基于数据融合技术的智能压力传感器研究

0 引言
    随着高性能计算机测控系统的发展，传统传感器已不再与其测控系统相适应。控制系统要求传感器具备较强的信息处理和自我管理能力，以实现信息的采集与信息的预处理，减轻控制计算机的数据处理负担和提高整个测控系统的可靠性。然而计算机则着重于信息的高层次加工和处理，便于在现有硬件条件下大幅度提高系统的性能，简化系统的结构。智能传感器系统就是为了更好地适应计算机测控系统的发展而提出的一个新的研究方向。
    一个压力传感器，当压力参量恒定而温度变化时，其输出值也发生改变，即这个压力传感器存在温度参量的复合灵敏度。当传感器存在复合灵敏度时，就会致使其性能不稳定，测量精度低。多传感器信息融合技术就是通过对多个参数的监测并采用一定的信息处理方法来提高每一个参量的测量精度。在只要求测量一个目标参量的场合，为提高被测目标参量的测量精度，把其他参量当作干扰量，消除其影响，使每个参量测量精度都获得提高，所以传感器信息融合技术为开发多功能传感器系统开辟了途径。本文主要讨论智能压力传感器技术应用和数据融合技术的研究。

1 智能压力传感器的硬件设计
    图1为智能压力传感器的硬件框图。在本设计中，硬件系统的组成分为2部分：

    (1)传感器输出信号的预处理部分。主要由信号调理电路组成，包括对静压和温度传感器的恒压源电路的设计，以及对传感器输出信号进行滤波放大。
    (2)信号分析处理部分，将模拟信号转换为数字信号，并完成对信号的分析处理。
    在信号处理部分，本文着重采用ADuC812单片机设计硬件电路，结构简单，体积小，其功能方框图如图2所示。由图2可知ADuC812单片机与其他单片机不同的特点：芯片内不仅集成了可重新编程非易失性闪速／电擦除程序存储器的高性能8位(与8051兼容)MCU，还包含了高性能的自校准8通道ADC及2通道12位DAC；与所有8051兼容的器件一样，对于程序和数据存储器，ADuC812具有各自独立的地址空间，如64 KB外部程序地址空间和16 MB外部数据地址空间，但与其他器件不同的是，它包含了片内闪速存储器技术，可以向用户提供8 KB的闪速／电擦除程序存储器、640 KB的闪速／电擦除数据存储器；芯片集成了全部辅助功能块，可以充分支持可编程的数据采集核心。这些辅助功能块包括看门狗定时器(WDT)、电源监视器(PSM)以及ADCDMA功能。另外，为多处理器接口和I／O扩展提供了32条可编程的I／O线、IZC兼容的SPI和标准UART串行端口。

    在本文中，将ADuC812单片机P1口的P1．0，P1．1和P1．2作为三路信号输入通道。其中一路输入温度信号，一路输入静压信号，一路接地，这一路可配合相应的软件来降低温漂和系统误差；P1．7口接发光二极管，用于监测单片机是否正常工作：P2口的P2．0和P2．1作为液晶显示的输入脉冲和数据端；P3口的P3．0(RXD)和P3．1(TXD)外接一片MAX232，进行电平转换，实现和PC机的通信。本设计采用外部时钟产生方式．晶体频率为11．059 2 MHz，采用内部基准，在7引脚(CRER)与AGND之间连接0．1μF的电容。电源复位电路采用MAX708芯片进行复位。硬件设计中最大的亮点是硬件电路简洁，ADuC812单片机不用外接A／D和D／A转换器，不占用大量的空间，并且具有可重新编程非易失性闪速／电擦除程序存储器，调试简单。

2 多传感器数据融合算法的选择
    目前应用在智能压力传感器的融合算法主要有2种，分别为多维回归分析法和BP神经网络法。[page]

2．1 多维回归分析法
    回归分析法的基本思想是：用多维回归方程来建立被测目标参量与传感器输出量之问的对应关系。与经典传感器一维实验标定／校准不同的足要进行多维标定／校准实验，通过最小二乘法原理由实验标定／校准数据计算出回归方程中的系数。这样，当测得传感器输出值时，就可由已知系数的多维回归方程来计算出相应的输入被测目标参数。具体的算法是已知压力传感器输出电压U代表压力信息，另一温度传感器输出电压Ut代表温度信息，则压力参量P’可以用U及Ut二元函数来表示才完备，即：
     P’=f(U，Ut)
    由二维坐标(Ui，Uit)决定的Pi在同一平面上，可利用二维回归方程来描述：
   
    式中：a0～a5为常系数；ε1为高阶无穷小。
    由最小二乘法原理得到系数a0～a5，代入二维回归方程中，确定检测压力P’和输出U的二元输入-输出特性。当采集到二个传感器的输出值U及Ut时，代入式中就可以计算得到传感器的被测参量P’。
2．2 BP神经网络法
    神经元之间的连接方式不同，网络的拓扑结构也不同。根据神经元之间的连接方式，可将神经网络结构分为2大类，层次型结构和互联型结构。层次型结构的神经网络将神经元按功能分成若干层，如输入层、中间层(也称为隐层)和输出层，各层顺序相连。输入层各神经元负责接受来自外界的输入信息，并传递给中间各隐层神经元；隐层是神经网络的内部信息处理层，负责信息变换；最后隐层传递到输出层各神经元的信息经近一步处理后由输出层向外界输出信息处理结果。图3给出一个单隐层BP神经网络模型，它具有2个输入，每个输入都通过一个适当的权值w和下一层相连，网络输出可以表示为式(1)，f是表示输入／输出关系的传递函数。
   

    在网络中，隐含层的激励函数选用S型函数，即：
   
    输出层的激励函数选用线性函数，即：
   
    式中：xi为节点接受的信息；wij为相关连接权重；y为节点输出；θ为阈值；n为节点数。如上所述，建立一个三层BP神经网络模型，把实验标定的样本数据输入网络进行学习训练后，再进行交叉敏感的消除，从而达到数据融合的目的。
    由以上的讨论可以看出，多维回归算法和BP神经网络算法均能有效达到温度补偿的效果。前者算法简单，容易理解，但是数据融合能力有限，补偿程度不如后者；后者数据融合能力强，补偿效果明显，但是算法较难理解，软件编程工作量大。在本设计中，多维回归融合算法可以满足要求，并且软件编程工作量小，所以本文采用多维回归算法补偿温度对压力传感器的影响。

3 智能压力传感器数据融合的应用
3．1 温度敏感元件的标定
    对传感器进行静态标定，标定系统由YJF型浮球式标准压力计、HT-1714C直流稳压电源、34401 A型数字万用表、奔腾4PC机和自制的控温系统组成。在此分别对传感器在27℃，37 ℃，47 ℃，57℃，67℃的温度条件下做了静态标定，如表1所示。

3．2 结果和误差分析
3．2．1 零位温漂
    计算零位温度系数α0，根据下式：
   
    式中：△t=t2-t1为工作温度变化范围；UFS为工作温度为t1时，压力传感器满量程输出值；△U0m为在工作温度变化△t时，压力传感器的零点漂移最大值。

[page]

    由表2可知，

    补偿前：
   
3．2．2 灵敏度温漂
    计算灵敏度温度系数αs，根据下式：
   
    式中：t2，t1为工作温度的上下限值；U(t2)，U(t1)为同一入压力作用下工作温度分别为t2，t1时，压力传感器的输出值；压力传感器在压力范围0～0．6 MPa，温度在27～67 ℃时，补偿前后的压力测试结果如表3所示。
    补偿前：
   
    从以上计算所得的结果可以看出，补偿结果都有提高，说明本文的设计方案是可行的。

3．2．3 误差分析
    误差来源主要有3个方面：
    (1)压力实验时用浮球式压力计存在压力误差，因为加压时要用肉眼观察压力基准，由此产生误差；
    (2)压力、温度结果计算拟合参数时有计算误差，此误差很小；
    (3)采集数据误差，放大器对压力传感器输出数据的放大和进行A／D转换都会产生误差。
3．2．4 创新点
    (1)本文采用ADuC812单片机设计硬件电路，这种芯片内不仅集成了可重新编程非易失性闪速／电擦除程序存储器的高性能8位MCU，还包含了高性能的自校准8通道ADC及2通道12位DAC，使硬件电路设计简单，体积小，携带方便并减小误差。
    (2)针对传感器测量的温度漂移和非线性等问题，提出了利用多传感器信息融合技术，即曲面拟合法和曲线拟合法来加以解决，使算法简单，数据融合能力强，补偿效果明显。

4 结语
    本文着重采用ADuC812单片机设计硬件电路，结构简单，体积小，携带方便；通过多维回归分析法消除多参数状态下复合灵敏度对传感器的影响，保证对特定参数测量的分辨能力，提高传感器的精度。
    实验结果表明，该系统具有精度高，功能强，体积小的特点，适合航空、海洋、化学等场所的应用。