一种基于类脑计算的微压力传感器的制作方法

本发明涉及一种智能检测压力的器件，特别是一种基于类脑计算的微压力传感器。

背景技术：

微压力传感器是一种采用了微机械制造工艺加工的电子传感器件，被广泛应用于工业生产、电子设备等领域。当前的微压力传感器采用出厂调试后离线检测输出的工作模式，这种模式存在工作工况与调试工况差异大导致输出结果不准确、在连续工作中对环境干扰因素不识别等问题。

技术实现要素：

本发明是针对目前压力传感器需要现场调试、应对复杂环境抗干扰能力差的问题，提供了一种用于可自适应于多种复杂环境的类脑计算微压力感应结构。

为了解决上述技术问题，本发明采用的技术方案是：

一种基于类脑计算的微压力传感器，至少包括一微压力感应结构、一预置神经网络模型的类脑计算芯片和预警模块，其特征在于，包括以下步骤：

工作时，所述微压力感应结构在环境压力作用产生应变ε(t)并输出电信号，电信号传输到类脑计算芯片中，神经网络模型首先判断该电信号是否处于预设检测范围内，如果不在，则通过预警模块发出预警，进行人工检查或者干预；如果在，则进入滤波环境，根据该电信号的时域、频域特征，判断传感器工作状态，调取存储中相关处理方法对其进行滤波处理；经过滤波处理的电信号通过神经网络模型判断读数定义域，调取该读数定义域对应的函数进行计算并输出读数；神经网络模型对输出读数的分布情况进行学习和分析，当输出读数的分布出现异常时，类脑计算芯片将输出告警信号，告知使用者判断是否存在问题。

进一步地，所述神经网络模型采用同类型微压力感应结构的长期工况下运转且经过校正的带标签数据或者实验室模拟环境下带标签数据经过拟合训练得到。

进一步地，所述神经网络模型可在工作过程中继续学习经通信模块校正的带标签数据。

进一步地，所述预警模块包括通信模块和远程服务器。

进一步地，所述微压力感应结构采用基于惠斯通电桥的压力感应结构。

进一步地，在滤波环境下，类脑计算芯片首先对该电信号的时域f(t)、频域特征f(ω)进行离散化处理，记录干扰源幅高及频谱区域、统计干扰分布点位，对比带标签数据的分布函数f(sp)，判断传感器工况范围{(a,b^-),(b⁺,c^-),(c⁺,d^-),...}，a、b、c、d组成的数据段代表工况范围，针对该电信号所在数据范围，调用相应的滤波修正函数f1i(f)＝∫re^2πitε(kf(ω)-gi(ω)-ai)dε，从频域消去该工况下出现的干扰gi(ω)，利用经验系数k(t)和经验常数ai修复信号失真，从而完成对信号的智能滤波处理，其中i为序号角标，t为时间，ω为频率。

进一步地，所述读数定义域记为[mi,ni]，对应的函数为f为经过滤波处理的电信号，i为序号角标，mi和ni为读数定义域的端值，ui(f(ni))为初始线性标定函数，以计算数据点初始值。

进一步地，所述神经网络模型对输出读数的分布情况进行持续学习和分析，形成经验分布函数和幅值分布区间[fmin,fmax]，当输出读数的分布中期望μ、方差σ²的分布规律与经验分布函数不符，或多次出现幅值分布区间[fmin,fmax]以外的幅值时，系统即判定为出现异常。

进一步地，当神经网络模型首先判断该电信号不在预设检测范围内时，所述类脑计算芯片将该情况信息发送至远程服务器，查看远程服务器是否有该状态工作情况信息，如有，则将该状态工作情况信息返回到类脑计算芯片进行输出，否则，脉冲神经网络将基于现有网络进行试处理，并将输出结果的分布函数的时域特征f(t)、频域f(ω)以及试处理过程中预设的干扰gtest(ω)、经验系数ktest(t)及经验常数atest通过通信模块反馈给远程服务器。

本发明的有益效果是：

本发明在未大幅提高功耗的前提下使传感器具备了在线学习的功能，提高了传感器的对于不同环境的自适应性和抗干扰能力，提高了传感器的校准和读数速度，并能够检测到输出结果的分布异常并给与告警。

附图说明

图1为基于类脑计算的微压力传感器工作逻辑

图2为基于类脑计算的微压力传感器工作流程

101-电信号，102-微压力感应结构，103-应变，201-步骤，202-异常情况信息，203-信号，204-输出读数，205-新神经网络，206-输出结果，207-新神经网络相关参数，208-类脑计算芯片，209-输出数据，210-输出警告，301-反馈信息，302-脉冲神经网络设置参数，303-通信模块。

具体实施方式

下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。

如图1和图2所示，所述基于类脑计算的微压力传感器包括：微压力感应结构102、类脑计算芯片208和通信模块，其中类脑计算芯片208所搭载的神经网络模型(脉冲神经网络)可用于微压力感应结构102输出电信号101的的预处理、滤波、判断、深度学习和输出。

本实施例的工作流程如下：

本实施例的工作流程如下：微压力传感器出厂前，其类脑计算芯片208所搭载的脉冲神经网络预先进行完备的训练，于微压力传感器出厂时烧录进基于类脑计算的微压力传感器搭载的类脑计算芯片208中；训练数据来源为同型传感器的长期工况下运转的带标签输出数据d(p)或者实验室模拟环境下带标签数据；当微压力传感器被安装于工位并开始工作后，环境压力导致微压力感应结构102产生变形，应变为ε(t)。微压力感应结构102的感应结构上的惠斯通电桥将应变ε(t)对应的阻值变化转换为电信号101(压力信号)该电信号101由微压力感应结构102输出，并输入类脑计算芯片208，其搭载的脉冲神经网络执行步骤201，根据该电信号101的时域、频域特征，判断传感器工作状态，调取存储中相关处理方法对其进行滤波处理，具体如下：

脉冲神经网络对电信号101进行判断，若该信号处于预设检测范围内，则转入滤波环境，对该信号的时域f(t)、频域特征f(ω)进行离散化处理，记录干扰源幅高及频谱区域、统计干扰分布点位，对比前述用于训练的大数据的分布函数f(sp)，判断传感器工况范围{(a,b^-),(b⁺,c^-),(c⁺,d^-),...}，针对该数据范围(例：vε(t)∈(b⁺,c^-))，调用相应的相关处理函数(滤波修正函数)f1i(f)＝∫re^2πitε(kf(ω)-gi(ω)-ai)dε，从频域消去该工况下出现的干扰gi(ω)，利用经验系数k(t)和经验常数ai修复信号失真，从而完成对信号的智能滤波处理。经滤波处理的信号203由脉冲神经网络预先判断其读数定义域[mi,ni]，i为角标序号，表多个连续的定义域，分别为[m1,n1]、[m2,n2]、[m3,n3].........，之后调取该定义域的对应读数值由函数插值进行计算并输出读数。脉冲神经网络会对输出读数204的分布情况进行学习和分析，形成经验分布函数和幅值分布区间[fmin,fmax]，当输出读数204的分布中期望μ、方差σ²的分布规律与经验分布函数不符，或多次出现幅值分布区间[fmin,fmax]以外的幅值时，系统即判定为出现异常，传感器将输出告警信号，告知使用者判断是否存在问题。

当类脑计算芯片208所搭载的脉冲神经网络无法判断当前的工作状态，即微压力感应结构102输出的压力信号时，p1,p2分别为微压力感应结构102输出的电信号101的预设检测范围的下限和上限，类脑计算芯片208通过通信模块303向远程服务器发送异常情况信息202，以查询并下载与该工作状态对应的脉冲神经网络设置参数302，回传至类脑计算芯片208以完善其神经网络；异常情况信息202该情况的频谱f(ω)、幅值分布区间[fmin,fmax]，脉冲神经网络设置参数302包括网络拓扑表、各神经元权重ω(x,y)和复位电压值vrest等；如远程服务器中无该异常情况信息202，脉冲神经网络将基于现有网络进行试处理，脉冲神经网络将进行在线学习，并将输出结果206通过通信模块303进行远程反馈获得反馈信息301以完善学习效果，在完成学习后将生成的新神经网络205用于智能滤波，将新神经网络相关参数207上传至远程服务器，反馈信息301包括输出结果206的分布函数时域特征f(t)、频域特征f(ω)以及试处理过程中预设的干扰gtest(ω)、经验系数ktest(t)及经验常数atest；远程服务器通过判定参数的真实性来给出纠正意见，反馈意见信息至类脑芯片以完善学习效果，在完成学习后将生成的神经网络用于智能滤波，将相关参数上传至远程服务器，供其他同类传感器下载使用。

以上实施方式仅用于说明本发明，而非对本发明的限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行各种组合、修改或者等同替换，都不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。