0 引言
固態壓阻式傳感器是利用半導體的壓阻效應所制成的傳感器，其靈敏度將隨溫度的變化而變化，導致輸入輸出特性存在非線性。表現為被測的目標參量為零或保持恒定值時，改變工作環境溫度，則傳感器的零點或輸出電壓值均發生變化，這將給測量目標參量帶來誤差。傳統的溫度補償方法有：恒流源供電法、電壓正反饋補償法、熱敏電阻補償法，但以上三種方法只能是靈敏度溫度系數接近于零，很難在較寬的溫度范圍內得到完全補償。因此，本文將人工神經網絡和虛擬儀器相結合，設計了壓阻式壓力傳感器的溫度補償系統，消除了溫度影響同時也進行了零點及非線性補償。
1 補償系統的工作原理
補償系統由傳感器和溫度補償器兩部分組成。傳感器部分包括主傳感器與溫度監測傳感器：主傳感器為固態壓阻式傳感器，它與數據采集卡(DAQ)組成測試系統；對主傳感器進行溫度補償要引入溫度監測傳感器，它起到監測工作環境溫度的作用；溫度補償器是一個軟件模塊，補償系統要對上述2個傳感器進行數據融合，因此溫度補償軟件模塊也是一個多傳感器數據融合系統。
1．1 BP神經網絡的學習算法
對壓阻式壓力傳感器進行溫度補償，可以在一定的工作溫度范圍內選定。表1列出了在20℃～65℃間6個溫度狀態的靜態標定數據，同時在選用的壓阻式壓力傳感器量程范圍內選了5個標定值，因此獲得了30個標定數據。其中，20個數據對網絡進行訓練，10個數據作為網絡校驗樣本數據。
從表1的標定值可以看出，在輸入壓力值不變的情況下，工作環境溫度改變，壓力傳感器的輸出電壓值也隨之改變。
1．2 樣本數據歸一化處理
神經網絡所處理的數據應是在-1和+1間的歸一化數據，因此采用如下公式進行傳感器輸出數據的歸一化處理：
式中，
為第m個樣本神經網絡的輸入、輸出歸一化值；Xim和Om為第m個樣本的輸入輸出標定值，本文中i=1，2；Ximax和Ximin為第i個傳感器輸出最大、最小標定值。
1．3 神經網絡的結構與訓練
BP神經網絡結構：
基于該系統采用3層BP神經網絡，輸入層i=1，2，共有2個節點，分別輸入壓阻傳感器和溫度傳感器的輸出電壓值Up和Ut。隱層節點數j=1，2，…，l可在3～30范圍內選擇，視補償效果而定。輸出層節點k=1，為一個節點，表示輸出壓力值Pt。
溫度補償系統BP神經網絡Ot和分別為歸一化的網絡輸出的計算值與標定值；m為樣本序號；M為樣本總數；訓練的樣本數越多，網絡的計算結果Ot的偏差越小。根據標定實驗提供的學習樣本，采用BP算法學習修正網絡的權值和閾值，直到滿足精度要求為止。訓練后的神經網絡仍不能使用，必須使用附加樣本進行性能驗證，如不能滿足要求，就需要重新訓練網絡，所以神經網絡的訓練是一個反復的過程。
1．4 學習算法的圖形化編程
在LabVIEW中要實現神經網絡，可通過多種方式實現：利用CIN節點調用外部編譯好的C或者C++程序；利用MATLAB Script節點編輯或調用MATLAB程序；利用LabVIEW本身的圖形編程語言編程實現。
同上述兩種方法相比，用LabVIEW本身的圖形語言來編程有很多的優勢。LabVIEW的G程序是獨立于運行平臺的，不需要依賴其他軟件。而且作為一種圖形化的、數據驅動的程序語言，LabVIEW可以更方便地實現給定的算法，程序更加清晰明了，修改起來也更加方便。同時利用子程序技術，可以大大提高程序的利用率。基于此，本文采用圖形編程的方法來實現神經網絡控制。圖3為實現BP算法的LabVIEW程序。
2 系統設計與實現
系統使用NI公司的LabVIEW和PCI-MIO-16E-1多功能數據采集卡實現溫度補償系統。在LabVIEW平臺下開發出“虛擬傳感器參數檢測儀”，完成數據的采集與預處理。在此基礎上嵌入MATLAB程序進行神經網絡運算。
2．1 面板設計
前面板主要由兩部分組成：神經網絡訓練模塊和數據保存模塊。神經網絡訓練模塊執行壓阻傳感器的溫度補償；數據保存模塊將訓練后的相關數據進行保存并寫入文件中。
2．2 程序流程圖設計
在LabVIEW中，流程圖是程序運行的基礎。流程圖主要完成前面板上各個部分的相應功能，包括執行MATLABScript操作和While Loop操作。
2．3 數據運行及保存
當程序開始運行，分別在“壓阻傳感器輸出”和“溫度傳感器輸出”中輸入25．42和27．01，然后單擊“開始”按鈕，則在“壓力”數據框中顯示出0。通過實驗可以看出：虛擬溫度補償儀的補償效果非常好。
3 結論
研究表明：將經典傳感器經信號調理單元與微計算機賦予智能的結合，建立智能傳感器系統是改善經典傳感器性能的有效途徑。本文運用LabVIEW圖形化編程語言實現了BP神經網絡控制。通過仿真實例驗證，該方法快速有效，而且編程簡單清晰。