智能传感器原理及应用

智能传感器原理及应用电子与通信工程2013级在职研究生杨娜一、（10分）简述压阻式压力传感器的工作原理。答：压阻式压力传感器组成框图如下：图中第一部分可等效为质量-弹簧-阻尼机械力学系统的弹性敏感元件，它将输入的被测压力P转换为中间变量即应力及其对应的应变ε。常用的弹性敏感元件有周边固定的膜片，在压力P的作用下，膜片上的应力分布不同，确定处的应力与压力成正比。图中第二部分是膜片相应部位采用半导体工艺制作的电阻条——电阻式变换器，由于压阻相应则有相应的电阻变化量R输出，电阻变化量与相应部位膜片应力成正比。二、（10分）简述智能传感器系统的基本组成。答：智能传感器系统主要由传感器、调理电路、数据采集与转换、计算机及I/O接口设备组成。如下图所示。三、（15分）设计一个巴特沃斯低通数字滤波，要求：该低通数字滤波器等效模拟滤波器()Hds幅频特性过渡段特征是：对信号频率1100fHz的衰减率10.3；对信号频率2400fHz的衰减率20.8；写出巴特沃斯低通数字滤波器()Hdz的实现过程。答：1、等效模拟低通滤波器传递函数H(s)的确定。(1)需求出阶次n及截至频率c即可确定H(s)。阶次n应满足幅值比A1，A2(2)确定等效模拟低通滤波器H(s)的截至角频率c。(3)求模拟滤波器的传递函数H（s）2、等效滤波器的Hd(Z)确定四、（15分）用窗口法设计一个线性相位低通FIR滤波器，要求：截止频率为cf，采样频率是8cf；通带范围内，衰减度不超过5.8dB。答：（1）理想的频响为：（2）选窗的大小与形状：令N=11，此时，a如用矩形窗：b.如用海明窗：008.0,168.0,399.0,682.0,912.0,682.0,399.0,0168.0,08.0n(3)加窗序列相乘等于对应项相乘。如用矩形窗，由于矩形窗系数均为1，因此直接取中间11项即可：nh-0.045,0，0.075,0.159,0.225,0.25,0.225,0.159,0.075,0，-0.045nh就是所要求的FIR滤波器系数。（4）检验。nh是否合乎要求需要通过检验来判别。经检验，矩形窗衰减度为5.58db，满足要求。五、（50分）已知压力传感器在不同温度状态下的压力静态标定数据如下表所示。采用神经网络方法或回归分析方法（任选一）完成传感器的自补偿：（1）在Matlab环境下采用BP神经网络模型法实现温度自补偿智能化模块的设计。要求：设计一个具有温度补偿功能的BP神经网络；网络训练完毕后，输入压力传感器量程范围内的任何输出电压值PU与其工作环境温度传感器的输出电压值TU，补偿模块可给出对应的压力值，该压力值在消除温度影响的同时也进行了零点及非线性补偿。答：设计步骤：二传感器数据融合智能传感器系统如下图所示。1、二维标定试验在工作温度范围内选定多个不同的温度状态对被补偿的压力传感器进行标定试验，表1列出了在21.5—70度间6个温度状态的静态标定数据，在压力传感器量程范围内，选了6个标定值，总计有36个表定点，可获得6个温度状态对应的6条压力传感器的输入（P)输出（U)静态特性，也称这些标定值为样本数据。2、神经网络样本文件的制作神经网络文件样本有两种，分别用以对神经网络进行训练或检验用的神经网络训练文件和检验样本文件。1）样本数据对由二维标定试验中的36个标定点，获得36组试验标定数据或说获得36组样本数据对，如表6-2所示，样本数据对由对应输入量与对应输出量两部分组成，表中每个序号样本对含有三个输入量，对应输出量为p,2）样本文件的制作通常将标定试验获得的样本数据总对中的一部分用作神经网络的训练形成的训练样本文件，形成网络结构及权值；再用剩下部分的样本数据对形成检验样本文件，进行神经网络的检验。（1）训练样本文件。训练样本文件由b1.txt与b2.txt两个文件组成，装入了除了表6-2中除了1，8，15，18，9，22，29，35，8组样本对以外的其余28组样本对，形成28列3行，训练用输入样本文件b1.txt，装载的是神经网络的输入数据。b2.tx文件存有一行28列数据，是与输入样本数据对应的神经网络的期望输出值。两个文件的每列是一组样本数据对。文件中每行的样本数据要求等间隔排列，以便程序能够正确读取样本文件数据：（2）检验样本文件。由b3.txt,b4.txt两个文件组成，装载了表2中1，8，15，18，19，22，29，36，8个样本数对。3、样本文件的归一化处理4、在MATLAB环境下的BPNN的设计流程根据流程设计以下程序:（1）程序初始化（2）输入4个样本文件数据（3）4个样本文件归一化（4）设置网路参数，创建BPNN使用该函数首先要设置隐层与输出层神经元数数量以及相应的传递函数，确定训练函数，学习函数以及功能函数。（5）代入训练样本文件，设置网络参数，训练已创建的BPNN,(6)输出BPNN模型结构参数，用函数获得输入层及隐层间的权值及隐层与输出层的权值。（7）带入检验样本文件，用已经训练好的BPNN计算检验样本的输出结果。（8）检验结果评价，计算检验结果的绝对偏差或者应用误差，判断结果能否满足实用要求，5.训练检验（1）条件，输入节点3，隐层节点6，输出层节点1，训练迭代次数1000。（2）训练与测试，运行编好的程序，程序将自动输入网络训练与检验所需要的4个样本文件，并进行1000次训练与检验。1000次训练检验结束后，检验样本的网络输出如表所示，通过与期望输出的对比，可以看到检验结果与期望输出结果的误差很小。PNN模型结构参数。（3）训练检验好的BPNN模型结构参数隐层的6个阈值；隐层与输出层的6个连接权值；输出层的一个阈值；14.47677756、采用BPNN消除压力传感器交叉敏感的效果评价（1）BPNN融合压力传感器的静态特性，将表2中36组数据样本同时作为训练与检验样本进行BPNN融合，融合后的压力值如表4所示。（2）最小二乘法线性度的计算。（3）温度稳定性参数的计算