[发明专利]一种压力传感器温度补偿方法和计算机可读存储介质

说明书

本发明公开了一种压力传感器温度补偿方法，包括以下步骤：（1）获取不同输出电压下压力偏差与温度变化之间的对应关系，并作为训练样本；（2）利用训练样本，得到DCQPSO‑MKRVM模型；（3）将训练样本输入DCQPSO‑MKRVM模型，得到相应压力传感器的压力偏差估计模型；（4）将估计后的压力偏差值结合对应电压下的理论压力值计算，完成压力传感器的温度补偿，获得不同温度下压力传感器真实的压力‑电压响应曲线。本发明还公开了一种包括压力传感器温度补偿方法的计算机可读存储介质。利用本发明，可有效的提高估计精度，并提高了估计之后的温度补偿精度，同时保留了压力传感器本身的输出特性，保证了压力传感器稳定可靠的工作。

技术领域

本发明属于压力传感器温度补偿领域，具体涉及一种压力传感器温度补偿方法和计算机可读存储介质。

背景技术

气象与环境科学中，压力在天气预报、气候分析、环境演变分析和航空航天应用等活动中发挥着重要作用。由于低成本，精度好，灵敏度高，线性度好，体积小，制造技术成熟等特性，在医疗、汽车工业等领域，硅压阻压力传感器已经成为最常用的微机电系统设备和广泛使用的柔性压力传感器。然而，由于材料的特性，许多压阻式压力传感器由于其过高的温敏系数而限制了其应用的温度范围。因此，必须对其进行温度补偿，在目前的研究中，具有以下几种实现温度补偿的方法:硬件补偿、软件补偿和软硬件混合补偿。

相比之下，硬件补偿方法虽然更容易实现，花费的时间更少，但是其存在补充精度低和无法在线补偿缺陷，而且成本较高、设备体积较大。

作为软件补偿方法，有两种基本的方法：分析方法和人工智能方法。分析方法包括查表、插值和表面拟合，在传感器电路中比较容易实现，但这些方法可能会面对以下困境：随着拟合阶数的增加，插值节点数量急剧增加；随着测量精度的增加，求解法向方程的不适定问题增加。

人工智能方法包括人工神经网络、支持向量机和相关向量机。

经验风险最小原则和梯度下降迭代是人工神经网络的基础，这可能会导致建模过程出现维数、局部最小、欠拟合或过拟合等缺陷。

相关向量机是一种基于贝叶斯规则的机器学习算法，它具有更稀疏的框架和更少的核函数约束，使得估计的时间更短。同时，相关向量机的性能受核函数的影响较大，单核相关向量机的泛化性能容易陷入次优状态，从而导致了估计误差，降低了估计精度。

发明内容

本发明所要解决的技术问题是，克服现有技术的不足，提供一种温度补偿效果好、可在温差补偿的同时保留压力传感器的输出特性的压力传感器温度补偿方法和计算机可读存储介质。

本发明解决其技术问题采用的技术方案是，一种压力传感器温度补偿方法，其特征在于，包括以下步骤：

S1：通过温度-压力应力试验，获取不同输出电压下压力偏差与温度变化之间的对应关系，并作为训练样本；

S2：利用训练样本，基于动态混沌量子粒子群算法优化多核相关向量机，得到DCQPSO-MKRVM模型；

S2-1：使用随机粒子群初始化动态混沌量子粒子群算法，将多核相关向量机中多核函数的权值映射到粒子位置参与优化过程；

S2-2：由各个粒子的适应度值和动态参数值Λ，生成新的种群数组并将其分成传统量子粒子群和动态混沌粒子群两个种群；

S2-3：在0.5I＜t＜0.9I迭代过程中计算系数判断算法是否早熟收敛，其中，I为设定好的区域迭代值，t为当前迭代次数，如果早熟收敛，用额外的I次混沌搜索逃脱局部最优的困境，当找到更好的适应度值后，替换全局最佳位置，分别设置相对应的位置；

S2-4：继续计算下一个种群位置矩阵，前M-Λ个粒子执行传统的量子粒子群搜索，剩下的所有粒子在混沌空间中搜索，更新粒子位置，M是种群大小；