该技术已申请专利。仅供学习研究,如用于商业用途,请联系技术所有人。

一种提高pvdf压电薄膜超声传感器性能的测量方法
技术领域
1.本发明涉及传感器测量技术领域,更具体地说,本发明涉及一种提高pvdf压电薄膜超声传感器性能的测量方法。
背景技术:2.压电材料是智能材料系统中应用最为广泛的一类传感材料,近年来研制开发的pvdf压电薄膜,由于柔性好、强度大、耐力学冲击、耐腐蚀和可以任意分割等优点而受到广泛应用。尤其是它的压电电压常数高,与基体结合后对结构的性能影响很小,对于机械应力或应变的变化具有极快速的响应,频响范围宽(0.1hz-1mhz),因此更适合用作传感元件。
3.超声波传感器是将超声波信号转换成其它能量信号(通常是电信号)的传感器。超声波是振动频率高于20khz的机械波。它具有频率高、波长短、绕射现象小,特别是方向性好、能够成为射线而定向传播等特点。超声波对液体、固体的穿透本领很大,尤其是在阳光不透明的固体中。超声波碰到杂质或分界面会产生显著反射形成反射回波,碰到活动物体能产生多普勒效应。超声波传感器广泛应用在工业、国防、生物医学等方面。
4.超声传感器可以用作发射器、接收器或组合的发射器与接收器。当超声传感器用作发射器与接收器时,发射短的声脉冲,等待膜片的停振并且然后接收信号。在接收时,通过出现的声波使膜片重新振动,由此在声转换器中产生可以检测的电压。
5.超声波传感器其性能在使用时无法判断其测量结果与实际结果是否存在出入,超声波传感器的性能无法得到判断,且超声波传感器由于生产或加工出现误差时,无法对存在误差的超声波传感器进行处理,即使误差不大的情况也采用直接报废的做法,影响整体超声波的生产效率,因此研究一种提高pvdf压电薄膜超声传感器性能的测量方法来解决上述问题。
技术实现要素:6.为了克服现有技术的上述缺陷,本发明提供了一种提高pvdf压电薄膜超声传感器性能的测量方法,本发明所要解决的技术问题是:超声波传感器在使用时无法判断其测量结果与实际结果是否存在出入,超声波传感器的性能无法得到判断,且超声波传感器由于生产或加工出现误差时,部分采用直接报废的做法,影响整体超声波的生产效率的问题。
7.为实现上述目的,本发明提供如下技术方案:一种提高pvdf压电薄膜超声传感器性能的测量方法,包括以下步骤:
8.s1、获取被测传感器对被测对象的实际测量数据,被测对象的真实配置数据;
9.s2、将被测传感器的实际测量数据与配置数据进行对比,判断差异范围是否在合理范围内,在差异范围在合理范围内时,根据被测对象的实际测量数据和被测对象的真实配置数据建立数据库,根据数据库中的大量数据样本建立数据补偿模型;
10.s3、将被测传感器的实际测量数据与配置数据进行对比,判断差异范围是否在合理范围内,根据差异范围判断被测传感器性能;
11.s4、若差异范围在合理范围内,则将被测传感器的测量数据输入预制的数据补偿模型中进行补偿操作,得到补偿后的测量结果,将补偿后得到的测量结果与配置数据进行对比,分析补偿后的测量结果是否在合理误差范围内。
12.作为本发明的进一步方案:所述补偿模型的建立包括以下步骤:
13.s21、确定算法中被测传感器输入、输出和补偿模型的输入、输出的关系;
14.s22、根据神经网络算法得出补偿输出;
15.s23、计算得到被测传感器输出和理想输入之间偏差和均方误差和;
16.s24、对算法当中的权值和阈值进行调整;
17.s25、根据调整后的模型,计算得出补偿后的测量结果。
18.被测传感器的输出等效为补偿模型的输入,补偿模型的输出等效为被测传感器的理想输出,理想输入为被测传感器最理想的检测结果。
19.作为本发明的进一步方案:所述模型建立的步骤具体为:
20.y(n)为被测传感器输出,x(n)为理想输入,p(n)为校正输入;
21.w为权值,b为阈值,k为补偿模型的阶数,因此补偿输出为:
22.p(n)=y(n)
×
w0+y(n-1)
×
w1+y(n-2)
×
w2+
…
y(n-k)
×
wk
23.p(n)和x(n)的偏差为:e(n)=x(n)-p(n)
24.均方误差和为:
25.式中,l为采样的点数;
26.权值和阈值调整为:
27.wn(k+1)=wn(k)+α
×
e(k)
×
x(k-n);n=0,1,2,
…
,k
28.b(k+1)=b(k)+α
×
e(k)
29.其中α为学习因子,且为了保证训练的收敛要求α不宜过大,取0《α《1。
30.作为本发明的进一步方案:为了加快收敛速度,将迭代过程分成若干块分步进行训练,同时引入一个修正参数β,使得:
31.α=α
×
(1+β
×
n)
32.式中,n为所分成的分步训练块数,
[0033][0034]
其中可变学习因子α算法步骤如下,
[0035]
确定输入数据样本和目标向量;
[0036]
确定初始网络结构和所分成的训练块个数n;
[0037]
预设网络的训练次数epochs,目标误差goal,学习因子α和修正参数β;
[0038]
初始化网络的权值w和阈值b,判断如果n=0,则将权值和阈值初始化全部为0,如果n》0,则权值和阈值为前一块训练结束后得到的权值和阈值;
[0039]
训练样本,修正权值w和阈值b,如果epochs未达到预设值则重新修正,否则进入下一步;
[0040]
得到权值w和阈值b,n加1,判断j和n,如果j小于等于goal,或n未到达预设值则重新进行预设网络训练次数预设,否则退出训练,得到权值。
[0041]
作为本发明的进一步方案:所述被测对象的配置数据包括被测对象与被测传感器之间的距离,被测对象所在环境的温度和湿度数据。
[0042]
作为本发明的进一步方案:所述数据样本具体包括多组被测传感器测量数据和被测对象对应的配置数据,所述补偿模型用于对被测传感器测量数据进行补偿,实现测量数据与被测对象真实数据之间差异较小。
[0043]
作为本发明的进一步方案:所述步骤3中的合理范围为被测传感器的实际测量数据与真实配置数据间差异保持在
±
3%内,被测传感器性能分为不合格、合格、优良,不合格对应的差异范围为大于
±
3%,合格对应的差异范围为
±
3%内,优良对应的差异范围为
±
1%,所述步骤5中合理误差保持在
±
0.06%。
[0044]
作为本发明的进一步方案:所述被测传感器与电荷放大器连接,所述电荷放大器与数模转换器连接,所述被测传感器用于检测被测对象与被测传感器之间的距离。
[0045]
作为本发明的进一步方案:所述电荷放大器用于将被测传感器内部产生的电荷变成电压信号,所述数模转换器用于实现数字信号与模拟信号之间的转换。
[0046]
本发明的有益效果在于:
[0047]
本发明采用的补偿过程将被测传感器的输出等效为补偿模型的输入,补偿模型的输出等效为被测传感器的输出,补偿模型可实现被测传感器检测输出结果与实际结果之间偏差补偿,采用补偿方法实现系统的输入和输出的拟合进行被测传感器动态补偿,分块训练和可变学习因子可更快更好的实现被测传感器动态补偿,在判断被测传感器自身性能的同时可实现对被测传感器检测的修正,使被测传感器检测最终得出结果更为精准贴合实际,对被测传感器的性能进行划分,避免被测传感器出现较小差异范围时出现报废的情况,积极实现对合理差异范围内的被测传感器进行数据补偿,使其检测得到的被测对象的数据更为贴合实际数据,使整体的效率更为理想,符合企业的经济效益需求,适合大范围推广使用,使整体的使用。
附图说明
[0048]
图1为本发明测量原理流程示意图;
[0049]
图2为本发明被测传感器连接示意图;
[0050]
图3为本发明配置数据示意图;
[0051]
图4为本发明补偿模型建立步骤示意图;
[0052]
图5为本发明可变学习因子算法步骤示意图。
具体实施方式
[0053]
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
[0054]
本发明提供了一种提高pvdf压电薄膜超声传感器性能的测量方法,包括以下步骤:
[0055]
s1、获取被测传感器对被测对象的实际测量数据,被测对象的真实配置数据;
[0056]
s2、将被测传感器的实际测量数据与配置数据进行对比,判断差异范围是否在合理范围内,在差异范围在合理范围内时,根据被测对象的实际测量数据和被测对象的真实配置数据建立数据库,根据数据库中的大量数据样本建立数据补偿模型;
[0057]
s3、将被测传感器的实际测量数据与配置数据进行对比,判断差异范围是否在合理范围内,根据差异范围判断被测传感器性能;
[0058]
s4、若差异范围在合理范围内,则将被测传感器的测量数据输入预制的数据补偿模型中进行补偿操作,得到补偿后的测量结果,将补偿后得到的测量结果与配置数据进行对比,分析补偿后的测量结果是否在合理误差范围内。
[0059]
数据对比用于对被测传感器测量数据与被测对象的配置数据间的对比,对补偿后的被测传感器测量数据与被测对象的配置数据间的对比,在被测传感器测量数据与被测对象配置数据对比后差异范围在合理范围内的数据符合标准后,作为后续模型建立的样本数据,实现对样本数据的筛选,增加补偿模型的精准性。
[0060]
补偿模型的建立包括以下步骤:
[0061]
s21、确定算法中被测传感器输入和输出和补偿模型的输入和输出的关系;
[0062]
s22、根据神经网络算法得出补偿输出;
[0063]
s23、计算得到被测传感器输出和理想输入之间偏差和均方误差和;
[0064]
s24、对算法当中的权值和阈值进行调整;
[0065]
s25、根据调整后的模型,计算得出补偿后的测量结果。
[0066]
被测传感器的输出等效为补偿模型的输入,补偿模型的输出等效为被测传感器的理想输出,理想输入为被测传感器最理想的检测结果。
[0067]
模型建立的步骤具体为:
[0068]
y(n)为被测传感器输出,x(n)为理想输入,p(n)为校正输入;
[0069]
w为权值,b为阈值,k为补偿模型的阶数,因此补偿输出为:
[0070]
p(n)=y(n)
×
w0+y(n-1)
×
w1+y(n-2)
×
w2+
…
y(n-k)
×
wk
[0071]
p(n)和x(n)的偏差为:e(n)=x(n)-p(n)
[0072]
均方误差和为:
[0073]
式中,l为采样的点数;
[0074]
权值和阈值调整为:
[0075]
wn(k+1)=wn(k)+α
×
e(k)
×
x(k-n);n=0,1,2,
…
,k
[0076]
b(k+1)=b(k)+α
×
e(k)
[0077]
其中α为学习因子,且为了保证训练的收敛要求α不宜过大,取0《α《1。
[0078]
为了加快收敛速度,将迭代过程分成若干块分步进行训练,同时引入一个修正参数β,使得:
[0079]
α=α
×
(1+β
×
n)
[0080]
式中,n为所分成的分步训练块数,
[0081][0082]
其中可变学习因子α算法步骤如下,
[0083]
确定输入数据样本和目标向量;
[0084]
确定初始网络结构和所分成的训练块个数n;
[0085]
预设网络的训练次数epochs,目标误差goal,学习因子α和修正参数β;
[0086]
初始化网络的权值w和阈值b,判断如果n=0,则将权值和阈值初始化全部为0,如果n》0,则权值和阈值为前一块训练结束后得到的权值和阈值;
[0087]
训练样本,修正权值w和阈值b,如果epochs未达到预设值则重新修正,否则进入下一步;
[0088]
得到权值w和阈值b,n加1,判断j和n,如果j小于等于goal,或n未到达预设值则重新进行预设网络训练次数预设,否则退出训练,得到权值。
[0089]
被测对象的配置数据包括被测对象与被测传感器之间的距离,被测对象所在环境的温度和湿度数据。
[0090]
数据样本具体包括多组被测传感器测量数据和被测对象对应的配置数据,补偿模型用于对被测传感器测量数据进行补偿。实现测量数据与被测对象真实数据之间差异较小。
[0091]
步骤3中的合理范围为被测传感器的实际测量数据与真实配置数据间差异保持在
±
3%内,被测传感器性能分为不合格、合格、优良,不合格对应的差异范围为大于
±
3%,合格对应的差异范围为
±
3%内,优良对应的差异范围为
±
1%,步骤5中合理误差保持在
±
0.06%。
[0092]
被测传感器与电荷放大器连接,电荷放大器与数模转换器连接,被测传感器用于检测被测对象与被测传感器之间的距离。
[0093]
电荷放大器用于将被测传感器内部产生的电荷变成电压信号,数模转换器用于实现数字信号与模拟信号之间的转换。
[0094]
综上可得,本发明中:
[0095]
本发明采用的补偿过程将被测传感器的输出等效为补偿模型的输入,补偿模型的输出等效为被测传感器的输出,补偿模型可实现被测传感器检测输出结果与实际结果之间偏差补偿,采用补偿方法实现系统的输入和输出的拟合,进行被测传感器动态补偿,分块训练和可变学习因子可更快更好的实现被测传感器动态补偿,在判断被测传感器自身性能的同时可实现对被测传感器检测的修正,使被测传感器检测最终得出结果更为精准贴合实际,对被测传感器的性能进行划分,避免被测传感器出现较小差异范围时被报废的情况,积极实现对合理差异范围内的被测传感器进行数据补偿,使其检测得到的被测对象的数据更为贴合实际数据,使整体的效率更为理想,符合企业的经济效益需求,适合大范围推广使用。
[0096]
其次:本发明公开实施例附图中,只涉及到与本公开实施例涉及到的结构,其他结构可参考通常设计,在不冲突情况下,本发明同一实施例及不同实施例可以相互组合;
[0097]
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。