一种加速度传感器温度补偿方法与流程

本发明属于传感器软补偿
技术领域：
，特别涉及一种加速度传感器温度补偿方法。
背景技术：
：随着现代工业和自动化程度的提高,动态测试、实时自动检测已成为发展的必然趋势。振动与冲击能否精确测量对动态测试而言至关重要,压电加速度传感器具有动态响应好、测量范围宽和灵敏度高等优点,常被用于动态测控系统中,来获取振动和冲击信号。但是在实际应用中，由于敏感元件不是以线性关系将非电信号转换为电信号，所以导致加速度传感器的特性函数也不是一个线性函数。另一方面，由于传感器内部环境温度的改变会带来传感器内敏感元件及集成线路板零位电压的漂移，造成传感器的测量误差。但是一般的压电加速度传感器自身又没有温度补偿功能,若直接将其用到可靠性试验中，在低温与高温条件下，试验控制量级会产生偏差，造成试验的欠应力和过应力，影响试验结果的可信度，甚至对产品造成危害性的影响。因此为了提高压电加速度传感器的工作可靠性,扩大压电的加速度传感器的使用范围,在测量时对其进行温度补偿就很有必要。在微机化的智能仪器和控制系统中,常用软件代替硬件进行非线性补偿,并已得到了广泛的应用。通常加速度传感器温度补偿方法是通过实验对传感器在不同温度下所产生的温度漂移值进行标定，将标定结果以数据表的格式存入单片机中。实际测量中，单片机根据测得的温度自动进行结果的修正。它实际上是一种分段线化方法,它把量程分为许多区间,在每一个区间上用直线近似代替曲线,分的区间越多,测量的精度越高,但所要的存储量也越大,查表时间就会很长,因此它不适用于高精度场合。最小二乘法比较繁琐,有时会出现求解方程时遇到病态矩阵情况。技术实现要素：本发明的目的在于提供一种加速度传感器温度补偿方法，其能够对加速度传感器在不同温度下的测试加速度进行非线性精确补偿。为实现上述目的，本发明提供了一种加速度传感器温度补偿方法，包括以下步骤：S101，在不同的加速度环境中，选取每个加速度环境中不同温度条件下加速度传感器感应的加速度值作为样本数据；S102，采用粒子群算法优化支持向量机的参数以获得最优参数，采用最优参数建立最优的非线性所述支持向量机；S103，利用最优的非线性所述支持向量机对所述样本数据进行预测。优选的，上述技术方案中，步骤S102包括：S201，设置所述支持向量机的参数：惩罚参数C，RBF核参数δ，损失函数ε参数；S202，初始化粒子群的相关参数：设定种群数量，最大迭代次数，学习因子及惯性权重，并随机赋予每个粒子的初始位置和速度；S203，确定适应度评估函数，根据适应度函数评价每个粒子的适应度；S204，将各个粒子的适应度的极值存在pbest中，将所有的最优个体的适应度存在全局极值gbest中；S205，对所有粒子执行如下操作:根据以下公式(1)、式(2)、更新粒子的位置与速度，如果粒子适应度优于pbest，将pbest设置为新位置；vk+1＝wvk+c1r1(pbestk-xk)+c2r2(gbestk-xk)(1)xk+1＝xk+vk+1(2)式中：vk与xk当前粒子的速度向量与位置；vk+1与xk+1更新后的粒子的速度向量与位置；pbestk表示粒子当前最优解位置，gbestk表示整个种群的最优解位置；w为惯性权重,w＝0.8；c1和c2为学习因子；r1和r2为0到1之间的均匀分布的随机数；S206，检验是否达到迭代次数或最小误差要求，如果是则停止迭代，并保存粒子群的整体最优位置值，否则转至S203继续计算；S207，输出gbest，得到支持向量机的参数以建立最优的非线性所述支持向量机预测模型。优选的，上述技术方案中，步骤S103具体包括：S301，将所述样本数据分为训练样本集和测试样本集；S302，对测试样本集和训练样本集的数据进行归一化；S303，根据步骤S207选取的最优参数设置支持向量机的训练参数，对训练样本集进行训练学习，并用该支持向量机对测试样本进行训练；S304，获取测试样本集的预测结果。与现有的技术相比，本发明中的加速度传感器温度补偿方法，应用粒子群算法PSO-SVM支持向量回归机建立非线性补偿模型，以对加速度传感器在不同温度下的测试加速度进行非线性补偿，不仅提高了计算准确度,而且实时性好,大大拓展了加速度传感器测速的应用范围。附图说明图1是根据本发明的加速度传感器与补偿环节示意图。图2A是根据本发明的PSO优化算法流程图。图2B是根据本发明的SVM算法流程图。图3是根据本发明的PSO-SVM的基本参数。图4是根据本发明的PSO-SVM的补偿结果实例。图5是根据本发明的PSO-SVM的补偿结果误差曲线图。具体实施方式下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。如图1所示，提供了一种加速度传感器温度补偿方法，该方法的主要设想思路为：设加速度传感器的输入(加速度标准值)即目标参量为x，环境影响因素温度为t，输出为y(加速度测量值)，显然y＝f(x,t)为非线性关系，将传感器输出y与温度t作为粒子群PSO-SVM支持向量机模型的输入样本，经粒子群PSO-SVM支持向量机模型处理后输出加速度值h即为期望消除温度的影响后的目标参量x。如图2A-图2B所示，该方法具体以下步骤：步骤S101，在不同的加速度环境中，选取每个加速度环境中不同温度条件下加速度传感器感应的加速度值作为样本数据。该步骤具体的，对于样本的获取，采用比较标准的方法。用三综合试验箱设定相应不同的加速度值和不同温度环境条件，采用普通压电传感器与校准用石英晶体传感器(其灵敏度基本不变)对加速度进行测量。将加速度为ag、bg、cg(g为重力加速度)时各个温度点处普通压电传感器(测量值)与校准用石英晶体传感器(标准值)的输出量分别记录下来，这就组成了一组样本。步骤S102，采用粒子群算法优化支持向量机的参数以获得最优参数，采用最优参数建立最优的非线性所述支持向量机；步骤S103，利用最优的非线性所述支持向量机对所述样本数据进行预测。该步骤具体包括：步骤S301，将样本数据分为训练样本集和测试样本集，随机抽取样本数据的前90％作为训练集，后10％为测试集；步骤S302，对测试样本集和训练样本集的数据进行归一化；步骤S303，根据步骤S102选取的最优参数设置支持向量机的训练参数，对训练样本集进行训练学习，并用该支持向量机对测试样本进行训练；步骤S304，获取测试样本集的预测结果，对预测效果进行评估与分析。继续参考图2，步骤S102采用粒子群算法优化支持向量机的参数以获得最优参数，采用最优参数建立最优的非线性所述支持向量机具体包括：步骤S201，设置所述支持向量机的参数范围：惩罚参数C范围为[1，100]，RBF核参数δ的范围为[0.1，100]，损失函数ε参数范围为[0.001，1]；步骤S202，初始化粒子群的相关参数：设定种群数量，最大迭代次数，学习因子及惯性权重等，并随机赋予每个粒子的初始位置和速度；步骤S203，确定适应度评估函数，根据适应度函数评价每个粒子的适应度；步骤S204，将各个粒子的适应度的极值存在pbest中，将所有的最优个体的适应度存在全局极值gbest中；步骤S205，对所有粒子执行如下操作:根据以下公式(1)、式(2)、更新粒子的位置与速度，如果粒子适应度优于pbest，将pbest设置为新位置；vk+1＝wvk+c1r1(pbestk-xk)+c2r2(gbestk-xk)(1)xk+1＝xk+vk+1(2)式中：vk与xk当前粒子的速度向量与位置；vk+1与xk+1更新后的粒子的速度向量与位置；pbestk表示粒子当前最优解位置，gbestk表示整个种群的最优解位置；w为惯性权重,w＝0.8；c1和c2为学习因子；r1和r2为0到1之间的均匀分布的随机数。步骤S206，检验是否达到迭代次数或最小误差要求，如果是则停止迭代，并保存粒子群的整体最优位置值，否则转至S203继续计算；步骤S207，输出gbest，基于当前选取支持向量机的优化参数以建立最优的非线性所述支持向量机预测模型。本发明实施仿真案例文中仿真对象是普通电荷型加速度传感器。假设其在室温20℃时，其电荷灵敏度为35.2pc/g。根据文献调研可知，其电荷灵敏度主要取决于压电材料的压电系数。显然，其压电系数会随温度的变化而变化，比较复杂且呈现比较明显的非线性特征。本次仿真不对加速度传感器的灵敏度直接进行温度补偿，由于压电系数随温度的变化比较复杂，从而使得不同温度下传感器的加速度值变化较为复杂。假定本次仿真中，所有误差都来源于加速度传感器本身，而与电荷放大器、功放、测量、调理、采样电路、A/D转换模块等其他因素无关；为简便起见，不妨假设其符合具体公式如下：式中,t为试验时加速度传感器所处温度，gt为温度为t时加速度值(真值)，g为测量加速度值(测量值)。相应的再在其测量值上加取值为(-0.1，0.1)的均匀分布的随机数。则其仿真数据如下表1所示：表1：仿真数据加速度(g)/温度(℃)203040506070809022.022.072.152.142.362.402.572.8443.914.004.194.144.434.715.045.3965.955.986.136.256.556.837.147.6587.978.028.168.298.599.139.5910.191010.069.9710.1610.3710.8611.1811.8912.541211.9011.9812.3012.4512.9413.4014.1915.041413.9114.1514.2314.5615.0115.5716.3317.261615.9316.1616.2116.5617.1617.7718.6819.75本补偿方法是在python软件的基础上完成的.针对加速度传感器的样本数据，选用径向基核函数作为支持向量机的核函数。样本的训练集为随机选取前57组，剩下的7组为测试集。通过粒子群算法对支持向量机的参数进行优化，得到最优模型。由于SVM的参数中惩罚因子C、损失函数参数、径向基核函数参数的选取主要靠经验的成分，所以这里对这三个参数进行优化。所以这里分别采用粒子群算法(PSO)、遗传算法(GA)对支持向量机进行优化。综合以上图3、图4、图5可以得出，基于PSO-SVM方法校正加速度传感器具有较高的精度，并且泛化能力更好。基于PSO-SVM方法校正加速度传感器的均方误差(MSE)为1.6821×10-5，远远小于基于GA-SVM校正方法得均方误差(4.0652×10-5)。同时，在迭代同样次数时，PSO-SVM算法的运行时间为27.002s，小于GA-SVM方法的运行时间(30.342s)。根据图4计算得，PSO-SVM样本预测出来的最大误差为0.08g，与GA-SVM取得的结果(0.16g)相比，具有更高的精度；且在温度值为90℃且加速度值为16g时，预测误差仅为0.02g，远远小于GA-SVM取得的结果(-0.16g),恰恰表明PSO-SVM算法的泛化能力更好。综上所述，本发明中的加速度传感器温度补偿方法，应用粒子群算法PSO-SVM支持向量回归机建立非线性补偿模型，以对加速度传感器在不同温度下的测试加速度进行非线性补偿，不仅提高了计算准确度,而且实时性好,大大拓展了加速度传感器测速的应用范围。前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。当前第1页1 2 3