传感器数据补偿算法设计与实现-计算机应用技术专业论文.docxVIP

1 绪论 好的数据补偿方法是电化学传感器在检测系统中能发挥良好作用的一个重要因 素。研究传感器的工作原理和数据补偿的方法，具有较好的理论及实际意义。本章 主要介绍了课题研究的背景、国内外研究的现状，最后对本文的主要研究内容与组 织结构进行了说明。 1.1 课题背景 在目前的日常生活中，人们需要频繁对信息进行获取、传输和处理。传感器在 各种探测系统中广泛应用，是对外界各种信息进行探测与分析的常用工具[1]；系统中 用来进行研究与分析所获取到的信息，都要通过它转换为容易传输与处理的电信号。 目前传感器技术的发展直接影响了许多学科与工程领域的进展，其获取信息的准确 程度甚至决定了一些重大实验的成败。因此，传感器与传感器技术在工程的应用上 起着非常重要的作用。尤其是它的准确性直接影响了检测系统的性能，其输出—输 入特性的线性化和非线性误差补偿的研究已成为国内外研究的重要课题[2]。我国对传 感器的研究已经有二十多年的历史，并取得了很大成就，但是从总体上看，我国传 感器技术的研究与生产还比较落后，因而改进传感器的相关技术具有广泛的应用前 景和社会效益。 电化学气体传感器的特性受很多因素的影响，如温度[3]、电源波动[4]、湿度、磁 场、压力等，在这些因素的影响下，势必会出现误差。传感器的输入值和输出值不 可能完全是线性关系，但是在实际测量时，往往为了方便处理，将这两者简单定义 为线性关系，这样肯定会对气体传感器的准确性造成很大的影响，其输出没有能够 准确反映被测量气体量。改善传感器性能提高传感器的精度，一方面从传感器的制 造工艺着手，寻求新的制造原理、制造结构、制造材料，改进制造过程中的制造工 艺；另一方面是对传感器的输出信号进行处理，对输出信号进行处理，如信号补偿。 当传感器已经给定时，第一种方法已经不适合，这时，若要提高传感器的测量精度， 就必须寻求一种对传感器进行信号处理的方法。 1.2 国内外研究现状 在数据补偿的问题上，国内外研究方法主要分为两大类：硬件补偿法和软件补 偿法，相比之下软件补偿更为实用。在软件补偿的曲线拟合法中用到了一种偏最小 二乘回归的方法，该方法在出现之后，广泛应用于预测、拟合等多个领域中，并取 得了良好的效果。 1.2.1 传统的数据补偿方法 传感器测量精度不高，主要原因是存在非线性误差，因此有必要对传感器的输 出信号进行补偿，减少或消除这种非线性误差，常用的补偿方法包括硬件电路补偿 和软件补偿两大类。硬件电路补偿是基于电压源可变来实现传感器特性的线性化即 在传感器的测量线路中采用一些特定的电子线路进行非线性补偿；软件补偿是通过 函数拟合的办法来有效减少信号中非线性误差，从而提高传感器的精度。 硬件补偿方法有很多种，比如不平衡电桥补偿法[5]，其基本原理是：传感器的输 出信号时由桥路中的桥臂表示，由于传感器输出信号的变化跟被测物理量或化学参 数的变化时线性对应的，所以电桥的输出信号能反映出一般物理量或化学量的变化。 实际上当电桥采用稳压电源供电时，其输出电压和桥臂的电阻变化并不是线性 对应的[6]，而是存在非常严重的线性误差。可见合理的硬件补偿方法会受到比较多的 条件约束，并且不易满足。所以在一般情况下更多还是采用软件补偿软件补偿方法 从一出现就受到人们的普遍关注，通常曲线拟合法和神经网络法等。 曲线拟合法的基本原理是：对于不同环境下，传感器有不同的输入（P）—输出 0（V）曲线[7]，V = β 0  + β1 P + β 2  nP 2 + Κ + β n [8] P n ，如过能通过给出的输入输出值，求 出补偿系数 βi 在不同环境下的表达式 ，在各种环境下就可以拟合出一条有关 P—V 的曲线，确定曲线的特性，那么就可以根据输出的测量值来得到输入的实际值，从 而减小了环境对传感器的影响。其中，关于补偿系数 βi 也有各种求法，在仅有一个 环境变量（通常是温度）时采用最小二乘法拟合[9]，多个环境变量时采用偏最小二乘 法拟合[10]。 神经网络方法的基本原理是：利用样本测量值和环境的参数值作为输入节点， 补偿之后的实际值作为输出节点，利用给的样本数据对神经网络进行训练，建立好 合适的网络之后利用已知的环境数据就可以对测量值进行补偿，求出实际值[11]。对 这种方法的优化一般体现在两方面，一种是网络的选择，如 RBF 神经网络[12]；还有 一种是对学习算法的优化[13]。 这两种方法相比，神经网络自适应强，且精度相对较高[14]；而曲线拟合更为直 观，由拟合出的关系式可以直接看出环境变量与传感器测量值直接的关系，在恒定 环境中可画出传感器测量值的曲线[15]。 本论文是基于曲线拟合提出的一种数据补偿方法，采用的是改进的偏最小二乘 回归来拟合补偿系数。 1.2.2 偏最小二乘回归的发展 偏最