菲尔斯特的MEMS微机电技术和MPT微组装工艺

建立在微米/纳米基础上、采用MEMS（微机电）技术的压力传感器，体积小、重量轻，可以提供更高的精度、更低的功耗、更好的稳定性和一致性、以及工作在极端温度、湿度环境下的超强能力，是行内领先的技术。此技术由菲尔斯特中国研发并推出。它通过集成Firstrate独有的数字传感器和Cecure-M附件，消除了传感器上的微调电位器，保证调试后数据不受干扰，从而更好的为高科技工业、实验室、航空、真空系统等领域服务。Firstrate压力传感器拥有±0.05%FS端点精度或0.1%FS读数精度，确保测试结果在整个测试过程的稳定可靠。对环境温度的影响几乎可以忽略不计，其宽温度范围内的温度误差仅为　　一、先进的MEMS（微机电）和MPT（微组装）工艺；

微机电系统（MEMS， Micro-Electro-MechanicSystem）是一种先进的制造技术平台。它是以半导体制造技术为基础发展起来的。MEMS技术采用了半导体技术中的光刻、腐蚀、薄膜等一系列的现有技术和材料，因此从制造技术本身来讲，MEMS中基本的制造技术是成熟的。但MEMS更侧重于超精密机械加工，并要涉及微电子、材料、力学、化学、机械学诸多学科领域。

随着电路及工业发展，多芯片模块（MCM）技术、倒装芯片（FC）和多层陶瓷基板技术的发展，在高密度多层互连电路板上，运用组装和封装工艺，把微小型电子元器件组装成高密度、高速度、高可靠性立体结构的电子产品，这种高密度组装技术就是微组装技术（micro-packagingtechnology）。

硅膜片的厚度每差3～4μm，即影响压力传感器的一个量程，硅膜片厚度的精度影响传感器的成品率和一致性。因此，在这个数量级尺寸上操作完成膜片与其它部件的连接而不影响单晶硅的性能是一个巨大的挑战。加之MEMS与宏观机电系统相比，许多物理现象有很大的区别。比如，随着尺寸的减小，与尺寸3次方成比例的像惯性力、体积力及电磁力等的作用将明显减弱；而与尺寸2次方成比例的像粘性力、表面力、静电力及摩擦力等的作用则明显增强，并成为影响微机械性能的主要因素。宏观机械常使用的计算方法和理论将不再适用。

杰出的Firstrate工程师结合微动力学、微流体力学、微热力学、微摩擦学、微光学和微结构学发展的成果，运用绿色环保的无铅焊接工艺，完美的实现了单晶硅片与其它部件之间的无损连接。MEMS器件的体积得到极大的缩小，与普通的器件体积减小90%以上的同时，功耗也降低了80%以上。

二、先进的温补技术

材料特性决定了硅压阻式压力传感器在输入压力P数值不变的情况下，当工作温度t变化时将引起传感器输出发生变化。为了消除非目标参量（温度）对传感器输出特性的影响，可采用多种智能化补偿技术。

目前，软件补偿方法主要有插值法、曲线曲面拟合法、查表法和BP神经网络法。在插值法中，数据假定是正确的，要求以某种方法描述数据之间所发生的情况。曲线拟合方法就是设法找出某条光滑曲线，它是最佳的拟合数据，但不必要经过任何数据点。查表法是预先将一系列参数装人一个参数表内，获得测量数据后，根据相应的参数进行处理。查表法需要占用很大的存储空间，不适用于微处理器。神经网络方法通过建立人工神经网络模型，并通过样本训练确定网络参数。

Firstrate采用针对硅压阻式压力传感器温度漂移问题，设计了基于因子分析和RBF神经网络相结合的补偿方法，RBF神经网络是前馈神经网络中的一类特殊的3层神经网络，是典型的局部逼近神经网络，具有学习快、不会陷入局部最优的优点。RBF神经网络是新颖有效的前馈式神经网络，具有较高的运算速度和较强的非线性映射能力，能以任意精度全局逼近某非线性函数。该方法通过因子分析实现了对原始信息的筛选和降维，既减少数据冗余，又排除相关、重复数据的影响，形成新的训练样本集。结合RBF神经网络的非线性映射、自适应能力和强容错性对补偿过程进行建模，减少了网络的输入，利于简化网络结构，进而加快收敛，节省运行时间，大大提高了网络的学习速率与泛化能力。基于因子分析的RBF神经网络有效解决了传感器在大范围环境温度变化情况下静态电压零点漂移和灵敏度漂移的问题，提高了传感器的稳定。

Firstrate自行开发设计的全自动温度补偿校准系统在温度补偿校准过程中动态的更新校验结果数据。系统首先打开内部传感器实验室校验数据文件，将物理量和输出毫伏数读人到内存变量，并设置多媒体定时器参数，根据所选通道及采样速率，下载扫描表，启动采集装置进行采集。通过定时器中断服务程序及GPIB总线，将传感器实验室校验时标准压强