一种基于STM32和LSTM的阀用压力传感器温度补偿方法及系统技术方案

本发明专利技术公开了一种基于STM32和LSTM的阀用压力传感器温度补偿方法及系统，采集压阻式压力传感器标定实验数据；根据压阻式压力传感器标定实验数据建立LSTM神经网络温度补偿模型；基于LSTM神经网络温度补偿模型和STM32实现阀用压力传感器温度补偿。本发明专利技术综合考虑了历史温度和当前温度对压力传感器输出的影响，采用LSTM神经网络和STM32对阀用硅压阻式压力传感器进行温度补偿，提高了压力传感器的测量精度。度。度。

【技术实现步骤摘要】
一种基于STM32和LSTM的阀用压力传感器温度补偿方法及系统


[0001]本专利技术属于工程机械液压阀控制
，具体涉及一种基于STM32和LSTM的阀用压力传感器温度补偿方法及系统。

技术介绍

[0002]工程机械电液阀多采用硅压阻式压力传感器进行油液压力测量。电液阀的节流控制过程会导致液压油温度上升。由于硅的物理特性，压力传感器容易受到温度影响而产生零点漂移和灵敏度漂移，难以满足电液阀的高精度压力测量需求。因此，需要对压力传感器进行温度补偿。
[0003]通常，温度补偿方法有硬件补偿和软件补偿两类。硬件补偿主要采用外接电阻或电桥直接对压力传感器输出进行补偿，虽然使用方便，但精度较低，难以实时调整。软件补偿方法主要采用数值分析法和机器学习法拟合压力传感器输出压力与变量之间的关系。数值分析法包括插值法、查表法、最小二乘法等，机器学习法有支持向量机、RBF神经网络、BP神经网络和极限学习机等。相比于数值分析法，机器学习法具有更高精度。在实际中，压力传感器输出压力受到当前温度和历史温度的混合影响，是典型的时间序列，但目前对压力传感器温度补偿进行时序建模的研究较少。

技术实现思路

[0004]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于STM32和LSTM的阀用压力传感器温度补偿方法及系统，用于解决硅压阻式压力传感器输出受温度影响的技术问题。
[0005]本专利技术采用以下技术方案：
[0006]一种基于STM32和LSTM的阀用压力传感器温度补偿方法，包括以下步骤：
[0007]S1、采集压阻式压力传感器标定实验数据；
[0008]S2、根据步骤S1得到的压阻式压力传感器标定实验数据建立LSTM神经网络温度补偿模型；
[0009]S3、基于步骤S2得到的LSTM神经网络温度补偿模型利用STM32实现阀用压力传感器温度补偿。
[0010]具体的，步骤S1具体为：
[0011]S101、基于高低温实验箱、活塞压力计、稳压电源、万用表搭建压阻式压力传感器标定实验台；
[0012]S102、将压力传感器放置于高低温实验箱中，压力传感器的电源线与稳压电源相连，压力传感器的信号线与万用表相连，压力传感器的感压端与活塞压力计相连；
[0013]S103、改变高低温实验箱的温度和活塞压力计的压力，记录不同工作温度点和工作压力点下压力传感器的输出电压。
[0014]进一步到，步骤S103具体为：
[0015]S1031、根据压力传感器的温度补偿范围0～80℃，设定高低温实验箱的初始工作温度点为0℃，分升程和降程依次设定活塞压力计的压力0MPa、5MPa、10MPa、15MPa、20MPa、25MPa、30MPa、35MPa、40MPa九个工作压力点，每个压力点下保温1～2小时，采集3～5个升程和降程内压力传感器的输出电压，以每个工作压力点下的输出电压平均值作为0℃下压力传感器在每个工作压力点下的输出电压，记录0℃下压力传感器的输出电压；
[0016]S1032、依次设定高低温实验箱的温度为10℃、20℃、30℃、40℃、50℃、60℃、70℃、80℃八个温度点，重复步骤S1031，测得的压力传感器每个温度点下工作压力不同时的输出电压。
[0017]具体的，步骤S2具体为：
[0018]S201、导入步骤S1中采集到的压阻式压力传感器标定实验数据并随机打乱，将实验数据中的温度和对应的压力传感器输出电压转化为三维数组作为LSTM模型的输入，将实验数据中的压力作为LSTM模型的输出，选取LSTM神经网络温度补偿模型输入和输出中的前80％作为训练数据集，选取LSTM神经网络温度补偿模型输入和输出中的后20％作为测试数据集；
[0019]S202、通过Keras程序接口建立LSTM神经网络温度补偿模型，设置神经元个数、训练次数、学习率、批量规模和目标精度，利用步骤S201得到的训练数据集对LSTM神经网络温度补偿模型进行网络训练；
[0020]S203、保存步骤S202训练好的LSTM神经网络温度补偿模型和测试数据集。
[0021]进一步到，步骤S201中，LSTM神经网络温度补偿模型输入的三维数组为samples，timesteps，features，三维数组中的samples为模型输入的样本数量，timesteps为时间步，features为特征数量。
[0022]进一步到，步骤S203中，将测试数据集输入训练好的LSTM模型中，实现阀用压力传感器温度补偿。
[0023]具体的，步骤S3具体为：
[0024]S301、配置单片机参数；
[0025]S302、转译LSTM神经网络温度补偿模型为C语言模型；
[0026]S303、打开步骤S302中生成的C语言模型，建立目标文件，下载目标文件至步骤S1得到的单片机的闪存；
[0027]S304、通过串口将测试数据集传输到单片机，单片机通过LSTM神经网络进行温度补偿后得到正确的压力值。
[0028]进一步到，步骤S304中，单片机中LSTM温度补偿效果的评价指标为平均绝对误差MAE、均方根误差RMSE和线性度δ。
[0029]更进一步的，平均绝对误差MAE、均方根误差RMSE和线性度δ分别为：
[0030][0031][0032][0033]其中，m为压力点个数，为温度补偿后的压力，p为温度补偿前的压力，Δp
max
为温度补偿后压力的最大误差，p
FS
为压力量程。
[0034]第二方面，本专利技术实施例提供了一种基于STM32和LSTM的阀用压力传感器温度补偿系统，包括：
[0035]数据模块，采集压阻式压力传感器标定实验数据；
[0036]构建模块，根据数据模块得到的压阻式压力传感器标定实验数据建立LSTM神经网络温度补偿模型；
[0037]补偿模块，基于构建模块得到的LSTM神经网络温度补偿模型利用STM32实现阀用压力传感器温度补偿。
[0038]与现有技术相比，本专利技术至少具有以下有益效果：
[0039]一种基于STM32和LSTM的阀用压力传感器温度补偿方法，通过采集压阻式压力传感器标定实验数据，可以获取压阻式压力传感器的原始温度效应，为后续温度补偿模型的开发建立数据集；利用压阻式压力传感器标定实验数据建立LSTM神经网络温度补偿模型，考虑了压阻式压力传感器温度漂移的时间相关性，符合真实工况下热应力对压阻式压力传感器输出特性的影响规律；离线训练后的LSTM神经网络温度补偿模型利用STM32实现阀用压力传感器温度补偿，具有模型参数精度损失小，温度补偿精度高，操作简单快捷的优点。
[0040]进一步的，基于高低温实验箱、活塞压力计、稳压电源、万用表搭建实验台，可以为后续获取压阻式压力传感器标定数据搭建实验环境；通过将压力传感器放置于高低温实验箱中，压力传感器的电源线与稳压电源相连，压力传感器的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于STM32和LSTM的阀用压力传感器温度补偿方法，其特征在于，包括以下步骤：S1、采集压阻式压力传感器标定实验数据；S2、根据步骤S1得到的压阻式压力传感器标定实验数据建立LSTM神经网络温度补偿模型；S3、基于步骤S2得到的LSTM神经网络温度补偿模型利用STM32实现阀用压力传感器温度补偿。2.根据权利要求1所述的基于STM32和LSTM的阀用压力传感器温度补偿方法，其特征在于，步骤S1具体为：S101、基于高低温实验箱、活塞压力计、稳压电源、万用表搭建压阻式压力传感器标定实验台；S102、将压力传感器放置于高低温实验箱中，压力传感器的电源线与稳压电源相连，压力传感器的信号线与万用表相连，压力传感器的感压端与活塞压力计相连；S103、改变高低温实验箱的温度和活塞压力计的压力，记录不同工作温度点和工作压力点下压力传感器的输出电压。3.根据权利要求2所述的基于STM32和LSTM的阀用压力传感器温度补偿方法，其特征在于，步骤S103具体为：S1031、根据压力传感器的温度补偿范围0～80℃，设定高低温实验箱的初始工作温度点为0℃，分升程和降程依次设定活塞压力计的压力0MPa、5MPa、10MPa、15MPa、20MPa、25MPa、30MPa、35MPa、40MPa九个工作压力点，每个压力点下保温1～2小时，采集3～5个升程和降程内压力传感器的输出电压，以每个工作压力点下的输出电压平均值作为0℃下压力传感器在每个工作压力点下的输出电压，记录0℃下压力传感器的输出电压；S1032、依次设定高低温实验箱的温度为10℃、20℃、30℃、40℃、50℃、60℃、70℃、80℃八个温度点，重复步骤S1031，测得的压力传感器每个温度点下工作压力不同时的输出电压。4.根据权利要求1所述的基于STM32和LSTM的阀用压力传感器温度补偿方法，其特征在于，步骤S2具体为：S201、在pycharm环境中导入步骤S1中采集到的压阻式压力传感器标定实验数据并随机打乱，将实验数据中的温度和对应的压力传感器输出电压转化为三维数组作为LSTM模型的输入，将实验数据中的压力作为LSTM模型的输出，选取LSTM神经网络温度补偿模型输入和输出中的前80％作为训练数据集，选取LSTM神经网络温度补偿模型输入和输出中的后20％作为测试数据集；S202、通过Keras程序接口建立LSTM神经网络温度补偿模型，设置神经元个数、训练...

【专利技术属性】
技术研发人员：苏文斌，任伟，华迎利，卢旭浩，卫红波，赵玉梁，贾涵，母欣荣，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：