CN112985692A - 一种融合多项式与学习模型的气压传感器误差标校方法 - Google Patents

一种融合多项式与学习模型的气压传感器误差标校方法 Download PDF

Info

Publication number
CN112985692A
CN112985692A CN202110182152.8A CN202110182152A CN112985692A CN 112985692 A CN112985692 A CN 112985692A CN 202110182152 A CN202110182152 A CN 202110182152A CN 112985692 A CN112985692 A CN 112985692A
Authority
CN
China
Prior art keywords
air pressure
error
polynomial
calibration
temperature
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
Application number
CN202110182152.8A
Other languages
English (en)
Other versions
CN112985692B (zh
Inventor
刘鹏宇
张文静
贾克斌
杨加春
王涛
王聪聪
王彦明
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202110182152.8A priority Critical patent/CN112985692B/zh
Publication of CN112985692A publication Critical patent/CN112985692A/zh
Application granted granted Critical
Publication of CN112985692B publication Critical patent/CN112985692B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L27/00—Testing or calibrating of apparatus for measuring fluid pressure
    • G01L27/002—Calibrating, i.e. establishing true relation between transducer output value and value to be measured, zeroing, linearising or span error determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Measuring Fluid Pressure (AREA)

Abstract

本发明公开了一种融合多项式与学习模型的气压传感器误差标校方法，计算测量气压值和标准气压值之间的误差，分析输入的标准气压值与误差之间散点图的分布状态，采用最小二乘法拟合其多项式，获取设计温度标校点对应的参数，然后将该多项式的参数进行分解并通过RBF神经网络分别预测具体温度点对应的多项式相关参数。最后根据某一特定温度下误差的函数解析式可获得气压测量值标校后的数值。相比于直接使用各轻量级神经网络拟合气压值与温度之间关系的方法，通过将气压传感器的数据误差进行先分解再拟合的方法具有更高的标校精度，减少53.33％的测量误差，是一种精度高、计算轻量、实用性强的气压传感器标校新方法。

Description

一种融合多项式与学习模型的气压传感器误差标校方法
技术领域
本发明涉及传感器标校技术领域，尤其涉及一种融合多项式与学习模型的气压传感器误差标校方法。
背景技术
随着经济的发展和科技的进步，国际上对气候变化预警等气象研究方面的关注度也越来越高，同时气象信息的精准测量也变得愈发重要，气压传感器作为气象探空仪器的核心组成部分，获取高精度测量数据的重要性也是不言而喻的。理想气压传感器输入的标准气压值与输出的测量气压值呈现线性函数关系，但在实际工程应用中，气压传感器因受到温度波动影响，其输出的测量气压值与实际气压值存在些许偏差，从而影响最终气压传感器测量值的准确度。因此，如何高精度标校并补偿这种由温度波动而引起的气压传感器误差已成为研究的主要问题。
如今计算机技术发展日新月异，针对气压传感器的误差标校问题，传统的曲线拟合方法在一般精度下是合适的，但在进行高精度曲线拟合时，其精度难以满足要求，故一般采用人工神经网络ANN(Artificial Neural Network)的标校方法。人工神经网络作为深度学习最热门的方法之一，在面对大数据量、复杂数据时，标校性能已远远超越了传统的多项式标校方法，在很大程度上可以提升软件标校方法的范围和准确度。面对实际环境，受标校的气压传感器需要集成于高空气象探测仪器中，再进行放飞进入大气环境中，之后将测量到气压数据通过无线通讯协议传送回地面，其生命周期结束。为此，需保证探测仪器中处理器的成本尽可能的保持最低，这最终导致具有高精度标校结果的复杂的神经网络不能用来进行气压传感器的标校。考虑到以上问题，专门提出了一种多项式融合轻量级神经网络的气压传感器误差标校方法，既会大大提高气压传感器的标校精度，且求解速度快、不需要进行大量的复杂数学计算。
发明内容
本发明的目的是提供一种融合多项式模型的气压传感器误差标校建模方法，在保证不增加计算成本的前提下，提高气压传感器的标校精度，获得高精度的气象环境探测数据。
本发明所采用的技术方案是，一种融合多项式与学习模型的气压传感器误差标校方法，具体包括以下步骤：
步骤1：基于气压传感器的温度标校点，构建关于测量气压值和实际气压值之间的误差与标准气压值的多项式；
气压传感器为M-气压传感器，温度允许范围为[-30℃,40℃]，气压允许范围为[5hPa,1100hPa]。由于探空仪器的气压传感器为独立模块，气压传感器的标校采用独立模块标校，整个数据采集系统包括恒温槽、气压控制器和自制气压检测设备，恒温槽与气压控制器集成在一块，为气压传感器的标校提供标准的温度值与气压值，再串联自制气压检测设备，获取标准环境下气压传感器的真实测量值。观察采集到的数据，分析温度与误差之间的散点分布状态，设计温度标校点共10个，分别为-30℃，-25℃，-20℃，-15℃，-10℃，5℃，10℃，20℃，30℃，40℃。
进一步地，分析输入的标准气压值与输出的测量气压值之间的散点的分布状态，设计温度标校点下标准气压值与误差之间遵循线性关系，这种关系在数学上表示为多项式形式。
进一步地，所述温度源自密闭容器内恒温箱设置的，具体温度值依据设计温度标校点设置。
进一步地，所述标准气压值源自气压控制器设置，具体标准气压值在允许范围内，步长设置为20，合计55个气压点，即每个设计温度标校点下采集55个气压点，共计550个采集点。
进一步地，所述测量气压值由自制气压检测设备来获取，读取当前气压传感器所检测到的密闭容器内的环境气压值，即为测量气压值。
进一步地，所述的误差为测量气压值与标准气压值相减的结果。
进一步地，所述设计温度标校点下标准气压值与误差之间的多项式，考虑到过拟合与欠拟合的问题，其最优阶数为2，多项式均表示为：
e＝ax2+bx+c
式中e为误差，x为标准气压值。a，b，c为多项式系数。
步骤2：依据设计的温度标校点拟合其对应的多项式参数；
采用最小二乘法进行各个设计温度标校点下标准气压值与误差之间的曲线拟合，度量拟合优度的统计量是可决系数(亦称确定系数)R2，R2的取值为[0，1]，越接近于1，吻合程度越高，超过0.8的模型拟合程度属于良好，超过0.9的模型拟合度属于优秀。
进一步地，根据输入的温度不同，各多项式系数也随着温度的波动而产生相应的变化，输入各个设计温度标校点，得到各自对应的二项式系数a、b及c的值。
进一步地，测量气压值的标校问题就转变为如何精确的得到各个设计温度标校点分别与a，b，c之间的关系曲线。
步骤3：训练轻量级气压传感器误差标校网络模型；
对于不同设计温度标校点下二项式参数的拟合问题，采用目前理论成熟且应用较多的BP神经网络和RBF神经网络两种数据拟合方法进行对比训练。
进一步地，将通过最小二乘法所拟合的不同温度点下的二项式参数a、b、c输入到BP神经网络和RBF神经网络进行各自的目标训练。
步骤4：将待预测的温度点输入到训练后的轻量级误差标校网络模型；
步骤5：轻量级的误差标校网络模型对输入的温度点进行参数预测；
轻量级的误差标校网络预测的是对应温度点下二项式的系数a、b及c的值，将两个轻量级网络预测的参数分别同目标参数进行对比。
进一步地，将拟合较好的一组预测系数带入二项式，输入标准气压值，即得到最终的标校气压值。
相比于直接使用RBF网络拟合气压值与温度之间关系的方法，本发明通过将气压传感器的数据误差进行先分解再拟合的方法具有更高的标校精度，训练集数量大大降低以及训练时间减少。是一种非常可行的气压传感器标校新方法。
附图说明
图1是气压传感器标校算法流程图。
图2是标准温度与误差的分布图。
图3是气压传感器的误差校正原理框图。
图4是10组采样数据标准气压与误差的线性关系。
图5是拟合的设计温度标校点下的二项式系数。
具体实施方式
本发明主要实现的是一种融合多项式与学习模型的气压传感器误差标校方法。下面将结合附图详细介绍本发明采用的具体方法。
具体而言，一种融合多项式与学习模型的气压传感器误差标校方法的流程如图1所示，包括以下步骤：S1:基于气压传感器的设计温度标校点，构建关于测量气压值和实际气压值之间的误差与标准气压值的多项式。S2:依据设计的温度标校点拟合其对应的多项式参数。S3：训练轻量级气压传感器误差标校网络模型。S4:将待预测的温度点输入到训练后的轻量级误差标校网络模型。S5：轻量级的误差标校网络模型对输入的温度点进行参数预测。
对于S1:基于气压传感器的设计温度标校点，构建关于测量气压值和实际气压值之间的误差与标准气压值的多项式。
标准温度与误差之间的散点分布状态如图2所示，可以看出气压传感器测量值与温度、气压两个因素有关。而温度是影响测量结果的主要因素，相较于正温部分，负温部分的误差更大，因此，增加负温部分的标校点个数，有利于提高精度。设计温度标校点分别为-30℃，-25℃，-20℃，-15℃，-10℃，5℃，10℃，20℃，30℃，40℃，共10个温度标校点。
由于探空仪器的气压传感器为独立模块，因此气压传感器的标校采用独立模块标校，整个数据采集系统包括恒温槽、气压控制器、自制气压检测设备等组成，气压传感器的误差校正原理框架如图3所示。假设气压传感器的模型可表示为：
Pm＝f(P，t)
其中P为密闭容器气压控制器施加给传感器的值，t为标校时刻的温度值，由恒温槽测定，Pm为气压传感器借助自制气压检测设备所获取到的真实气压测量值。P值的设定情况为5hPa～1100hPa且单调递增。
标校模型的本质就是实现Pm无线接近于P，即可表示为：
Pc＝P＝f-1(Pm，t)
式中，Pc即为校正后的值。
通过分析输入的标准气压值与输出的测量气压值之间的散点图的分布状态，如图4所示，发现不同温度点下标准气压值与误差之间遵循一定的线性关系，这种关系在数学上可以表示为多项式形式，考虑过拟合与欠拟合的问题，此多项式的最优阶数为2，因此，每个设计温度标校点下的标准气压值与误差之间的关系均可表示为：
e＝ax2+bx+c
式中e为误差，x为标准气压值。
对于S2：依据设计的温度标校点拟合其对应的多项式参数。
采用最小二乘法进行二项式参数的拟合，度量拟合优度的统计量是可决系数R2，R2的取值为[0,1],越接近于1，吻合程度越高，一般认为超过0.8的模型拟合程度属于良好，超过0.9的模型拟合度属于优秀。
图5中R2的值进一步说明，曲线拟合参数是可靠的，它可以用于预测其他温度下二项式的a,b,c系数，根据输入的温度不同，各系数也随着温度的波动而产生相应的变化，输入各个设计温度标校点，得到各自对应的二项式系数a、b及c的值。显然，训练集数量相比与于直接使用轻量级网络模型减少太多，训练时间也会随之降低。
因此，测量气压值的标校问题就转变为如何精确的得到各个设计温度标校点分别与a，b，c之间的关系曲线。
对于S3：训练轻量级气压传感器误差标校网络模型。
针对不同温度点下二项式参数的拟合问题，采用了目前理论成熟且应用较多的BP神经网络和RBF神经网络两种数据拟合方法进行对比训练。将表1所列出的二项式参数a、b、c输入到BP神经网络和RBF神经网络进行各自的目标训练。
对于S4：将待预测的温度点输入到训练后的轻量级误差标校网络模型。
对于S5：轻量级的误差标校网络模型对输入的温度点进行参数预测。
轻量级的误差标校网络预测的是对应温度点下二项式的系数a、b及c的值，将两个轻量级网络预测的参数分别同目标参数进行对比。可证明，RBF网络相较于BP网络在拟合不同温度下的a、b、c系数的效果更好。因此，将轻量级网络RBF模型训练出的一组预测系数带入二项式，输入标准气压值，即得到最终的标校气压值。
以上具体实施方式仅用于说明本发明的技术方案，而非对其限制。本领域的技术人员应当理解：上述实施方式并不以任何形式限制本发明，凡采用等同替换或等效变换等方式所取得的相似技术方案，均属于本发明的保护范围。

Claims (9)

1.一种融合多项式与学习模型的气压传感器误差标校方法，其特征在于：该方法具体包括以下步骤：
步骤1：基于气压传感器的温度标校点，构建关于测量气压值和实际气压值之间的误差与标准气压值的多项式；
气压传感器为M-气压传感器，温度允许范围为[-30℃,40℃]，气压允许范围为[5hPa,1100hPa]；由于探空仪器的气压传感器为独立模块，气压传感器的标校采用独立模块标校，整个数据采集系统包括恒温槽、气压控制器和自制气压检测设备，恒温槽与气压控制器集成在一块，为气压传感器的标校提供标准的温度值与气压值，再串联自制气压检测设备，获取标准环境下气压传感器的真实测量值；观察采集到的数据，分析温度与误差之间的散点分布状态，设计温度标校点共10个，分别为-30℃，-25℃，-20℃，-15℃，-10℃，5℃，10℃，20℃，30℃，40℃；
所述设计温度标校点下标准气压值与误差之间的多项式，考虑到过拟合与欠拟合的问题，其最优阶数为2，多项式均表示为：
e＝ax2+bx+c
式中e为误差，x为标准气压值；a，b，c为多项式系数；
步骤2：依据设计的温度标校点拟合其对应的多项式参数；
采用最小二乘法进行各个设计温度标校点下标准气压值与误差之间的曲线拟合，度量拟合优度的统计量是可决系数R2，R2的取值为[0,1],越接近于1，吻合程度越高，超过0.8的模型拟合程度属于良好，超过0.9的模型拟合度属于优秀；
步骤3：训练轻量级气压传感器误差标校网络模型；
对于不同设计温度标校点下二项式参数的拟合问题，采用BP神经网络和RBF神经网络两种数据拟合方法进行对比训练；
通过最小二乘法所拟合的不同温度点下的二项式参数a、b、c输入到BP神经网络和RBF神经网络进行各自的目标训练；
步骤4：将待预测的温度点输入到训练后的轻量级误差标校网络模型；
步骤5：轻量级的误差标校网络模型对输入的温度点进行参数预测；
轻量级的误差标校网络预测的是对应温度点下二项式的系数a、b及c的值，将两个轻量级网络预测的参数分别同目标参数进行对比。
2.根据权利要求1所述的一种融合多项式与学习模型的气压传感器误差标校方法，其特征在于：将拟合较好的一组预测系数带入二项式，输入标准气压值，即得到最终的标校气压值。
3.根据权利要求1所述的一种融合多项式与学习模型的气压传感器误差标校方法，其特征在于：分析输入的标准气压值与输出的测量气压值之间的散点的分布状态，设计温度标校点下标准气压值与误差之间遵循线性多项式关系。
4.根据权利要求1所述的一种融合多项式与学习模型的气压传感器误差标校方法，其特征在于：所述温度源自密闭容器内恒温箱设置的，具体温度值依据设计温度标校点设置。
5.根据权利要求1所述的一种融合多项式与学习模型的气压传感器误差标校方法，其特征在于：所述标准气压值源自气压控制器设置，具体标准气压值在允许范围内，步长设置为20，合计55个气压点，即每个设计温度标校点下采集55个气压点，共计550个采集点。
6.根据权利要求1所述的一种融合多项式与学习模型的气压传感器误差标校方法，其特征在于：所述测量气压值由自制气压检测设备来获取，读取当前气压传感器所检测到的密闭容器内的环境气压值，即为测量气压值。
7.根据权利要求1所述的一种融合多项式与学习模型的气压传感器误差标校方法，其特征在于：所述的误差为测量气压值与标准气压值相减的结果。
8.根据权利要求1所述的一种融合多项式与学习模型的气压传感器误差标校方法，其特征在于：根据输入的温度不同，各多项式系数也随着温度的波动而产生相应的变化，输入各个设计温度标校点，得到各自对应的二项式系数a、b及c的值。
9.根据权利要求1所述的一种融合多项式与学习模型的气压传感器误差标校方法，其特征在于：测量气压值的标校问题为各个设计温度标校点分别与a，b，c之间的关系曲线。
CN202110182152.8A 2021-02-09 2021-02-09 一种融合多项式与学习模型的气压传感器误差标校方法 Active CN112985692B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110182152.8A CN112985692B (zh) 2021-02-09 2021-02-09 一种融合多项式与学习模型的气压传感器误差标校方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110182152.8A CN112985692B (zh) 2021-02-09 2021-02-09 一种融合多项式与学习模型的气压传感器误差标校方法

Publications (2)

Publication Number Publication Date
CN112985692A true CN112985692A (zh) 2021-06-18
CN112985692B CN112985692B (zh) 2022-11-29

Family

ID=76392963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110182152.8A Active CN112985692B (zh) 2021-02-09 2021-02-09 一种融合多项式与学习模型的气压传感器误差标校方法

Country Status (1)

Country Link
CN (1) CN112985692B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115900646A (zh) * 2023-03-08 2023-04-04 北京云圣智能科技有限责任公司 高度融合导航方法、装置、电子设备及存储介质
WO2023088728A1 (en) * 2021-11-17 2023-05-25 Endress+Hauser SE+Co. KG Computer-implemented method for compensating a sensor

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104516268A (zh) * 2013-09-28 2015-04-15 沈阳新松机器人自动化股份有限公司 一种基于模糊神经网络的机器人标定误差补偿方法
CN109855623A (zh) * 2019-01-09 2019-06-07 东南大学 基于Legendre多项式和BP神经网络的地磁模型在线逼近方法
CN111238558A (zh) * 2020-01-17 2020-06-05 中国科学院长春光学精密机械与物理研究所 一种psd非线性误差的标校装置及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104516268A (zh) * 2013-09-28 2015-04-15 沈阳新松机器人自动化股份有限公司 一种基于模糊神经网络的机器人标定误差补偿方法
CN109855623A (zh) * 2019-01-09 2019-06-07 东南大学 基于Legendre多项式和BP神经网络的地磁模型在线逼近方法
CN111238558A (zh) * 2020-01-17 2020-06-05 中国科学院长春光学精密机械与物理研究所 一种psd非线性误差的标校装置及方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JIACHUN YANG 等: "Error Prediction Method for Temperature Sensor Based on Multi Model Fusion", 《2020 3RD INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE AND BIG DATA》, 31 December 2020 (2020-12-31), pages 183 - 187 *
王彦明 等: "基于增强型BP网络的气象传感器标校方法", 《中国测测》, vol. 46, no. 12, 31 December 2020 (2020-12-31), pages 105 - 111 *
谢石林 等: "传感器标定的神经网络杂交建模方法", 《机械工程学报》, vol. 46, no. 22, 20 November 2010 (2010-11-20), pages 6 - 14 *
贾克斌 等: "基于神经网络的气压传感器非线性校正", 《北京工业大学学报》, 31 January 2021 (2021-01-31), pages 40 - 47 *
高超 等: "基于多项式与神经网络的陇南林区降水量预测模型", 《现代农业科技》, no. 14, 31 December 2016 (2016-12-31), pages 201 - 203 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023088728A1 (en) * 2021-11-17 2023-05-25 Endress+Hauser SE+Co. KG Computer-implemented method for compensating a sensor
CN115900646A (zh) * 2023-03-08 2023-04-04 北京云圣智能科技有限责任公司 高度融合导航方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN112985692B (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
CN113358732B (zh) 一种气体传感器的远程校准方法及系统
CN112985692B (zh) 一种融合多项式与学习模型的气压传感器误差标校方法
CN109781934A (zh) 环境传感器检测数据的处理装置、处理方法、计算机可读存储介质、以及环境传感器系统
CN111369070B (zh) 一种基于包络线聚类的多模融合光伏功率预测方法
EP3769047B1 (en) Sensor calibration
CN102759430B (zh) 基于bp神经网络的谐振筒压力传感器高精度校试方法
CN108614071B (zh) 分布式室外大气质量监测精度校正系统及参数更新方法
JP2007233639A (ja) 風力発電出力予測方法、風力発電出力予測装置およびプログラム
CN112713881B (zh) 一种基于边缘计算的同步时钟维持系统与方法
CN113029512B (zh) 用于暂冲式跨声速风洞的空气流场模型校正控制方法
CN110361042A (zh) 一种温湿度监测装置自动计量检定方法及系统
CN116519206A (zh) 基于深度学习的压力传感器校准系统及方法
CN117871771B (zh) 一种基于大数据的燃气能源监测方法
CN118211103A (zh) 一种海洋温盐深传感器的数据校正方法
CN112528566A (zh) 基于AdaBoost训练模型的空气质量数据实时校准方法及系统
Wang et al. Calibration method of meteorological sensor based on enhanced BP network
Liu et al. Error Calibration Model of Air Pressure Sensor Based on DF-RBF.
CN117405145B (zh) 一种基于智能分析的惯性导航管理方法、系统及存储介质
CN111076758A (zh) 一种基于物联网的高空探测传感器自动标校方法
CN118245784B (zh) 一种海洋温盐深传感器数据标定方法、介质及系统
CN116007824B (zh) 硅压阻式气压传感模块的误差修正方法及模块
CN117970978B (zh) 一种适用于实验的恒温恒湿实验箱自动调控系统
CN117873477B (zh) 一种用于飞行模拟器的仪表数据交互控制管理系统
CN114994261B (zh) 环境空气监测的传感器远程校准方法
CN115022348B (zh) 一种高端电池智能工厂云级架构数据存储方法

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