[发明专利]扩散硅压力传感器的非线性滞回智能补偿方法和智能补偿系统

说明书

(一)技术领域

本发明涉及传感器的信号处理方法，具体为扩散硅压力传感器的非线性滞回智能补偿方法和用此方法构建的扩散硅压力传感器智能补偿系统。

(二)背景技术

扩散硅压力传感器是目前测量压力的一种重要传感器，被广泛应用于工业、农业、气象部门、航天航空等领域。随着半导体技术的发展，扩散硅压力传感器的各项技术指标的要求不断提高，但扩散硅压力传感器本身固有的非常规、多值对应的不光滑的滞回非线性特性，限制了其测量精度的提高。

国内外的各种智能传感器(包括扩散硅压力传感器在内)，其信号的处理方法多为近似方法。即将扩散硅压力传感器非常规、多映射的滞回非线性特性视为单值对应的非线性问题处理。已有文献证明，无法直接使用神经网络智能处理方法对滞回非线性进行逼近。现有的方法是把滞回非线性当作一般非线性处理，其结果当然不能满足补偿精度的要求。到目前为止，未见国内外针对扩散硅压力传感器的滞回特性的补偿测量方法的报道。

因为扩散硅压力传感器的滞回及蠕变非线性对测量精度的影响问题一直没有得到彻底解决，研究者寄希望于新型材料的发现和工艺的改进。但现有的工艺水平制造的扩散硅压力传感器仍不能达到高精度测量的要求，目前无法依靠纯硬件补偿解决扩散硅压力传感器的滞回特性问题。

为了提高扩散硅压力传感器的测量精度，最好是能设计对其非线性滞回的智能补偿的软件，并与硬件结合，以解决此类传感器的滞回问题，以使扩散硅压力传感器技术得到进一步发展和应用。

对于一般控制对象迟滞的研究，主要用于被控制对象特性的分析与控制。而且目前对一般控制对象的迟滞特性的建模只限于对光滑的迟滞特性的建模，例如申请号为200510022383.3的中国发明专利申请“基于神经网络的迟滞特性建模方法”，虽然利用迟滞因子将多映射的迟滞非线性转化成一一映射，并在此基础上采用神经网络对迟滞特性进行建模以达到控制的目的。但其建模只是得到被研究对象的正模型。对被控制对象迟滞特性的补偿，是在对象之前串联对象的逆模型，即通过左逆模型补偿；对于其补偿误差是通过反馈方法消除，故对左逆模型的精度要求不高。

传感器的迟滞特性被称为滞回特性或回差特性。而扩散硅压力传感器的滞回不同于一般的迟滞，它不仅是多值对应的，还是不光滑的。需要求取其右逆模型，串联在该传感器之后，对其输出直接补偿，滞回的补偿只能采取开环形式，故对模型的精度要求高。

从正模型并不能直接得到逆模型，涉及到逆的存在性。对于非线性控制对象和具有非线性滞回特性的扩散硅压力传感器，用于迟滞控制器设计的左逆模型和用于扩散硅压力传感器滞回补偿的右逆模型是完全不等价的。因此需要设计针对扩散硅压力传感器的非线性滞回智能补偿方法和用此方法构建的扩散硅压力传感器智能补偿系统。

(三)发明内容

本发明的目的是设计一种扩散硅压力传感器的非线性滞回智能补偿方法，建立精确的由滞回逆算子和模糊模型构成的滞回逆混合模型，将滞回逆混合模型串联在滞回非线性的扩散硅压力传感器之后，以抵消其滞回非线性对系统的影响，提高传感器的测量精度。

本发明的另一目的是用此方法构建扩散硅压力传感器智能补偿系统。

扩散硅压力传感器的非线性滞回特性是不可微、多值对应的，因此采用基于传统的模糊理论和神经网络的建模方法是无法对此滞回逆直接进行建模。

本发明设计的扩散硅压力传感器非线性滞回的智能补偿方法是，针对扩散硅压力传感器输入相同的压力或重量信号，其输出的电信号在正程和逆程不同，具有滞回的多值对应特性，用滞回逆算子和模糊模型，组成与传感器滞回特性对应的逆模型，即滞回逆混合模型，传感器之后串联该滞回逆混合模型，实现线性化处理，也就实现传感器输入到输出的单值对应变换。

本发明首先引入一个滞回逆算子(或称为：类滞回逆模型)，其曲线形状和希望得到的传感器的滞回逆模型特性类似，也是不光滑的，区别在于滞回逆算子的上升和下降段曲线的幅值及极值点大小与传感器滞回逆曲线不同，但二者的极值点变化是同步的。模糊建模将滞回逆算子的上升和下降段曲线点到点的单值映射到希望的幅值，建立模糊模型，滞回逆算子和模糊模型构成传感器的滞回逆混合模型。其中，滞回逆算子是不光滑的，模糊模型只是实现点到点幅值变换，最终得到的滞回逆混合模型的特性也当然应当是不光滑的。所以，该滞回逆混合模型可以适应并补偿传感器的非光滑非线性滞回特性。

本发明滞回逆算子的定义如下：