CN116412959A - 一种基于深度学习分段线性化的压力自标定与校准系统 - Google Patents
一种基于深度学习分段线性化的压力自标定与校准系统 Download PDFInfo
- Publication number
- CN116412959A CN116412959A CN202310216238.7A CN202310216238A CN116412959A CN 116412959 A CN116412959 A CN 116412959A CN 202310216238 A CN202310216238 A CN 202310216238A CN 116412959 A CN116412959 A CN 116412959A
- Authority
- CN
- China
- Prior art keywords
- fixed
- calibration
- pressure
- deep learning
- system based
- 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.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 230000007246 mechanism Effects 0.000 claims abstract description 23
- 239000004744 fabric Substances 0.000 claims description 11
- 230000001105 regulatory effect Effects 0.000 claims description 10
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 239000000428 dust Substances 0.000 claims description 4
- 238000007789 sealing Methods 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims 2
- 238000012360 testing method Methods 0.000 abstract description 21
- 238000012545 processing Methods 0.000 abstract description 17
- 230000010354 integration Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 42
- 238000005259 measurement Methods 0.000 description 25
- 238000000034 method Methods 0.000 description 20
- 238000013528 artificial neural network Methods 0.000 description 18
- 230000008859 change Effects 0.000 description 10
- 230000014509 gene expression Effects 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000004913 activation Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000011478 gradient descent method Methods 0.000 description 5
- 238000012886 linear function Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011088 calibration curve Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 240000006394 Sorghum bicolor Species 0.000 description 2
- 235000011684 Sorghum saccharatum Nutrition 0.000 description 2
- 235000009430 Thespesia populnea Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
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
- 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
- G01L27/005—Apparatus for calibrating pressure sensors
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Measuring Fluid Pressure (AREA)
Abstract
本发明涉及传感器技术领域,尤其涉及一种基于深度学习分段线性化的压力自标定与校准系统。本发明包括壳体,所述壳体的一端固定有触控PC机,所述壳体的一端且位于触控PC机下方的位置设置有开启键、停止复位键和运行报警灯,所述壳体的一端且位于运行报警灯下方的位置均布固定有多个信号输入插孔,所述壳体的内侧装配有控制机构。本发明采用PLC控制器作为主控器,同时扩展了ADC模块以及DAC模块,通过以太网协议配合触控PC机的软件控制,以及PID气压回路控制系统,实现气压传感器的“气压调节‑信号采集‑数据处理”一体化,属于一种全新的自动化传感器校准测试装置。
Description
技术领域
本发明涉及传感器技术领域,尤其涉及一种基于深度学习分段线性化的压力自标定与校准系统。
背景技术
(压力传感器是能感受压力信号,并能按照一定的规律将压力信号转换成可用的输出的电信号的器件或装置。压力传感器是现实生活中最为常用的一种传感器,其广泛应用于各种工业控制,汽车电子,医疗设备。
这里本系统介绍一种压阻式的单晶硅压力传感器的校准方式以及装置应用,压阻式压力传感器是利用单晶硅的压阻效应而构成。采用单晶硅片为弹性元件,在单晶硅膜片上利用集成电路的工艺,在单晶硅的特定方向扩散一组等值电阻,并将电阻接成桥路,单晶硅片置于传感器腔内。当压力发生变化时,单晶硅产生应变,使直接扩散在上面的应变电阻产生与被测压力成正比的变化,再由桥式电路获得相应的电压输出信号。
在使用压力传感器的过程中,标定和校准和传感器是一件必不可少的工作流程。压力传感器的特性分成两类静态:特性和动态特性。压力传感器静态特性的主要指标是灵敏度、线性度、迟滞、重复性、精度、温度漂移和零点漂移等等。一般仪器仪表在使用层面上,校准压力传感器都是校准其静态特性的线性度
工业使用压力传感器时,常用的两种校准方式:
方案一:理论直线法:根据压力传感器的额定参数进行数据的校准和标定。以传感器的理论特性线作为拟合直线,与实际测试值无关。举例:默认型号压力传感器的量程标定为0-1MPa,额定输出电压0-5V。直接建立传感器的输出电压或电流和传感器量程线性关系。通过监测传感器的输出电流或电压信号,即可得出实际的压力值。
局限性:因为有些传感器的生产工艺不够,在电路设计(采用的测量电路可能是非线性,如四臂电桥电路等)上无法达到高精度的线性度,使用理论直线法的校准方式,存在很大的误差。
方案二:最小二乘法直线,采用气压标准仪表和压力传感器同步采集待测环境中的压力值,将压力传感器输出的模拟量电压或电流值和标准仪表的标准压力值,进行等式直线关系,形成y=kx+b的关系式值,其中方程中的b是传感器的初始零点输出值,k是传感器的输出灵敏度。
局限性:在传感器校准实验中,我们通常需要大量的离散实验数据来拟合出对应型号压力传感器的输入输出特性曲线。整个过程,需要实验人员不间断地调控整个测试环境的压力值,并实时记录相对应的标准压力值。实验完毕后,工作人员还需要借助第三方数据处理软件(如MATLAB等)对输入和输出数据进行多次拟合数据处理,同时在数据采集的过程中,还可能因为待测环境的压力跳变频率过快或者步长过大,因为传感器的电路设计本身的延迟问题,造成数据信号采集时候不稳定,从而造成拟合数据的误差。
基于以上问题,我们设计制作了一种基于深度学习分段线性化的压力自标定与校准系统。
发明内容
本发明的目的在于提供一种基于深度学习分段线性化的压力自标定与校准系统,以解决上述背景技术中所提出的问题。
为了解决上述的技术问题,本发明采用了如下技术方案:
一种基于深度学习分段线性化的压力自标定与校准系统,包括壳体,所述壳体的一端固定有触控PC机,所述壳体的一端且位于触控PC机下方的位置设置有开启键、停止复位键和运行报警灯,所述壳体的一端且位于运行报警灯下方的位置均布固定有多个信号输入插孔,所述壳体的内侧装配有控制机构。
优选的,所述控制机构包括PLC控制器、DAC模块和ADC模块,所述壳体的内侧固定有PLC控制器,所述PLC控制器顶部的一端固定有DAC模块和ADC模块,所述PLC控制器与DAC模块和ADC模块电性连接。
优选的,所述控制机构还包括RS232接口和下载编译接口,所述PLC控制器远离DAC模块和ADC模块的一端设置有RS232接口和下载编译接口。
优选的,所述壳体的内侧且偏离PLC控制器的位置固定有压力变送器和标准压力校验仪,所述压力变送器设置有两个,两个所述压力变送器之间电性连接,其中一个所述压力变送器与PLC控制器电性连接。
优选的,所述壳体的外侧装配有夹具本体,所述夹具本体与标准压力校验仪之间装配有连接机构,所述连接机构用于夹具本体与标准压力校验仪之间的连接。
优选的,所述连接机构包括两位三通电磁阀、第一气管、第二气管、电气比例阀、气源供气端、第一气管快插接头、第二气管快插接头和调压阀,所述标准压力校验仪的一侧固定有第一气管,所述第一气管的外侧固定有两位三通电磁阀,所述壳体的一侧开设有凹槽,所述凹槽的内侧固定有调压阀,所述调压阀的内侧固定有气源供气端,所述气源供气端的外侧固定有电气比例阀,所述气源供气端的外侧且偏离电气比例阀的位置也固定有两位三通电磁阀,所述夹具本体的一端固定有第一气管快插接头,所述夹具本体的另一端固定有第二气管快插接头,所述第一气管快插接头与第一气管快插密封连接,所述第二气管快插接头与第二气管快插密封连接。
优选的,所述夹具本体的顶部均布设置有多个传感器放置孔,其中一个所述传感器放置孔的内侧装配有仿形孔塞,所述仿形孔塞与传感器放置孔过盈配合,所述夹具本体顶部的一端连接有压力传感器,所述压力传感器的顶部设置有多个信号输出接口,所述夹具本体的内侧且位于多个传感器放置孔之间的位置开设有内部通道,所述内部通道与传感器放置孔连通。
优选的,所述壳体远离触控PC机的一端设置有第一气源插孔、第二气源插孔、扩展接口和电源总开关。
优选的,所述壳体与触控PC机之间装配有防护机构,所述防护机构用于对触控PC机进行防尘保护。
优选的,所述防护机构包括固定条、弧形槽板、发条辊、防尘布、滑块、连接杆、固定筒、定位杆、连接弹簧、拉杆和定位孔,所述壳体的一端且位于触控PC机上方的位置固定有固定条,所述固定条的两端均固定有弧形槽板,所述弧形槽板均与壳体固定,所述固定条的内侧装配有发条辊,所述发条辊的两端均与弧形槽板转动连接,所述发条辊的外侧缠绕有防尘布,所述弧形槽板的内侧均滑动连接有滑块,两个所述滑块之间固定有一连接杆,所述连接杆与防尘布固定,所述弧形槽板一侧的底部均固定有固定筒,所述固定筒的内侧均滑动连接有定位杆,所述定位杆与弧形槽板滑动连接,所述定位杆的一端均固定有连接弹簧,所述连接弹簧与固定筒内侧滑动连接,所述连接弹簧远离定位杆的一端与固定筒内侧固定,所述连接弹簧的内侧均装配有拉杆,所述拉杆的一端与定位杆固定,所述拉杆的另一端均贯穿固定筒固定有钮帽,所述滑块远离连接杆的一端均开设有与定位杆位置对应的定位孔,所述定位孔与定位杆滑动连接。
可以毫无疑义的看出,通过本申请的上述的技术方案,必然可以解决本申请要解决的技术问题。
同时,通过以上技术方案,本发明至少具备以下有益效果:
1、本发明采用PLC控制器作为主控器,同时扩展了ADC模块以及DAC模块,通过以太网协议配合触控PC机的软件控制,以及PID气压回路控制系统,实现气压传感器的“气压调节-信号采集-数据处理”一体化,属于一种全新的自动化传感器校准测试装置,而且在传统校准测量的过程中,采用观察法记录,会存在一定程度上数据采集偏差。以及在数据处理的时候,采用常规性的整体线性拟合,造成数据拟合的失真。
2、本发明实现了自调节压力动态系统,无需人为持续性调控外界环境压力,本系统具有PID精准自适应性调节功能,由压力传感器和电气比例阀实现。本系统还可通过触控PC机,调控待测环境压力变化值的频率参数值和步进参数值。动态系统还实现了信号采集时的稳定系统,防止在环境压力跳变时(上升或者下降的变化域内)采集数据,因传感器自身电路的延迟,造成最后采集数据的不准确。
3、本发明实现了校准数据自动上传、测试区间深度学习分段线性化功能,无需人为记录处理,即可得到传感器实验校准结果,提高测量系统的非线性拟合的能力,优化测试精度。
4、本发明通过防尘机构的结构设计,使本装置在长期不使用时,可以对进行防尘保护,具有良好的推广价值。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的结构示意图;
图2为本发明的壳体的侧面结构示意图;
图3为本发明的壳体的剖切结构示意图;
图4为本发明的壳体的背面结构示意图;
图5为本发明的壳体的底部结构示意图;
图6为本发明的仿形孔塞和传感器放置孔的连接结构示意图;
图7为本发明的夹具本体的立体结构示意图;
图8为本发明的夹具本体的顶部结构示意图;
图9为本发明的夹具本体的剖切结构示意图;
图10为本发明的固定条和弧形槽板的连接结构示意图;
图11为本发明的防尘布和连接杆的连接结构示意图;
图12为本发明的固定筒和定位杆的连接结构示意图;
图13为本发明的多层前馈神经网络图;
图14为本发明的深度学习模型处理流程图;
图15为本发明的装置硬件结构连接图;
图16为本发明的整体测试流程图;
图17为本发明的稳定信号采集系统示意图;
图18为本发明的软件设计流程示意图;
图19为本发明的升降压随机采集信号示意图;
图20为本发明的升降压稳定采集信号示意图;
图21为本发明的多层前馈神经网络图;
图22为本发明的Sigmoid型激活函数图。
附图中,各标号所代表的部件列表如下:
图中:1、壳体;2、触控PC机;3、开启键;4、停止复位键;5、运行报警灯;6、信号输入插孔;7、PLC控制器;8、DAC模块;9、ADC模块;10、压力变送器;11、标准压力校验仪;12、两位三通电磁阀;13、第一气管;14、RS232接口;15、下载编译接口;16、第二气管;17、电气比例阀;18、气源供气端;19、以太网接口;20、协议处理模块;21、夹具本体;22、仿形孔塞;23、传感器放置孔;24、压力传感器;25、信号输出接口;26、第一气管快插接头;27、第二气管快插接头;28、调压阀;29、第一气源插孔;30、第二气源插孔;31、扩展接口;32、电源总开关;33、内部通道;34、固定条;35、弧形槽板;36、发条辊;37、防尘布;38、滑块;39、连接杆;40、固定筒;41、定位杆;42、连接弹簧;43、拉杆;44、定位孔。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例一:
PLC控制器7作为主控器,使用触控PC机作为数显控制器,PLC控制器7通过欧式端子排接口与DAC模块8相连接,同时也串联了DAC模块8。DAC模块8与压力变送器10相连接。压力变送器10实现信号调制和滤除噪声信号,以此可以将压力传感器的输出信号调制放大和稳定传输,并传输至ADC模块9。DAC模块8,主要功能就是将PLC控制器7控制电气比例阀17的数字量转换成电气比例阀17可输入的模拟量(模拟电压值)。
PLC控制器7的下载编译通信接口与协议处理模块的以太网接口相连接,可以将PLC中的MC协议转换成以太网协议,从而实现数据信息PLC端上传至触控PC机。触控PC机,主要使用JAVA语言编写上位机软件控制程序,使用OPCUA工业通讯协议,去调用服务端相对应的数据库,本次采用KEPServerEX5模拟服务端,使用milo开发的程序作为客户端,使用milo的框架,开发客户端访问OPCUA服务,实现了数显控制PLC从机。
本系统装置的校准夹具可扩展多个待测传感器的气路模块。一个校准夹具可以同时标定校准四个传感器,传感器接口信号U-、U+、S+、S-,分别对接了本系统的快插孔(信号输入插孔),进而与信号变送器的T-、P、A+、A-,相对应连接处理。校准夹具的右端是气管快插接口(主要负责校准气压的输入),与本系统内部的两位三通电磁阀以及电气比例阀17门连接,分别负责整个气路的排气和气源输入大小以及调控变化的频率。校准夹具的左端是气源输出的气管快插接口,与本系统内部的两位三通电磁阀以及标准压力校验仪连接,压力校验仪外置DB九针串口接口,通过交叉双绞屏蔽线与PLC的RS232接口模块相连接,通过内部寄存器特定的RS2串口通信协议,实现PLC控制器7发送和接收标准压力校验仪的数据,RS2指令包括5个参数,分别是发送数据首地址(D100)、发送数据长度(D0)、接收数据首地址(D1000)、接收数据长度(D1)、通道编号。以此完成数据的传输。
实施例二:
PID自调节压力动态系统和信号稳定采集系统,本系统通过压力传感器和电力比例阀门形成PID算法的调控,具有精准自适应性调节功能。DAC模块8,将PLC控制电气比例阀17的数字量转换成电气比例阀17可接受的模拟电压值,从而控制校准夹具内部实际气源的大小、步进值,变化频率。压力传感器检测环境变化将测量数据输出至PLC,最终传输至触控PC机,经过内部数据处理,从而判断传感器的精确度,来以此调控下一环节的气源的大小、步进值、变化频率。触控PC机的软件程序,采用了分段线性化处理。
本系统的分段线性化处理,以0V的电压点为分界点,对待测型号的传感器进行标定校准,首先对DAC模块8以2mv的步进值进行输出,以
此驱动电气比例阀17的输入气源为100pa节拍,同时记录10个数值,
(ya1,ya2,ya3,……,ya10)为真实气压数值。校准夹具的搭载上的待测压力传感器,也会相对应的检测出10个测量数值(x1,x2,x3,……,x10),只要步进值取得足够小,就可以认为真实值和测量数值成线性关系,因此可以对真实值和测量值进行基于最小二乘法原则的一次多项式线性拟合,可得到以下线性回归方程
y=kx+b (1)
k、b的值可以由以下公式求得,其中N=10。
通过上面的数据和计算公式,可以得到前10个数据采样点的校准直线方程公式,这里称为校准公式g1,系统进行下一点的数据采集,并且把该点ADC输出的数字量作为x,,代入校准公式g2就可以得到公式的y值,即为校准值。那么与此同时标准气压测量仪输出真实测量数值ya。
那么使用该采集点的校准值减去对应的理论值y-ya,可得到相对的差值,对其结果取绝对值记为测量误差Δe1,因为每个传感器的制造精度不一定。我国工业仪表等级分为0.1,0.2,0.5,1.0,1.5,2.5,5.0,目前市场上精度等级在0.5居多,传感器的精度计算公式=允许最大误差的绝对值/满量程测量范围*100%,对于测量误差的表示方式:±0.5%±1字(有的传感器型号也表示为:±0.10%读数±%0.35量程)通过上面的表示方式即可计算出每个点的测量误差Δe2,对于精度公式举例说明如下:
若满量程2.000,若该点测量值为0.010,则测量误差为±(0.5%*0.010+0.001)=±(0.000+0.001)=±0.001
(2)若满量程2.000,若该点测量值为0.200,则测量误差为±(0.5%*0.200+0.001)=±(0.001+0.001)=±0.002
(3)若满量程2.000,若该点测量值为0.800,则测量误差为±(0.5%*0.800+0.001)=±(0.004+0.001)=±0.005
依次类推,刚开始以初始的步进值,进行调控气源,同时计算想对应的Δe1、Δe2,并且将实际测量误差Δe1和理论测量误差Δe2相减,即为Δe=Δe1-Δe2。
也就是通过Δe的数值,来以此调控气源的步进值,同时也作为分段线性化的转折点。下面针对Δe不同数值情况,进行分析:
当Δe为负值时,如果绝对值比较小,说明当前测量点的电压值经过校准曲线或者接近,那么系统的PID控制器可以适当增加电气比例阀17门的气源步进值;如果绝对值比较大,说明当前点电压值偏离校准曲线比较大,但仍在误差允许范围内,那么系统的PID控制器可以适当减少电气比例阀17门的气源步进值。
当Δe为正值时,说明此点的实际测量误差已经超过了传感器本身精度的理论测试误差,此时需要系统的PID控制器减少电气比例阀17门的气源步进值。同时让气源的输出气源回到上一次电压的初始值,然后继续计算直到出现Δe<0数据值。并且以此数据量作为线性分段化的转折点,再进行下一步的线性拟合。
当Δe为0时,说明测量误差刚好在误差允许范围的临界值,为了提高系统的测量精度,系统的PID控制器可以适当减少电气比例阀17的步进值,从而实现Δe<0,然后以目标数据量作为线性分段化的转折点,然后进行下一步的线性拟合。
重复步骤上述环节步骤,直到电气比例阀17门输出待测传感器的最大量程气压值。触控PC机接收到传输的数据,进行分段线性化拟合,即可计算出待测夹具内某一通道的传感器的若干个校准参数:k1,b1,k2,b2,k3,b3……。
综上所述,本系统通过分段线性化拟合数据和PID闭合回路相结合的方式,可以快速高效的进行传感器分段线性化拟合(找到对应的转折点),对比之前的传统个人经验去分段处理数据,对于线性度比较好的区间避免了多次重复无效的数据处理,整个校准标定的过程包含了测试验证的过程,保证了测量误差在理论误差的允许范围之内,而测试结果是否达标是分段的依据,这确保了分段线性拟合的有效性、高效性、准确性和自适应性。这很好的解决了传统分段线性拟合的盲目性和不合理性。
本系统还设置了升降压的稳定采集系统,实现系统采集信号数据时,只在稳定区间范围内记录。因传感器自身电路的设计,以及本身气路结构,稳定采集系统可以防止在环境压力跳变(上升或者下降的变化域内)采集数据。
稳定采集系统,主要由触控PC机发送采集信号然后PLC从机接受,当电气比例阀17气源的输出发生变化时,结合上述的PID控制器以及系统延时记录,传感器输出在3秒内信号不发生跳变的时候,即可为采集数据点。
实施例三:
深度学习补偿法分段线性化的压力自标定系统,本系统采用深度学习作为分段线性化的补偿法。
神经网络原理:当测量系统的控制对象越来越复杂时,会存在各种不确定和很多的难以确定描述的非线性。
线性和非线性在深度学习中的回归问题中,都可以对曲线进行建模,神经网络普遍采用多层交叉的网络架构进行模型能力的演进。借助着强大的多层非线性能力,使得深度学习得到的模型能力更加精准的符合现实存在的数据分布,从而拥有更加强大准确的泛化能力,继而被广大从业者认可并且广泛使用。
(一)线性模型:
基本元素:主要就是参数和自变量。参数就是常量表达,定量描述。而自变量就是用于描述变量。
形式一(简单表达式):简单线性模型遵循一种非常特殊的表达形式,通过基本元素的单一聚合以及基本元素单一交叉组合而成。在统计学中,当线性模型中的所有项为上述基本元素的任一项时(单一的参数与自变量),模型就是线性模型。示例如下:
Y=β0+β1+X1
在统计学中,当线性模型中的所有项为上述基本元素经过简单组合(参数与自变量两两交叉的一维组合),模型就是线性模型。示例如下:
Y=β0+β1X1+β2X2+...+βKXK
形式二(复杂表达式)
在统计学习中,上述简单组合的线性模型太过于简单,限制了线性模型的表达能力。另外可以将一个自变量提高一个指数来拟合曲线。例如,如果对一个自变量平方,模型可以沿着u型曲线。
线性定义:一个表达式是否为线性,取决于参数,而不是自变量。
(二)非线性模型:
从整体上来说,一个模型要么属于线性,要么属于非线性。既然从定义上明确了线性模型的概念,那么不符合这个定义的就是非线性模型。按照上面的定义描述,本质上来判断一个模型是不是非线性,就是需要判断它的参数是不是非线性的。非线性模型具有非常多的不规则的表达,这也是非线性模型能够那么好的拟合那些曲折的函数曲线的原因,进而产生更加优异的泛化效果。比如下面这个:
Y=w*xv=w+(v1-v2)*e2*x
与线性模型不一样的是,这些非线性模型的特征因子对应的参数不止一个。
(三)深度学习的非线性表达
由上面的分析可知ADC转换电路的输出数字气压与输入模拟电压或者误差信号之间的非线性关系表现为光滑的非线性二次曲线很适合通过神经网络来拟合。神经网络中应用最广泛的是前馈神经网络。
前馈网络是感知器的集合,其中有三种基本类型的层:输入层、隐藏层和输出层。相邻层之间通过突触权矩阵连接起来,在每个连接过程中,来自前一层的信号被乘以一个权重,增加一个偏置,然后通过一个激活函数。前馈网络使用反向传播迭代更新参数,直到达到理想的性能。整个网络中无反馈,信号从输入层向输出层单向传播,可用一个有向无环图表示。
前馈神经网络可以看作是一个函数,通过简单非线性函数的多次复合,实现输入空间到输出空间的复杂映射。
用记号描述一个前馈神经网络:
L:神经网络层数。
m(l):第1层神经元个数
fl(·):第1层神经元激活函数
z(l)=W(l)·fl-1(z(l-1))+b(l)或者a(l)=fl(W(l)·a(l-1)+b(l))
那么前馈网络传播过程:
神经元:是构成神经网络的基本单元,其主要是模拟生物神经元的结构和特性,接受一组输入信号并产出输出。
假设一个神经元接受d个输入x1,x2...xd,令向量x=[x1,x2,...,xd]来表示这组输入,净输入z∈R表示神经元所获得的输入信号x的加权和:其中w=[ω1,ω2,...,ωd]∈Rd是d维权重向量,b∈R是偏置。
净输入z在经过非线性函数f(·)后,得到神经元活性值a,a=f(z)激活函数
激活函数是用来增强网络的表示能力和学习能力的,具备以下性质:
(1)连续并可导(允许少数点上不可导)的非线性函数。可导的激活函数可以直接利用数值优化的方法来学习网络参数。
(2)激活函数及其导函数要尽可能地简单,有利于提高网络计算效率。
(3)激活函数的导函数的值域要在一个合适的区间内,不能太大和太小(避免梯度爆炸和梯度消失),否则影响训练的效率和稳定性。
Sigmoid型激活函数
sigmoid函数意为“S型曲线函数”,它常常指的是logistic(对数几率)函数:
常用的sigmoid型函数有Logistics函数和Tanh函数。
Logistic函数性质:
(1)其输出直接可以看作是概率分布,使神经网络可以更好地和统计学习模型进行结合。
(2)可以看作是一个软性门(SoftGate),用来控制其他神经元输出信息的数量。
但sigmoid函数还有其他的函数,例如tanh函数等。
梯度下降法是机器学习中一种常用到的算法,本质是一种求解的最优化算法。主要解决求最小值问题,其基本思想在于不断地逼近最优点,每一步的优化方向就是梯度的方向。让模型不断地去学习,就是利用梯度下降法不断去优化的过程,目前最为常见的深度神经网络便是利用梯度的反向传播,反复更新模型参数直至收敛,从而达到优化模型的目的。随机梯度下降法,指的是每次随机从样本集中抽取一个样本对θ进行更新,公式为:θn+1=θn-α[hθ(x(i))-y(i)]*x(i)
均方误差(MSE)是回归损失函数中最常用的误差,它是预测值f(x)与目标值y之间差值平方和的均值,其公式如下所示:
一种基于深度学习非线性拟合和BP神经网络的气压预测方法,包括如下步骤:
1)记录传感器的模拟电压值ax、步进电压值bx和系统延
时采集信号的参数值sx,并采集对应参数下的校准夹具的真实气压值Ra;
2)建立真实气压值与测试环境参数的多元非线性拟合关系函数模型;
3)将真实气压值与测试环境参数的多元非线性函数模型转化为多元线性函数模型;
4)对真实气压值与测试环境参数进行预处理;
5)基于多元线性函数模型结构建立BP神经网络,通过梯度下降法迭代获得多元线性函数模型参数;
6)将多元线性函数模型逆转化为多元非线性函数模型,对气压测试值进行预测。利用BP神经网络训练获得多元非线性拟合函数参数,依据多元非线性函数预测传感器测试气压值,正确率较高,可信度较好。
校准夹具的真实气压值Ra通过标准压力校验仪测量可得,建立的真实气压值与测试环境参数的之间的多元非线性函数模型为
lgRa=lgλ+β1lgax+β2lgbx+β3lgsx。
将求取模拟电压值对数后的lgax、求取步进值对数后的lgbx和求取系统延时采集对数后的lgsx作为输入自变量,求取真实气压值对数后的lgRa作为输出因变量。BP神经网络中通过Sigmoid函数将线性映射关系转化为非线性映射关系,损失函数使用均方误差MSE衡量气压测试输出结果与实际结果的误差,即loss=1/2(y-y)2,最终依据误差值使用梯度下降法完成对模型中参数β1、β2、β3和阈值lgλ的迭代更新。多元非线性拟合回归分析,对BP神经网络迭代更新的多元非线性拟合参数进行数据处理,代入到多元非线性拟合函数,得到气压测试数值关于数据处理的拟合函数,通过计算平均绝对误差评估所建模型准确度。
实施例四:
参照图10-12,本实施例对触控PC机2进一步优化,壳体1与触控PC机2之间装配有防护机构,防护机构用于对触控PC机2进行防尘保护;
防护机构包括固定条34、弧形槽板35、发条辊36、防尘布37、滑块38、连接杆39、固定筒40、定位杆41、连接弹簧42、拉杆43和定位孔44,壳体1的一端且位于触控PC机2上方的位置固定有固定条34,固定条34的两端均固定有弧形槽板35,弧形槽板35均与壳体1固定,固定条34的内侧装配有发条辊36,发条辊36的两端均与弧形槽板35转动连接,发条辊36的外侧缠绕有防尘布37,弧形槽板35的内侧均滑动连接有滑块38,两个滑块38之间固定有一连接杆39,连接杆39与防尘布37固定,弧形槽板35一侧的底部均固定有固定筒40,固定筒40的内侧均滑动连接有定位杆41,定位杆41与弧形槽板35滑动连接,定位杆41的一端均固定有连接弹簧42,连接弹簧42与固定筒40内侧滑动连接,连接弹簧42远离定位杆41的一端与固定筒40内侧固定,连接弹簧42的内侧均装配有拉杆43,拉杆43的一端与定位杆41固定,拉杆43的另一端均贯穿固定筒40固定有钮帽,滑块38远离连接杆39的一端均开设有与定位杆41位置对应的定位孔44,定位孔44与定位杆41滑动连接;
当需要对触控PC机2进行防尘保护时,拉动连接杆39,使得连接杆39带动两个滑块38沿着弧形槽板35内侧进行滑动,此时发条辊36上的防尘布37被连接杆39拉动展开,对触控PC机2进行覆盖,之后拉动拉杆43,使得拉杆43带动定位杆41挤压连接弹簧42,进而使得定位杆41收缩至固定筒40内侧,然后继续拉动连接杆39,直至定位孔44与定位杆41对应,之后松开拉杆43,连接弹簧42产生的弹力推动定位杆41,直至定位杆41插入至定位孔44内,即可完成对连接杆39的限位。
通过上述设置,本申请必然能解决上述技术问题,同时,实现以下技术效果:
1、本发明采用PLC控制器7作为主控器,同时扩展了ADC模块(9)以及DAC模块,通过以太网协议配合触控PC机的软件控制,以及PID气压回路控制系统,实现气压传感器的“气压调节-信号采集-数据处理”一体化,属于一种全新的自动化传感器校准测试装置,而且在传统校准测量的过程中,采用观察法记录,会存在一定程度上数据采集偏差。以及在数据处理的时候,采用常规性的整体线性拟合,造成数据拟合的失真。
2.本发明实现了自调节压力动态系统,无需人为持续性调控外界环境压力,本系统具有PID精准自适应性调节功能,由压力传感器和电气比例阀17实现。本系统还可通过触控PC机,调控待测环境压力变化值的频率参数值和步进参数值。动态系统还实现了信号采集时的稳定系统,防止在环境压力跳变时(上升或者下降的变化域内)采集数据,因传感器自身电路的延迟,造成最后采集数据的不准确。
3.本发明实现了校准数据自动上传、测试区间深度学习分段线性化功能,无需人为记录处理,即可得到传感器实验校准结果,提高测量系统的非线性拟合的能力,优化测试精度。
4、本发明通过防尘机构的结构设计,使本装置在长期不使用时,可以对触控PC机2进行防尘保护,具有良好的推广价值。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (10)
1.一种基于深度学习分段线性化的压力自标定与校准系统,其特征在于,包括壳体(1),所述壳体(1)的一端固定有触控PC机(2),所述壳体(1)的一端且位于触控PC机(2)下方的位置设置有开启键(3)、停止复位键(4)和运行报警灯(5),所述壳体(1)的一端且位于运行报警灯(5)下方的位置均布固定有多个信号输入插孔(6),所述壳体(1)的内侧装配有控制机构。
2.根据权利要求1所述的一种基于深度学习分段线性化的压力自标定与校准系统,其特征在于,所述控制机构包括PLC控制器(7)、DAC模块(8)和ADC模块(9),所述壳体(1)的内侧固定有PLC控制器(7),所述PLC控制器(7)顶部的一端固定有DAC模块(8)和ADC模块(9),所述PLC控制器(7)与DAC模块(8)和ADC模块(9)电性连接。
3.根据权利要求2所述的一种基于深度学习分段线性化的压力自标定与校准系统,其特征在于,所述控制机构还包括RS232接口(14)和下载编译接口(15),所述PLC控制器(7)远离DAC模块(8)和ADC模块(9)的一端设置有RS232接口(14)和下载编译接口(15)。
4.根据权利要求3所述的一种基于深度学习分段线性化的压力自标定与校准系统,其特征在于,所述壳体(1)的内侧且偏离PLC控制器(7)的位置固定有压力变送器(10)和标准压力校验仪(11),所述压力变送器(10)设置有两个,两个所述压力变送器(10)之间电性连接,其中一个所述压力变送器(10)与PLC控制器(7)电性连接。
5.根据权利要求4所述的一种基于深度学习分段线性化的压力自标定与校准系统,其特征在于,所述壳体(1)的外侧装配有夹具本体(21),所述夹具本体(21)与标准压力校验仪(11)之间装配有连接机构,所述连接机构用于夹具本体(21)与标准压力校验仪(11)之间的连接。
6.根据权利要求5所述的一种基于深度学习分段线性化的压力自标定与校准系统,其特征在于,所述连接机构包括两位三通电磁阀(12)、第一气管(13)、第二气管(16)、电气比例阀(17)、气源供气端(18)、第一气管快插接头(26)、第二气管快插接头(27)和调压阀(28),所述标准压力校验仪(11)的一侧固定有第一气管(13),所述第一气管(13)的外侧固定有两位三通电磁阀(12),所述壳体(1)的一侧开设有凹槽,所述凹槽的内侧固定有调压阀(28),所述调压阀(28)的内侧固定有气源供气端(18),所述气源供气端(18)的外侧固定有电气比例阀(17),所述气源供气端(18)的外侧且偏离电气比例阀(17)的位置也固定有两位三通电磁阀(12),所述夹具本体(21)的一端固定有第一气管快插接头(26),所述夹具本体(21)的另一端固定有第二气管快插接头(27),所述第一气管快插接头(26)与第一气管(13)快插密封连接,所述第二气管快插接头(27)与第二气管(16)快插密封连接。
7.根据权利要求6所述的一种基于深度学习分段线性化的压力自标定与校准系统,其特征在于,所述夹具本体(21)的顶部均布设置有多个传感器放置孔(23),其中一个所述传感器放置孔(23)的内侧装配有仿形孔塞(22),所述仿形孔塞(22)与传感器放置孔(23)过盈配合,所述夹具本体(21)顶部的一端连接有压力传感器(24),所述压力传感器(24)的顶部设置有多个信号输出接口(25),所述夹具本体(21)的内侧且位于多个传感器放置孔(23)之间的位置开设有内部通道(33),所述内部通道(33)与传感器放置孔(23)连通。
8.根据权利要求1所述的一种基于深度学习分段线性化的压力自标定与校准系统,其特征在于,所述壳体(1)远离触控PC机(2)的一端设置有第一气源插孔(29)、第二气源插孔(30)、扩展接口(31)和电源总开关(32)。
9.根据权利要求1所述的一种基于深度学习分段线性化的压力自标定与校准系统,其特征在于,所述壳体(1)与触控PC机(2)之间装配有防护机构,所述防护机构用于对触控PC机(2)进行防尘保护。
10.根据权利要求9所述的一种基于深度学习分段线性化的压力自标定与校准系统,其特征在于,所述防护机构包括固定条(34)、弧形槽板(35)、发条辊(36)、防尘布(37)、滑块(38)、连接杆(39)、固定筒(40)、定位杆(41)、连接弹簧(42)、拉杆(43)和定位孔(44),所述壳体(1)的一端且位于触控PC机(2)上方的位置固定有固定条(34),所述固定条(34)的两端均固定有弧形槽板(35),所述弧形槽板(35)均与壳体(1)固定,所述固定条(34)的内侧装配有发条辊(36),所述发条辊(36)的两端均与弧形槽板(35)转动连接,所述发条辊(36)的外侧缠绕有防尘布(37),所述弧形槽板(35)的内侧均滑动连接有滑块(38),两个所述滑块(38)之间固定有一连接杆(39),所述连接杆(39)与防尘布(37)固定,所述弧形槽板(35)一侧的底部均固定有固定筒(40),所述固定筒(40)的内侧均滑动连接有定位杆(41),所述定位杆(41)与弧形槽板(35)滑动连接,所述定位杆(41)的一端均固定有连接弹簧(42),所述连接弹簧(42)与固定筒(40)内侧滑动连接,所述连接弹簧(42)远离定位杆(41)的一端与固定筒(40)内侧固定,所述连接弹簧(42)的内侧均装配有拉杆(43),所述拉杆(43)的一端与定位杆(41)固定,所述拉杆(43)的另一端均贯穿固定筒(40)固定有钮帽,所述滑块(38)远离连接杆(39)的一端均开设有与定位杆(41)位置对应的定位孔(44),所述定位孔(44)与定位杆(41)滑动连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310216238.7A CN116412959A (zh) | 2023-03-08 | 2023-03-08 | 一种基于深度学习分段线性化的压力自标定与校准系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310216238.7A CN116412959A (zh) | 2023-03-08 | 2023-03-08 | 一种基于深度学习分段线性化的压力自标定与校准系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116412959A true CN116412959A (zh) | 2023-07-11 |
Family
ID=87048896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310216238.7A Pending CN116412959A (zh) | 2023-03-08 | 2023-03-08 | 一种基于深度学习分段线性化的压力自标定与校准系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116412959A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116952457A (zh) * | 2023-09-19 | 2023-10-27 | 广东汉瑞通信科技有限公司 | 一种大量程压力传感器用检测设备 |
CN117421937A (zh) * | 2023-12-18 | 2024-01-19 | 山东利恩斯智能科技有限公司 | 基于s-g算法抑制传感器随机振动信号零漂趋势的方法 |
-
2023
- 2023-03-08 CN CN202310216238.7A patent/CN116412959A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116952457A (zh) * | 2023-09-19 | 2023-10-27 | 广东汉瑞通信科技有限公司 | 一种大量程压力传感器用检测设备 |
CN116952457B (zh) * | 2023-09-19 | 2024-02-06 | 广东汉瑞通信科技有限公司 | 一种大量程压力传感器用检测设备 |
CN117421937A (zh) * | 2023-12-18 | 2024-01-19 | 山东利恩斯智能科技有限公司 | 基于s-g算法抑制传感器随机振动信号零漂趋势的方法 |
CN117421937B (zh) * | 2023-12-18 | 2024-03-29 | 山东利恩斯智能科技有限公司 | 基于s-g算法抑制传感器随机振动信号零漂趋势的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116412959A (zh) | 一种基于深度学习分段线性化的压力自标定与校准系统 | |
US5554273A (en) | Neural network compensation for sensors | |
CN108120451A (zh) | 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 | |
CN110146215B (zh) | 一种带有温度补偿与参数整定措施的气压传感器 | |
CN111829620A (zh) | 称重传感器、称重网络及监测方法 | |
Tian et al. | A fieldbus-based intelligent sensor | |
CN114646680B (zh) | 一种气体传感器自动测试系统 | |
CN211824652U (zh) | 称重应变传感器信号量值传递电路及关键单元 | |
CN112415458A (zh) | 一种电流传感器线性度测试系统及校准方法 | |
CN111412968A (zh) | 称重应变传感器信号量值传递电路、关键单元及传递方法 | |
CN110749444A (zh) | 航天液体发动机地面试验测试系统的校准系统及方法 | |
CN111814403B (zh) | 一种配电主设备分布式状态传感器可靠性评估方法 | |
KR102390461B1 (ko) | 인공지능 적용 가능한 대기질 측정시스템의 운용방법 | |
CN116519206A (zh) | 基于深度学习的压力传感器校准系统及方法 | |
CN116644795A (zh) | 面向水下触觉力测量的触觉力传感器标定软件设计方法 | |
Rahili et al. | Intelligent selection of calibration points using a modified progressive polynomial method | |
CN110705187B (zh) | 通过最小二乘算法即时在线仪表校验和诊断方法 | |
Yu et al. | Nonlinear dynamic compensation of sensors using inverse-model-based neural network | |
CN110705186B (zh) | 通过rbf粒子群优化算法即时在线仪表校验和诊断方法 | |
Yue et al. | Nonlinear correction method of pressure sensor based on data fusion | |
Esimkhanova et al. | Virtual Device For Processing The Signals From MEMS Pressure Sensors | |
Souhil et al. | ANN modeling of a smart MEMS-based capacitive humidity sensor | |
Ge et al. | High precision weight measurement of liquid viscosity | |
RU2714039C1 (ru) | Система для разработки интеллектуального датчика | |
CN110750756A (zh) | 通过最优支持向量机算法即时在线仪表校验和诊断方法 |
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 |