一种基于极限学习机算法的改进型温度补偿方法与流程

1.本发明涉及油气资源勘探领域，尤其是一种基于极限学习机算法的改进型温度补偿方法。


背景技术：

2.随着我国经济发展，陆地资源已日渐无法满足社会发展对石油天然气的需求，油气资源的勘探开发正在从陆地向海洋实施战略转移。压力监测传感器用于水下石油压力的监测，是海洋开发中设备的基础仪器。
3.近年来水下石油压力监测传感、设计及验证难度大、制造工艺复杂、制造精度高、国内尚无可替代产品。面临国外技术封锁“卡脖子”、市场垄断价格高、交货周期长和交付进度难以保证的问题，严重制约了我国油气监测设备国产化与产业化的发展。其次，解决压力传感器超长时间的稳定性精确测量和电路无法保证长时间工作条件下的精度需求间的矛盾。提高信号检测实时性及准确度、信号智能处理可靠性，已成为目前行业内主流需求。


技术实现要素：

4.为了克服现有技术中存在的上述问题，本发明提出一种基于极限学习机算法的改进型温度补偿方法。
5.本发明解决其技术问题所采用的技术方案是：一种基于极限学习机算法的改进型温度补偿方法，包括如下步骤：
6.s1：对传统补偿方式下热敏电阻温度特性进行分析，确定压力传感器温补精度影响因素；
7.s2：对s1中传统补偿方式下热敏电阻模型进行改进，构建适合的热敏电阻的计算模型；
8.s3：对s2中得到热敏电阻模型，通过该模型计算将不同温度下的输出电压转换为固定室温下的值；
9.s4：对s3中得到的室温下的校准系数进行使用，将补偿电压转换为等效的校正压力值；
10.s5：对s4得到的等效的校正压力值，利用极限学习机算法，进一步优化计算求得参数值，补偿线性误差。
11.上述的一种基于极限学习机算法的改进型温度补偿方法，所述s2中得到的热敏电阻计算模型为：
12.r1×n＝k(r
x0
,a
x
,r
y0
,ay)r
y1
×n13.其中k(r
x0
,a
x
,r
y0
,ay)为与待使用热敏电阻和参考热敏电阻特性参数相关的比例系数，r
x0
、a
x
为待使用热敏电阻特性参数；r
y0
、ay为参考热敏电阻特性参数，r
y1
×n为参考热敏电阻实测值，r1×n、r
y1
×n均为n维行向量。
14.上述的一种基于极限学习机算法的改进型温度补偿方法，所述s3具体包括：
15.s31：根据惠通斯电桥的经验公式，任何压力下的输出电压va可以由基于室温条件的多项式表示：
[0016]va
＝v
a0
+(λ0+λ
1va0
)(t-t0)+λ
2va0
(t-t0)2[0017]
其中，v
a0
是压力传感器在标准室温t0下的输出电压，λ0是室温t0下的温度校正系数，t为实际环境温度，λ1和λ2分别是任意压力下的线性和非线性温度修正系数；
[0018]
s32：根据等式s31中等式，建立等效矩阵计算温度修正系数：
[0019][0020]
其中，t1、t2、t3为测试中分别记录的3个温度，v
a1
、v
a2
、v
a3
为t1、t2、t3在标准压力下输出电压，t0为标准室温，v
a0
为压力传感器在标准室温t0下的输出电压，λ0、λ1、λ2是t1、t2、t3温度下的温度校正系数。
[0021]
上述的一种基于极限学习机算法的改进型温度补偿方法，所述s4温度补偿计算方法具体为：根据s31中等式推导，各输出电压va可利用s32中温度修正系数修正为标准室温t0时的电压，其温度补偿算法：
[0022][0023]
其中，vb为不同温度下的补偿输出电压，v
a0
为在标准室温t0下的补偿输出电压，t为实际环境温度。
[0024]
上述的一种基于极限学习机算法的改进型温度补偿方法，所述s5对s4得到的等效的校正压力值具体包括：
[0025]
s51：输入变量为输入层两个神经元对应的压力和温度数字信号，输出变量为压力网络补偿，则输出zj和输入xj之间的关系:
[0026][0027]
其中和αi、βi分别是连接输入隐藏层和隐藏输出层的权重向量，yi为第i个隐藏神经元的偏差，为隐藏节点数，j为样本数，f为非线性激活函数；
[0028]
s52：αi、βi是在0到1的范围内随机生成的，第i个隐藏层单元的输出权重βi，i＝1,2,...,n将通过矩阵运算得出：
[0029]
β＝h
+
t
[0030]
其中，h是隐层节点的输出，h
+
是矩阵h的摩尔－彭若斯广义逆矩阵，t为期望输出。
[0031]
上述的一种基于极限学习机算法的改进型温度补偿方法，所述s5中利用极限学习机算法进行温度补偿的具体步骤包括：
[0032]
s531：将样本数据归一化到[-1,1]范围内，在传感器的压力及温度量程内进行测量；
[0033]
s532：将归一化后的样本数据按2：1的比例随机分成训练数据和测试数据；
[0034]
s533：从1到训练样本个数之间有序选择隐藏节点个数；
[0035]
s534：随机初始化输入权值与隐藏层偏置，输入训练数据，计算输出权值；
[0036]
s535：根据s534得到的权重和偏差，计算测试数据的输出；
[0037]
s536：重复s532～s534，直到获得满意的补偿精度；
[0038]
s537：将计算权重与偏差写入微处理器，传感器温度及压力量程范围内验证算法；
[0039]
s538：计算校准传感器的实际精度。
[0040]
本发明的有益效果是，本发明提出了一种简单且低成本的温度补偿算法，通过热敏电阻采用在线测试和比例建模，减小热敏电阻的计算模型和实际使用情况存在较大差距，提高了后期计算的准确度；将不同温度下的输出电压转换为固定室温下的值，使用室温下的校准系数，将补偿电压转换为等效的校正压力值，很好地修正了随温度漂移的实验压力值，成功地实现了温度变化的独立性；利用极限学习机算法，优化计算求得参数值，以此提供更高的精度，并且由于其低计算复杂度和具有理论指导的单参数设置而更适合补偿；实验对比压力传感器在测试中压力表现出较小的误差，具备良好的相似性和相干性，压力传感器可在电磁干扰、高压高温环境、强烈振动冲击等条件下仍然可以稳定工作，为在无人值守的长期水下观测提供一定的参考。
附图说明
[0041]
下面结合附图和实施例对本发明进一步说明。
[0042]
图1为本发明系统构架图；
[0043]
图2为本发明热敏电阻在线测量网络；
[0044]
图3为本发明热敏电阻计算值与测试值比较；
[0045]
图4为本发明压力传感器的温度补偿电压；
[0046]
图5为本发明不同标准压力值下的压力传感器误差；
[0047]
图6为本发明极限学习机算法结构；
[0048]
图7为本发明实验校准配置在温度的三个压力点处的算法补偿误差。
具体实施方式
[0049]
为使本领域技术人员更好的理解本发明的技术方案，下面结合附图和具体实施方式对本发明作详细说明。
[0050]
本实施例公开了一种基于极限学习机算法的改进型温度补偿方法，如图1所示，主要包括确定压力传感器温补精度影响因素、构建热敏电阻的计算模型、将不同温度下的输出电压转换为固定室温下的值、补偿电压转换为等效的校正压力值、通过极限学习机算法，优化参数值等五部分，具体包括以下步骤：
[0051]
s1：对传统热敏电阻温度特性进行分析，确定压力传感器温补精度影响因素，本实施例参考压力传感器型号为西门子的weps-149，可根据实际需要另选其他型号传感器，本实施例中测试的温度及压力范围均根据压力传感器的量程进行确定；
[0052]
确定压力传感器温补精度影响因素的具体步骤包括：
[0053]
s11：传统补偿方式下，热敏电阻在温度影响下计算模型：
[0054][0055]
其中，t为绝对温度，t为实际环境温度，ra为绝对温度t时的阻值，m为材料常数，m
*
为高级材料常数；
[0056]
s12：分析s11中热敏电阻计算模型，可知热敏电阻在耗散系数的影响下,随着温度变化会导致电阻值改变；此外，在实际电路中，由于部分元器件存在辐射热量，造成温度梯度，因而,传统补偿补偿下热敏电阻建模与实际存在较大误差。
[0057]
s2：对s1中传统补偿方式下热敏电阻模型进行改进，构建适合的热敏电阻的计算模型；
[0058]
构建适合的热敏电阻的计算模型的具体步骤包括：
[0059]
s21：热敏电阻测量中使用电路形式和大致相当的电路参数，以及温度测试范围，即尽量接近其实际使用情况，而非在零功率和窄温条件下测量，如图2所示。其中，电阻符号上带箭头的为热敏电阻(r4、r5、r7)，其余为固定电阻(r1、r2、r3、r6、r8)；
[0060]
s22：考虑到同批次热敏电阻具有较好的一致性和工程应用的简便性,可以采用热敏电阻比例建模的方式。将s21中测试完成的热敏电阻作为参考热敏电阻，其余相同类型、阻值相近的热敏电阻建模为：
[0061]
r1×n＝k(r
x0
,a
x
,r
y0
,ay)r
y1
×n[0062]
其中k(r
x0
,a
x
,r
y0
,ay)为与待使用热敏电阻和参考热敏电阻特性参数相关的比例系数，r
x0
、a
x
为待使用热敏电阻特性参数；r
y0
、ay为参考热敏电阻特性参数,r
y1
×n为参考热敏电阻实测值，r1×n、r
y1
×n均为n维行向量。
[0063]
s23：根据热敏电阻在线测量和比例建模方法，分别将2组各3只热敏电阻连接到图2的测量网络中，在-40～+85℃范围内进行测量；
[0064]
s24：将第1组中的3个热敏电阻作为对应网络位置的参考热敏电阻。将第2组的3个热敏电阻分别按照s22中所述公式进行建模计算，建模计算值与其实测值和传统方法计算值的比较结果参见图3，图3中(1)(2)(3)分别为r4、r5、r7建模计算值与其实测值和传统方法计算值的比较结果，可以看出本实施例改进方法计算值基本与测试值相同。
[0065]
s3：对s2中得到热敏电阻模型，通过该模型计算将不同温度下的输出电压转换为固定室温下的值；
[0066]
通过改进后热敏电阻模型，计算将不同温度下的输出电压转换为固定室温下的值将不同温度下的输出电压转换为固定室温下的值的具体步骤包括：
[0067]
s31：根据惠通斯电桥的经验公式，任何压力下的输出电压va可以由基于室温条件的多项式表示：
[0068]va
＝v
a0
+(λ0+λ
1va0
)(t-t0)+λ
2va0
(t-t0)2[0069]
其中，v
a0
是压力传感器在标准室温t0下的输出电压，λ0是室温t0下的温度校正系数，t为实际环境温度，λ1和λ2分别是任意压力下的线性和非线性温度修正系数；
[0070]
s32：根据等式s31中等式，建立等效矩阵计算温度修正系数：
[0071][0072]
其中，t1、t2、t3为测试中分别记录的3个温度，v
a1
、v
a2
、v
a3
为t1、t2、t3在标准压力下输出电压，t0为标准室温，v
a0
为压力传感器在标准室温t0下的输出电压，λ0、λ1、λ2是t1、t2、t3温度下的温度校正系数；
[0073]
s4：对s3中得到的室温下的校准系数进行使用，将补偿电压转换为等效的校正压力值；
[0074]
使用室温下的校准系数，将补偿电压转换为等效的校正压力值的具体步骤包括的具体步骤包括：
[0075]
s41：根据等式s31中等式推导，各输出电压va可利用s32中温度修正系数修正为标准室温t0时的电压。其温度补偿算法：
[0076][0077]
其中，vb为不同温度下的补偿输出电压，v
a0
为在标准室温t0下的补偿输出电压，t为实际环境温度；
[0078]
s42：参见图4，相同压力下的每个补偿输出电压vb很少受温度影响。其值稳定并且伴随的温度漂移在很大程度上被消除。同时，在0～20mpa压力范围内，传感器的所有输出电压非常容易区分，可以获得很高的电压分辨率；
[0079]
s43：采用传递多项式计算补偿电压vb对应的校正压力值p，验证补偿压力值与标准压力值之间的误差：
[0080][0081]
其中，p为校正压力值，其值是通过在标准室温t0下通过一系列压力标定实验对该多项式进行拟合得到的，k0、k1、k2、k3为压力标定系数；
[0082]
s44：参见图4中的数据，所有输出补偿电压都转换为等效的校正压力值。图5显示了校正压力值p与内部参考压力表的值之间的误差，可以清楚地看到误差在零点附近波动，压力误差的最大值在-0.30和0.30％fs之间。从结果可以看出，补偿后的传感器在0～20mpa的全压力范围内达到了0.3％的精度。通过应用该温度补偿方法，修正了随温度漂移的实验压力值，成功地实现了温度变化的独立性。
[0083]
s5：对s4得到的校正压力值，利用极限学习机算法，进一步优化计算求得参数值，补偿线性误差。
[0084]
利用极限学习机算法，进一步优化计算求得参数值，补偿线性误差的具体步骤为：
[0085]
s51：输入变量为输入层两个神经元对应的压力和温度数字信号，输出变量为压力网络补偿，如图6所示，则输出zj和输入xj之间的关系:
[0086][0087]
其中和αi、βi分别是连接输入隐藏层和隐藏输出层的权重向量，yi为第i个隐藏神
经元的偏差，为隐藏节点数，j为样本数，f为非线性激活函数；
[0088]
s52：αi、βi是在0到1的范围内随机生成的，第i个隐藏层单元的输出权重βi，i＝1,2,...,n将通过矩阵运算得出：
[0089]
β＝h
+
t
[0090]
其中，h是隐层节点的输出，h
+
是矩阵h的摩尔－彭若斯广义逆矩阵，t为期望输出；
[0091]
s53：使用极限学习机算法进行温度补偿的具体步骤：
[0092]
步骤1：将样本数据归一化到[-1,1]范围内，0到20mpa的压力范围内，-40到+85℃温度范围内测量；
[0093]
步骤2：将归一化后的样本数据(电压温度、外部压力)按2：1的比例随机分成训练数据和测试数据；
[0094]
步骤3：从1到训练样本个数之间有序选择隐藏节点个数；
[0095]
步骤4：随机初始化输入权值与隐藏层偏置，输入训练数据，计算输出权值；
[0096]
步骤5：根据步骤4得到的权重和偏差，计算测试数据的输出；
[0097]
步骤6：重复步骤2-4，直到获得满意的补偿精度；
[0098]
步骤7：将计算权重与偏差写入微处理器，在-40～85℃范围内，在0到20mpa的压力范围内验证算法；
[0099]
步骤8：计算校准传感器的实际精度。
[0100]
s54：由于校准点的数量和温度是校准能力的限制因素。为充分测试算法校准能力并选择合适数量的校准点以实现高精度，设计5
×
11＝55个样本被用作实验数据，分别为使用5点温度(-40，-10，20，50，85)℃，11点压力压力(0，2，4，6，8，10，12，14，16，18，20)mpa进行校准。参见图7，从图7中(a)可以看出通过算法优化在三个压力点的补偿误差降低到0.13％fs，图7中(b)取相同温度测试条件下，通过不同压力值发现，误差波动不大，也在0.1％左右，可以看出补偿误差温度波动较小。参见图5，优化前的补偿误差约为0.3％fs。经过算法补偿后减小到0.13％fs左右，参见图7。
[0101]
以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

技术特征：
1.一种基于极限学习机算法的改进型温度补偿方法，其特征在于，包括如下步骤：s1：对传统补偿方式下热敏电阻温度特性进行分析，确定压力传感器温补精度影响因素；s2：对s1中传统补偿方式下热敏电阻模型进行改进，构建适合的热敏电阻的计算模型；s3：对s2中得到热敏电阻模型，通过该模型计算将不同温度下的输出电压转换为固定室温下的值；s4：对s3中得到的室温下的校准系数进行使用，将补偿电压转换为等效的校正压力值；s5：对s4得到的等效的校正压力值，利用极限学习机算法，进一步优化计算求得参数值，补偿线性误差。2.根据权利要求1所述的一种基于极限学习机算法的改进型温度补偿方法，其特征在于，所述s2中得到的热敏电阻计算模型为：r1×
n
＝k(r
x0
,a
x
,r
y0
,a
y
)r
y1
×
n
其中k(r
x0
,a
x
,r
y0
,a
y
)为与待使用热敏电阻和参考热敏电阻特性参数相关的比例系数，r
x0
、a
x
为待使用热敏电阻特性参数；r
y0
、a
y
为参考热敏电阻特性参数,r
y1
×
n
为参考热敏电阻实测值，r1×
n
、r
y1
×
n
均为n维行向量。3.根据权利要求1所述的一种基于极限学习机算法的改进型温度补偿方法，其特征在于，所述s3具体包括：s31：根据惠通斯电桥的经验公式，任何压力下的输出电压v
a
可以由基于室温条件的多项式表示：v
a
＝v
a0
+(λ0+λ
1va0
)(t-t0)+λ
2va0
(t-t0)2其中，v
a0
是压力传感器在标准室温t0下的输出电压，λ0是室温t0下的温度校正系数，t为实际环境温度，λ1和λ2分别是任意压力下的线性和非线性温度修正系数；s32：根据等式s31中等式，建立等效矩阵计算温度修正系数：其中，t1、t2、t3为测试中分别记录的3个温度，v
a1
、v
a2
、v
a3
为t1、t2、t3在标准压力下输出电压，t0为标准室温，v
a0
为压力传感器在标准室温t0下的输出电压，λ0、λ1、λ2是t1、t2、t3温度下的温度校正系数。4.根据权利要求3所述的一种基于极限学习机算法的改进型温度补偿方法，其特征在于，所述s4温度补偿计算方法具体为：根据s31中等式推导，各输出电压v
a
可利用s32中温度修正系数修正为标准室温t0时的电压，其温度补偿算法：其中，v
b
为不同温度下的补偿输出电压，v
a0
为在标准室温t0下的补偿输出电压，t为实际环境温度。5.根据权利要求1所述的一种基于极限学习机算法的改进型温度补偿方法，其特征在
于，所述s5对s4得到的等效的校正压力值具体包括：s51：输入变量为输入层两个神经元对应的压力和温度数字信号，输出变量为压力网络补偿，则输出z
j
和输入x
j
之间的关系:其中和α
i
、β
i
分别是连接输入隐藏层和隐藏输出层的权重向量，y
i
为第i个隐藏神经元的偏差，为隐藏节点数，j为样本数，f为非线性激活函数；s52：α
i
、β
i
是在0到1的范围内随机生成的，第i个隐藏层单元的输出权重β
i
，i＝1,2,...,n将通过矩阵运算得出：β＝h
+
t其中，h是隐层节点的输出，h
+
是矩阵h的摩尔－彭若斯广义逆矩阵，t为期望输出。6.根据权利要求1所述的一种基于极限学习机算法的改进型温度补偿方法，其特征在于，所述s5中利用极限学习机算法进行温度补偿的具体步骤包括：s531：将样本数据归一化到[-1,1]范围内，在传感器的压力及温度量程内进行测量；s532：将归一化后的样本数据按2：1的比例随机分成训练数据和测试数据；s533：从1到训练样本个数之间有序选择隐藏节点个数；s534：随机初始化输入权值与隐藏层偏置，输入训练数据，计算输出权值；s535：根据s534得到的权重和偏差，计算测试数据的输出；s536：重复s532～s534，直到获得满意的补偿精度；s537：将计算权重与偏差写入微处理器，传感器温度及压力量程范围内验证算法；s538：计算校准传感器的实际精度。

技术总结
本发明公开了一种基于极限学习机算法的改进型温度补偿方法，包括通过对温补精度影响因素的分析,压力监测传感器精度主要受热漂移的影响，因此提出了一种改进型温度补偿方法，建立适合的热敏电阻的计算模型，减小热敏电阻的计算模型和实际使用情况存在较大差距，造成实际补偿效果恶化；通过将不同温度下的输出电压转换为固定室温下的值，使用室温下的校准系数，将补偿电压转换为等效的校正压力值，使实际输出电压与补偿电压之间的拟合误差最小；利用极限学习机算法，进一步优化计算求得参数值，补偿线性误差。实验证明，这种具有补偿算法的低成本压阻式压力传感器实现环境自适应功能是可行的，为在水下长期无人值守条件观监测下提供一定的参考。下提供一定的参考。下提供一定的参考。


技术研发人员：赵奎 崔海朋 赵巍 马志宇 刘志刚 刘鲁西 李华 刘正勇 陈又 肖尊坤
受保护的技术使用者：重庆前卫科技集团有限公司
技术研发日：2023.03.20
技术公布日：2023/7/18