CN117073856A - 一种温度测量方法、装置、计算机设备及存储介质 - Google Patents
一种温度测量方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117073856A CN117073856A CN202311037187.8A CN202311037187A CN117073856A CN 117073856 A CN117073856 A CN 117073856A CN 202311037187 A CN202311037187 A CN 202311037187A CN 117073856 A CN117073856 A CN 117073856A
- Authority
- CN
- China
- Prior art keywords
- temperature
- environment
- neural network
- measured
- temperature sensing
- 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
- 238000009529 body temperature measurement Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 29
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 16
- 229910052697 platinum Inorganic materials 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 6
- 238000012423 maintenance Methods 0.000 abstract description 5
- 239000002609 medium Substances 0.000 description 20
- 239000000523 sample Substances 0.000 description 16
- 238000005259 measurement Methods 0.000 description 15
- 238000012937 correction Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000001028 reflection method Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- -1 light industry Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
- G01K7/16—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements using resistive elements
- G01K7/18—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements using resistive elements the element being a linear resistance, e.g. platinum resistance thermometer
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (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 Temperature Or Quantity Of Heat (AREA)
Abstract
本发明实施例公开了一种温度测量方法、装置、计算机设备及存储介质。该方法包括：将两个温度传感器分别置于待测温度环境和以测温板为核心的测温设备所处环境，得到两个温度传感信号作为测温板的两个通道输入，分别经测温板上信号处理放大电路的放大再经AD转换器的转换，得到两个温度传感数字量；将两个温度传感数字量输入训练好的神经网络中，得到的网络输出为待测温度。解决了测温设备处于高温环境下的温度测量难题，克服了传统测温方法因参考电源、放大电路、AD转换器等电子元件易受高温影响导致误差大的问题，无需将测温设备与高温环境隔离开来，既可实现任意环境下的温度精确测量，节省了材料和设备的费用，也减少了维护和校准的工作量。
Description
技术领域
本发明实施例涉及温度监控技术领域，尤其涉及一种温度测量方法、装置、计算机设备及存储介质。
背景技术
现有的测温装置在高温环境中进行测量温度时，可能会由于装置内部的电子元器件受到高温影响，特别是其中用于提供参考电压的元器件受环境温度的影响较大，如电阻受热变化、恒流电源性能下降、参考电压发生波动等等，给测量传感器带来乘积性噪声干扰，还可能由于使用的ADC或放大器等元件出现温漂，使得A/D转换产生误差等等，从而使得温度传感信号放大后电压值的AD转换数字量按整个测温装置处于室温环境的转换关系得到的温度与所测实际温度发生偏差，造成测温不准的后果，因此需要对测量值进行修正。
目前的温度修正方法主要有基于多项式函数的温度修正方法和基于双黑体反射法的温度修正方法。其中，基于多项式函数的温度修正方法利用多项式函数来逼近传感器的输入输出关系，然后根据环境温度的变化来调整多项式函数的系数，从而实现温度修正，但是当传感器处于高温环境时，该方法的多项式函数可能不能很好的拟合传感器的非线性特性。基于双黑体反射法的温度修正方法利用两个不同温度的黑体作为参考源，通过红外热像仪测量它们的辐射强度，然后根据辐射定律计算出红外热像仪的温度漂移，并进行修正，但是需要专门制作和维护两个黑体源，而且对黑体源的温度稳定性和均匀性要求很高，也只适用于辐射温度。
发明内容
本发明实施例提供一种温度测量方法、装置、计算机设备及存储介质，以解决高温环境下温度测量难题，克服了传统测温方法因参考电源、放大电路、AD转换器等电子元件易受高温环境影响导致测量误差大的问题，无需将测温设备与高温环境隔离开来，既可实现任意环境下的温度精确测量，节省了材料和设备的费用，也减少了设备维护和校准的工作量。
第一方面，本发明实施例提供了一种温度测量方法，该方法包括：
将两个温度传感器分别置于待测温度环境和以测温板为核心的测温设备所处环境，得到两个温度传感信号作为测温板的两个通道输入，通过输入通道切换，分别经测温板上的信号处理放大电路的放大再经AD转换器的转换，分别得到两个温度传感数字量；
将所述两个温度传感数字量输入到预先训练好的神经网络中，得到的网络输出为待测温度。
可选的，在所述将所述两个温度传感数字量输入到预先训练好的神经网络中之前，还包括：
通过同时置于预设高温环境中的测温板和第一铂热电阻测量得到测温板所处环境温度下的第一温度传感数字量；
通过所述置于预设高温环境中的测温板以及置于预设待测环境中的第二铂热电阻测量得到待测目标温度的第二温度传感数字量；
通过将置于室温环境的高精度温度计的温度传感器置于所述预设待测环境，测得所述预设待测环境的实际目标温度；
改变所述预设高温环境的温度和所述预设待测环境的温度，以重复测量得到多组所述第一温度传感数字量、所述第二温度传感数字量以及所述实际目标温度；
分别将各组的所述第一温度传感数字量和所述第二温度传感数字量作为所述神经网络的输入，所述实际目标温度作为所述神经网络的输出对所述神经网络进行训练。
可选的，所述预设高温环境位于第一恒温槽中，所述预设待测环境位于第二恒温槽中。
可选的，所述分别将各组的所述第一温度传感数字量和所述第二温度传感数字量作为所述神经网络的输入，所述实际目标温度作为所述神经网络的输出对所述神经网络进行训练，包括：
将测量得到的多组样本数据划分为训练集、验证集和测试集，其中，所述样本数据包括所述第一温度传感数字量、所述第二温度传感数字量以及所述实际目标温度；
构建神经网络模型，所述神经网络模型的输入为测温设备所处环境的温度传感数字量和待测温度环境的温度传感数字量，输出为修正后的实际待测目标温度；
使用所述训练集对所述神经网络模型进行训练，并以所述实际目标温度与修正后的所述实际待测目标温度之间的偏差小于测温板的测温精度为目标，使用所述验证集对所述神经网络模型进行评估和调优；
使用所述测试集对所述神经网络模型进行测试。
可选的，所述神经网络模型包括多层感知机模型，所述神经网络模型的损失函数包括均方误差、平均绝对误差以及交叉熵，所述神经网络模型的优化器包括SGD以及Adam。
可选的，所述温度传感器为四线制PT100传感器。
第二方面，本发明实施例还提供了一种温度测量装置，该装置包括：
信号采集模块，用于将两个温度传感器分别置于待测温度环境和以测温板为核心的测温设备所处环境，得到两个温度传感信号作为测温板的两个通道输入，通过输入通道切换，分别经测温板上的信号处理放大电路的放大再经AD转换器的转换，分别得到两个温度传感数字量；
温度测量模块，用于将所述两个温度传感数字量输入到预先训练好的神经网络中，得到的网络输出为待测温度。
第三方面，本发明实施例还提供了一种计算机设备，该计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的温度测量方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所提供的温度测量方法。
本发明实施例提供了一种温度测量方法，将两个温度传感器分别置于待测温度环境和以测温板为核心的测温设备所处环境，得到两个温度传感信号作为测温板的两个通道输入，通过输入通道切换，分别经测温板上的信号处理放大电路的放大再经AD转换器的转换，分别得到两个温度传感数字量；将所述两个温度传感数字量输入到预先训练好的神经网络中，得到的网络输出为待测温度。本发明实施例所提供的温度测量方法，通过使用神经网络对温度传感器测得的温度进行修正，解决了置于高温环境下的测温设备的温度测量值受环境温度影响导致测量误差较大的问题，提高了测量精度和准确性，同时也无需将测温设备与高温环境隔离开来以保证这部分处于非高温环境，既可实现任意环境下的温度精确测量，节省了材料和设备的费用，也减少了维护和校准的工作量。
附图说明
图1为本发明实施例一提供的温度测量方法的流程图；
图2为本发明实施例二提供的温度测量装置的结构示意图；
图3为本发明实施例三提供的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的温度测量方法的流程图。本实施例可适用于在工业、医疗、环境等领域中需要对温度进行监控的情况。其中，在工业领域中，如冶金、化工、电力、石油、轻工、纺织等行业，温度是工业生产过程中最重要的物理量之一，通过提高测量精度和准确性，可以提高产品质量和生产效率，降低能耗和成本。在医疗领域中，一些医疗设备或仪器可能需要在高温环境下工作，如灭菌器、高压锅、烘箱等等，通过提高测量精度和准确性，可以保证设备或仪器正常工作和使用。在环境领域中，一些环境监测或观测可能需要在高温环境下进行，如火山、地热、沙漠等地区，这些地区的温度变化对于科学研究和灾害预防是非常有意义的，通过提高测量精度和准确性，可以提供更可靠更真实的数据。该方法可以由本发明实施例所提供的温度测量装置来执行，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中。如图1所示，具体包括如下步骤：
S11、将两个温度传感器分别置于待测温度环境和以测温板为核心的测温设备所处环境，得到两个温度传感信号作为测温板的两个通道输入，通过输入通道切换，分别经测温板上的信号处理放大电路的放大再经AD转换器的转换，分别得到两个温度传感数字量。
S12、将所述两个温度传感数字量输入到预先训练好的神经网络中，得到的网络输出为待测温度。
其中，可选的，所述温度传感器为四线制PT100传感器，其阻值大小可以随着温度变化而改变，相比于三线制PT100传感器，四线制PT100传感器通过分离电源和信号线路，消除了引线电阻的影响，从而进一步提高了测量精度和稳定性，常温下标定后，四线制PT100传感器的测温精度可达到±0.1℃。所使用的神经网络可以是MobileNet V3，该网络为轻量级化网络，能够运用于嵌入式集成化开发。具体结构可以包括三个部分：起始部分可以包括一个3×3的卷积层，用于提取特征；中间部分可以为由三个MobileBlock组成的网络结构，每个MobileBlock的参数可以是输入通道为16、输出通道为16、卷积核大小为3、步长为2、非线性激活函数为ReLU、膨胀系数为16、加入了SE模块；最后部分可以包括两个1×1的卷积层，用于代替全连接输出类别。
本方法可以包括两个过程，一个是训练过程，从而得到所需的训练后的神经网络，网络的输入具体可以是两个温度传感器的传感信号对应的ADC信号数字输出，网络的输出即是被测的实际温度。另一个是训练后的实际测量过程，可将两个温度传感器分别置于测量对象环境和测温设备环境，两个温度传感器的输出可分别作为测温板中的放大电路与ADC的两个通道输入，通过切换输入通道，将对应的ADC数字量输出作为训练后的神经网络的输入，则神经网络的输出即是所测的实际温度。
则进一步可选的，在所述将所述两个温度传感数字量输入到预先训练好的神经网络中之前，还包括：通过同时置于预设高温环境中的测温板和第一铂热电阻测量得到测温板所处环境温度的第一温度传感数字量；通过所述置于预设高温环境中的测温板以及置于预设待测环境中的第二铂热电阻测量得到待测目标温度的第二温度传感数字量；通过将置于室温环境的高精度温度计的温度传感器置于所述预设待测环境，测得所述预设待测环境的实际目标温度；改变所述预设高温环境的温度和所述预设待测环境的温度，以重复测量得到多组所述第一温度传感数字量、所述第二温度传感数字量以及所述实际目标温度；分别将各组的所述第一温度传感数字量和所述第二温度传感数字量作为所述神经网络的输入，所述实际目标温度作为所述神经网络的输出对所述神经网络进行训练。。具体的，针对训练样本的采集，可以将测温板和第一铂热电阻同时置于预设高温环境中，将第二铂热电阻置于预设待测环境中，将用于测量实际目标温度的高精度温度计置于常温环境中，并将其温度传感器探头置于预设待测环境中。其中，可选的，所述预设高温环境位于第一恒温槽中，所述预设待测环境位于第二恒温槽中，则可以通过第一恒温槽模拟高温环境，并可以在第二恒温槽中充满物料来模拟测量对象，通过使用恒温槽可以保证温度场的高均匀性，从而减少温度梯度带来的影响。则通过测温板和第一铂热电阻可以测量得到预设高温环境下的第一温度传感数字量Adi，通过测温板和第二铂热电阻可以测量得到模拟在预设高温环境下对预设待测环境进行测量的第二温度传感数字量Ami(带有偏差)，通过高精度温度计可以测量得到模拟在常温环境下对预设待测环境进行测量的实际目标温度Tmi。进一步的，可以改变预设高温环境和预设待测环境的温度进行多次实验，得到多组样本数据[Adi，Ami，Tmi]，从而可以使用该多组样本数据对神经网络进行训练，则训练得到的神经网络可以自动根据不同的情况处理不同的温度范围和数据分布，具体在低温时训练得到的修正值为0，高温时可以根据训练结果进行修正。具体可以对神经网络进行离线训练，并可以将训练好的神经网络内置到测温板中，从而可以直接通过测温板实现温度修正，并可以将修正后的温度发送给上位机使用。通过上述训练过程，可以采用神经网络的方法构建一个从测温设备处于不同高温环境下针对测量对象的温度传感器测量信号和测温装置所处高温环境的温度传感器测量信号到真实待测温度之间的转换模型，从而实现更高精度的高温环境下的温度测量。
进一步可选的，所述分别将各组的所述第一温度传感数字量和所述第二温度传感数字量作为所述神经网络的输入，所述实际目标温度作为所述神经网络的输出对所述神经网络进行训练，包括：将测量得到的多组样本数据划分为训练集、验证集和测试集，其中，所述样本数据包括所述第一温度传感数字量、所述第二温度传感数字量以及所述实际目标温度；构建神经网络模型，所述神经网络模型的输入为测温设备所处环境的温度传感数字量和待测温度环境的温度传感数字量，输出为修正后的实际待测目标温度；使用所述训练集对所述神经网络模型进行训练，并以所述实际目标温度与修正后的所述实际待测目标温度之间的偏差小于测温板的测温精度为目标，使用所述验证集对所述神经网络模型进行评估和调优；使用所述测试集对所述神经网络模型进行测试。具体的，构建的神经网络模型可以由若干个全连接层和非线性激活函数组成，并设置合适的损失函数和优化器。在收集了一定数量的样本数据(温度序列[Adi，Ami，Tmi])之后，可以将多组样本数据划分为训练集、验证集和测试集，从而可以使用训练集对模型进行训练，并使用验证集对模型进行评估和调优，选择出最优的模型参数，然后还可以使用测试集对得到的最优模型进行测试，并可以计算出模型的泛化误差，以评价模型的修正效果。
其中，可选的，所述神经网络模型包括但不局限于多层感知机模型，所述神经网络模型的损失函数包括均方误差、平均绝对误差以及交叉熵，所述神经网络模型的优化器包括SGD以及Adam。不同的损失函数和优化器可以适应不同的问题类型和数据分布，可以根据实际情况需要进行调整，从而达到最好的修正效果。进一步的，在使用样本数据对神经网络进行训练之前，还可以使用不同的数据预处理方法，如归一化、标准化、特征选择等等，对样本数据进行处理，从而提高数据质量和有效性。
本发明实施例所提供的技术方案，将两个温度传感器分别置于待测温度环境和以测温板为核心的测温设备所处环境，得到两个温度传感信号作为测温板的两个通道输入，通过输入通道切换，分别经测温板上的信号处理放大电路的放大再经AD转换器的转换，分别得到两个温度传感数字量；将所述两个温度传感数字量输入到预先训练好的神经网络中，得到的网络输出为待测温度。通过使用神经网络对温度传感器测得的温度进行修正，解决了置于高温环境下的测温设备的温度测量值受环境温度影响导致测量误差较大的问题，提高了测量精度和准确性，同时也无需将测温设备与高温环境隔离开来以保证这部分处于非高温环境，既可实现任意环境下的温度精确测量，节省了材料和设备的费用，也减少了维护和校准的工作量。
实施例二
图2为本发明实施例二提供的温度测量装置的结构示意图，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中，用于执行本发明任意实施例所提供的温度测量方法。如图2所示，该装置包括：
信号采集模块21，用于将两个温度传感器分别置于待测温度环境和以测温板为核心的测温设备所处环境，得到两个温度传感信号作为测温板的两个通道输入，通过输入通道切换，分别经测温板上的信号处理放大电路的放大再经AD转换器的转换，分别得到两个温度传感数字量；
温度测量模块22，用于将所述两个温度传感数字量输入到预先训练好的神经网络中，得到的网络输出为待测温度。
本发明实施例所提供的技术方案，将两个温度传感器分别置于待测温度环境和以测温板为核心的测温设备所处环境，得到两个温度传感信号作为测温板的两个通道输入，通过输入通道切换，分别经测温板上的信号处理放大电路的放大再经AD转换器的转换，分别得到两个温度传感数字量；将所述两个温度传感数字量输入到预先训练好的神经网络中，得到的网络输出为待测温度。通过使用神经网络对温度传感器测得的温度进行修正，解决了置于高温环境下的测温设备的温度测量值受环境温度影响导致测量误差较大的问题，提高了测量精度和准确性，同时也无需将测温设备与高温环境隔离开来以保证这部分处于非高温环境，既可实现任意环境下的温度精确测量，节省了材料和设备的费用，也减少了维护和校准的工作量。
在上述技术方案的基础上，可选的，该温度测量装置，还包括：
第一温度传感数字量测得模块，用于在所述将所述两个温度传感数字量输入到预先训练好的神经网络中之前，通过同时置于预设高温环境中的测温板和第一铂热电阻测量得到测温板所处环境温度的第一温度传感数字量；
第二温度传感数字量测得模块，用于通过所述置于预设高温环境中的测温板以及置于预设待测环境中的第二铂热电阻测量得到待测目标温度的第二温度传感数字量；
实际目标温度测得模块，用于通过将置于室温环境的高精度温度计的温度传感器置于所述预设待测环境，测得所述预设待测环境的实际目标温度；
多组样本数据测得模块，用于改变所述预设高温环境的温度和所述预设待测环境的温度，以重复测量得到多组所述第一温度传感数字量、所述第二温度传感数字量以及所述实际目标温度；
神经网络训练模块，用于分别将各组的所述第一温度传感数字量和所述第二温度传感数字量作为所述神经网络的输入，所述实际目标温度作为所述神经网络的输出对所述神经网络进行训练。
在上述技术方案的基础上，可选的，所述预设高温环境位于第一恒温槽中，所述预设待测环境位于第二恒温槽中。
在上述技术方案的基础上，可选的，神经网络训练模块，包括：
样本数据划分单元，用于将测量得到的多组样本数据划分为训练集、验证集和测试集，其中，所述样本数据包括所述第一温度传感数字量、所述第二温度传感数字量以及所述实际目标温度；
模型构建单元，用于构建神经网络模型，所述神经网络模型的输入为测温设备所处环境的温度传感数字量和待测温度环境的温度传感数字量，输出为修正后的实际待测目标温度；
模型训练单元，用于使用所述训练集对所述神经网络模型进行训练，并以所述实际目标温度与修正后的所述实际待测目标温度之间的偏差小于测温板的测温精度为目标，使用所述验证集对所述神经网络模型进行评估和调优；
模型测试单元，用于使用所述测试集对所述神经网络模型进行测试。
在上述技术方案的基础上，可选的，所述神经网络模型包括多层感知机模型，所述神经网络模型的损失函数包括均方误差、平均绝对误差以及交叉熵，所述神经网络模型的优化器包括SGD以及Adam。
在上述技术方案的基础上，可选的，所述温度传感器为四线制PT100传感器。
本发明实施例所提供的温度测量装置可执行本发明任意实施例所提供的温度测量方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，在上述温度测量装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例三
图3为本发明实施例三提供的计算机设备的结构示意图，示出了适于用来实现本发明实施方式的示例性计算机设备的框图。图3显示的计算机设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图3所示，该计算机设备包括处理器31、存储器32、输入装置33及输出装置34；计算机设备中处理器31的数量可以是一个或多个，图3中以一个处理器31为例，计算机设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接，图3中以通过总线连接为例。
存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的温度测量方法对应的程序指令/模块(例如，温度测量装置中的信号采集模块21及温度测量模块22)。处理器31通过运行存储在存储器32中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的温度测量方法。
存储器32可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器32可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器32可进一步包括相对于处理器31远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置33可用于获取通过温度传感器采集的信号，以及产生与计算机设备的用户设置和功能控制有关的键信号输入等。输出装置34可包括显示屏，可用于展示最终的测量结果等等。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质，该计算机可执行指令在由计算机处理器执行时用于执行一种温度测量方法，该方法包括：
将两个温度传感器分别置于待测温度环境和以测温板为核心的测温设备所处环境，得到两个温度传感信号作为测温板的两个通道输入，通过输入通道切换，分别经测温板上的信号处理放大电路的放大再经AD转换器的转换，分别得到两个温度传感数字量；
将所述两个温度传感数字量输入到预先训练好的神经网络中，得到的网络输出为待测温度。
存储介质可以是任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM、兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的温度测量方法中的相关操作。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种温度测量方法，其特征在于，包括：
将两个温度传感器分别置于待测温度环境和以测温板为核心的测温设备所处环境，得到两个温度传感信号作为测温板的两个通道输入，通过输入通道切换，分别经测温板上的信号处理放大电路的放大再经AD转换器的转换，分别得到两个温度传感数字量；
将所述两个温度传感数字量输入到预先训练好的神经网络中，得到的网络输出为待测温度。
2.根据权利要求1所述的温度测量方法，其特征在于，在所述将所述两个温度传感数字量输入到预先训练好的神经网络中之前，还包括：
通过同时置于预设高温环境中的测温板和第一铂热电阻测量得到测温板所处环境温度的第一温度传感数字量；
通过所述置于预设高温环境中的测温板以及置于预设待测环境中的第二铂热电阻测量得到待测目标温度的第二温度传感数字量；
通过将置于室温环境的高精度温度计的温度传感器置于所述预设待测环境，测得所述预设待测环境的实际目标温度；
改变所述预设高温环境的温度和所述预设待测环境的温度，以重复测量得到多组所述第一温度传感数字量、所述第二温度传感数字量以及所述实际目标温度；
分别将各组的所述第一温度传感数字量和所述第二温度传感数字量作为所述神经网络的输入，所述实际目标温度作为所述神经网络的输出对所述神经网络进行训练。
3.根据权利要求2所述的温度测量方法，其特征在于，所述预设高温环境位于第一恒温槽中，所述预设待测环境位于第二恒温槽中。
4.根据权利要求2所述的温度测量方法，其特征在于，所述分别将各组的所述第一温度传感数字量和所述第二温度传感数字量作为所述神经网络的输入，所述实际目标温度作为所述神经网络的输出对所述神经网络进行训练，包括：
将测量得到的多组样本数据划分为训练集、验证集和测试集，其中，所述样本数据包括所述第一温度传感数字量、所述第二温度传感数字量以及所述实际目标温度；
构建神经网络模型，所述神经网络模型的输入为测温设备所处环境的温度传感数字量和待测温度环境的温度传感数字量，输出为修正后的实际待测目标温度；
使用所述训练集对所述神经网络模型进行训练，并以所述实际目标温度与修正后的所述实际待测目标温度之间的偏差小于测温板的测温精度为目标，使用所述验证集对所述神经网络模型进行评估和调优；
使用所述测试集对所述神经网络模型进行测试。
5.根据权利要求4所述的温度测量方法，其特征在于，所述神经网络模型包括多层感知机模型，所述神经网络模型的损失函数包括均方误差、平均绝对误差以及交叉熵，所述神经网络模型的优化器包括SGD以及Adam。
6.根据权利要求1所述的温度测量方法，其特征在于，所述温度传感器为四线制PT100传感器。
7.一种温度测量装置，其特征在于，包括：
信号采集模块，用于将两个温度传感器分别置于待测温度环境和以测温板为核心的测温设备所处环境，得到两个温度传感信号作为测温板的两个通道输入，通过输入通道切换，分别经测温板上的信号处理放大电路的放大再经AD转换器的转换，分别得到两个温度传感数字量；
温度测量模块，用于将所述两个温度传感数字量输入到预先训练好的神经网络中，得到的网络输出为待测温度。
8.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的温度测量方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的温度测量方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311037187.8A CN117073856A (zh) | 2023-08-16 | 2023-08-16 | 一种温度测量方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311037187.8A CN117073856A (zh) | 2023-08-16 | 2023-08-16 | 一种温度测量方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117073856A true CN117073856A (zh) | 2023-11-17 |
Family
ID=88701687
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311037187.8A Pending CN117073856A (zh) | 2023-08-16 | 2023-08-16 | 一种温度测量方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117073856A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10004451B1 (en) * | 2013-06-21 | 2018-06-26 | Fitbit, Inc. | User monitoring system |
| CN111765978A (zh) * | 2020-06-19 | 2020-10-13 | 四川康佳智能终端科技有限公司 | 一种红外测温处理方法及系统、智能设备及存储介质 |
| CN115183884A (zh) * | 2022-07-06 | 2022-10-14 | 国网北京市电力公司 | 电热协同系统的红外测温补偿方法及装置 |
| CN115859882A (zh) * | 2022-11-15 | 2023-03-28 | 扬州工业职业技术学院 | 一种基于剪裁神经网络的温度补偿设计方法及温度补偿方法 |
| CN116412937A (zh) * | 2023-04-18 | 2023-07-11 | 中国科学院城市环境研究所 | 一种温度传感器校准方法、终端设备及存储介质 |
-
2023
- 2023-08-16 CN CN202311037187.8A patent/CN117073856A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10004451B1 (en) * | 2013-06-21 | 2018-06-26 | Fitbit, Inc. | User monitoring system |
| CN111765978A (zh) * | 2020-06-19 | 2020-10-13 | 四川康佳智能终端科技有限公司 | 一种红外测温处理方法及系统、智能设备及存储介质 |
| CN115183884A (zh) * | 2022-07-06 | 2022-10-14 | 国网北京市电力公司 | 电热协同系统的红外测温补偿方法及装置 |
| CN115859882A (zh) * | 2022-11-15 | 2023-03-28 | 扬州工业职业技术学院 | 一种基于剪裁神经网络的温度补偿设计方法及温度补偿方法 |
| CN116412937A (zh) * | 2023-04-18 | 2023-07-11 | 中国科学院城市环境研究所 | 一种温度传感器校准方法、终端设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101858811B (zh) | 高精度压力传感器信号补偿方法 | |
| CN103278264A (zh) | 一种面源黑体温度准确度的校准方法及其校准系统 | |
| Santhosh et al. | A smart displacement measuring technique using linear variable displacement transducer | |
| CN106092375B (zh) | 机载设备地面温度传感器的校验方法及校验仪器 | |
| CN110617889B (zh) | 一种应用于综合孔径微波辐射计的高稳定性测试方法 | |
| CN115791891A (zh) | 一种基于压电阻抗技术的结构损伤识别方法及系统 | |
| CN106093134A (zh) | 金属氧化物传感器阵列响应漂移的补偿方法 | |
| CN102507507A (zh) | 利用温度修正检测被测气体浓度的装置和方法 | |
| Nasution et al. | Predict the percentage error of LM35 temperature sensor readings using simple linear regression analysis | |
| CN106225992A (zh) | 基于压力变送器性能测试系统及方法 | |
| CN117073856A (zh) | 一种温度测量方法、装置、计算机设备及存储介质 | |
| CN117147022A (zh) | 力传感器非线性补偿方法及系统 | |
| Sarma et al. | Design and characterisation of a temperature compensated relative humidity measurement system with on line data logging feature | |
| CN116519206A (zh) | 基于深度学习的压力传感器校准系统及方法 | |
| Pavlin et al. | Yield enhancement of piezoresistive pressure sensors for automotive applications | |
| CN112611482A (zh) | 一种校准智能设备的温度传感器的方法 | |
| RU2345328C1 (ru) | Способ калибровки и коррекции результатов измерения многоканального измерительно-вычислительного комплекса | |
| Chauhan et al. | Model of smart gas sensor with the application of neural network for the detection of Gases in Active Environment | |
| Možek et al. | Digital self-learning calibration system for smart sensors | |
| Islam et al. | High performance reference setup for characterization and calibration of low-range differential pressure sensors | |
| CN115420307B (zh) | 一种实时自校准自诊断低温漂数据采集系统 | |
| CN219641115U (zh) | 一种抗温漂的采样装置和测温装置 | |
| Yu | Nonlinear calibration of thermocouple sensor using least squares support vector regression | |
| Grachev et al. | Improvement of Moisture Meters for Grain Legumes | |
| Lemmel et al. | Large format array controller (aLFA-C): tests and characterisation at ESA |
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 |