一种热电偶的传感器补偿器的制作方法

本发明涉及一种传感器技术，具体是一种热电偶的传感器补偿器。

背景技术：

在各种仪表中,经常用热电偶作为温度传感器。热电偶可以将温度转化为可直接测量的电信号，它的特点是测量温度范围广，测量可靠性高，自身能产生电压,不需要外加驱动电源，使用方便。但热电偶的热电势与温度关系为非线性的，实际应用中应进行非线性补偿。以往主要采用最小二乘法等方法进行处理,但这种方法比较繁琐,有时会出现求解方程时遇到病态矩阵情况,而且当环境条件发生变化时传感器的特性发生变化需重新标定的缺点。为此，本文提出应用正交基多项式神经网络建立非线性补偿模型并用与之对应的神经网络模块sn9701实现的热电偶传感器非线性补偿的方法。

技术实现要素：

本发明的目的在于提供一种热电偶的传感器补偿器，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种热电偶的传感器补偿器，包含热电偶传感器和非线性补偿器，所述热电偶传感器和非线性补偿器串联连接。

一种热电偶的传感器补偿方法，包含以下步骤：1、用热电偶传感器进行温度测量，测量结果温度为t，读取此时该热电偶的电阻值为d，则d＝f(t)；2、在热电偶传感器后串联一个非线性补偿器，使y＝g(d)＝kt。

作为本发明的进一步技术方案：y＝g(d)的展开式为g(d)＝w0+w1t1+w2t2+…+wnt3+…，其中t1、t2、t3为切比雪夫正交基多项式，由以下公式求得：tn(d)＝2dtn-1(d)-tn-2(d)(其中,t0＝1,t1＝d,n＝2,3,4…)。

与现有技术相比，本发明的有益效果是：本发明热电偶的传感器补偿器使传感器与神经网络模块组成的系统线性化，传感器的非线性特性得到补偿，补偿后的系统可按线性特性处理，不仅提高了计算准确度,而且整个计算由硬件电路实现，实时性好,拓展了热电偶传感器的应用范围。

附图说明

图1为热电偶的传感器补偿器的整体方框图。

图2为切比雪夫神经网络结构简化示意图。

图3为补偿后传感器输入与输出关系曲线。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-3，一种热电偶的传感器补偿器，包含热电偶传感器和非线性补偿器，所述热电偶传感器和非线性补偿器串联连接。

一种热电偶的传感器补偿方法，包含以下步骤：1、用热电偶传感器进行温度测量，测量结果温度为t，读取此时该热电偶的电阻值为d，则d＝f(t)；2、在热电偶传感器后串联一个非线性补偿器，使y＝g(d)＝kt。

y＝g(d)的展开式为g(d)＝w0+w1t1+w2t2+…+wnt3+…，其中t1、t2、t3为切比雪夫正交基多项式，由以下公式求得：tn(d)＝2dtn-1(d)-tn-2(d)(其中,t0＝1,t1＝d,n＝2,3,4…)。

本发明的工作原理是：热电偶传感器非线性补偿原理主要基于图1所示的基本环节。设传感器的输入为t,输出为d,d＝f(t)为非线性关系。若在传感器后串联一个补偿环节,使y＝g(d)＝kt,那么就实现了传感器的非线性补偿,当k＝1时,y＝t＝g(d)称为传感器的逆模型。

众所周知，一个三层bp神经网络理论上可以逼近任意非线性函数，精度也高,其学习过程是通过不断调整网络连接系数。但是，bp网络结构复杂,不能给出模型的解析表达式。为此,我们把非线性函数y＝g(d)展开成∶

g(d)＝w0+w1t1+w2t2+…+wnt3+…(1)

式(1)中t1、t2、、t3为切比雪夫正交基多项式，它可按下列递推公式求得∶

tn(d)＝2dtn-1(d)-tn-2(d)(其中,t0＝1,t1＝d,n＝2,3,4…)。

若已知若干组di,ti(i＝1,2,…m)值,即可用切比雪夫正交基多项式多项式的前n项近似表示传感器的非线性补偿模型,记为现在问题的关键是如何求得系数w0、w1┅wn。因为,切比雪夫正交基多项式神经网络可以用来逼近任意的非线性函数,可以用单层网络实现“监督”学习，而且学习速度快,通过对标定样本值的学习,自动地求出这些系数,网络的结构简化和学习规则简单,所以,我们用切比雪夫正交基多项式神经网络建立热电偶传感器的非线性补偿模型,并用切比雪夫神经网络模块实现非线性补偿的方法。

非线性补偿环节的建模：

图2所示为切比雪夫正交基多项式神经网络结构简化示意图,图中wj(j＝0,1,2…n)为网络的连接权值,其输入为t0i＝1,ui＝t1i,(其中:i为样本序号),输出为:

以上的权值wj可以利用下面算法进行调整:

wj(k)＝wj(k+1)+η·ei(k)·tji(4)

其中，yi(k),e(k),wj(k)分别表示期望输出、估计输出、误差和权值,η表示稳定性和收敛性的学习系数。

按照(2)、(3)、(4)式的顺序,用样本值不断轮流调整网络连接权,直到在某一轮学习中,学习目标指标函数:

达到一个足够小的值,得到连接权值w0…wn。(5)式中,m为样本长度。

图2切比雪夫神经网络结构简化示意图：

以s型热电偶(铂铑10％/铂)为例，设被测量值ti分别对应热电势ei(t),在800℃～1400℃范围内其分度表如表1所示。为了使热电偶温度变送器的输出v0与温度t成线性关系,即v01＝ht,(t:℃,v0:v)把线性范围确定在800℃～1400℃之内,假定此温度变送器的输出为0～5v,可得线性分度值理论值v01＝(5/1400)×t的对应值如表1所示。

利用上面介绍的神经网络算法,取n＝2,利用式(2)、式(3)和式(4)对神经网络的权值wj(j＝0,1,2,3,)进行训练,权值的初值可选(-1,1)间的随机数。因为切比雪夫神经网络内部有xⁿ形成环节、切比雪夫多项式tn形成环节,所以可将表1中传感器的13个输出热电势值放大50倍后作为网络的输入值,线性分度值值v01作为网络的输出值(考虑到用切比雪夫神经网络模块实现。将样本值依次顺序地输入神经网络,用学习迭代方法对权值进行修正,经多次学习过程,直至(5)式达到足够小的值,此时学习过程结束,对应的权值即非线性函数的相应系数(n＝2)。编写神经网络训练程序,运行该程序,得到最终结果为：

w0＝-0.1553w1＝7.1915w2＝-0.5123

则该热电偶传感器的非线性补偿模型解析式为：

式(6)中,t0＝1,t1＝v1,t2＝2v1²-v1,t3＝4v1³-3v1。