传感器的温度漂移修正算法

最新推荐文章于 2024-09-19 16:12:37 发布

Aromash

最新推荐文章于 2024-09-19 16:12:37 发布

阅读量9.6k

点赞数 6

分类专栏：自控笔记飞控算法文章标签：传感器飞控温度漂移零点漂移温度修正

自控笔记同时被 2 个专栏收录

39 篇文章 148 订阅

订阅专栏

飞控算法

11 篇文章 27 订阅

订阅专栏

本文转自传感器的温度修正方法

传感器的温度修正是使用传感器时常遇到的问题，尤其是需要传感器工作在一个较宽的温度范围时，这个问题更加突出。这里描述的方法不一定是最好的，但是它比较简单，适用范围也比较广。

首先，不考虑温度的影响，在某一固定的温度下，设传感器的输入输出值可以用多项式函数表示：

$y=\sum_{i=0}^{N} a_{i} x^{i}=a_{0}+a_{1} x+a_{2} x^{2}+\cdots+a_{N} x^{N}$

这里 $x$ 是传感器的输出， $y$ 是传感器所测量的物理量的真实值。实际上，只要传感器的响应可以表示为单调连续函数，就可以利用多项式函数来逼近到任意精度，因此，一般情况下上面的式子是可以成立的。 $a_i$ 可以根据实验数据利用最小二乘拟合（ $L M S$ ）的方法计算出来。实际应用中，N的取值不宜过大，一般取为4以下就足够了，而数据点则是越多越好。

然后考虑温度的影响，不同温度下，上面公式中 $a_i$ 的会发生变化。也就是说 $a_i$ 是温度 $t$ 的函数。类似的，这两者之间的关系也可以用多项式函数来逼近：

$a_{i}(t)=\sum_{j=0}^{M} b_{j i} t^{j}=b_{0 i}+b_{1 i} t+b_{2 i} t^{2}+\cdots+b_{M i} t^{M}$

通过之前博文介绍过的最小二乘法的一般计算步骤，通过构建齐次线性方程组，我们可以求出最优的 $b_{ji}$ 。(求 $i$ 次最小二乘解)

接下来便可以进行温度修正工作了，将上述公式表示为矩阵形式则有：

$\mathbf{T}=\left( \begin{array}{llll}{1} & {t} & {\cdots} & {t^{M}}\end{array}\right)$

$\mathbf{B}=\left( \begin{array}{cccc}{b_{00}} & {b_{01}} & {\cdots} & {b_{0 N}} \\ {b_{10}} & {b_{11}} & {\cdots} & {b_{1 N}} \\ {\vdots} & {\vdots} & {\ddots} & {\vdots} \\ {b_{M 0}} & {b_{M 1}} & {\cdots} & {b_{M N}}\end{array}\right)$

$\mathbf{A}=\left( \begin{array}{cccc}{1} & {t} & {\cdots} & {t^{M}}\end{array}\right) \cdot \left( \begin{array}{cccc}{b_{00}} & {b_{01}} & {\cdots} & {b_{0 N}} \\ {b_{10}} & {b_{11}} & {\cdots} & {b_{1 N}} \\ {\vdots} & {\vdots} & {\ddots} & {\vdots} \\ {b_{M 0}} & {b_{M 1}} & {\cdots} & {b_{M N}}\end{array}\right)=\mathbf{T} \cdot \mathbf{B}$

$y=\mathbf{T} \cdot \mathbf{B} \cdot \mathbf{X}$

写为矩阵形式后的表达式非常的简洁，同时也易于在程序中实现。下面再多说一句，多项式函数可以通过一个小小的变形来减少乘法的次数。

$\begin{aligned} y &=\sum_{i=0}^{N} a_{i} x^{i}=a_{0}+a_{1} x+a_{2} x^{2}+\cdots+a_{N} x^{N} \\ &=a_{0}+x\left(a_{1}+x\left(a_{2}+x\left(a_{3}+\cdots\right)\right)\right) \end{aligned}$