首页 / MEMS压力传感器非线性校正方法、系统、设备及介质

MEMS压力传感器非线性校正方法、系统、设备及介质实质审查 发明

技术领域

[0001] 本公开的实施例属于压力传感器非线性校正技术领域,具体涉及一种MEMS压力传感器非线性校正方法、系统、设备及介质。

相关背景技术

[0002] MEMS压力传感器由敏感元件和信号转换电路构成,敏感元件用于检测压力产生的形变,而信号转换电路则将这种机械变形转化为电信号输出。MEMS压力传感器以其高精度、小体积和易于批量制造等优势,在国防、航空航天、汽车及生物医学等领域得到了广泛应用。
[0003] 非线性问题主要源于传感器制造过程中的离散性、电阻温度系数的不一致性,以及环境因素如温度、湿度等的影响。此外,传感器自身材质、工艺条件的限制,以及封装应力等因素也会引入附加应力,导致压敏电阻阻值改变,进而产生非线性特性。MEMS压力传感器的非线性误差与其精度密切相关,非线性误差越大,精度越低,传统精度补偿方法无法满足高精度测量需求。

具体实施方式

[0045] 下面将结合本公开实施例中的附图,对本公开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公开的一部分实施例,而不是全部的实施例。基于本公开中的实施例,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,都属于本公开保护的范围。
[0046] 此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
[0047] 附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
[0048] 应理解,虽然本公开中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本公开中所使用,术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
[0049] 本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本公开所必须的,因此不能用于限制本公开的保护范围。
[0050] 如图1所示,本公开的一个实施例提供一种MEMS压力传感器非线性校正方法,包括:
[0051] 步骤S1、获取MEMS压力传感器的输出值。
[0052] 具体地,MEMS压力传感器将受压之后的机械变形转化为电信号输出,本实施例获取电信号模拟量转化的数字信号输出值。
[0053] 步骤S2、将所述输出值输入预先建立的非线性校正模型,得到MEMS压力传感器的非线性校正值;其中,所述非线性校正模型通过模因粒子群优化算法对支持向量机进行参数优化预先建立。
[0054] 具体地,本实施例利用基于模因粒子群优化算法(Memetic Particle Swarm Optimization,MPSO)和支持向量机(Support Vector Machine,SVM)的非线性校正模型,降低MEMS压力传感器的非线性输出。首先利用MPSO对SVM参数进行搜索寻优,即参数优化,再建立输出与电压之间非线性映射关系的SVM误差校正模型,最后通过SVM逼近任意非线性函数实现MEMS压力传感器的非线性校正。
[0055] 进一步地,通过MPSO对SVM参数进行参数优化从而建立非线性校正模型的步骤包括:
[0056] 步骤M1、初始化粒子群优化算法的种群大小、最大进化代数、粒子的初始位置和初始速度,初始化支持向量机的误差惩罚参数和高斯核参数;
[0057] 步骤M2、初始化粒子的位置xid及速度vid,确定粒子个数N、惯性因子ω的初值、最大允许迭代步数kmax、加速系数c1和c2,初始化粒子i以不同速度所经历的第d维的最好位置分量Pid、目前粒子群以不同速度在解空间中所经历的最好位置Pgd;
[0058] 步骤M3、计算每个粒子的个体极值(适应度值),得到各粒子以不同速度所经历的对应维度的最好位置分量Pid;
[0059]
[0060] 式中:yi为第i个粒子的目标输出,yk为第i个粒子的实际输出,n为训练集样本数;
[0061] 步骤M4、评价各粒子的目标函数,选出最好个体极值作为全局极值,得出目前粒子群以不同速度在解空间中所经历的最好位置Pgd,将粒子对应的极值作为下次迭代中SVM的最优参数;
[0062] 步骤M5、更新每个粒子的速度和位置,计算出每个粒子的适应度值;若适应度值优于粒子当前的个体极值,则将粒子以不同速度所经历的对应维度的最好位置分量Pid设置为粒子的位置,并更新个体极值;若所有粒子中最好的个体极值优于当前全局极值,则设置粒子群以不同速度在解空间中所经历的最好位置Pgd为粒子的位置,并更新全局极值,根据如下式(2)更新惯性权重,根据如下式(3)、式(4)更新位置和速度;
[0063]
[0064] 式中:δ为正系数,以调整惯性因子ω的变化速度,kmax为迭代次数的上限;ω0为ω(k)的上限,k为当前迭代次数;
[0065]
[0066] 式中,ω为惯量因子,控制速度的权重;c1、c2为加速系数;r1、r2为区间[0,1]之间的随机数; 为粒子i第d维的基准速度分量; 为粒子i第d维的搜索速度分量;a(m)为速度变系数调整因子,其中m=1~j,j为速度间隔数; 为粒子i第d维的基准位置分量;为粒子i第d维的搜索位置分量,m=1~j;Pid为粒子i以不同速度所经历的第d维的最好位置分量;Pgd为目前粒子群以不同速度在解空间中所经历的最好位置;Vmax为粒子飞行的最大速度;
[0067] a(m)可进一步表示为:
[0068]
[0069] 步骤M6、判断是否满足模因粒子群优化算法的结束条件,若满足则停止迭代;若偏差超出预设目标,则返回M3进行参数优化。
[0070] 进一步地,利用上文建立的MPSO‑SVM非线性校正模型实现压力传感器的非线性校正方案包括以下步骤:
[0071] N1、设数据集为{yi,zi},i=1,2,…,n,压力传感器补偿前输出为yi;压力传感器补偿后输出为zi,求解式(5)回归函数;
[0072] f*(y)=ω·φ(y)+b                  (5)
[0073] 式中,φ(y)表示y→φ(y)即从输入空间到高维特征空间的非线性变化;ω为权重向量,其维数为高维空间维数;ω·φ(y)表示向量的内积,b为阈值。
[0074] N2、引入松弛变量ξ≥0,ξ*≥0,转化最优化问题为式(6)最小化问题,求解式(5)中的权重向量ω与阈值b;
[0075]
[0076] 约束条件为:
[0077]
[0078] 式(7)中,C为惩罚系数,C越大表示对训练误差大于ε的样本惩罚越大;ε为不敏感损失函数系数,规定回归函数的误差要求,值越小,回归函数的误差越小,回归精度越高。
[0079] N3、转化最小化优化问题为式(8)对偶形式求解,同时引入Lagrange算子α,α*,建立Lagrange函数;
[0080]
[0081] 约束条件为:
[0082]
[0083] N4、求解式(9)得到式(10),从而得到回归函数式(11);
[0084]
[0085] 式(11)中,K(y,yi)=φ(y)·φ(yi)为满足Mercer条件的核函数。
[0086] 本公开实施例的一种MEMS压力传感器非线性校正方法,利用高效的MPSO‑SVM非线性校正算法进行MEMS压力传感器的非线性补偿。SVM较好地解决了小样本、非线性的问题,基于PSO引入速度变系数调整因子,调整搜索速度与基准速度的关系,保持了粒子群的多样性,采用自适应调整,使算法在解搜索空间的遍历性得到改善,获得了全局最优,提高了收敛速度和算法精度。通过软件算法提升现有MEMS压力传感器的测量精度,可减少硬件更新频率,从而降低压力传感器生产成本和设备维护成本。
[0087] 如图2所示,本公开的另一实施例提供一种MEMS压力传感器非线性校正系统,包括:
[0088] 获取模块210,用于获取MEMS压力传感器的输出值;
[0089] 校正模块220,用于将所述输出值输入预先建立的非线性校正模型,得到MEMS压力传感器的非线性校正值;其中,所述非线性校正模型通过模因粒子群优化算法对支持向量机进行参数优化预先建立。
[0090] 示例性地,如图2所示,所述系统还包括模型模块230,用于通过模因粒子群优化算法对支持向量机进行参数优化预先建立所述非线性校正模型;
[0091] 所述模型模块230具体用于:
[0092] M1、初始化粒子群优化算法的种群大小、最大进化代数、粒子的初始位置和初始速度,初始化支持向量机的误差惩罚参数和高斯核参数;
[0093] M2、初始化粒子的位置及速度,确定粒子个数、惯性因子的初值、最大允许迭代步数、加速系数,初始化粒子以不同速度所经历的对应维度的最好位置分量、目前粒子群以不同速度在解空间中所经历的最好位置;
[0094] M3、计算每个粒子的个体极值,得到各粒子以不同速度所经历的对应维度的最好位置分量;
[0095] M4、评价各粒子的目标函数,选出最好个体极值作为全局极值,得出目前粒子群以不同速度在解空间中所经历的最好位置,将粒子对应的极值作为下次迭代中支持向量机的最优参数;
[0096] M5、更新每个粒子的速度和位置,计算出每个粒子的适应度值;若适应度值优于粒子当前的个体极值,则将粒子以不同速度所经历的对应维度的最好位置分量设置为粒子的位置,并更新个体极值;若所有粒子中最好的个体极值优于当前全局极值,则设置粒子群以不同速度在解空间中所经历的最好位置为粒子的位置,并更新全局极值、惯性权重、位置和速度;
[0097] M6、判断是否满足模因粒子群优化算法的结束条件,若满足则停止迭代;若偏差超出预设目标,则返回M3进行参数优化。
[0098] 示例性地,所述模因粒子群优化算法的结束条件为目前粒子群以不同速度在解空间中所经历的最好位置达到预设阈值、迭代次数达到最大次数、误差达到预设要求中的任一项。
[0099] 示例性地,所述校正模块220具体用于:
[0100] 建立数据集;所述数据集包括压力传感器的补偿前输出值和补偿后输出值;
[0101] 引入松弛变量,建立约束条件,得到校正函数;
[0102] 利用所述校正函数将所述补偿前输出值转化为所述补偿后输出值,得到MEMS压力传感器的非线性校正值。
[0103] 具体地,本公开实施例的一种MEMS压力传感器非线性校正系统用于实现上文实施例中所述的MEMS压力传感器非线性校正方法,具体实现流程已在上文实施例中详细描述,本文在此不作赘述。
[0104] 如图3所示,本公开的又一实施例提供一种电子设备,包括:
[0105] 至少一个处理器301;以及,与所述至少一个处理器301通信连接的存储器302,用于存储一个或多个程序,当所述一个或多个程序被所述至少一个处理器301执行时,能使得所述至少一个处理器301实现上文所述的MEMS压力传感器非线性校正方法。
[0106] 其中,存储器302和处理器301采用总线方式连接,总线可以包括任意数量的互联的总线和桥,总线将一个或多个处理器301和存储器302的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器301处理的数据通过天线在无线介质上进行传输,进一步,天线还接收数据并将数据传送给处理器301。
[0107] 处理器301负责管理总线和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器302可以被用于存储处理器301在执行操作时所使用的数据。
[0108] 本公开的再一实施例提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现上文所述的MEMS压力传感器非线性校正方法。
[0109] 其中,计算机可读存储介质可以是本公开的系统、电子设备中所包含的,也可以单独存在。
[0110] 计算机可读存储介质可是任何包含或存储程序的有形介质,其可以是电、磁、光、电磁、红外线、半导体的系统、装置、设备,更具体的例子包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、光纤、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD‑ROM)、光存储器件、磁存储器件,或它们任意合适的组合。
[0111] 计算机可读存储介质也可包括在基带中或作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码,其具体的例子包括但不限于电磁信号、光信号,或它们任意合适的组合。
[0112] 可以理解的是,以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式,然而本公开并不局限于此。对于本领域内的普通技术人员而言,在不脱离本公开的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本公开的保护范围。

当前第1页 第1页 第2页 第3页