一种温度传感器温度响应滞后补偿方法与流程

技术特征：

1.一种温度传感器温度响应滞后补偿方法，其特征在于：包括以下步骤

步骤(1)，建立预测补偿模型：根据温度传感器的动态特性，可以用一个一阶滞后传递函数式(1)表示

式中，τ为纯滞后环节的时间常数，T_W是一阶系统的时间常数，K为比例系数；

步骤(2)计算补偿参数，获取参考轨迹：依据动态补偿滤波器数学模型，采用传递函数式(2)计算补偿参数

式中的T_k即是补偿后所期望获得系统的时间常数；通过动态的优化，计算补偿后传感器输出值逐步接近理想的曲线，预测补偿轨迹通过粒子群优化算法通过不断的学习，选最合适的点，记忆最优值，依次循环不断学习获取最合适的参考轨迹；

步骤(3)动态优化补偿模块处理：依据补偿前输出值和参考轨迹进行补偿处理，得出补偿后的温度值。

2.根据权利要求1所述的一种温度传感器温度响应滞后补偿方法，其特征在于：步骤(2)中，为了实现对传感器特性的补偿，需要首先识别出补偿模型参数，对于式(1)所示传感器模型，可以采用如下方式实时计算得到系统参数：

被测温度突然变化△T时，温度传感器输出测量值的直接和为S₁及平方和为S₂，则输出稳定时，如式(1)的温度传感器特征参数可以如下得到:

T_W＝2(S₁-S₂/ΔT)/ΔT (2)

τ＝t_f-S₁/ΔT-T_W (3)

式中，t_f为传感器稳定输出的测量时间；

式(2)和式(3)表明，只要利用温度传感器一段足够长的响应曲线就可以估计出其动态模型的参数；惯性环节的时间常数与测量时间无直接关系，但纯滞后环节的时间常数与用于计算的数据长度直接相关；由于稳态后，求和时间增长必然导致S₁变大，所以τ估计可以稳定；初步标定完传感器后，就可以利用模型参数预测传感器的输出结果；

动态补偿滤波器数学模型主要包括预测模型、参考轨迹和滚动优化这几个思想，模型参数通过在线校正，用于实现对现有温度传感器的动态响应的补偿；对于输入△T的计算，需要通过在估计出的传感器模型参数基础上对系统的阶跃输入进行预测来实现；

本预测模型的预测补偿算法是一个开环系统，补偿前的信号来自于传感器原有的动态输出，经过预测模型，得到补偿所需的参考轨迹值，通过一段时间的滚动优化计算得到补偿后的输出结果；由于预测模型中所采用的参数都是由测量数据直接估计的，具有一定的随机性和误差；同时外界环境的干扰，也会导致估计结果存在偏差，必须通过滚动优化不断调整，才能达到使系统响应与参考轨迹逼近的目的；

对(1)式的传感器模型，可采用加一个零阶保持器离散，得到模型的差分方程:

y_m(k+1)＝a_my_m(k)+K(1-a_m)ΔT(k-L) (4)

式中:a_m＝e^-Ts/τ，T_S为采样周期，τ为纯滞后时间，L为τ/Ts的整数部分；

传感器的输出要求尽可能快地跟踪输入，可以看成一个典型的随动系统.不失一般性，假设传感器输入是一个阶跃信号，则利用(2)式递推可得，第P步后系统的输出为:

y_m(k+P)＝a^Py_m(k)+K(1-a^P)ΔT(k) (5)

式中前一项为模型的自由响应，后一项为模型的强迫响应。

3.根据权利要求1所述的一种温度传感器温度响应滞后补偿方法，其特征在于：步骤(2)中，预测补偿轨迹的粒子群优化算法可以通过模拟鸟群的觅食过程描述如下：

(1)根据具体问题，设置有关参数，如种群规模m，惯性权重w，加速度常数c₁和c₂，算法结束的条件，并初始化群体中的微粒、微粒的初始位置和速度；

(2)执行{计算每个微粒的适应度函数值f_fitness；

将每个微粒的f_fitness与P_best相比较，如果f_fitness值更优，则用f_fitness更新P_best；

将每个微粒的f_fitness与g_best相比较，如果f_fitness值更优，则将其置为新的g_best，同时记录其索引号；

根据式(11)、(12)更新各微粒的位置和速度}；

$v_{ik}^{n+1}={\mathrm{wv}}_{ik}^n+c_1{r}_1^n(P_{ik}^n-x_{ik}^n)+c_2{r}_2^n(P_{gk}^n-x_{ik}^n)---\left(11\right)$

$x_{ik}^{n+1}=x_{ik}^n+v_{ik}^{n+1},k=1,\mathrm{...},N---\left(12\right)$

式中，w表示惯性权重，它使微粒保持运动惯性，使其具有扩展搜索空间的趋势，有助于新区域的搜索；c₁,c₂均为正实数，称为加速度常数，它们表示将每个微粒推向P_best和g_best的加速度的权重；r₁ⁿ、为在区间[0,1]变化的随机数；

当((不满足性能指标要求)&&(没有完成规定代数的寻优))。

(3)从种群中选择最优微粒，输出寻优结果，方法如下：根据传感器以及参考模型对输入激励响应的实测数据，通过粒子群优化算法的优化学习得到补偿器L维参数θ的过程分为三步:

①根据传感器的动态特性，确定期望的传感器动态特性的参考模型，补偿器H(Z^-1)的阶次n和m，以及补偿器的参数θ＝(a₁，a₂，...a_n,b₁,b₂...b_m)；

②选取一个能够充分激励传感器的动态特性的输入信号，通过实验获得在该激励信号作用下的传感器实际输出y(k)和参考模型输出y_d(k)；

③以y(k)和y_d(k)分别作为补偿器的输入和希望输出，通过粒子群优化算法寻优，得到补偿器的参数θ；其中，f_fitness为式(10)，所以，经过粒子群优化算法优化得到的补偿器H(Z^-1)，具有输出y_v(k)与希望输出y_d(k)误差最小的特性。

4.根据权利要求1所述的一种温度传感器温度响应滞后补偿方法，其特征在于：步骤(4)中，依据式(13)设立离散化参考轨迹如下:

y_r(k+1)＝ΔT(k+i)-e^(-Tk/Ts)i[ΔT(k)-y_m(k)] (14)

为了防止过补偿导致的振荡现象，参考轨迹选择了一个时间常数T_k，结合滚动优化中对于输入ΔT值的预测，使系统逐步获得最优输出轨迹的结果。