基于数据融合技术的智能压力传感器研究

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。

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。

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。