CN114791334A - 一种压力传感器的标定简化方法 - Google Patents

一种压力传感器的标定简化方法 Download PDF

Info

Publication number
CN114791334A
CN114791334A CN202210419313.5A CN202210419313A CN114791334A CN 114791334 A CN114791334 A CN 114791334A CN 202210419313 A CN202210419313 A CN 202210419313A CN 114791334 A CN114791334 A CN 114791334A
Authority
CN
China
Prior art keywords
calibration
stage
data
temperature
pressure sensor
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
CN202210419313.5A
Other languages
English (en)
Other versions
CN114791334B (zh
Inventor
邹铭轩
黄文君
陈梦迟
王为民
孙建
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202210419313.5A priority Critical patent/CN114791334B/zh
Publication of CN114791334A publication Critical patent/CN114791334A/zh
Application granted granted Critical
Publication of CN114791334B publication Critical patent/CN114791334B/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
    • G01L25/00—Testing or calibrating of apparatus for measuring force, torque, work, mechanical power, or mechanical efficiency
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L1/00—Measuring force or stress, in general
    • G01L1/18—Measuring force or stress, in general using properties of piezo-resistive materials, i.e. materials of which the ohmic resistance varies according to changes in magnitude or direction of force applied to the material
    • 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
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L9/00—Measuring steady of quasi-steady pressure of fluid or fluent solid material by electric or magnetic pressure-sensitive elements; Transmitting or indicating the displacement of mechanical pressure-sensitive elements, used to measure the steady or quasi-steady pressure of a fluid or fluent solid material, by electric or magnetic means
    • G01L9/02—Measuring steady of quasi-steady pressure of fluid or fluent solid material by electric or magnetic pressure-sensitive elements; Transmitting or indicating the displacement of mechanical pressure-sensitive elements, used to measure the steady or quasi-steady pressure of a fluid or fluent solid material, by electric or magnetic means by making use of variations in ohmic resistance, e.g. of potentiometers, electric circuits therefor, e.g. bridges, amplifiers or signal conditioning
    • G01L9/025—Measuring steady of quasi-steady pressure of fluid or fluent solid material by electric or magnetic pressure-sensitive elements; Transmitting or indicating the displacement of mechanical pressure-sensitive elements, used to measure the steady or quasi-steady pressure of a fluid or fluent solid material, by electric or magnetic means by making use of variations in ohmic resistance, e.g. of potentiometers, electric circuits therefor, e.g. bridges, amplifiers or signal conditioning with temperature compensating means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
  • Measuring Fluid Pressure (AREA)

Abstract

本发明公开了一种压力传感器的标定简化方法。本发明包括以下步骤：1)将压力传感器置入相应温度环境中，施加不同压力，得到实验标定数据，发送至上位机中；2)对标定数据进行归一化处理和特征扩展；3)使用改进天鹰优化器优化的混合多项式核极限学习机学习标定数据，得到标定计算模型；4)将未标定的温度点和压力点的数值，输入训练好的标定计算模型，得到模型计算数据；5)整合实验标定数据及模型计算数据，形成在线补偿数据表，将其发送至MCU中，使用线性插值法对压力传感器进行在线温度补偿。本发明可通过少量标定数据，推理出全温区的计算数据，减少需要标定的温度及压力点，提高标定工作效率、降低能源消耗，提高温度补偿精度。

Description

一种压力传感器的标定简化方法
技术领域
本发明涉及传感器测量技术领域，具体地说，涉及一种压力传感器的标定简化方法。
背景技术
压力传感器是过程控制和自动化系统中最常用到的传感器之一，而利用MEMS技术制造的硅压阻式压力传感器由于兼具灵敏度高、尺寸小、生产成本低等优点，广泛应用于不同的行业。在实际应用中，外部环境温度的变化，会使压力传感器的输出产生温度漂移，严重影响传感器测量精度，因此必须进行温度补偿。
压力传感器的温度补偿方法主要分为两类：内置电路方法和数值校准方法。内置电路方法通常使用热敏电阻、二极管或可调增益运算放大器来校准和补偿传感器的输出信号，该方法调试不便、补偿精度低、通用性差，不利于工业应用；数值校准方法作为一种后补偿方法，通过对实验标定过程中获取的标定数据进行分析，使用附加的补偿算法来校正压力传感器的输出，补偿算法主要包括插值法、多项式拟合法、人工智能算法等，该方法灵活性强、维护方便、精度高。
数值校准中的补偿算法建立在已有实验标定数据的基础上，并且压力传感器的测量精度要求越高，则需要越多不同温度、不同压力下的标定数据来正确建模校正压力传感器。然而，实际标定过程中不同温度环境、压力环境的设定繁琐且耗时，严重影响标定效率的同时，也造成了大量的能源消耗。
发明内容
本发明的目的在于针对现有技术的不足，提供一种压力传感器的标定简化方法。本发明通过提出的改进天鹰优化器优化的混合多项式核极限学习机(IAO-MPKELM)算法来模拟传感器的标定过程。使用少量的实验标定数据，推理出全温区的计算数据，减少需要标定的温度及压力点，提高标定工作效率、降低能源消耗，并可通过计算需标定点以外的温度、压力下的预测码值数据，来扩大在线补偿数据表的规模，最终提高温度补偿精度。
本发明的目的是通过以下技术方案来实现的：
步骤一：将压力传感器置入相应温度环境中，施加不同压力，获取AD芯片输出电压码值，得到实验标定数据，形成实验标定数据表，其中电压码值采用十进制表示，标定数据采集完成后，将其发送到上位机中。
步骤二：对实验标定数据进行数据处理，包括对压力和温度进行归一化处理并可采用不同阶数的多项式特征扩展方式对压力和温度进行扩展以提供输入数据xi。
步骤三：使用改进天鹰优化器优化的混合多项式核极限学习机(IAO-MPKELM)学习实验标定数据，模拟传感器的标定过程，得到标定计算模型。该混合核极限学习机的核函数由不同阶数的多项式核函数加权构成，可表示为：
Figure BDA0003606244940000021
式中x和x'表示多项式核函数的任意输入样本，D表示该多项式核函数的最高阶数，θd是dth阶多项式核的权重，且
Figure BDA0003606244940000022
σd和rd则表示dth阶多项式核的参数。该IAO-MPKELM算法步骤包括：
1)初始化算法参数，采用Tent混沌映射代替随机数来初始化种群位置，转换后的Tent混沌随机数可表示为：
Figure BDA0003606244940000023
式中z∈(0,1)，β＝0.5。初始种群位置矩阵为
Figure BDA0003606244940000024
Zij＝(UBj-LBj)×zT+LBj,i＝1,…,N,j＝1,…,M，式中N表示种群数量，M表示该混合核极限学习机待优化的参数数量，UBj和LBj分别表示该MPKELM待优化参数的设定上下界。
2)初始化种群适应度，获取最佳个体。定义该IAO-MPKELM的适应度评价函数为
Figure BDA0003606244940000025
式中Vk和VPk分别表示第k个实际电压码值、第k个预测电压码值，Range则表示码值量程。
3)当
Figure BDA0003606244940000026
时，进入搜索阶段，式中t表示当前迭代次数，T表示最大迭代次数，包括阶段一扩大搜索阶段，即天鹰通过垂直高翱翔寻找最佳捕食区域；阶段二缩小搜索阶段，即天鹰在最佳捕食区域中发现猎物后，在目标上方螺旋绕圈，准备着陆攻击，阶段一和阶段二的数学模型分别为：
Figure BDA0003606244940000027
Figure BDA0003606244940000028
Z2(t+1)＝Zbest(t)×Levy(D)+ZR(t)+(y-x)*zT，式中Zbest(t)，ZM(t)和ZR(t)分别表示从开始迭代到当前的最佳种群位置、平均种群位置、随机种群位置，zT表示Tent映射后的混沌随机数，Levy(D)表示Levy飞行函数，y＝r×sinθ、x＝r×cosθ，且r＝r1+U×D1、
Figure BDA0003606244940000031
Figure BDA0003606244940000032
r1＝10，U＝0.00565，ω＝0.005，D1为(1，M)之间的随机整数，M表示该混合多项式核极限学习机待优化的参数数量。
4)当
Figure BDA0003606244940000033
时，进入开发阶段，包括阶段三扩大开发阶段，即天鹰已确定猎物区域，初步采用垂直下降的方式准备着陆和攻击，并观察猎物反应；阶段四缩小开发阶段，即天鹰接近猎物后，向猎物发起带有随机性的攻击，阶段三和阶段四的数学模型分别为：Z3(t+1)＝(Zbest(t)-ZM(t))×α-zT+((UB-LB)×zT+LB)×δ，Z4(t+1)＝RT×Zbest(t)-(R1×Z(t)×zT)-R2×Levy(D)+zT×R1，式中α＝δ＝0.1，
Figure BDA0003606244940000034
R1＝2×rand-1，
Figure BDA0003606244940000035
Figure BDA0003606244940000036
rand表示0到1之间的随机数。
5)每次迭代后，计算更新种群适应度F(V)，并比较保留历史最佳的种群位置；
6)进入循环重复步骤3)-步骤5)，直到达到最大迭代次数T，输出MPKELM的最优参数解和最佳种群适应度F(V)，得到标定计算模型。
步骤四：将未标定的温度点和压力点的数值，输入训练好的标定计算模型，得到模型计算数据，模型计算数据由不同温度压力下的预测电压码值组成。
步骤五：整合实验标定数据及模型计算数据，形成在线补偿数据表，将其发送至MCU中，使用线性插值法对压力传感器进行在线温度补偿。
本发明的有益效果如下：
本发明通过提出的改进天鹰优化器优化的混合多项式核极限学习机(IAO-MPKELM)算法来模拟传感器的标定过程。使用少量的实验标定数据，推理出全温区的计算数据，减少需要标定的温度及压力点，提高标定工作效率、降低能源消耗，并可通过计算需标定点以外的温度、压力下的预测码值数据，来扩大在线补偿数据表的规模，最终提高温度补偿精度。
附图说明
图1是本发明的实施流程图。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图及实例来对本发明技术方案作进一步详述。
参见附图一，本发明提出了一种压力传感器的标定简化方法，包括以下步骤：
步骤一：将压力传感器置入相应温度环境中，施加不同压力，获取AD芯片输出电压码值，得到少量实验标定数据，形成实验标定数据表，其中电压码值采用十进制表示，标定数据采集完成后，将其发送到上位机中。表1为本实例选取的250kpa量程压力传感器的实验标定数据表。
表1为本实例选取的250kpa量程压力传感器的实验标定数据表。
Figure BDA0003606244940000041
步骤二：对实验标定数据进行数据处理，包括对压力和温度进行归一化处理，并可采用不同阶数的多项式特征扩展方式对压力和温度进行扩展以提供输入数据xi。其中输入特征为压力值P、温度值T。表2为该实例选择的具体特征扩展方式。其中E1-E5均为现有的不同的特征扩展方法。
表2为该实例选择的具体特征扩展方式。
Figure BDA0003606244940000042
Figure BDA0003606244940000051
步骤三：使用改进天鹰优化器优化的混合多项式核极限学习机(IAO-MPKELM)学习实验标定数据，模拟传感器的标定过程，得到标定计算模型，选取温度在-40℃、15℃、65℃的标定数据作为训练集，其他作为验证集进行超参数调优。该混合核极限学习机的核函数由不同阶数的多项式核函数加权构成，可表示为：
Figure BDA0003606244940000052
式中x和x'表示多项式核函数的任意输入样本，D表示该多项式核函数的最高阶数，本实例中D＝3，θd是dth阶多项式核的权重，且
Figure BDA0003606244940000053
σd和rd则表示dth阶多项式核的参数。该IAO-MPKELM算法步骤包括：
1)初始化算法参数，采用Tent混沌映射代替随机数来初始化种群位置，转换后的Tent混沌随机数可表示为：
Figure BDA0003606244940000054
式中z∈(0,1)，β＝0.5。初始种群位置矩阵为
Figure BDA0003606244940000055
Zij＝(UBj-LBj)×zT+LBj,i＝1,…,N,j＝1,…,M，式中N表示种群数量，M表示该混合核极限学习机待优化的参数数量，UBj和LBj分别表示该MPKELM待优化参数的设定上下界。
2)初始化种群适应度，获取最佳个体。定义该IAO-MPKELM的适应度评价函数为
Figure BDA0003606244940000056
式中Vk和VPk分别表示第k个实际电压码值、第k个预测电压码值，Range则表示码值量程。
3)当
Figure BDA0003606244940000057
时，进入搜索阶段，式中t表示当前迭代次数，T表示最大迭代次数，包括阶段一扩大搜索阶段，即天鹰通过垂直高翱翔寻找最佳捕食区域；阶段二缩小搜索阶段，即天鹰在最佳捕食区域中发现猎物后，在目标上方螺旋绕圈，准备着陆攻击，阶段一和阶段二的数学模型分别为：
Figure BDA0003606244940000058
Figure BDA0003606244940000059
Z2(t+1)＝Zbest(t)×Levy(D)+ZR(t)+(y-x)*zT，式中Zbest(t)，ZM(t)和ZR(t)分别表示从开始迭代到当前的最佳种群位置、平均种群位置、随机种群位置，zT表示Tent映射后的混沌随机数，Levy(D)表示Levy飞行函数，y＝r×sinθ、x＝r×cosθ，且r＝r1+U×D1、
Figure BDA0003606244940000061
Figure BDA0003606244940000062
r1＝10，U＝0.00565，ω＝0.005，D1为(1，M)之间的随机整数，M表示该混合多项式核极限学习机待优化的参数数量。
4)当
Figure BDA0003606244940000063
时，进入开发阶段，包括阶段三扩大开发阶段，即天鹰已确定猎物区域，初步采用垂直下降的方式准备着陆和攻击，并观察猎物反应；阶段四缩小开发阶段，即天鹰接近猎物后，向猎物发起带有随机性的攻击，阶段三和阶段四的数学模型分别为：Z3(t+1)＝(Zbest(t)-ZM(t))×α-zT+((UB-LB)×zT+LB)×δ，Z4(t+1)＝RT×Zbest(t)-(R1×Z(t)×zT)-R2×Levy(D)+zT×R1，式中α＝δ＝0.1，
Figure BDA0003606244940000064
R1＝2×rand-1，
Figure BDA0003606244940000065
Figure BDA0003606244940000066
rand表示0到1之间的随机数。
5)每次迭代后，计算更新种群适应度F(V)，并比较保留历史最佳的种群位置；
6)进入循环重复步骤3)-步骤5)，直到达到最大迭代次数T，输出MPKELM的最优参数解和最佳种群适应度F(V)，得到标定计算模型。
步骤四：将未标定的温度点和压力点的数值，输入训练好的标定计算模型，模型计算数据，模型计算数据由不同温度压力下的预测电压码值组成。实例中选取温度点-25℃、5℃、25℃、50℃、85℃，压力点同表1时的数据作为未标定点，并将其作为测试集。表3为使用该标定计算模型对上述温度点和压力点采用E5扩展得到的模型计算数据表。
表3是温度点和压力点采用E5扩展得到的模型计算数据表
Figure BDA0003606244940000067
Figure BDA0003606244940000071
实例中，为验证预测电压码值的准确性，将压力传感器置于上述环境中，输出实际电压码值进行对比，表4为该实例预测电压码值的最大满量程误差。
表4为该实例预测电压码值的最大满量程误差
预测电压码值 训练集 验证集 测试集
最大满量程误差 0.0020％ 0.0021％ 0.0243％
从表4中可以看出，训练集、验证集和测试集最大满量程误差分别为：0.0020％，0.0021％，0.0243％。
步骤五：整合实验标定数据及模型计算数据，形成在线补偿数据表，在本实例中，形成9×10的在线补偿数据表，将其发送至MCU中，使用线性插值法对压力传感器进行在线温度补偿。
本发明通过提出的改进天鹰优化器优化的混合多项式核极限学习机(IAO-MPKELM)算法来模拟传感器的标定过程。使用少量的实验标定数据，即可推理出全温区的计算数据。根据表4可知，在测试集中使用该算法模型计算的预测电压码值与实际标定得到的实际电压码值最大误差仅0.0243％，说明本发明提出的改进天鹰优化器优化的混合多项式核极限学习机正确的模拟了传感器的标定过程，可以减少需要标定的温度及压力点，提高标定工作效率、降低能源消耗，并可通过计算需标定点以外的温度、压力下的预测码值数据，来扩大在线补偿数据表的规模，最终提高温度补偿精度。

Claims (3)

1.一种压力传感器的标定简化方法，其特征在于包括以下步骤：
步骤1、将压力传感器置入相应温度环境中，施加不同压力，获取AD芯片输出电压码值，得到实验标定数据，发送至上位机中；
步骤2、对标定数据进行归一化处理和特征扩展；
步骤3、使用改进天鹰优化器优化的混合多项式核极限学习机学习标定数据，得到标定计算模型；
步骤4、将未标定的温度点和压力点的数值，输入训练好的标定计算模型，得到模型计算数据，模型计算数据由不同温度压力下的预测电压码值组成；
步骤5、整合真实的实验标定数据及模型计算数据，形成在线补偿数据表，并将其发送至MCU中，使用线性插值法对压力传感器进行在线温度补偿。
2.根据权利要求1所述的一种压力传感器的标定简化方法，其特征在于步骤3所述的混合多项式核极限学习机，其核函数由不同阶数的多项式核函数加权构成，表示为：
Figure FDA0003606244930000011
式中x和x'表示多项式核函数的任意输入样本，D表示该多项式核函数的最高阶数，θd是dth阶多项式核的权重，且
Figure FDA0003606244930000012
σd和rd则表示dth阶多项式核的参数。
3.根据权利要求1或2所述的一种压力传感器的标定简化方法，其特征在于步骤3所述的标定计算模型的获取实现如下：
3-1.初始化算法参数，采用Tent混沌映射代替随机数来初始化种群位置，转换后的Tent混沌随机数表示为：
Figure FDA0003606244930000013
式中z∈(0,1)，β＝0.5，初始种群位置矩阵为
Figure FDA0003606244930000014
Zij＝(UBj-LBj)×zT+LBj,i＝1,…,N,j＝1,…,M，式中N表示种群数量，M表示该混合核极限学习机待优化的参数数量，UBj和LBj分别表示该混合核极限学习机待优化参数的设定上下界；
3-2.初始化种群适应度，获取最佳个体，定义该IAO-MPKELM的适应度评价函数为
Figure FDA0003606244930000015
式中Vk和VPk分别表示第k个实际电压码值、第k个预测电压码值，Range则表示码值量程；
3-3.当
Figure FDA0003606244930000016
时，进入搜索阶段，其中t表示当前迭代次数，T表示最大迭代次数，包括阶段一扩大搜索阶段，即天鹰通过垂直高翱翔寻找最佳捕食区域；阶段二缩小搜索阶段，即天鹰在最佳捕食区域中发现猎物后，在目标上方螺旋绕圈，准备着陆攻击，阶段一和阶段二的数学模型分别为：
Figure FDA0003606244930000021
Figure FDA0003606244930000022
Z2(t+1)＝Zbest(t)×Levy(D)+ZR(t)+(y-x)*zT，式中Zbest(t)，ZM(t)和ZR(t)分别表示从开始迭代到当前的最佳种群位置、平均种群位置、随机种群位置，zT表示Tent映射后的混沌随机数，Levy(D)表示Levy飞行函数，y＝r×sinθ、x＝r×cosθ，且r＝r1+U×D1、
Figure FDA0003606244930000023
Figure FDA0003606244930000024
r1＝10，U＝0.00565，ω＝0.005，D1为(1,M)之间的随机整数，M表示该混合多项式核极限学习机待优化的参数数量；
3-4.当
Figure FDA0003606244930000025
时，进入开发阶段，包括阶段三扩大开发阶段，即天鹰已确定猎物区域，初步采用垂直下降的方式准备着陆和攻击，并观察猎物反应；阶段四缩小开发阶段，即天鹰接近猎物后，向猎物发起带有随机性的攻击，阶段三和阶段四的数学模型分别为：Z3(t+1)＝(Zbest(t)-ZM(t))×α-zT+((UB-LB)×zT+LB)×δ，Z4(t+1)＝RT×Zbest(t)-(R1×Z(t)×ZT)-R2×Levy(D)+zT×R1，式中α＝δ＝0.1，
Figure FDA0003606244930000026
R1＝2×rand-1，
Figure FDA0003606244930000027
Figure FDA0003606244930000028
rand表示0到1之间的随机数；
3-5.每次迭代后，计算更新种群适应度F(V)，并比较保留历史最佳的种群位置；
3-6.进入循环，重复步骤3-3到-步骤3-5，直到达到最大迭代次数T，输出MPKELM的最优参数解和最佳种群适应度F(V)，得到标定计算模型。
CN202210419313.5A 2022-04-20 2022-04-20 一种压力传感器的标定简化方法 Active CN114791334B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210419313.5A CN114791334B (zh) 2022-04-20 2022-04-20 一种压力传感器的标定简化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210419313.5A CN114791334B (zh) 2022-04-20 2022-04-20 一种压力传感器的标定简化方法

Publications (2)

Publication Number Publication Date
CN114791334A true CN114791334A (zh) 2022-07-26
CN114791334B CN114791334B (zh) 2023-09-05

Family

ID=82461018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210419313.5A Active CN114791334B (zh) 2022-04-20 2022-04-20 一种压力传感器的标定简化方法

Country Status (1)

Country Link
CN (1) CN114791334B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117435860A (zh) * 2023-12-12 2024-01-23 无锡胜脉电子有限公司 一种压力传感器标定方案的确定方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101013035A (zh) * 2007-02-08 2007-08-08 北京航空航天大学 一种基于神经网络进行温度补偿的光纤陀螺
CN101858811A (zh) * 2010-06-18 2010-10-13 西安交通大学 高精度压力传感器信号补偿方法
CN102032974A (zh) * 2010-11-15 2011-04-27 浙江工商大学 一种压力传感器温度补偿方法
CN104122031A (zh) * 2014-07-31 2014-10-29 西安交通大学 一种基于极限学习机的硅压力传感器温度补偿方法
CN112949212A (zh) * 2021-04-12 2021-06-11 合肥工业大学 一种压力传感器温度补偿方法和计算机可读存储介质
CN114136538A (zh) * 2021-12-02 2022-03-04 重庆大学 一种基于随机变分贝叶斯学习的压力传感器标定装置温度建模方法
CN114323430A (zh) * 2021-12-30 2022-04-12 杭州和利时自动化有限公司 一种压力变送器温度补偿方法、系统、装置及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101013035A (zh) * 2007-02-08 2007-08-08 北京航空航天大学 一种基于神经网络进行温度补偿的光纤陀螺
CN101858811A (zh) * 2010-06-18 2010-10-13 西安交通大学 高精度压力传感器信号补偿方法
CN102032974A (zh) * 2010-11-15 2011-04-27 浙江工商大学 一种压力传感器温度补偿方法
CN104122031A (zh) * 2014-07-31 2014-10-29 西安交通大学 一种基于极限学习机的硅压力传感器温度补偿方法
CN112949212A (zh) * 2021-04-12 2021-06-11 合肥工业大学 一种压力传感器温度补偿方法和计算机可读存储介质
CN114136538A (zh) * 2021-12-02 2022-03-04 重庆大学 一种基于随机变分贝叶斯学习的压力传感器标定装置温度建模方法
CN114323430A (zh) * 2021-12-30 2022-04-12 杭州和利时自动化有限公司 一种压力变送器温度补偿方法、系统、装置及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
卞金洪等: "高精度压力传感器中温度补偿技术研究", 《哈尔滨理工大学学报》 *
李冀等: "一种压阻式压力传感器的温度补偿方法", 《仪表技术与传感器》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117435860A (zh) * 2023-12-12 2024-01-23 无锡胜脉电子有限公司 一种压力传感器标定方案的确定方法及装置
CN117435860B (zh) * 2023-12-12 2024-03-15 无锡胜脉电子有限公司 一种压力传感器标定方案的确定方法及装置

Also Published As

Publication number Publication date
CN114791334B (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
CN100592033C (zh) 利用帕德逼近式函数仿真器为传感设备提供非线性温度补偿
Judd et al. Asymptotic methods for aggregate growth models
CN103335814B (zh) 风洞中实验模型倾角测量误差数据的修正方法
CN111368466B (zh) 一种基于频响函数参数修正的机械振动预测方法
Sushchenko et al. Processing of redundant information in airborne electronic systems by means of neural networks
CN109800449B (zh) 一种基于神经网络的航空发动机压缩部件特性修正方法
CN111638034B (zh) 基于深度学习的应变天平温度梯度误差补偿方法及系统
CN112446091A (zh) 一种基于人工神经网络的脉动压力预测方法
CN114791334A (zh) 一种压力传感器的标定简化方法
CN112414668B (zh) 一种风洞试验数据静气弹修正方法、装置、设备及介质
CN110555231A (zh) 一种动力学仿真模型修正方法
CN115688288B (zh) 飞行器气动参数辨识方法、装置、计算机设备及存储介质
CN106597852A (zh) 一种基于rbf神经网络的mems陀螺仪温度补偿方法
CN114692501A (zh) 基于多精度深度神经网络的气动数据融合方法及设备
CN115271219A (zh) 一种基于因果关系分析的短期负荷预测方法及预测系统
CN114861304A (zh) 非线性气动力数据快速建模方法、系统及存储介质
CN114964571A (zh) 基于改进灰狼算法的压力传感器温度补偿方法
CN109388858A (zh) 基于头脑风暴优化算法的非线性传感器校正方法
CN113188715A (zh) 基于机器学习的多维力传感器静态校准数据处理方法
CN111256905A (zh) 一种噪声环境下多维力传感器的解耦方法
CN110909492A (zh) 一种基于极端梯度提升算法的污水处理过程软测量方法
CN113408040B (zh) 一种土木工程中的模拟数据修正方法及系统
CN114186477A (zh) 一种基于Elman神经网络的轨道预测算法
CN111222708B (zh) 一种基于迁移学习动态建模的发电厂燃烧炉温度预测方法
CN107607182B (zh) 一种卡车称重系统以及称重方法

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