止。

其中，步骤S21中，根据气体传感器的响应机理，分为电阻上升型气体传感器和电阻下降型气体传感器，另外，电阻上升型气体传感器为随着浓度增大，响应电阻上升，反之，随着浓度增大，响应电阻下降则为电阻下降型气体传感器。

基于上述气体传感器的响应机理，在每一个温度和湿度下，判断响应电阻的变化曲线，若在上升型气体传感器中，出现响应电阻不随浓度增大而增大的点，统计异常点数量，同样，若在下降型气体传感器中，出现响应电阻不随浓度增大而减小的点，统计异常点数量；

进一步做存在粗选异常点的温度、湿度下的响应电阻-浓度最小二乘拟合曲线图，使响应电阻实际测量值与其拟合值进行比较，其误差较大的相应数量的点为粗选的异常点，并对照电阻实时响应图，检查第一次筛选的异常点是否符合实际情况。

另外，步骤S22中，构建模型，对数据块分别做多元线性回归，模型的公式为：

R＝R₀[1+α₁(ΔT/T₀)+α₂(ΔT/T₀)²][1+β₁(ΔH/H₀)+β₂(ΔH/H₀)²][1+λ₁(ΔC/C₀)]；

其中，ΔT/T、ΔH/H、ΔC/C为通过对温度、湿度和浓度的变化量做归一化处理，使温度、湿度和浓度的量纲在计算过程中被约去，实现了物理量量纲的统一；

其中，ΔT＝T-T₀,ΔH＝H-H₀,ΔC＝C-C₀,T₀为每个温度段的中间温度值，H₀为每个温度段的中间温度值，C₀为每个浓度段的中间浓度值，将该数据块的中间温度值、中间湿度值、中间浓度值所对应的响应电阻作为标准值，即R₀为当前温度范围下的响应电阻标准值，ΔT为当前温度相对于中间温度值的偏差，ΔH为当前湿度相对于中间湿度值的偏差，ΔC为当前浓度相对于中间浓度值的偏差，另外，α₁、α₂分别为温度相对变化量的一次项和二次项系数，β₁、β₂分别为湿度相对变化量的一次项和二次项系数，λ₁为浓度相对变化量的一次项系数，α₁、α₂、β₁、β₂、λ₁为未知数，通过多元线性回归求出系数值，即可建立温度、湿度、浓度和响应电阻之间的关系式；

另外，当ΔT、ΔH、ΔC均为0时，R＝R₀，为当前数据块下温度中值、湿度中值、浓度中值对应的理论响应电阻值，当ΔT、ΔH、ΔC不为0时，则在响应电阻标准值R₀的基础上计算相对偏差，将偏差绝对值大于10％的点作为第二次筛选的异常点，修正第二次筛选的异常点；

另外，上述表达式为广义线性方程，对温度、湿度为二次，对浓度为线性，浓度为线性使得对回归结果做逆运算时避免了开方运算，可大大减少计算量和计算时间。

另外，步骤S23中，偏差百分比绝对值的计算方式为：

(1)将模型的公式转化为：Y＝R₀[1+α₁x₁+α₂x₁ ²][1+β₁x₂+β₂x₂ ²][1+λ₁x₃]，其中，x₁＝(T-T₀)/T₀、x₂＝(H-H₀)/H₀、x₃＝(C-C₀)/C₀,由于该公式为内蕴的线性回归模型，因此将其转化为线性回归模型为：Y＝R₀[1+α₁x₁+α₂x₁₁][1+β₁x₂+β₂x₂₂][1+λ₁x₃]，其中，x₁₁＝x₁ ²,x₂₂＝x₂ ²，带入数据，使用最小二乘法求出最佳系数α₁、α₂、β₁、β₂、λ₁，实现多元线性回归；

(2)根据多元线性回归计算出理论理论响应电阻值

并计算偏差百分比绝对值：

其中，i表示第i个数据

另外，当没有异常点后，在各数据块中计算残差均值、标准差和置信区间，并计算置信度，具体公式如下：

残差均值

其中，n表示各数据块中的数据总量，i表示第i个数据；

标准差

其中，n表示各数据块中的数据总量，i表示第i个数据；

置信区间

当置信区间为上述时，正态分布的数据置信度应为99％。

S8、通过逆运算建立浓度的温湿度补偿表达式，将多个同种气体传感器的温湿度补偿表达式导入微控制器，最终预测值为各预测值的平均值；

其中，补偿表达式为：

C＝(RC₀)/[λR₀(1+α₁(ΔT/T₀)+α₂(ΔT/T₀)²)(1+β₁(ΔH/H₀)+β₂(ΔH/H₀)²)]-C₀/λ₁+C₀。

如图3所示，以下利用氨气传感器为例进行实际操作：

步骤一、在不同温度、湿度、浓度耦合情况下测该氨气传感器电阻；

步骤二、绘制电阻实时响应图，每一个温度、湿度条件下对应一个电阻实时响应图，如图2为30℃，30％湿度下的电阻实时响应；如图4-图5所示，分别绘制温度-浓度-响应电阻三维图、湿度-浓度-响应电阻三维图，通过观察湿度-浓度-响应电阻三维图，可发现各温度下湿度-浓度-响应电阻平面较为平整；通过观察温度-浓度-响应电阻三维图，可发现各湿度下温度-浓度-响应电阻平面变化趋势较为一致，响应电阻随着温度升高先减小再增大；由于响应电阻随温度变化较为复杂，因此将数据按温度范围进行分块处理，由于响应电阻随湿度、浓度变化较为一致，且大致为线性趋势，因此每个温度范围下包括所有湿度和浓度检测范围；考虑响应电阻随温度变化的连贯性和回归的准确性，将温度重叠分为下列三个区间：10℃～30℃，20℃～40℃，30℃～50℃，每个温度范围块下包含所有湿度范围和所有的浓度范围，对温度重叠的部分，最终预测值为两个温湿度补偿表达式预测值的平均值，温度范围分段方式具体为10℃～20℃～30℃～40℃～50℃；

步骤三、由该氨气传感器的机理可知该氨气传感器为上升型气体传感器，若出现不符合此规律的点，可能是由于测试设备或采集设备出现异常导致，具体出现响应电阻不随浓度增大而增大的点，统计异常点数量，做该温湿度下的做响应电阻-浓度最小二乘拟合曲线图，对响应电阻实际测量值与其拟合值进行比较，其误差大的相应点的数据为粗选异常点，并对照电阻实时响应图，检查粗选异常点是否符合实际情况，通过粗选异常点，在本次计算中共标记了11个异常点；

步骤四、使用模型对排除粗选异常点的数据进行分块多元线性回归；

步骤五、计算响应电阻实际测量值与预测值的相对偏差，并计算出相对偏差百分比绝对值；

步骤六、找出相对偏差绝对值大于10％的点，将偏差百分比绝对值大于10％的点作为细选异常点，删去该细选异常点，对删去细选异常点后的数据块进行多元线性回归，并使用回归结果预测S23中删去的细选异常点，使用预测值代替测量值以修复细选异常点，再对修复后的数据做分块多元线性回归；

步骤七、在每个温度范围下，使用模型分别对修复后的数据进行多元线性回归；

步骤八、重复步骤七，若仍有相对偏差百分比绝对值大于10％的点，则再重复步骤六～步骤八，迭代修复细选异常点，最终回归结果为：

第一个数据块：R₀＝2849.11，α₁＝-1.24，α₂＝1.37，β₁＝-0.319，β₂＝0.16，λ₁＝0.47；

第二个数据块：R₀＝2110.58，α₁＝-1.04，α₂＝0.29，β₁＝-0.42，β₂＝0.13，λ₁＝0.37；

第三个数据块：R₀＝1444.55，α₁＝22.95，α₂＝98.8，β₁＝-0.85，β₂＝0.13，λ₁＝0.24；

在各块中计算残差均值、标准差和置信区间，并计算置信度，共有148个点在置信区间中，2个点在置信区间外，计算出置信度为98.67％，因此该数据近似正态分布，如图6所示，其中：

残差均值：r＝1.24；

标准差：δ＝212.87；

置信区间：[-639.85,637.36]；

置信度：2/150＝98.67％；

步骤九、代入氨气传感器所处环境下的温度、湿度、以及测得的响应电阻值到补偿表达式，即可算出氨气浓度；

步骤十、对多个氨气传感器测出的不同组数据做S1～S11所述处理，可得到多组温度、湿度补偿表达式。

本发明通过对数据进行分块处理，使变化规律相似的电阻数据划分在同一数据块中，避开了指数运算和高次运算，因此可以减少误差、提升算力，实现对气体传感器的实时温湿度自校准。此外，各数据块之间数据部分重叠保证了各数据块之间的连续性与相关性，并且重叠部分的数据在预测时取两个方程预测值的平均值，因此可以保证规律突变处的数据得到准确的校准，相对于简单的分块处理，重叠分块使回归结果准确度更高，更贴近真实性。因此，该气体传感器的重叠分块温湿度自校准方法在实现气体传感器在不同温湿度下的实时精确自校准的同时可以减少误差、提高准确度、提升算力。

如上即为本发明的实施例。上述实施例以及实施例中的具体参数仅是为了清楚表述发明人的发明验证过程，并非用以限制本发明的专利保护范围，本发明的专利保护范围仍然以其权利要求书为准，凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。

Claims (2)

1.一种气体传感器重叠分块温湿度智能自校准方法，其特征在于，主要包括如下步骤：

S1、获取数据并处理数据，根据电阻随温度、湿度及浓度的变化规律对数据重叠分块；

S2、粗选异常点后，对各块数据做多元线性回归，然后细选异常点并迭代修复异常点；

S3、通过逆运算建立浓度的温湿度补偿表达式，将多个同种气体传感器的温湿度补偿表达式导入微控制器，最终预测值为各预测值的平均值；其中，

步骤S1具体包括如下步骤：

S11、在不同温度、湿度和浓度情况下测气体传感器的电阻；

S12、绘制电阻实时响应图，找出所有波峰点作为响应电阻，分别做响应电阻-浓度最小二乘拟合曲线图，分别固定温度、固定湿度，做温度-浓度-响应电阻三维图和湿度-浓度-响应电阻三维图，获取响应电阻与各变量的变化规律；

S13、根据响应电阻随温度、湿度及浓度的变化规律对数据重叠分块，即先对温度、湿度及浓度进行重叠分段划分范围段，每个范围段与前一个范围段重叠至少两个值，再将不同范围段交叉组合，最后结合对应的响应电阻组合成数据块，在预测时重叠部分取两个预测值的均值；

步骤S2具体包括如下步骤：

S21、根据气体传感器的响应机理以及响应电阻-浓度最小二乘拟合曲线图粗选异常点；

S22、对排除粗选异常点的数据块分别做多元线性回归；

S23、计算响应电阻实际测量值与预测值的相对偏差，将偏差百分比绝对值大于10％的点作为细选异常点，删去该细选异常点；

S24、对删去细选异常点后的数据块进行多元线性回归，并使用回归结果预测S23中删去的细选异常点，使用预测值代替测量值以修复细选异常点，再对修复后的数据做分块多元线性回归；

S25、重复步骤S23，若仍有偏差绝对值大于10％的异常点，则重复步骤S24，对数据迭代修复，直到没有异常点为止；

步骤S3具体包括如下步骤：

S31、通过对最终回归结果做逆运算建立浓度的温湿度补偿表达式；

S31、对多个气体传感器所测的数据重复S1、S2，得到多组浓度的温湿度补偿表达式；将多个温湿度补偿表达式导入微控制器，在预测时即可获取多个预测值，取所有预测值的平均值为气体传感器的校准结果；

步骤S13所述的对数据重叠分块方法可具体阐述为：

根据响应电阻数据随温度、湿度、浓度三个自变量的变化规律，对该四元数据进行重叠分块处理，即将三个自变量范围分段并交叉组合，使变化规律相似的电阻数据划分在同一数据块中；

所述步骤S22中，构建模型，对数据块分别做多元线性回归，模型公式为：

R＝R₀[1+α₁(ΔT/T₀)+α₂(ΔT/T₀)²][1+β₁(ΔH/H₀)+β₂(ΔH/H₀)²][1+λ₁(ΔC/C₀)]；

其中，ΔT＝T-T₀,ΔH＝H-H₀,ΔC＝C-C₀,T₀为每个温度段的中间温度值，H₀为每个温度段的中间温度值，C₀为每个浓度段的中间浓度值，将该数据块的中间温度值、中间湿度值、中间浓度值所对应的响应电阻作为标准值，即R₀为当前温度范围下的响应电阻标准值，ΔT为当前温度相对于中间温度值的偏差，ΔH为当前湿度相对于中间湿度值的偏差，ΔC为当前浓度相对于中间浓度值的偏差，另外，α₁、α₂分别为温度相对变化量的一次项和二次项系数，β₁、β₂分别为湿度相对变化量的一次项和二次项系数，λ₁为浓度相对变化量的一次项系数，α₁、α₂、β₁、β₂、λ₁为未知数，通过多元线性回归求出系数值，即可建立温度、湿度、浓度和响应电阻之间的关系式，另外，当ΔT、ΔH、ΔC均为0时，R＝R₀，为当前数据块下温度中值、湿度中值、浓度中值对应的理论响应电阻值，当ΔT、ΔH、ΔC不为0时，则在响应电阻标准值R₀的基础上计算相对偏差，将偏差绝对值大于10％的点作为细选异常点，修正细选异常点；

偏差百分比绝对值的计算方式为：

S51、将模型的公式转化为：

Y＝R₀[1+α₁x₁+α₂x₁ ²][1+β₁x₂+β₂x₂ ²][1+λ₁x₃]；

其中，x₁＝(T-T₀)/T₀、x₂＝(H-H₀)/H₀、x₃＝(C-C₀)/C₀,由于该公式为内蕴的线性回归模型，因此将其转化为线性回归模型为：

Y＝R₀[1+α₁x₁+α₂x₁₁][1+β₁x₂+β₂x₂₂][1+λ₁x₃]；

其中，x₁₁＝x₁ ²,x₂₂＝x₂ ²，代入数据，使用最小二乘法求出最佳系数α₁、α₂、β₁、β₂、λ₁，实现多元线性回归；

S52、根据多元线性回归计算出理论响应电阻值

并计算偏差百分比绝对值：

其中，i表示第i个数据；

所述步骤S31中，补偿表达式为：

C＝(RC₀)/[λR₀(1+α₁(ΔT/T₀)+α₂(ΔT/T₀)²)(1+β₁(ΔH/H₀)+β₂(ΔH/H₀)²)]-C₀/λ₁+C₀。

2.根据权利要求1所述的一种气体传感器重叠分块温湿度智能自校准方法，其特征在于：所述步骤S21具体包括如下步骤：

根据气体传感器的响应机理，在每一个温度和湿度下，判断响应电阻的变化曲线，若在上升型气体传感器中，出现响应电阻不随浓度增大而增大的点则存在异常点，统计异常点数量；同样，若在下降型气体传感器中，出现响应电阻不随浓度增大而减小的点则存在异常点，统计异常点数量；

进一步做存在粗选异常点的温度、湿度下的响应电阻-浓度最小二乘拟合曲线图，使响应电阻实际测量值与其拟合值进行比较，其误差较大的相应数量的点为粗选的异常点，并对照电阻实时响应图，检查第一次筛选的异常点是否符合实际情况。

Images