传感器的非线性校正及动态补偿研究

一种动态非线性模型传感器的辨识和补偿方法
高璐;陆宇平
【期刊名称】《微计算机信息》
【年(卷),期】2006(000)03S
【摘要】针对利用Wiener模型表达的具有动态非线性的传感器进行系统辨识和
性能补偿。

将系统分解为动态非线性环节和静态线性环节，利用函数链人工神经网络和遗传算法分别进行系统辨识．通过静态非线性补偿将系统简化为线性系统．再进行动态性能补偿。

利用LabVIEW设计虚拟仪器，经过仿真表明该方法是有效的。

【总页数】3页(P189-191)
【作者】高璐;陆宇平
【作者单位】南京航空航天大学
【正文语种】中文
【中图分类】TP212
【相关文献】
1.非线性动态传感器系统的H模型神经网络辨识 [J], 刘滔;韩华亭;马婧;雷超
2.基于Wiener模型的传感器动态非线性辨识研究 [J], 雷超;韩华亭;刘滔
3.一种动态非线性模型传感器的辨识和补偿方法 [J], 高璐;陆宇平
4.传感器动态非线性的一种补偿方法 [J], 徐科军;朱志能;苏建徽;陈荣保;刘家军
5.传感器非线性动态模型及其辨识的研究 [J], 王平;段尚枢;赵新民;郭振芹
因版权原因，仅展示原文概要，查看原文内容请购买。

非线性动态传感器系统 Hammerstein神经网络补偿法刘滔;韩华亭;焦楷哲;雷超【摘要】针对传感器动态特性中存在非线性的问题，提出一种基于Hammerstein 传感器模型的非线性动态神经网络补偿法。

先将补偿模型分解为与Hammerstein 模型对应的线性动态与非线性静态2个环节；再设计一种新型的神经网络结构，使网络权系数对应于相应的Hammerstein补偿模型参数，并推导反向传播的网络权系数调整方法；最后通过网络迭代训练，求得补偿模型的线性动态与非线性静态两个环节。

仿真与实际实验结果均表明该传感器非线性动态补偿方法使传感器具有理想的输入输出特性。

%Aiming at the nonlinear problem existed in dynamic characteristics of a sensor , a new approach to correc-ting dynamic measurement errors of nonlinear sensor systems based on Hammerstein model is investigated .The com-pensation model of Hammerstein is expressed as the accordant linear dynamic subunit and nonlinear static subunit . Secondly , a new neural network structure is designed , the weights in which are corresponding with the parameters of the Hammerstein compensation model , and the method of adjusting network weight coefficients based on back-propagation is deduced .Finally, the nonlinear static part and linear dynamic part of the compensator are identified simultaneously by iterative training .Simulations and experimental results show that the sensor obtains desired input and output characteristics through the nonlinear dynamic compensation method .【期刊名称】《应用科技》【年(卷),期】2014(000)004【总页数】4页(P6-9)【关键词】传感器;非线性动态补偿;Hammerstein模型;函数连接型神经网络;动态误差【作者】刘滔;韩华亭;焦楷哲;雷超【作者单位】空军工程大学防空反导学院，陕西西安710051;空军工程大学防空反导学院，陕西西安710051;空军工程大学防空反导学院，陕西西安710051;空军工程大学防空反导学院，陕西西安710051【正文语种】中文【中图分类】TP311现代工业生产要求实时并在线监控，动态测试能够满足这种要求，因而其已成为现代测试生产的趋势和主流。

光电传感器电路设计中的非线性补偿方法引言：随着科技的发展，光电传感器在各种应用领域都得到了广泛的应用。

在光电传感器的电路设计中，非线性补偿是非常重要的一环。

由于光电传感器在不同工作条件下，输出信号的电压-光强度特性曲线可能会发生非线性畸变，而这可能会对传感器的性能和测量结果产生重大影响。

因此，采取适当的非线性补偿方法来修正这些非线性特性是至关重要的。

一、什么是光电传感器的非线性补偿当光电传感器在工作过程中，输出信号的电压-光强度特性曲线并非总是呈线性关系，而是会受到多种因素的影响而产生非线性的畸变。

这些因素可能包括电源波动、温度变化、器件参数变化以及电路中其他干扰源的存在。

非线性补偿的目的是通过采取一系列的补偿方法，使得输出信号的非线性变换能够得到有效的控制和修正。

二、非线性补偿方法的分类1. 数学模型法数学模型法是一种基于数学原理的非线性补偿方法。

通过对光电传感器输出信号的特性进行建模，可以根据建立的数学模型对非线性特性进行精确补偿。

常见的数学模型包括多项式模型、指数模型和对数模型等，其中多项式模型是最常用的一种。

采用数学模型法的优点是其理论基础较为牢固，准确性较高，能够适应不同的传感器和非线性特性。

然而，数学模型法需要进行比较复杂的计算和模型参数的优化，对硬件资源和计算能力有一定要求。

2. 数据修正法数据修正法是基于实验数据的非线性补偿方法。

通过预先获取光电传感器在不同光强度条件下的输出信号数据，可以对实验数据进行合理的加工和修正，从而得到补偿后的数据。

常见的数据修正方法包括插值法、拟合法和曲线拟合法等。

数据修正法的优点是简单易行，不需要太多的理论分析和计算，适用于一些对准确性要求相对较低的应用场景。

然而，数据修正法可能受到实验数据收集误差的影响，需要进行较多的实验和数据处理，提供的补偿结果可能存在一定的误差。

3. 模拟电路设计法模拟电路设计法是通过电路设计来实现非线性补偿的方法。

典型的非线性补偿电路包括自校正电路和非线性反馈电路。

传感器非线性误差的修正摘 要：传感器在采集数据时存在一定的非线性误差。

要使系统的性能达到最佳，必须对传感器的非线性误差进行分析和处理。

本文讨论了传感器非线性误差的几种处理方法，并对各种方法作了比较。

关键词：非线性误差，硬件电路校正，查表法，插值法，最小二乘法，频域修正法一、 引言在工业过程控制中，由于传感器的非线性输出特性和同种传感器的输出存在一定的分散性，测量结果会产生一定的误差。

为此，我们需要对传感器的特性进行校正和补偿，以提高测量的精度，并且使传感器输出线性化和标准化。

对非线性误差的矫正和补偿可以采用硬件电路或者软件的方法来实现。

二、 采用电路进行非线性误差的矫正采用硬件电路对非线性误差进行矫正，优点是速度快；缺点是价格高，拟合程度不好。

通常我们采用以下几种电路进行校正：1、 算术平均法算术平均法的基本原理是通过测量上下限的平均值，找到一条是原传感器输出非线性特性得以改善的拟合曲线。

对电阻传感器基本电路如作图所示。

设温度变化范围为a~c ，平均温度：b=(a+c)/2，传感器对应的输出阻值分别为R a ，R b ，R c ，由于传感器的非线性，R b ≠(R a +R c )/2。

为了使三个点的电路输出为线性，则应满足并联电阻R pb =(R pa +R pc )/2。

其中R pa ，R pb ，R pc 分别为温度在a,b,c 时的并联电阻。

通过计算可得： b R R 2R R R 2R -)R (R R c a ca c ab -++=2、 桥路补偿法该方法的基本原理是利用测量桥路的非线性来校正传感器的非线性。

电路如右图所示。

取R 1=R 2，桥路输出)//21(33tB R R R R V +-=ε 设于三个不同的温度点a,b,c 相适应的R t 与V 分别为R a 、V a 、R b 、V b 、R c 、V c ，代如上式得到方程组：)//21(33ab a R R R R V +-=ε )//21(33bb b R R R R V +-=ε )//21(33cb c R R R R V +-=ε解此方程组可得到满足要求的R3、R B 、ε。

考虑温度补偿的陀螺仪非线性校正算法研究陀螺仪作为一种常见的惯性导航传感器，广泛应用于导航、运动控制以及姿态测量等领域。

然而，在实际应用中，陀螺仪存在着温度漂移等非线性误差，影响了其测量精度和稳定性。

因此，对陀螺仪的温度补偿和非线性校正算法进行研究具有重要意义。

一、温度对陀螺仪的影响陀螺仪的工作稳定性受到环境温度变化的影响。

当环境温度发生变化时，陀螺仪内部的物理参数也会随之发生变化。

这种温度漂移会导致陀螺仪输出信号的非线性误差，从而降低测量精度和稳定性。

因此，为了获得更为准确的测量结果，需要对陀螺仪进行温度补偿。

二、温度补偿方法目前，常用的陀螺仪温度补偿方法有零偏温度补偿和比例温度补偿两种。

1. 零偏温度补偿零偏是指陀螺仪在零速度条件下输出的非零信号。

零偏随着温度的变化而发生漂移，影响了陀螺仪的测量精度。

零偏温度补偿方法通过建立温度和零偏之间的函数关系，根据温度变化实时补偿陀螺仪的零偏误差。

2. 比例温度补偿比例温度补偿方法是通过校正陀螺仪输出信号的增益系数，将其与温度变化建立函数关系，并根据该关系进行温度补偿。

这种方法可以降低陀螺仪的温度漂移误差，提高测量精度。

三、陀螺仪非线性校正算法除了温度补偿外，陀螺仪还存在非线性误差，即输出信号与输入信号之间存在非线性关系。

非线性误差的存在会影响陀螺仪的测量精度和稳定性。

因此，进行陀螺仪的非线性校正是必要的。

目前，常见的陀螺仪非线性校正算法包括多项式拟合法、神经网络法和粒子滤波法等。

1. 多项式拟合法多项式拟合法是通过建立陀螺仪输出与输入信号之间的多项式函数关系，利用最小二乘法确定多项式的系数，从而实现非线性校正。

这种方法简单直观，但在高精度要求下，可能需要较高阶数的多项式来拟合，增加了运算量和计算复杂度。

2. 神经网络法神经网络法通过构建一个具有学习能力的神经网络模型，将陀螺仪的输入与输出信号作为训练集，通过多次迭代调整神经网络的参数，实现非线性校正。

这种方法的优点是能够在复杂非线性系统中提供较好的拟合效果，但需要大量的训练数据和计算资源。

感应电机无速度传感器控制及非线性补偿研究感应电机是一种常见的交流电机，其无速度传感器控制及非线性补偿研究成为了当前颇受关注的热点话题。

本文将对感应电机无速度传感器控制及非线性补偿的研究进行探讨，并分析其在实际应用中的意义和挑战。

感应电机无速度传感器控制是一种基于模型参考自适应控制（Model Reference Adaptive Control，MRAC）的方法。

传统的控制方法需要使用速度传感器来获取准确的转速信息，但传感器的安装和维护成本较高，并且容易受到外界干扰。

因此，研究人员开始探索无速度传感器的控制方法，以提高感应电机的控制性能和稳定性。

在感应电机无速度传感器控制中，主要的挑战是如何准确地估计电机的转速。

其中一种常用的方法是基于转矩和电流信息的转速估计方法。

该方法通过测量电机的转矩和电流，结合电机的模型，利用数学算法来估计电机的转速。

这种方法可以通过计算来获得转速估计值，而不需要实际的速度传感器。

另一方面，感应电机的非线性特性也给控制带来了一定的挑战。

感应电机的非线性特性包括饱和、温度效应、磁滞效应等。

这些非线性特性会对电机的控制性能产生负面影响，导致控制系统的精度下降和稳定性下降。

因此，研究人员开始研究感应电机非线性补偿方法，以提高控制系统的性能。

在感应电机非线性补偿方面，常用的方法是利用模型参考自适应控制的理论，并结合神经网络、模糊逻辑控制等方法进行补偿。

模型参考自适应控制是一种基于模型的控制方法，通过建立电机的数学模型，并参考模型进行控制，同时通过在线调整参数以适应电机的非线性特性。

神经网络和模糊逻辑控制则能够对电机的非线性特性进行建模和预测，并根据预测结果进行相应的补偿控制。

感应电机无速度传感器控制及非线性补偿的研究对于提高感应电机的控制性能和稳定性具有重要意义。

通过无速度传感器的控制方法，可以降低电机系统的成本和复杂性，提高系统的可靠性。

而非线性补偿方法则可以提高控制系统的精度和稳定性，使电机在不同工况下都能保持良好的性能。

传感器非线性补偿处理
在完成了非线性参数的线性化处理以后,要进行工程量转换,即标度变换,才能显示或打印带物理单位(如℃)的数值,
其框图如图1。

图1 数字量非线性校正框图下面介绍非线性软件处理方法。

用软件进行“线性化”处理的方法有三种：1. 计算法 2. 查表法程序流程图,如图2所示。

图2 挨次查表法程序流程图3. 插值法（1）插值原理设某传感器的输出特性曲线（例如电阻—温度特性曲线）如图3所示。

图3 分段先行插值原理
（2）插值法的计算机实现下边以点斜式直线方程（4-37）为例,讲一下用计算机实现线性插值的方法。

第一步,用试验法测出传感器的变化曲线y=f（x）。

其次步,将上述曲线进行分段,选取各插值基点。

第三步,确定并计算出各插值点的xi、yi值及两相邻插值点间的拟合直线的斜率ki,并存放在存储器中。

第四步,计算x-xi 。

第五步,找出x所在的区域（xi, xi+1）,并取出该段的斜率ki。

第六步,计算ki(x-xi)。

第七步,计算结果y=yi+ki（x- xi）。

程序框图见图4。

图4 先行插值计算程序流程图
1。

神经网络在校正传感器非线性度方面的研究近年来，传感器的技术不断发展，它们越来越广泛地应用于工业生产、家庭自动化、医疗健康等领域，而传感器非线性度已成为影响其使用效果的一个重要因素。

为了使传感器的性能达到最优，需要很好地校正其非线性度，这就涉及到神经网络的应用。

因此，对于神经网络在校正传感器非线性度方面的研究变得尤为重要。

传感器非线性度是指传感器的输入与输出之间的非线性关系。

在某些情况下，传感器的输入变化迅速，而输出响应却不及预期，甚至出现极端偏差。

这种现象称作传感器非线性度。

因此，校正传感器非线性度对于提高传感器性能非常重要，并且是保证系统准确性的必要手段。

神经网络是一种模拟人脑神经功能的机制，通过该机制可以实现复杂的模式匹配、动态数据处理等功能。

因此，神经网络也被广泛应用于自动控制、识别识别等领域，尤其是用于校正传感器非线性度方面的研究。

神经网络校正传感器非线性度的实现主要有两种方法：一是神经网络的实时模糊校正；二是神经网络训练法。

实时模糊校正主要是结合误差反馈机制，用神经网络来调节传感器输出，以提高传感器性能。

而神经网络训练法则是通过对传感器输入和输出的大量实验数据，以拟合技术来构建神经网络，并将其作为传感器的模型，从而校正传感器的非线性度。

神经网络在校正传感器非线性度方面的研究还存在很大的发展空间，尤其是在神经网络结构、训练参数等方面。

在神经网络结构方面，研究者可以尝试构建不同拓扑结构的神经网络，如卷积神经网络、循环网络等，以期提高神经网络校正传感器非线性度的准确度。

同时，在训练参数方面，研究者还可以设计不同的训练策略，如深层学习、强化学习、迁移学习等，以期提高神经网络的泛化能力。

总之，在当今信息技术中，神经网络是极具应用潜力的新技术，同时，它在校正传感器非线性度方面也有着许多不可替代的优势，因此有必要从理论和实践上研究神经网络在校正传感器非线性度的方面的应用，以期提高传感器的性能。

本文从概述了传感器非线性度的定义和校正原理，介绍了神经网络在校正传感器非线性度方面的研究，以及相关的应用技术，为了提高传感器性能提供了参考。

传感器动态非线性的一种补偿方法徐科军　朱志能　苏建徽　陈荣保　刘家军(合肥工业大学自动化研究所　合肥　230009)摘要　针对传感器存在的动态非线性问题,本文提出一种补偿方法。

将具有动态非线性的传感器分解为非线性静态环节和线性动态环节。

先对传感器输出信号进行非线性静态校正,再进行线性动态补偿。

研制以D SP 为处理核心的传感器模拟器和传感器动态非线性补偿系统。

实验结果表明,方法是有效的。

关键词　传感器　动态非线性　补偿方法　数字信号处理器A Com pen sa ti ng M ethod for Non l i near D ynam ic Sta te of Sen sorsXu Kejun Zhu Zh ineng Su J ianhu i Cheng Rongbao L iu J iajun(H ef ei U n iversity of T echnology ,H ef ei 230009,Ch ina )Abstract In th is p ap er a com p en sating m ethod of sen so r is p ropo sed fo r som e sen so rs that po ssess the non linear p rob l m of dynam ic state 1T he sen so rs are con sidered as w h ich are con sist of a non linear static p art and a linear dynam ic p art 1T he ou tp u t of the sen so rs is p rocessed u sing the non linear static co rrecting m ethod and the linear dynam ic com p en sating m ethod successively 1Asi m u lato r of sen so r and a non linear dynam iccom p en sating system based on D SP are develop ed 1T he exp erim en tal resu lts show that th is m ethod is effective 1Key words Sen so r N on linear dynam ic state Com p en sating m ethod D SP1　引 言在有些情况下,传感器的动态特性中含有非线性因素,为此,要研究传感器的动态非线性问题。