智能仪器课件.ppt

8.2　系统误差的数据处理 8.2.1　系统误差模型的建立8.2.2　系统误差的标准数据校正法8.2.3　非线性校正8.2.4　零位误差和增益误差的校正8.2.5　温度误差的补偿 8.2.1　系统误差模型的建立 系统误差是指按一定规律变化的误差，表现为在相同条件下多次测量同一物理量时，其误差的大小和符号保持不变或按一定规律变化。 系统误差是由于测量系统内部的原因造成的，例如由仪器内部基准、放大器的零点漂移、增益漂移、非线性等因素产生的误差。 由于系统误差有规律可循，因此可以利用一定的算法进行校准或补偿。智能仪器可以将系统误差模型及校正算式存储在内部的计算机中，对测量数据进行系统误差修正。为此，必须研究误差的规律，建立系统误差的数学模型，确定校正算法和数学表达式。 系统误差、随机误差、粗大误差 仪器中的运算放大器在测量电压时，会引入零位误差和增益误差。设信号测量值x和实际值y是线性关系 从而，得到校正算式 用这个电路分别测量标准电源VR和短路电压信号，由此获得两个误差方程 式中，x1，x0分别为两次的测量值。解方程组得： 代数插值法 2. 最小二乘法 8.2.1　系统误差模型的建立 1. 代数插值法 (1) 线性插值　线性插值是从一组数据(xi，yi)中选取2个有代表性的值(x0，y0)、(x1，y1)，然后根据插值原理，求出插值方程 1. 代数插值法 中的待定系数a1和a0 图1　非线性特性曲线的直线方程校正 (x0,y0)、(x1,y1)取在非线性特性曲线f(x)或数组的两端点A、B. 设A、B两点的数据分别为（a, f(a)）,(b, f(b))时，可以建立直线方程的数学模型 ，式中p1(x)表示f(x)的近似值。当xi≠a, b时， p1(x) 与f(x)有拟合误差： (2) 抛物线插值　抛物线插值是在数据中选取(x0，y0)、(x1 ， y1)、(x2 ， y2)三点，采用抛物线拟合，如图所示。 图2　抛物线插值 1. 代数插值法 1. 进行多项式插值首先要决定多项式的次数n。一般需根据测试数据的分布，凭经验或通过试凑来决定。 2. 确定多项式次数后，需选择自变量xi和函数值yi，因为一般得到的离散数组的数目均大于n+1，故应选择适当的插值节点xi 和yi 。插值节点的选择与插值多项式的误差大小有很大关系，在同样的n值条件下，选择合适的（ xi ， yi ）可减小误差。 3. 在开始时，可先选择等分值的（ xi ， yi ），以后再根据误差的分布情况，改变（ xi ， yi ）的取值，考虑到对计算实时性的要求，多项式的次数一般不宜选的过高。 4. 采用分段插值方法往往可得到较好的效果。 2. 最小二乘法 利用n次多项式进行插值，可以保证在n+1个节点上校正误差为零，因为插值曲线恰好经过这些节点。但是如果这些实验数据含有随机误差，得到的校正方程并不一定能反映出实际的函数关系。因此，对于含有随机误差的实验数据的拟合，通常选择“误差平方和最小”这一标准来衡量逼近结果，这样使拟合函数比较符合实际关系，同时函数的表达形式也比较简单。 设被逼近函数为f(xi)，逼近函数为g(xi)，xi为x上的离散点，逼近误差为 记 令 ，即在最小二乘意义上使V(xi)最小化，这就是最小二乘法 原理。为了使逼近函数简单起见，通常选择多项式。 (1) 直线拟合　设有一组实验数据如图所示，现在要求一条最接近于这些数据点的直线。 最小二乘法直线拟合 2. 最小二乘法 2. 最小二乘法 2. 最小二乘法 (2) 曲线拟合　为了提高拟合精度,通常对n个实验数据对(xi,yi) (i=1,2,…,n)选用m次多项式 2. 最小二乘法 2. 最小二乘法 2. 最小二乘法 拟合多项式的次数越高，拟合的结果越精确，但计算量很大。一般在满足精度要求的条件下，尽量降低拟合多项式的次数。除了用m次多项式来拟合外，也可以用其他函数如指数函数、对数函数、三角函数等进行拟合。 8.2.2　系统误差的标准数据校正法 进行测量时现场情况往往很复杂，有时难以通过理论分析建立起仪表的误差校正模型。这时可以通过实验，即用实际的校正手段来求得校正曲线，然后，把曲线上的各个校正点的数据以表格形式存入仪器的内存中。一个校正点的数据对应一个(或几个)内存单元，在以后的实时测量中，通过查表来修正测量结果。 例如，如果对一个模拟放大器的系统误差机理一无所知，但总可以在它的输入端逐次加入已知电压x1,x2,…,xn,在它的输入端测出相应的结果y1,y2,…,yn,并做出一条校正曲线（系统辨识）。然后，在内