传感器动态误差分析和修正方法.docVIP

传感器动态误差分析和修正方法 　　摘 要：本文分析介绍了传感器动态测试中所涉及到各种误差，以及多种动态测试中各种误差的修正方法。 　　关键词：动态测试；动态误差；误差修正 　　中图分类号：TP212 文献标志码：A 文章编号：1671-7953(2009)02-0059-03 　　 　　传感器作为数据采集系统的前端单元，是自动获取信息的重要装置，其性能指标是衡量整个系统优劣的标准。传感器的性能指标分静态和动态两大类。误差理论与数理统计为静态校准技术提供了较成熟的分析手段,因此静态误差的分析是成熟的。随着科学技术的发展，在越来越多的情况下，需要测量动态非电量，或者需要在运动过程中测量非电量.这就要求动态测试要有足够的精度，并能够准确、迅速地反映被测参数的变化，这就需要传感器具有较好的动态特性。本文介绍了传感器动态测试中的误差及修正方法。 　　 　　1 动态测试误差的分析 　　 　　动态测试误差是动态测试中首先要考虑的问题。动态测试误差按一般定义是：动态测试结果减去被测量的真值，该真值常用约定真值。动态测量误差和动态测量数据都是测量时间的函数。故动态测试误差能够反映如下问题：1）被测变量的变化特性；2）引起动态测试误差的外界扰动；3）测试系统偏离理想状态下的动态特性引起的影响。 　　动态误差可分为一般定义下的系统误差、随机误差和粗大误差(即反常误差)三种类型。其中：系统误差主要是由具有确定性变化规律的那些误差因素造成的，它表现为时间的确定函数(包括常量)；随机误差是由多种偶然性的误差因素造成，它表现为时间的随机函数；粗大误差是由偶然的，个别的反常因素造成的，它有时表现为个别粗大值，有时表现为在某一小区间内出现一片特大值，有时也会周期性和不定期的重复出现这种值。通常三者均混杂在动态测试数据中，需通过数据处理将它们分开。 　　 　　2 动态误差的修正 　　 　　以前介绍动态误差修正方法时，由于数学上的困难，通常忽略了随机误差和反常误差，只是修正动态测试数据中的系统误差.本文则全面考虑了动态测试数据中可能包含的各种误差，并提出了一种可行地消除各种误??的方法。 　　2.1 粗大误差的剔除 　　粗大误差的剔除一般使用两种准则，一是拉依达准则，又称3δ准则。该准则的特点是简单实用。但当测量次数N《10时，该准则失效，不能判别任何粗大值；二是格罗布斯准则，该准则是由数理统计方法推导出的比较严谨的结论，具有明确的概率意义。 　　2.2 动态误差中随机误差的数字滤波方法 　　随机误差为随时间改变的干扰信号所引起的动态误差。 动态误差中随机误差不能象粗大误差那样可以通过限定范围的方法剔除。夹杂在测量值中的随机误差是很难发现和剔除的。我们可以用如下两种方法来滤除动态误差中的随机误差。 　　2.2.1 递推平均滤波法 　　随着计算机运算速度的迅速加快，以及存储器容量的不断增大，完全可以达到实时测量所需要的速度。在存储器中，开辟一个区域作为暂存队列使用，队列的长度固定为N，每进行一次新的测量，把测量结果放人队尾，而扔掉原来队首的那个数据，这样在队列中始终有个“最新”的数据，这就是递推平均滤波法。 　　N项递推平均滤波法为： 　　 　　递推平均项数的选取是比较重要的环节，N选的过大，平均效果好，但是，对被测参数的变化反应不灵敏;N选的过小，则对随机误差的滤波效果不显著.所以，要根据系统的要求对N做适当的选择。 　　2.2.2 加权移动平均滤波法 　　递推平均滤波法最大的问题是，随着随机误差的消除，有用信号的灵敏度同样要被降低.因为，我们假设对于N次内的所有采样值，在结果中所占的比重是均等的。用这样的滤波算法，对于时变信号会引人滞后。N越大，滞后越严重。为了增加新的采样数据在滑动平均中的比重，以提高系统对当前采样值所受干扰的灵敏度，可以对不同时刻的采样值加以不同的权，通常越接近现在时刻的数据，权取的越大。然后再相加求平均，这种方法就县加权移动平均滤波法 　　N项加权移动平均滤波法为： 　　 　　3 系统误差的数字修正法 　　 　　系统误差主要由具有确定性变化规律的那些误差因素造成的，如检测系统中各环节存在惯性、阻尼及非线性等原因和动态测试时造成的误差，它表现为时间的确定函数。 　　3.1 频域修正法 　　 　　若被测传感器为一个压力传感器，将其作动态标定实验。将被标定的压力传感器和一个“参考”压力传感器相比较，而参考压力传感器应具有理想的动态特性。因为压电式压力传感器具有相当高的稳定性、精度和固有频率，故被作为参考压力传感器。从低频到高???不断改变正弦压力信号的频率，测得一系列不同频率下的被测传感器和参考传感器的幅值比和相位差，从而得到了被测压力传感器的幅、相频特性，得到传感器的频率响应函