下载文档原格式
基于FA-RBF神经网络的压力传感器的温度漂移补偿法孙艳梅;刘树东;陶佰睿【摘要】针对温度对硅压阻式压力传感器输出的影响问题,提出基于因子分析和RBF神经网络相结合的补偿方法.利用因子分析实现对原始信息的筛选和降维;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,提高网络的学习速率与泛化能力.研究结果表明,该方法有效地抑制了温度对压力传感器的影响,提高传感器的稳定性和准确性.【期刊名称】《物理实验》【年(卷),期】2011(031)007【总页数】5页(P21-25)【关键词】温度补偿;因子分析;神经网络;传感器【作者】孙艳梅;刘树东;陶佰睿【作者单位】齐齐哈尔大学,通信与电子工程学院,黑龙江齐齐哈尔,161001;齐齐哈尔大学,理学院,黑龙江齐齐哈尔,161001;齐齐哈尔大学,通信与电子工程学院,黑龙江齐齐哈尔,161001;齐齐哈尔大学,通信与电子工程学院,黑龙江齐齐哈尔,161001【正文语种】中文【中图分类】TP2121 引言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，可采用多种智能化技术[1]，本文结合因子分析（Factor Analysis，FA）和RBF （Radial Basis Function）神经网络的优点，将这两种方法相结合用于压力传感器的温度补偿，并就补偿效果进行了分析和对比.2 因子分析因子分析是从研究变量内部相关的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法.对于所研究的问题试图用最少的不可测的所谓公共因子的线性函数与特殊因子之和来描述原来观测的每一分量[2].2.1 因子分析模型一般地，设p个可观测变量（x1，x2，…，xp）与q个公共因子（其中q≤p）满足：此模型称为因子分析模型.若记：则因子分析模型的向量矩阵形式为其中，矩阵A称为公因子载荷矩阵，aij称为因子载荷；F称为公共因子向量；X 为原变量向量；ε称为随机误差.2.2 因子分析模型计算方法为确定因子分析模型，即估计载荷矩阵A，对可观测变量（x1，x2，…，xp）必须获得1个观测样本（xi1，xi2，…，xip），i＝1，2，…，n，以此样本出发估算载荷阵A的估算方法有多种，如主成分法、极大似然法、主因子法等，本文选用主成分法.1）计算（x1，x2，…，xp）的相关系数矩阵R＝（rij）p×p，其中2）计算相关系数矩阵R的特征根，记为λ1≥λ2≥…≥λp≥0.3）确定公因子个数q的值，以前q个特征值的累积百分数≥85%选取公因子个数. 4）计算特征根λ1，λ2，…，λq对应的单位特征向量，记为γ1，γ2，…，γq.5）对特征向量进行规格化，即aj＝，j＝1，2，…，q.6）写出载荷矩阵A，即A＝（a1，a2，…，aq）＝（aij）p×q，至此得到因子分析模型.2.3 因子得分模型一般地，因子得分模型为f＝Bx＋ε，即fi＝bi1x1＋bi2x2＋…＋bipxp＋εi，i＝1，2，…，q.如何估计B＝（bij）p×q是关键问题.SPSS统计软件提供了3种方法：即回归法（Regresson）、巴特莱特法（Bartlett）、安德森－鲁宾法（Anderson－Rubin）[3]，本文采用回归法计算因子得分.这里通过因子分析主要是简化系统结构，排除补偿因子间的相关因素，找出可用于描述系统变量的公因子，作为新的样本为神经网络所用，达到降维的目的.3 径向基函数RBF神经网络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[4].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.径向基函数网络由3层组成，输入层节点传递输入信号到隐层，隐层节点由类似高斯函数的辐射状作用的函数构成，而输出层节点通常是简单的线性函数.高斯函数的一般表达式为式中，x是n维输入向量；Ri（x）为隐层第i单元的输出；ci为第i个基函数的中心，与x具有相同维数的向量；σi为基函数围绕中心点的宽度，m是感知单元的个数；‖x－ci‖为向量x－ci的欧氏范数，表示x与ci之间的距离.输入层实现从x到Ri（x）的非线性映射，输出层实现从Ri（x）到yi的线性映射.即式中，p为输出节点数；ωij为第i个基函数与输出节点yj的连接权值.2个输入节点，1个输出节点的RBF网络结构如图1所示[5－6].图1 RBF网络结构本文将带遗忘因子的梯度下降法应用于RBF神经网络的参数调整[7].其具体算法如下：其中，J为误差函数；Y（k）代表希望的输出；Y（ω，k）为网络的实际输出；ω是网络所有权值组成的向量.隐层－输出层连接权值矩阵的调整算法为隐层中心值矩阵的调整算法为隐层标准偏差矩阵的调整算法其中，μ（k）为学习率；α（k）为动量因子.4 因子分析径向基神经网络算法的实现步骤1）进行数据预处理时，为了避免量纲不同而带来数据间无意义的比较，故将数据进行标准化处理：其中，Xi和pi为标定值，Ximin和Ximax为温度传感器输出电压标定的最小值和最大值，pimin和pimax为压力标定的最小值和最大值.2）将数据分为验证数据和训练数据.3）对标准化的数据运用SPSS软件进行因子分析.4）运用Matlab软件设计RBF神经网络，并将因子分析后的所得数据通过因子旋转得到的各个公因子得分，作为输入层变量输入神经网络进行网络的训练和仿真. 5）将验证样本通过数据标准化代入训练好的网络进行检验.5 压力传感器温度补偿5.1 传感器标定数据实验采用Honeywell的24PCGF1G型压力传感器，把压力传感器和温度传感器放在恒温槽中，温度分别为8，22，35，50℃共4个温度点，然后测量出不同温度下不同压力标定值的电压测量值[8].压力传感器对应的被测压力为p，传感器的输出电压为Up，在数据测量时，外加2mA的恒流源以激励压力传感器，环境温度由集成温度传感器AD590测定，当温度为t时，用AD590的输出Ut（mV）反映温度t，数据见表1.运用SPSS软件对数据进行因子分析，采用主成分分析方法选取特征值累积≥85%的因子，得到相关矩阵，见表2.因子特征根、方差贡献率和方差累计贡献率见表3. 由表3可知，前2个主成分的累积方差贡献率为97.616%，已超过85%，故提取出了2个主成分，其因子得分系数见表4.表1 传感器标定数据p／（103 Pa）Up／mV Ut／mV 8℃22℃35℃50℃0 29.6 31.9 33.6 34.9 1 405.8 1 475.8 1 540.9 1 615 8℃22℃35℃50℃.8 0.04 28.7 27.7 27.2 30.5 1 394.9 1 463.9 1 528.4 1 602.7 0.06 23.6 25.3 26.7 26.3 1 383.7 1 452.2 1 515.9 1 589.5 0.08 20.3 23.6 24.5 26.2 1 372.1 1 440.0 1 503.6 1 576.6 0.10 17.4 21.0 22.6 22.1 1 360.8 1 427.9 1 490.1 1 563.4 0.1216.1 18.5 20.3 21.9 1 348.9 1 416.1 1 478.5 1550.4表2 相关矩阵VAR00001VAR00002VAR00003VAR00004VAR00005VAR00006 VAR00001 1.000 0.327 0.934 0.986 0.911 0.999 VAR00002 0.327 1.000－0.290 0.310 0.235 0.359 VAR00003 0.934－0.029 1.000 0.918 0.856 0.921 VAR000040.986 0.310 0.918 1.000 0.967 0.985 VAR00005 0.911 0.235 0.856 0.9671.000 0.908 VAR00006 0.999 0.359 0.921 0.985 0.908 1.000表3 总方差解释成分初始特征根特征根方差贡献率／%累积方差贡献率／%提取初始特征根特征根方差贡献率／%累积方差贡献率／%1 4.834 80.559 80.5594.834 80.559 80.055 2 1.023 17.057 97.616 1.023 17.057 97.616 3 0.1432.384 100.00 4 1.8×10－163.1×10－15 100.00 5－4.6×10－17－7.7×10－16 100.00 6－1.3×10－16－2.2×10－15100.00表4 因子得分系数主成份VAR00001VAR00002VAR00003VAR00004VAR00005VAR00006 1 0.199－0.119 0.253 0.202 0.203 0.192 2 0.056 0.923－0.286 0.043－0.013 0.089通过因子分析系数计算数据的因子得分，并将其作为RBF网络的输入项，网络的输入层引入因子分析抽取的2个主成份，共2个节点，每个节点代表样本对应的主成份；输出层用1个节点表示，采用Matlab语言对RBF网络进行设计和训练，选取神经网络的隐层神经元个数为8，目标误差与基函数的扩展常数的取值对网络的拟合和泛化能力有很大影响，训练集的拟合程度低，蕴含的规律无法获取；拟合程度高，则对测试集的泛化能力减弱.初始数据中心、扩展常数和输出权值均由随机函数产生，通过调整网络中的参数，包括隐层节点数、学习速率、遗忘因子和网络权值、隐层标准偏差等，进行网络的训练和测试，采用均方根计算其精度，目标误差为0.000 1，扩展常数的学习率为0.006时结果最好，此时网络的训练精度为0.039%，测试精度为0.048%.温度补偿后的压力输出值如表5所示.表5 FA－RBF神经网络温度补偿效果p／（103 Pa）Up／mV8℃22℃35℃50℃0.05 0.049 2 0.050 6 0.050 9 0.050 7 0.07 0.070 5 0.069 2 0.069 5 0.070 6 0.09 0.090 6 0.089 8 0.090 4 0.089 5 0.11 0.110 6 0.109 5 0.110 3 0.109 9 0.13 0.130 9 0.130 8 0.129 7 0.130 55.2 算法补偿效果分析分别计算压力传感器的零点温漂和灵敏度温漂[9].零点温度漂移：式中，（t1）为室温t1时传感器的零点平均输出值，（t2）为在规定的高温或低温t2保温1h后传感器的零点输出平均值；U（t1）为室温t1时传感器的理论满量程输出，可用实际的满量程输出平均值（t1）代替.灵敏度温度漂移式中，（t1）为室温t1时传感器的满量程输出平均值，（t2）为在规定的高温或低温t2保温1h后传感器的满量程输出平均值[10].计算补偿前性能参数同理，根据表2中的数据，计算出温度补偿后的性能参数α0＝4.37×10－4，α＝5.54×10－4.补偿后零点温度漂移和灵敏度温度漂移都显著提高，减小了温度对压力传感器输出的影响.基于因子分析的RBF神经网络与RBF神经网络相比，它的训练时间要比RBF网络短，而且迭代的次数较少，零点温度漂移和灵敏度温度漂移都显著提高.限于篇幅原因，本文将运行RBF神经网络的补偿结果直接给出，如表6所示，利用因子分析对数据降维，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.综上，基于因子分析的RBF神经网络算法提高了传感器的稳定性和准确度.表6 RBF神经网络与FA－RBF神经网络比较神经网络平均训练次数平均训练时间／sα0／10－4α／10－4 RBF 16 2.972 5 4.74 6.14 FA－RBF 9 1.732 8 4.375.546 结论针对硅压阻式压力传感器温度漂移问题，提出了基于因子分析和RBF神经网络相结合的补偿方法，并验证了方法的有效性，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.结果证明，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性.【相关文献】[1] 黄晓因，张悦，张丽莲.压力传感器样本数据更新和数据融合算法研究[J].电子器件，2005，28（4）：882－885.[2] 蔡建琼，于慧芳，朱志洪.SPSS统计分析实例精选[M].北京：清华大学出版社，2006.[3] 苏金明，傅荣华，周建斌，等.统计软件SPSS系列二次开发篇[M].北京：电子工业出版社，2003.[4] 何平，潘国峰，赵红东，等.基于RBF网络的智能气敏传感器温度补偿[J].仪表技术与传感器，2008，（7）：6－8，42.[5] Bianchini M，Frasconi P，Gori M.Learning without local minim a in radial basis function networks[J].IEEE Transactions on Neural Networks，1995，6（3）：749－756. [6] Yao Xin.Evolving artificial neural networks[J].Proceedings of the IEEE，1999，87（9）：1423－1447.[7] Catelsni M，Fort A.Fault diagnosis of electronic analog circuits using a radial basis function network classifier[J].Measurement，2000，28（3）：147－158.[8] 鲁长宏，张瑞，李玉兰.超稳定TO－8型压力传感器在气体导热系数测定实验中的应用[J].物理实验，2006，26（11）：31－34.[9] 严家明，毛瑞娟，谢永宜.两种数据融合算法对扩散硅压力传感器的温度补偿[J].计算机测量与控制，2008，16（9）：1363－1365.[10] Pramanik C，Islam T，Saha H.Temperature compensation of piezoresistive micro－machined porous silicon pressure sensor by ANN[J].Microelectronics Reliability，2006，46：343－351.。
压阻式压力传感器硅二极管的负温度补偿一、引言压阻式压力传感器是一种广泛应用于工业自动化控制和生产过程监测中的传感器。
它通过测量压力对电阻值的影响来实现对压力的测量。
而硅二极管则是一种常见的半导体元件，具有负温度系数特性。
本文将介绍压阻式压力传感器和硅二极管的负温度补偿技术。
二、压阻式压力传感器1. 工作原理压阻式压力传感器采用了电阻应变原理，即当外界施加一个载荷（如压力）时，导致材料发生形变，从而改变电阻值。
这种电阻值与载荷间的关系称为灵敏度，通常用单位载荷下电阻值的变化率表示。
2. 结构和分类根据结构不同，可以将压阻式传感器分为片式、箔式和薄膜式三类。
其中片式传感器结构简单、价格低廉，但灵敏度较低；箔式传感器适用于高精度测量场合；薄膜式传感器具有良好的弹性和稳定性。
3. 应用领域压阻式压力传感器广泛应用于工业自动化控制、汽车制造、航空航天等领域。
例如，在汽车生产中，压阻式传感器可以用于测量轮胎的气压，以确保行驶安全。
三、硅二极管的负温度补偿技术1. 负温度系数特性硅二极管具有负温度系数特性，即在一定温度范围内，其电阻值随着温度升高而下降。
这是由于在高温下，载流子的浓度增加，从而导致电阻值的下降。
2. 负温度补偿原理在使用压阻式传感器进行测量时，由于环境温度的变化会影响电阻值的大小，从而影响测量结果的准确性。
因此需要对环境温度进行补偿。
这里介绍一种利用硅二极管负温度系数特性进行补偿的方法。
将一个硅二极管串联到传感器电路中，在常温下，二极管处于截止状态，不起作用；当环境温度升高时，二极管的电阻值下降，从而产生一个与环境温度相关的电压信号，通过运算放大器进行放大并反向补偿到传感器电路中，从而抵消环境温度对测量结果的影响。
3. 实现方法在实现硅二极管负温度补偿技术时，需要注意以下几点：（1）选择合适的硅二极管：应选用具有较高负温度系数、稳定性好、漏电流小等性能优良的硅二极管。
（2）确定合适的工作点：应根据硅二极管的特性曲线确定合适的工作点，以保证补偿效果最佳。
一种硅压阻式压力传感器温度补偿算法及软件实现-基础电子摘要：硅压阻式压力传感器的零点温度漂移和灵敏度温度漂移是影响传感器性能的主要因素之一，如何能使该类误差得到有效补偿对于提高其性能很有意义。
通过对硅压阻式压力传感器建立高阶温度补偿模型进行温度误差补偿是一种有效的方法，并在该模型基础上给出了拟合系数计算方法，并用Matlab GUI 软件来实现温度补偿系数计算，进而实现传感器输出的动态温补，达到了很好的输出线性性。
实验结果表明，补偿后传感器输出的非线性误差小于0.5% F.S.0 引言硅压阻式压力传感器利用半导体材料的压阻效应来进行压力测量，以其体积小、灵敏度高、工艺成熟等优点，在各行业中得到了广泛应用。
实际工程应用中由于硅材料受温度的影响，导致零点漂移和灵敏度漂移，因此温度补偿问题是提高传感器性能的一个关键环节。
目前压力传感器主要有两种温度补偿方法：硬件补偿和软件补偿。
硬件补偿方法存在调试困难、精度低、成本高、通用性差等缺点，不利于工程实际应用；利用数字信号处理技术的软件补偿能够克服以上缺点，也逐渐成为研究热点。
目前软件补偿的方法主要有：查表法、二元插值法、BP神经网络法、小波神经网络方法、曲线曲面拟合方法等。
查表法需要占用很大内存空间，而神经网络方法存在网络不稳定、训练时间较长的缺点不利于工程应用。
在研究各类软件补偿方法的基础上对压力传感器采用建立高阶温度补偿模型进行温度误差补偿，并且在Matlab GUI软件平台下实现高阶温度补偿系数的计算，通过实验对该方法进行验证。
1 高阶温度补偿模型的建立1.1 高阶温度补偿建模压力传感器输出非线性误差主要是由零点温度漂移和灵敏度温度漂移产生，零点温度漂移是由于电阻掺杂不同而导致电阻的温度系数不同，灵敏度温度漂移主要由于压阻系数易随温度的升高而减少。
针对温度对传感器输出影响，采用对零点温度漂移和灵敏度漂移建立高阶补偿模型进行统一补偿，补偿后压力值Press（T ）表示为温度传感器电压输出VT 和压力传感器电压输出VP 的函数：将Press（T ）补偿转换成曲面拟合问题，采用高阶多项式拟合方法构造曲面方程：式中系数矩阵中元素CI,J 是式（2）中VP VT 项对应系数。
计算机测量与控制．２０２１．２９（２） 犆狅犿狆狌狋犲狉犕犲犪狊狌狉犲犿犲狀狋牔犆狅狀狋狉狅犾 ·２５６ ·收稿日期：２０２０１１２８； 修回日期：２０２０１２２３。
基金项目：山西省重点研发计划项目（２０１９０３Ｄ１２１１２３）；山西省自然科学基金项目（２０１８０１Ｄ１２１１５７，２０１８０１Ｄ２２１２０３）。
作者简介：薛胜方（１９９５），男，山西运城人，硕士研究生，主要从事ＭＥＭＳ压力传感器的设计及制备方向的研究。
通讯作者：梁 庭（１９７９），男，山西长治人，博士，副教授，主要从事微机电系统（ＭＥＭＳ）技术领域方向的研究。
引用格式：薛胜方，梁 庭，雷 程，等．压阻式高温压力传感器温度补偿与信号调理设计与测试［Ｊ］．计算机测量与控制，２０２１，２９（２）：２５６２６１，２６６．文章编号：１６７１４５９８（２０２１）０２０２５６０６ ＤＯＩ：１０．１６５２６／ｊ．ｃｎｋｉ．１１－４７６２／ｔｐ．２０２１．０２．０４９ 中图分类号：ＴＰ９８文献标识码：Ａ压阻式高温压力传感器温度补偿与信号调理设计与测试薛胜方１，２，梁 庭１，２，雷 程１，２，李志强１，２，单存良１，２（１．中北大学仪器科学与动态测试教育部重点实验室，太原 ０３００５１；２．动态测试技术山西省重点实验室，太原 ０３００５１）摘要：设计制作了一种集成信号调理电路的高温压阻式压力传感器，包含倒装式的压敏敏片、无源电阻温度补偿电路和信号调理电路组成；压敏芯片的制作采用ＳＯＩ材料和ＭＥＭＳ标准工艺，温度补偿和信号调理电路采用高温电子元件；试验表明，无源电阻温度补偿具有显著的效果；此外，采用了高温信号调理电路来提高传感器的输出灵敏度，通过温度补偿来降低输出灵敏度；与传统的经验算法相比，所提出的无源电阻温度补偿技术具有更小的温度漂移，在２２０℃条件下传感器输出灵敏度为４．９３ｍＶ／１００ｋＰａ，传感器灵敏度为总体测量精度为±２％ＦＳ；此外，由于柔性传感器的输出电压可调，因此不需要使用一般的电压转换器随动压力变送器，这大大降低了测试系统的成本，有望在恶劣环境下的压力测量中得到高度应用。
一种带温度补偿的高精度压力传感器的研制摘要：针对硅压阻式压力传感器的温度漂移现象，研制了一款带温度补偿的高精度压力传感器。
该设计以ATMEGA328P为核心芯片，以LMP90078为模数转换器，以AD5662为数模转换器，整个电路采用工作温度宽、低温漂的元件，并且在软件中采用最小二乘法进行补偿。
实验温度范围为-40℃~125℃，传感器零点（2KPa）输出为0.5V，上限（700KPa）输出为5.5V，经过反复补偿验证，得出该压力传感器的准确度不大于0.5‰，非线性不大于0.5‰。
实验结果表明：该研制能很好的补偿压力传感器的温度漂移，提高传感器的性能及测量准确度。
关键词：压力传感器；ATMEGA328P单片机；温度补偿；最小二乘法0 引言利用硅的压阻效应和微电子技术的硅压阻压力传感器，具有灵敏度高、线性好、过载能力强、便于批量生产等优点。
但由于半导体材料本身和工艺方面的原因，使压力传感器的零点和灵敏度易随温度发生漂移。
零点温度漂移是由于电阻的掺杂不同而导致电阻的温度系数不同，灵敏度温度漂移主要是由于压阻系数易随温度的升高而减小，影响了硅压力传感器的测量精度，限制了它在一些精度要求较高领域的应用，所以硅传感器温度补偿很重要。
传统的温度补偿方法一般利用电阻网络，达到补偿的效果，但这种方法不灵活且补偿精度不高。
软件补偿的方法是将传感器技术与计算机技术相结合，利用软件进行修正，灵活且补偿效果好。
文中提出基于ATMEGA328P微处理器的压力传感器温度补偿系统，整个电路选择宽温区、低温漂的元器件，避免了额外的温度漂移引来的测量误差。
将传感器技术和计算机技术很好的结合起来，利用软件实现非线性补偿和温度漂移补偿，这种方法不但高效，而且补偿精度高。
1压力传感器设计本文提出带温度补偿的压力传感器主要包括以下几个部分：电源模块、电压基准源、压力芯体、恒流源、ADC、温度传感器、DAC、单片机ATMEGA328P、通信接口。
doi: 10.11857/j.issn.1674-5124.2020050048一种压阻式压力传感器全温区温度补偿方法田青林1,2， 陈红亮1,2， 陈洪敏1， 李 粮1， 闫文吉1(1. 中国航发四川燃气涡轮研究院，四川 成都 610500; 2. 四川天利科技有限责任公司，四川 绵阳 621010)摘 要: 针对压阻式压力传感器因热零点漂移、热灵敏度改变以及热迟滞效应引起的误差，提出一种压阻式压力传感器全温区温度补偿方法。
该方法是在温升和温降全温区样本采集的数据基础上，采用最小二乘法曲面拟合原理对压阻式压力传感器进行数字补偿。
通过对传感器进行实验标定和误差分析，并与常用的单一温升样本采集并进行数字补偿的方法进行对比，结果表明该方法能有效降低传感器因热迟滞效应引入的误差，提高传感器在全温区内标定点和非标定点的测试精度。
同时，该方法校准参数少，计算量相对较小，对于硬件要求较低，达到在性能和成本之间的良好平衡，是一种实用性较强的在线补偿方法，具有较强的工程应用价值。
关键词: 压阻式压力传感器; 温度补偿; 全温区; 最小二乘法曲面拟合; 热迟滞效应中图分类号: TP212；TH812文献标志码: A 文章编号: 1674–5124(2021)01–0049–05A full-temperature-range temperature compensation method forpiezoresistive pressure sensorTIAN Qinglin 1,2, CHEN Hongliang 1,2, CHEN Hongmin 1, LI Liang 1, YAN Wenji 1(1. AECC Sichuan Gas Turbine Establishment, Chengdu 610500, China;2. Sichuan Tianli Technology Co., Ltd., Mianyang 621010, China)Abstract : For errors in a piezoresistive pressure sensor caused by thermal shifts of zero output and sensitivity as well as thermal hysteresis effect, a full-temperature-range temperature compensation method was put forward, which uses least square polynomial surface fitting to compensate piezoresistive pressure sensor based on data acquisition from sampling in a full temperature range including both temperature rise and drop.Through sensor test calibration and error analysis, as well as comparison with the common digital compensation method based on sampling only in temperature rise, it was proved that this method can effectively reduce errors caused by thermal hysteresis effect, and improve the sensor test accuracy at calibration points and non-calibration points in a full temperature range. Meanwhile, this method needs less calibration parameters, less calculation and lower hardware requirements, thus reaching a better balance between performance and cost, making it a more practical online compensation method with quite a value in engineering applications.Keywords : piezoresistive pressure sensor; temperature compensation; full-temperature-range; least square polynomial surface fitting; thermal hysteresis effect收稿日期: 2020-05-09；收到修改稿日期: 2020-07-10作者简介: 田青林（1987-），男，山东聊城市人，工程师，研究方向为航空发动机试验测试技术。
