CN116519206A - 基于深度学习的压力传感器校准系统及方法 - Google Patents
基于深度学习的压力传感器校准系统及方法 Download PDFInfo
- Publication number
- CN116519206A CN116519206A CN202310497746.7A CN202310497746A CN116519206A CN 116519206 A CN116519206 A CN 116519206A CN 202310497746 A CN202310497746 A CN 202310497746A CN 116519206 A CN116519206 A CN 116519206A
- Authority
- CN
- China
- Prior art keywords
- calibration
- pressure sensor
- pressure
- value
- calibrated
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 39
- 238000011176 pooling Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 35
- 238000013527 convolutional neural network Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 238000005457 optimization Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 5
- 239000007789 gas Substances 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
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
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- 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
本发明涉及基于深度学习的压力传感器校准系统及方法,包括压力源,产生校准环境下所需的设定压力;数据采集器,获取压力源产生的压力作为实际压力值,获取待校准压力传感器在实际压力值下对应的输出值;处理单元,被配置为:基于校准环境下的实际压力值和待校准压力传感器的输出值,利用训练完毕的校准模型得到预测的输出值,确定校准环境下的实际压力值与得到的预测输出值之间的误差,以误差最小为目标,得到每个校准参数的偏导数,确定每个校准参数所需的更新量;参数更新单元,被配置为:基于得到的更新量获得更新后的校准参数,输入待校准的压力传感器,完成校准。
Description
技术领域
本发明涉及传感器校准技术领域,具体为基于深度学习的压力传感器校准系统及方法。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
传感器受到使用过程中的微小变化以及外部环境的影响,性能会发生变化,导致测试和校准变得困难。目前的传感器校准方法依靠传统的物理测试手段和计算方式,存在测试精度低、校准不可追溯、过程复杂等问题,一些物理测试手段依赖昂贵的设备,并会消耗较多的时间,而且准确度不够高。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供基于深度学习的压力传感器校准系统及方法,利用在校准环境下得到的实际压力值和基于校准模型输出的预测值作为校准的数据来源,在实际压力值与预测值之间的误差最小时,得到每个校准参数所需的更新量,能够通过校准模型来纠正传感器自身的输出偏差,降低传统的校准过程中带来的误差和漂移,并减少时间消耗。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供基于深度学习的压力传感器校准系统,包括:
压力源,产生校准环境下所需的设定压力;
数据采集器,获取压力源产生的压力作为实际压力值,获取待校准压力传感器在实际压力值下对应的输出值;
处理单元,被配置为:基于校准环境下的实际压力值和待校准压力传感器的输出值,利用训练完毕的校准模型得到预测的输出值,确定校准环境下的实际压力值与得到的预测输出值之间的误差,以误差最小为目标,得到每个校准参数的偏导数,确定每个校准参数所需的更新量;
参数更新单元,被配置为:基于得到的更新量获得更新后的校准参数,输入待校准的压力传感器,完成校准。
校准模型的训练数据集包括,在校准环境下,获取压力源的设定压力值作为实际压力值数据,并利用预先经过校准的压力传感器得到对应的输出数据,作为训练数据集。
校准模型的训练过程中,预先经过校准的压力传感器得到的输出数据经过预处理后,提取特征。
预处理包括去均值、归一化和滤波中的至少一种。
提取的特征包括,压力传感器输出数据中的平均值、标准差、最大值、最小值、斜率、峰值和能量谱密度中的一种或多种。
校准模型的训练过程中,提取到的特征依次经卷积层、池化层和全连接层得到输出,输出为预测的压力传感器输出值Ppred,以Ppred和实际压力值之间的最小为目标完成校准模型的训练。
校准模型的训练完毕后,在校准环境下获取实际压力值和对应的待校准压力传感器输出值,基于待校准压力传感器输出值利用校准模型得到预测的输出值。
校准模型的训练完毕后,得到校准环境下的实际压力值与预测输出值之间的均方误差,以均方误差最小为目标,对每个校准参数的偏导数求解,得到每个校准参数所需的更新量。
处理单元具有与待校准的压力传感器通讯连接的数据接口,将更新后的校准参数,通过数据接口写入待校准的压力传感器,完成校准。
本发明的第二个方面提供基于深度学习的压力传感器校准方法,包括以下步骤:
获取校准环境下的实际压力值和待校准压力传感器输出值,基于训练完毕的校准模型得到预测的输出值;
确定校准环境下的实际压力值与得到的预测输出值之间的误差,以误差最小为目标,求解每个校准参数的偏导数,得到每个校准参数所需的更新量;
基于更新量得到更新后的校准参数,并输入待校准的压力传感器,完成校准。
与现有技术相比,以上一个或多个技术方案存在以下有益效果:
1、利用在校准环境下得到的实际压力值和基于校准模型得到的预测输出值作为校准的数据来源,在实际压力值与预测输出值之间的误差最小时,得到每个校准参数所需的更新量,能够通过校准模型来纠正传感器自身的输出偏差,降低传统的校准过程中带来的误差和漂移,并减少时间消耗。
2、在校准环境下利用预先校准过的同类传感器获得的实际压力值和对应的传感器输出值作为训练数据集,经过深度学习的方式训练校准模型后,得到所需的校准参数,再将得到的校准参数输入待校准的压力传感器中完成更新,从而实现校准,能够有效地,提高测试精度和稳定性。
3、相较于传统的机械或电学测试设备相比,本方法可以更快速、便捷地进行测试和校准,同时还能减少成本和人力资源的消耗。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明一个或多个实施例提供的基于深度学习的压力传感器校准系统架构示意图;
图2是本发明一个或多个实施例提供的压力传感器测试校准过程示意图;
图3是本发明一个或多个实施例提供的使用CNN模型进行压力传感器测试和校准的流程示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
正如背景技术中所描述的,目前针对压力传感器的校准方式存在测试精度低、校准不可追溯、过程复杂等问题,以下实施例给出基于深度学习的压力传感器校准系统及方法,利用传感器测试系统和外部压力校准仪器,采集一系列不同压力值下传感器输出信号数据和实际压力值数据,作为训练数据集,经过深度学习的方式训练校准模型后,得到所需的校准参数,再将得到的校准参数输入待校准的压力传感器中完成更新,从而实现校准。
以下实施例以MEMS压力传感器为例给出校准过程,还可以扩展到其余类型的压力传感器中。
MEMS压力传感器是一种薄膜元件,受到压力时变形。可以利用应变仪(压阻型感测)来测量这种形变以反映压力的变化,也可以通过电容感测两个面之间距离的变化来反映压力的变化。
实施例一:
如图1所示,基于深度学习的压力传感器校准系统,包括:
压力源,产生校准环境下所需的设定压力;
数据采集器,获取压力源产生的压力作为实际压力值,获取待校准压力传感器在实际压力值下对应的输出值;
处理单元,被配置为:基于校准环境下的实际压力值和待校准压力传感器的输出值,利用训练完毕的校准模型得到预测的输出值,确定校准环境下的实际压力值与得到的预测输出值之间的误差,以误差最小为目标,得到每个校准参数的偏导数,确定每个校准参数所需的更新量;
参数更新单元,被配置为:基于得到的更新量获得更新后的校准参数,输入待校准的压力传感器,完成校准。
压力源能够产生设定的压力作为实际压力值,压力源经过预先校准,并且不限制具体的结构型式。例如可以使用气泵将气体(通常为空气或氮气)压缩到所需的压力值,从而输出校准数据采集所需的实际压力值;在校准模型训练完成后,压力源产生设定的压力值可以作为校准压力使用;或者采用气瓶或管道供应压缩气体,经过调压阀(预先经过校准)输出所需的压力;或者采用砝码和传感器(这里的砝码和传感器均是预先校准过的)。
本实施例中利用预先校准过的MEMS压力传感器来获取压力源产生的实际压力值,期间产生的实际压力值和MEMS压力传感器对应的读数作为校准模型的训练数据集,在校准模型经过训练后,压力源产生的实际压力值和待校准的压力传感器对应的输出值共同作为模型的输入,输出为待校准压力传感器的预测值,实际压力值与得到的预测输出值之间存在误差,这里的误差包含了待校准压力传感器达到稳定后的最终读数、达到稳定时所需的时间等参数,并且在一个实际压力值下进行多次数据采集时,待校准压力传感器可能会输出对应的多个输出值,这部分输出值中又包含最大值、最小值和标准差等参数,这部分参数都是能够影响压力传感器性能的校准参数。
因此,本实施例利用在校准环境下得到的实际压力值和基于校准模型得到的预测输出值作为校准的数据来源,在实际压力值与预测输出值之间的误差最小时,得到每个校准参数所需的更新量,能够通过校准模型来纠正传感器自身的输出偏差,降低传统的校准过程中带来的误差和漂移,并减少时间消耗。
实施例二:
如图1-图3所示,基于深度学习的压力传感器校准方法,包括以下步骤:
获取校准环境下的实际压力值和待校准压力传感器输出值,基于训练完毕的校准模型得到预测的输出值;
确定校准环境下的实际压力值与得到的预测输出值之间的误差,以误差最小为目标,求解每个校准参数的偏导数,得到每个校准参数所需的更新量;
基于更新量得到更新后的校准参数,并输入待校准的压力传感器,完成校准。
具体的:
采集训练数据:在校准环境下利用预先经过校准的MEMS传感器,采集一系列不同压力值下MEMS传感器输出的信号数据和实际压力值数据,作为训练数据集。
数据预处理:对采集到的原始数据进行滤波、去噪和归一化处理,以提高数据质量和减少误差。
模型训练:选择合适的深度学习模型来进行训练和测试。通常情况下,卷积神经网络(CNN)和循环神经网络(RNN)都是常用的模型,但是根据数据特点和任务需求也可以使用其他模型。使用训练集对模型进行训练。在训练过程中,根据损失函数的定义对模型进行优化,以提高模型的精度和泛化能力。
模型测试和调优:使用测试集对训练好的模型进行测试,并根据测试结果对模型进行调优。可以采用交叉验证等方法对模型进行评估,以确定模型的优劣。
校准参数调整:将模型的输出结果与实际压力值进行比较,以确定误差和校准参数的调整。
应用:将调整后的校准参数应用于实际场景中的MEMS压力传感器,以提高传感器的准确性和可靠性。校准参数的应用可以通过更新传感器的内部参数实现,也可以通过外部算法对传感器的输出结果进行校准。
校准使用的模型包括但不限于CNN(卷积神经网络)模型。下面以CNN模型为例进行介绍:
1传感器数据采集:在校准环境下,尽可能多的获取预先经过校准的MEMS压力传感器,在不同压力值对应的传感器读数。校准环境指压力值可控且产生压力值的设备或装置是预先经过校准的环境。通过收集包括MEMS压力传感器的读数和对应的实际压力值(这里的实际压力值为设定的测试压力值),收集不同范围的数据以进行训练和测试。
本实施例使用能够产生设定压力的压力源来产生实际的压力值,压力源经过预先校准,例如可以使用气泵将空气压缩到所需的压力值,从而输出校准数据采集所需的实际压力值,在模型训练完成后,产生设定的压力值作为校准压力;或者采用气瓶或管道供应压缩气体,经过调压阀(预先经过校准)输出所需的压力;或者采用砝码和传感器进行测量(这里的砝码和传感器均是预先校准过的);校准环境下使用的压力源,其具体类型不做限制,校准环境下产生的实际压力值对应MEMS压力传感器的读数,保存实际压力值和对应的传感器读数,作为训练模型的数据集。
2数据预处理:将数据进行预处理,包括去除噪声、归一化、平滑和特征提取。以确保数据的质量和一致性。假设预处理后的数据为xi,其中i表示数据点的编号。
3划分数据集:将预处理后的数据分为训练集和测试集。假设训练集和测试集分别为Dtrain和Dtest。
4模型设计:设计CNN模型,包括卷积层、池化层、全连接层等,以提取输入数据的特征,并输出对应的压力值。模型的结构可以根据实际情况进行调整和优化,以提高模型的精度和鲁棒性。
本实施例中,提取特征是指从输入的传感器读数数据中抽取出对于校准任务有用的特征,以便模型更好地进行分类或回归等操作,通过卷积层、池化层的操作来实现。
本实施例可以提取以下特征中的一种或多种:
1.平均值:对于一组数据,平均值是所有数据的总和除以数据数量的结果。平均值可以提供数据的集中趋势。本实施例中,在一个实际压力值下会存在多个传感器输出值,计算该实际压力值对应的多个传感器输出值的平均值作为特征。
2.标准差:标准差可以提供数据的离散程度,也就是数据的变化范围。标准差越大,数据的变化越大。
3.最大值和最小值:最大值和最小值可以提供数据的范围,即数据的最大值和最小值。本实施例中,在一个实际压力值下会存在多个传感器输出值,这些输出值中存在最大值和最小值。
4.斜率:斜率可以提供数据的趋势。在压力传感器的校准任务中,斜率可以表示数据的变化速度。
5.峰值:峰值可以提供数据的局部极值点,即数据的最高点和最低点。
6.能量谱密度:能量谱密度可以提供数据的频率分布情况。在压力传感器的校准任务中,能量谱密度可以表示数据的周期性和频率特性。
这里的特征是从传感器的读数中提取的,传感器的读数数据可以为电压或电流这种模拟信号(取决于压力传感器的类型),但是需要配合对应的ADC(模数转换器)才可转换为数字信号最为后续训练使用。
本实施例中,CNN模型通过卷积层、池化层和全连接层的操作,从输入数据中提取出对于校准任务有用的特征,以便进行后续的操作。这里的输入数据是训练集中的数据。训练集通过CNN模型中的卷积层,池化层和全连接层后会得到一个值为Ppred。
5模型训练:将预处理后的数据集输入CNN模型进行训练,利用反向传播算法对模型参数进行优化,以降低损失函数的值。训练过程中可以使用一些优化方法,例如随机梯度下降、Adam等,以提高训练速度和效果。
6模型进行测试和调优:使用测试集对训练好的模型进行测试,并根据测试结果对模型进行调优。可以采用交叉验证等方法对模型进行评估,以确定模型的优劣。常用的评价指标包括均方根误差(RMSE)、平均绝对
^
误差(MAE)等。假设模型在第i个测试数据点上的预测值为yi,真实值为yi,则可以使用均方误差(MSE)和平均绝对误差(MAE)来对模型进行评估和比较。
其中,n表示测试集中数据点的数量。
7校准参数调整:将模型的输出结果与实际值进行比较,以确定误差和校准参数的调整。可以采用线性回归、多项式回归等方法对校准参数进行计算。校准参数的调整可以通过人工调整或者自动化算法实现。
在CNN模型设计中:
1卷积层:卷积层利用卷积运算提取输入数据的特征。卷积操作可以表示为:
hi,j=∑k,lwk,lxi+k,j+l+b
其中,xi,j表示输入数据的第(i,j)个元素,wk,l表示卷积核的第(k,l)个元素,b表示偏置项,hi,j表示卷积操作后的输出数据的第(i,j)个元素。
2池化层:池化层可以对卷积层输出的特征图进行降维和压缩,以减少模型的参数和计算量。最大池化和平均池化是常用的池化操作,可以表示为:
yi,j=maxk,lxi+k,j+l
其中,xi,j表示输入数据的第(i,j)个元素,yi,j表示池化操作后的输出数据的第(i,j)个元素,k×l表示池化操作的大小。
3全连接层:全连接层可以将卷积层和池化层输出的特征进行连接和转换,以输出最终的预测结果。全连接层可以表示为:
y=Wx+b
其中,x表示输入数据的特征,W表示连接权重矩阵,b表示偏置项,y表示输出数据。
在模型训练中,可以采用交叉熵作为损失函数,以评估模型预测结果的准确性。交叉熵损失函数可以表示为:
其中,n表示数据集大小,yi表示实际标签值,表示模型预测的标签值。
在模型优化中,可以采用随机梯度下降算法对模型参数进行更新。随机梯度下降算法可以表示为:
其中,θt表示模型参数的值,η表示学习率,表示损失函数关于参数θt的梯度。
综上所述,采用CNN模型进行压力传感器测试和校准,可以有效地提高模型的精度和鲁棒性。在模型设计和实现时,需要考虑数据预处理、模型结构设计、损失函数选择、优化算法选择等方面的实现细节。同时,也需要根据实际应用场景进行模型的选择和优化,以达到最优的效果。
本实施例中,预处理:包括但不限于以下操作:
1去均值:通过减去数据的均值,可以将数据的中心移动到零点,减少噪声和干扰的影响。
其中:xi表示原始数据中的第i个数据点,x'i表示处理后的第i个数据点,n表示数据点的总数。
2归一化:通过对数据进行缩放,可以将数据的值域限定在一定范围内,使得不同数据之间可以进行比较。
其中,xi表示原始数据中的第i个数据点,x'i表示处理后的第i个数据点,min(x和max(x分别表示数据中的最小值和最大值。
3滤波:通过滤波器,可以去除数据中的高频噪声和干扰。
本实施例的模型结构设计,针对于CNN模型中的卷积层、池化层、和全连接层进行。其中的优化算法用于调整模型参数,使得损失函数最小化。常用的优化算法包括随机梯度下降(SGD)、Adam和Adagrad等。SGD公式:其中θ表示模型参数,L表示损失函数,α表示学习率。
对于每个已知的Ptrue,使用深度学习模型预测传感器输出Ppred。具体如下:
将测试数据加载到程序中;
使用与训练集相同的预处理方法对加载的数据进行处理;
使用已经训练好的深度学习模型,将预处理后的数据输入到模型中;
使用模型对数据进行处理,从而获得预测的传感器输出Ppred。
得到传感器的预测值Ppred后,通过已知的Ptrue可以得到它们之间的误差,可以通过梯度下降算法来最小化的这个误差指标。
根据CNN模型的输出结果进行压力传感器校准操作,分为以下几个步骤:
1收集实际的压力值Ptrue和对应的传感器输出值Psensor,实际压力值可以通过在校准环境下的其他已经经过校准的压力传感器进行测量获得。
2对于每个已知的Ptrue,使用深度学习模型预测传感器输出Ppred。
如果使用传感器的输出值Psensor和校准环境下的实际压力值进行比较计算误差和校准,由于传感器的输出值可能来源不同类型的传感器,这些传感器虽然是经过校准的,但难以保证传感器自身存在一些不确定性和局限性,那么使用这种方法进行校准可能会导致结果的不准确。
而本实施例使用模型的预测值和校准环境下的实际压力值比较计算误差的方法,则可以通过模型来纠正传感器的输出偏差,从而获得更准确的结果。
当模型训练完成,输入的值要和当初训练时的数据保持一致,输入的是实际的压力值和未校准的传感器的输出值,来预测出传感器的输出值,未校准的传感器输出值通常会包含误差,而这些误差可能会对模型的预测产生负面影响。
3计算预测值与实际值之间的误差,例如可以使用均方误差(Mean Square Error,MSE)作为误差指标:
其中,n表示样本数量,和/>分别表示第i个样本的预测值和实际值。
4根据误差指标来调整传感器的校准参数。可以使用梯度下降算法、Adam(Adam是一种基于梯度的优化算法),本实施例使用梯度下降算法来最小化误差指标,从而调整传感器的校准参数。具体地,对于第k个校准参数wk,可以使用以下公式来更新:
其中,α是学习率,表示误差指标关于第k个校准参数wk的偏导数。
需要校准的参数是传感器的灵敏度和偏移量。通过校准得到的灵敏度和偏移量,可以用于修正传感器的输出值,从而提高传感器的精度和准确性。校准参数w1,w2,…,wk也可以被视为零点偏移和灵敏度的一部分。具体来说,w1可以被视为零点偏移,而w2,…,wk可以被视为灵敏度系数。
校准参数的调整通过最小化误差指标来完成。误差指标是指预测值与实际值之间的差异度量,通常使用均方误差(Mean Squared Error,MSE)作为误差指标。
在校准过程中,最小化误差指标,也就是使得预测值与实际值之间的差异最小化。因此可以通过误差指标对每个校准参数的偏导数进行求解,得到每个校准参数需要更新的量。具体地,根据链式法则,对于每个校准参数wk,其偏导数可以表示为:
其中,n表示已知的实际值和预测值的数量。可以通过反向传播算法计算从而得到/>的值。根据这个值,可以使用梯度下降算法的优化方法来更新每个校准参数wk的值。
在压力传感器的校准中,希望找到一组校准参数,使得误差指标最小化。而梯度下降算法通过迭代更新校准参数,每次更新校准参数的方向是当前误差函数的梯度方向,可以帮助找到误差函数的最小值点。相比于暴力搜索或者其他常规方法,梯度下降算法更加高效,能够更快地找到误差函数的最小值,从而实现对压力传感器的快速校准。
5重复步骤2-4,直到误差指标收敛或达到预设的停止条件。
需要注意的是,根据传感器的不同,传感器的校准参数可能不止一个,例如可能需要调整增益、偏置等多个参数。因此,在实际应用中,需要根据具体的传感器类型和校准要求来选择和调整校准参数。
6将校准参数写入需要校准的传感器中。以便传感器在实际测量中能够进行校准。具体的操作方法取决于传感器的型号和接口方式,通常可以通过编程或设置传感器的寄存器来实现写入校准参数的操作。在写入校准参数之后,传感器就可以按照校准参数对原始测量值进行修正,从而提高测量的精度和准确性。
传感器测试中的误差和漂移是常见的问题,可能受到温度、湿度、压力等环境因素的影响,也可能是由于传感器本身的非线性特性、寿命损耗等因素引起的。深度学习算法通过学习大量的传感器数据,并建立传感器模型,可以对传感器的工作特性和误差进行分析和建模,从而实现精准的校准和预测。
上述方法具有高精度和稳定性:采用深度学习算法建立的神经网络模型可以有效地降低传感器测试中的误差和漂移,提高测试精度和稳定性。
上述方法具有高效和便捷的特性:与传统的机械或电学测试设备相比,本方法可以更快速、便捷地进行测试和校准,同时还能减少成本和人力资源的消耗。
上述方法具有可扩展性和适用性:该方法可以适用于不同类型的MEMS压力传感器,且具有一定的扩展性,可以用于其他类型的MEMS传感器的测试和校准。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于深度学习的压力传感器校准系统,其特征在于,包括:
压力源,产生校准环境下所需的设定压力;
数据采集器,获取压力源产生的压力作为实际压力值,获取待校准压力传感器在实际压力值下对应的输出值;
处理单元,被配置为:基于校准环境下的实际压力值和待校准压力传感器的输出值,利用训练完毕的校准模型得到预测的输出值,确定校准环境下的实际压力值与得到的预测输出值之间的误差,以误差最小为目标,得到每个校准参数的偏导数,确定每个校准参数所需的更新量;
参数更新单元,被配置为:基于得到的更新量获得更新后的校准参数,输入待校准的压力传感器,完成校准。
2.如权利要求1所述的基于深度学习的压力传感器校准系统,其特征在于,所述校准模型的训练数据集包括,在校准环境下,获取压力源的设定压力值作为实际压力值数据,并利用预先经过校准的压力传感器得到对应的输出数据,作为训练数据集。
3.如权利要求2所述的基于深度学习的压力传感器校准系统,其特征在于,校准模型的训练过程中,预先经过校准的压力传感器得到的输出数据经过预处理后,提取特征。
4.如权利要求3所述的基于深度学习的压力传感器校准方法,其特征在于,所述预处理包括去均值、归一化和滤波中的至少一种。
5.如权利要求3所述的基于深度学习的压力传感器校准方法,其特征在于,提取的特征包括,输出数据中的平均值、标准差、最大值、最小值、斜率、峰值和能量谱密度中的一种或多种。
6.如权利要求3所述的基于深度学习的压力传感器校准方法,其特征在于,校准模型的训练过程中,提取到的特征依次经卷积层、池化层和全连接层得到预测的压力传感器输出值Ppred,以Ppred和实际压力值之间的误差最小为目标完成校准模型的训练。
7.如权利要求1所述的基于深度学习的压力传感器校准方法,其特征在于,校准模型的训练完毕后,在校准环境下获取实际压力值和对应的待校准压力传感器输出值,基于待校准压力传感器输出值利用校准模型得到预测的输出值。
8.如权利要求1所述的基于深度学习的压力传感器校准方法,其特征在于,校准模型的训练完毕后,得到校准环境下的实际压力值与预测输出值之间的均方误差,以均方误差最小为目标,对每个校准参数的偏导数求解,得到每个校准参数所需的更新量。
9.如权利要求1所述的基于深度学习的压力传感器校准方法,其特征在于,处理单元具有与待校准的压力传感器通讯连接的数据接口,将更新后的校准参数,通过数据接口写入待校准的压力传感器,完成校准。
10.基于权利要求1-9任一项所述系统实现压力传感器的校准方法,其特征在于,包括以下步骤:
获取校准环境下的实际压力值和待校准压力传感器输出值,基于训练完毕的校准模型得到预测的输出值;
确定校准环境下的实际压力值与得到的预测输出值之间的误差,以误差最小为目标,求解每个校准参数的偏导数,得到每个校准参数所需的更新量;
基于更新量得到更新后的校准参数,并输入待校准的压力传感器,完成校准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310497746.7A CN116519206A (zh) | 2023-04-27 | 2023-04-27 | 基于深度学习的压力传感器校准系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310497746.7A CN116519206A (zh) | 2023-04-27 | 2023-04-27 | 基于深度学习的压力传感器校准系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116519206A true CN116519206A (zh) | 2023-08-01 |
Family
ID=87407848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310497746.7A Pending CN116519206A (zh) | 2023-04-27 | 2023-04-27 | 基于深度学习的压力传感器校准系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116519206A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117969760A (zh) * | 2024-02-01 | 2024-05-03 | 广州邦禾检测技术有限公司 | 一种电池热失控气体的检测方法 |
CN118111624A (zh) * | 2024-04-29 | 2024-05-31 | 成都凯天电子股份有限公司 | 谐振压力传感器的自适应防过拟合标定方法 |
-
2023
- 2023-04-27 CN CN202310497746.7A patent/CN116519206A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117969760A (zh) * | 2024-02-01 | 2024-05-03 | 广州邦禾检测技术有限公司 | 一种电池热失控气体的检测方法 |
CN118111624A (zh) * | 2024-04-29 | 2024-05-31 | 成都凯天电子股份有限公司 | 谐振压力传感器的自适应防过拟合标定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116519206A (zh) | 基于深度学习的压力传感器校准系统及方法 | |
US10331810B2 (en) | Method for determining a model of an output quantity of a technical system | |
WO2021093362A1 (zh) | 一种蒸发过程出料苛性碱浓度测量装置精度补偿方法 | |
CN111998919A (zh) | 燃气表校准方法及装置 | |
CN114791334B (zh) | 一种压力传感器的标定简化方法 | |
CN107462347B (zh) | 高精度光纤光栅传感器的波长温度自适应分段拟合方法 | |
CN117313020B (zh) | 一种承载式张力传感器数据处理方法 | |
CN113158558B (zh) | 一种高速铁路路基连续压实分析方法、装置及分析仪 | |
CN112288744B (zh) | 基于整型推理量化cnn的sar图像变化检测方法 | |
CN117782431A (zh) | 基于边缘计算的压力变送器数据标定方法、装置及系统 | |
CN107437112B (zh) | 一种基于改进多尺度核函数的混合rvm模型预测方法 | |
CN117147022A (zh) | 力传感器非线性补偿方法及系统 | |
CN117112981A (zh) | 一种钢板测厚数据优化采集方法 | |
CN109612686B (zh) | 一种基于神经网络的色散共焦测量装置标定方法 | |
CN108062435B (zh) | 一种基于名义应力法的疲劳寿命校准方法 | |
CN116718301A (zh) | 一种温压一体传感器温度补偿方法及系统 | |
CN115266583B (zh) | 环境光滤除方法、系统、计算机设备及计算机可读存储介质 | |
CN113569467B (zh) | 一种基于宽度学习的高炉风口回旋区温度软测量建模方法 | |
CN113804833B (zh) | 基于凸集投影和极限学习机的电子鼻漂移通用校准方法 | |
CN117520983B (zh) | 一种基于机电阻抗和cnn的结构损伤识别鲁棒方法 | |
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 | |
CN112558467A (zh) | 基于输出误差递推辨识火电机组协调控制模型的方法 | |
CN111044152A (zh) | 图谱关联系统光谱偏置外场的自适应校正方法及系统 | |
CN117972365B (zh) | 一种隧底群桩压力承载监测系统和监测方法 | |
CN117330604B (zh) | 自动化温度补偿方法、装置、计算机设备及存储介质 |
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 |