CN107036717B - 一种自测试红外热电堆温度传感器及自测试方法 - Google Patents
一种自测试红外热电堆温度传感器及自测试方法 Download PDFInfo
- Publication number
- CN107036717B CN107036717B CN201710278547.1A CN201710278547A CN107036717B CN 107036717 B CN107036717 B CN 107036717B CN 201710278547 A CN201710278547 A CN 201710278547A CN 107036717 B CN107036717 B CN 107036717B
- Authority
- CN
- China
- Prior art keywords
- self
- test
- voltage difference
- weighted sum
- difference signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 94
- 230000004044 response Effects 0.000 claims abstract description 87
- 238000012545 processing Methods 0.000 claims abstract description 68
- 230000005855 radiation Effects 0.000 claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000010438 heat treatment Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 230000005611 electricity Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 43
- 210000002569 neuron Anatomy 0.000 claims description 41
- 230000015654 memory Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 10
- 230000001419 dependent effect Effects 0.000 claims description 9
- 230000003321 amplification Effects 0.000 claims description 8
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 8
- 235000013399 edible fruits Nutrition 0.000 claims description 7
- 206010037660 Pyrexia Diseases 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010998 test method Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims 2
- 238000013485 heteroscedasticity test Methods 0.000 abstract 1
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- 101100311460 Schizosaccharomyces pombe (strain 972 / ATCC 24843) sum2 gene Proteins 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000005619 thermoelectricity Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/10—Radiation pyrometry, e.g. infrared or optical thermometry using electric radiation detectors
- G01J5/12—Radiation pyrometry, e.g. infrared or optical thermometry using electric radiation detectors using thermoelectric elements, e.g. thermocouples
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/80—Calibration
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation Pyrometers (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明涉及红外传感技术领域，尤其涉及一种自测试红外热电堆温度传感器及自测试方法，包括发热电阻和本地温度测量模块均与信号处理模块连接；热电堆通过放大器与信号处理模块连接；信号处理模块与自测试响应分析模块连接；本申请利用信号处理模块控制发热电阻在两个不同控制电压下产生红外辐射，热电堆将红外辐射转化为电压差信号，放大器放大两个电压差信号，信号处理模块根据控制电压、放大后的电压差信号和本地温度值获得两个电学响应率，自测试响应分析模块根据电压差信号、电学响应率和本地温度值基于概率的鲁棒性异方差神经网络对自测试红外热电堆温度传感器的温度检测的准确度进行判断，实现了红外热电堆传感器对自身的准确度的检测。
Description
技术领域
本发明涉及红外传感技术领域，尤其涉及一种自测试红外热电堆温度传感器及自测试方法。
背景技术
目前，全球传感器市场呈现高速增长的态势，创新的多样化传感器，比如无线传感器、智能传感器、光纤传感器等将在未来传感器市场中占据更高的份额。微电子机械***(Micro Electro Mechanical System，MEMS)是利用半导体材料和微电子加工技术制造的。并且，微电子机械***是由微传感器、微执行器、信号处理电路和通讯接口等组成的一体化微型器件。微电子机械***具有光、机、电一体化，体积小、重量轻、功耗低，以及可动、可形变或悬空微结构等特点。其中，红外热电堆温度传感器是一种新型MEMS传感器，由于其具有非接触式测温的特性，被广泛应用于环境监测、安防***、智能家居以及消防、国防医疗和制程控制等场景中，以实现对温度的自动检测与控制。
现有的红外热电堆温度传感器在对物体的温度进行检测时往往无从知晓其自身的检测准确性。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的自测试红外热电堆温度传感器及自测试方法。
本发明实施例提供一种自测试红外热电堆温度传感器，包括发热电阻、热电堆、放大器、本地温度测量模块、信号处理模块、自测试响应分析模块；
所述发热电阻的一端接地，所述发热电阻的另一端与所述信号处理模块的第一输入端连接；
所述热电堆与所述放大器的输入端连接，所述放大器的输出端与所述信号处理模块的第二输入端连接；
所述本地温度测量模块与所述信号处理模块的第三输入端连接；
所述信号处理模块的输出端与所述自测试响应分析模块的输入端连接；
其中，所述信号处理模块用于提供第一控制电压和第二控制电压，所述发热电阻在所述第一控制电压的控制下产生第一红外辐射，所述热电堆将所述第一红外辐射转化为第一电压差信号，所述发热电阻在所述第二控制电压的控制下产生第二红外辐射，所述热电堆将所述第二红外辐射转换为第二电压差信号，所述放大器用于对所述第一电压差信号和所述第二电压差信号进行放大，所述本地温度测量模块用于测量得到本地温度值，所述信号处理模块还用于根据所述第一控制电压、放大后的所述第一电压差信号和所述本地温度值，获得第一电学响应率，所述信号处理模块还用于根据所述第二控制电压、放大后的所述第二电压差信号和所述本地温度值，获得第二电学响应率，所述自测试响应分析模块用于根据放大后的所述第一电压差信号、放大后的所述第二电压差信号、所述第一电学响应率、所述第二电学响应率和所述本地温度值，基于概率的鲁棒性异方差神经网络对所述自测试红外热电堆温度传感器的温度检测的准确度进行判断。
优选的，还包括数模转换器，所述发热电阻通过所述数模转换器与所述信号处理模块连接。
优选的，还包括第一模数转换器，所述放大器通过所述第一模数转换器与所述信号处理模块连接。
优选的，还包括第二模数转换器，所述本地温度测量模块通过所述第二模数转换器与所述信号处理模块连接。
优选的，所述自测试响应分析模块包括自测试控制单元、加权求和器、高斯函数查找单元、比较输出单元、权值存储器和高斯函数存储器；
所述自测试控制单元用于接收时钟信号、放大后的所述第一电压差信号、放大后的所述第二电压差信号、所述第一电学响应率、所述第二电学响应率和所述本地温度值，并在接收到自测试信号时执行自测试的响应分析，为所述加权求和器、所述高斯函数查找单元和所述比较输出单元提供控制信号；
所述加权求和器用于根据其接收到的参数从所述权值存储器中读取相应的权值，以及在乘法控制信号的控制下进行乘法运算，以及在加法控制信号的控制下进行加法运算；
所述高斯函数查找单元用于将其接收到的参数作为高斯函数的自变量，并利用折半查找法在所述高斯函数存储器中查找对应的因变量，并将查找到的因变量作为输出结果；
所述比较输出单元用于接收所述高斯函数查找单元输出的属于合格类神经元的第一加权求和结果和属于不合格类神经元的第二加权求和结果，并根据所述第一加权求和结果和所述第二加权求和结果对所述自测试红外热电堆温度传感器的温度检测的准确度进行判断，其中，若所述第一加权求和结果大于所述第二加权求和结果，则表明所述自测试红外热电堆温度传感器的温度检测的准确度属于合格状态，若所述第一加权求和结果等于或小于所述第二加权求和结果，则表明所述自测试红外热电堆温度传感器的温度检测的准确度属于不合格状态。
优选的，所述基于概率的鲁棒性异方差神经网络包括：
输入层：包含5维向量，所述5维向量包括放大后的所述第一电压差信号、放大后的所述第二电压差信号、所述第一电学响应率、所述第二电学响应率和所述本地温度值；
隐含层：包含20个神经元，所述20个神经元包括18个故障类神经元和2个非故障类神经元；
求和层：包含2个加权求和器，所述2个加权求和器用于对所述隐含层中的运算结果分两部分分别进行加权求和；
输出层：包含1个加权比较器，所述加权比较器用于对所述求和层中的两个加权求和结果进行比较。
基于同一发明构思，本发明实施例还提供一种应用在如上所述自测试红外热电堆温度传感器中的自测试方法，所述方法包括：
在所述信号处理模块提供第一控制电压时，所述发热电阻在所述第一控制电压的控制下发热产生第一红外辐射，利用所述热电堆将所述第一红外辐射转化为第一电压差信号，所述第一电压差信号在经过所述放大器放大后输出给所述信号处理模块；
在所述信号处理模块提供第二控制电压时，所述发热电阻在所述第二控制电压的控制下发热产生第二红外辐射，利用所述热电堆将所述第二红外辐射转化为第二电压差信号，所述第二电压差信号在经过所述放大器放大后输出给所述信号处理模块；
根据所述第一控制电压、所述第一电压差信号和由所述本地温度模块测量得到的本地温度值，利用所述信号处理模块获得第一电学响应率；
根据所述第二控制电压、所述第二电压差信号和所述本地温度值，利用所述信号处理模块获得第二电学响应率；
根据放大后的所述第一电压差信号、放大后的所述第二电压差信号、所述第一电学响应率、所述第二电学响应率和所述本地温度值，利用所述自测试响应分析模块基于概率的鲁棒性异方差神经网络对所述自测试红外热电堆温度传感器的温度检测的准确度进行判断。
优选的，所述基于概率的鲁棒性异方差神经网络包括：
输入层：包含5维向量，所述5维向量包括放大后的所述第一电压差信号、放大后的所述第二电压差信号、所述第一电学响应率、所述第二电学响应率和所述本地温度值；
隐含层：包含20个神经元，所述20个神经元包括18个故障类神经元和2个非故障类神经元；
求和层：包含2个加权求和器，所述2个加权求和器用于对所述隐含层中的运算结果分两部分分别进行加权求和；
输出层：包含1个加权比较器，所述加权比较器用于对所述求和层中的两个加权求和结果进行比较。
本发明实施例中的一个或多个技术方案，至少具有如下技术效果或优点：
本申请通过信号处理模块在两个不同时刻的不同控制电压的控制下对发热电阻进行控制，使得热电阻分别产生第一红外辐射和第二红外辐射，热电堆再分别将第一红外辐射转化为第一电压差信号以及将第二红外辐射转化为第二电压差信号，在利用放大器分别对第一电压差信号和第二电压差信号进行放大之后，信号处理模块根据第一控制电压、放大后的第一电压差信号和本地温度值获得第一电学响应率，信号处理模块根据第二控制电压、放大后的第二电压差信号和本地温度值获得第二电学响应率，最后自测试响应分析模块根据放大后的第一电压差信号、放大后的第二电压差信号、第一电学响应率、第二电学响应率和本地温度值，基于概率的鲁棒性异方差神经网络对自测试红外热电堆温度传感器的温度检测的准确度进行判断，实现了红外热电堆传感器对自身的准确度的检测。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考图形表示相同的部件。在附图中：
图1示出了本发明实施例中一种具体实施方式下的自测试红外热电堆温度传感器的结构图；
图2示出了本发明实施例中利用折半查找法在高斯函数存储器中进行查找的示意图；
图3示出了本发明实施例中自测试响应分析模块的信号图；
图4示出了本发明实施例中自测试响应分析模块的时序图；
图5示出了本发明实施例中基于概率的鲁棒性异方差神经网络的示意图。
其中，1为发热电阻，2为热电堆，3为放大器，4为本地温度测量模块，5为数模转换器，6为第一模数转换器，7为第二模数转换器，8为信号处理模块，9为自测试响应分析模块。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供一种自测试红外热电堆温度传感器，包括发热电阻1、热电堆2、放大器3、本地温度测量模块4、信号处理模块8、自测试响应分析模块9。发热电阻1的一端接地，发热电阻1的另一端与信号处理模块8的第一输入端连接，热电堆2与放大器3的输入端连接，放大器3的输出端与信号处理模块8的第二输入端连接，本地温度测量模块4与信号处理模块8的第三输入端连接，信号处理模块8的输出端与自测试响应分析模块9的输入端连接。
其中，信号处理模块8用于提供第一控制电压和第二控制电压，发热电阻1在第一控制电压的控制下产生第一红外辐射，热电堆2将第一红外辐射转化为第一电压差信号，发热电阻1在第二控制电压的控制下产生第二红外辐射，热电堆2将第二红外辐射转换为第二电压差信号，放大器3用于对第一电压差信号和第二电压差信号进行放大，本地温度测量模块4用于测量得到本地温度值，信号处理模块8还用于根据第一控制电压、放大后的第一电压差信号和本地温度值，获得第一电学响应率，信号处理模块8还用于根据第二控制电压、放大后的第二电压差信号和本地温度值，获得第二电学响应率，自测试响应分析模块9用于根据放大后的第一电压差信号、放大后的第二电压差信号、第一电学响应率、第二电学响应率和本地温度值，基于概率的鲁棒性异方差神经网络(Robust HeteroscedasticProbabilistic Neural Network，RHPNN)对自测试红外热电堆温度传感器的温度检测的准确度进行判断。
本申请通过信号处理模块8在两个不同时刻的不同控制电压的控制下对发热电阻1进行控制，使得热电阻分别产生第一红外辐射和第二红外辐射，热电堆2再分别将第一红外辐射转化为第一电压差信号以及将第二红外辐射转化为第二电压差信号，在利用放大器3分别对第一电压差信号和第二电压差信号进行放大之后，信号处理模块8根据第一控制电压、放大后的第一电压差信号和本地温度值获得第一电学响应率，信号处理模块8根据第二控制电压、放大后的第二电压差信号和本地温度值获得第二电学响应率，最后自测试响应分析模块9根据放大后的第一电压差信号、放大后的第二电压差信号、第一电学响应率、第二电学响应率和本地温度值，基于概率的鲁棒性异方差神经网络对自测试红外热电堆温度传感器的温度检测的准确度进行判断，实现了红外热电堆2传感器对自身的准确度的检测。
在一种具体实施方式中，如图1所示，自测试红外热电堆温度传感器还包括数模转换器5、第一模数转换器6和第二模数转换器7，发热电阻1通过数模转换器5与信号处理模块8连接，放大器3通过第一模数转换器6与信号处理模块8连接，本地温度测量模块4通过第二模数转换器7与信号处理模块8连接。数模转换器5用于将第一控制电压和第二控制电压进行数模转换，第一模数转换器6用于对电压差信号进行模数转换，第二模数转换器7用于对本地温度值进行模数转换。
在本申请中，自测试响应分析模块9包括自测试控制单元、加权求和器、高斯函数查找单元、比较输出单元、权值存储器和高斯函数存储器。
其中，自测试控制单元用于接收时钟信号、放大后的第一电压差信号、放大后的第二电压差信号、第一电学响应率、第二电学响应率和本地温度值，并在接收到自测试信号时执行自测试的响应分析，为加权求和器、高斯函数查找单元和比较输出单元提供控制信号。自测试控制单元先给使能信号Test-en1给加权求和器，各加权求和器求和后接收运算结束信号Test-finish1，再给使能信号Test-en2给高斯函数查找单元，以此类推。
加权求和器用于根据其接收到的参数从权值存储器中读取相应的权值，以及在乘法控制信号的控制下进行乘法运算，以及在加法控制信号的控制下进行加法运算。具体地，加权求和器接收到的参数来自前一级模块。
高斯函数查找单元用于将其接收到的参数作为高斯函数的自变量Test-x，并利用折半查找法在所述高斯函数存储器中查找对应的因变量Test-y，并将查找到的因变量作为输出结果。具体地，高斯函数查找单元接收的参数来自前一级模块。
比较输出单元用于接收所述高斯函数查找单元输出的属于合格类神经元的第一加权求和结果和属于不合格类神经元的第二加权求和结果，并根据所述第一加权求和结果和所述第二加权求和结果对所述自测试红外热电堆温度传感器的温度检测的准确度进行判断，其中，若所述第一加权求和结果大于所述第二加权求和结果，则表明所述自测试红外热电堆温度传感器的温度检测的准确度属于合格状态，若所述第一加权求和结果等于或小于所述第二加权求和结果，则表明所述自测试红外热电堆温度传感器的温度检测的准确度属于不合格状态。
另外，权值存储器和高斯函数存储器中用于存储数据供查找和输出使用。
进一步，利用折半查找法在高斯函数存储器中查找对应的因变量的实现过程如图2所示，高斯函数存储器中存储了1001组(x,y)，x与y的关系为高斯函数，先初始化Min＝-5.00；Max＝5.00；Mid＝0.00；输入的x先与Mid比较，若Midx则更新Min＝Mid+0.01；若Midx则更新Max＝Mid-0.01；每次更新都重算Mid＝(Max+Min)/2，将重算的Mid再与x比较，直到Mid＝x,则查找到了x，输出表中对应的y,查找表工作完成。
下面将对自测试响应分析模块9的工作过程进行详细介绍，自测试响应分析模块9的信号图如图3所示，时序图如图4所示，时钟Clk的上升沿触发，先要完成20个神经元的运算，每个神经元先加权求和，再查高斯函数表。在使能信号Test-en1高电平有效控制下加权求和，每一个参数先在Test-mult低电平有效控制下和相应权值做乘法，再在Test-add低电平有效控制下做加法，5个输入参数所以要5个Test-mult和Test-add有效电平。在Test-en2高电平有效控制下做高斯函数的折半查找，先在Test-comp低电平有效控制下作比较，再在Test-mid低电平有效控制下做加法和除法更新Mid的值，经过多次比较和更新Mid，直到在输入Test-xi等于Mid时，将Mid作为地址Gauss-address输入高斯函数表中，查出对应的Test-yi输出，最后将Test-finish2置高电平输出给自测试控制单元，表示高斯函数查找结束。以上加权求和与高斯查找要重复20次，表示完成20个神经元的运算。第三步做两个加权求和，一个算出合格类的加权求和值sum1，另一个不合格类神经元的加权求和sum2。最后一个模块做比较输出，接收上一级给的合格类神经元的加权求和结果sum1与不合格类的求和结果sum2，比较大小：sum1大则表示测试结果合格，输出电学响应率Re，将自校准使能信号Self-cali变成1，触发自校准模块，输出Test-finish4传给自测试控制单元，表示自测试响应分析方法结束；sum2或者两者相等，则自测试结果不合格，只输Test-finish4给自测试控制单元结束自测试。
本申请将放大后的第一电压差信号、放大后的第二电压差信号、第一电学响应率、第二电学响应率和本地温度值这五个物理量输入基于概率的鲁棒性异方差神经网络中来判断自测试红外热电堆温度传感器的温度检测是否准确。其中，基于概率的鲁棒性异方差神经网络预先训练好，基于概率的鲁棒性异方差神经网络如图5所示，包括：
输入层：包含5维向量，所述5维向量包括放大后的第一电压差信号(即△V1)、放大后的第二电压差信号(即△V2)、第一电学响应率(即Re1)、第二电学响应率(即Re2)和本地温度值(即T0)。
隐含层：包含20个神经元，所述20个神经元包括18个故障类神经元和2个非故障类神经元。隐含层激励函数为高斯函数，如下式。其中和c和德尔塔为训练结果给出的权重参数，视不同的i和j而不同。x和p为输入和输出值。
求和层：包含2个加权求和器，所述2个加权求和器用于对所述隐含层中的运算结果分两部分分别进行加权求和。下式中β为对应的p的权重，共有M个β所以有M个p，M个β之和为1。
输出层：包含1个加权比较器，所述加权比较器用于对所述求和层中的两个加权求和结果进行比较。若属于合格类神经元的第一加权求和结果大于属于不合格类神经元的第二加权求和结果，则表明自测试红外热电堆温度传感器的温度检测准确，其准确度属于合格状态，若第一加权求和结果等于或小于第二加权求和结果，则表明自测试红外热电堆温度传感器的温度检测不准确，其准确度属于不合格状态。比较输出函数如下，每个f乘以对应权重α，max函数选出j个乘积中的最大值，然后arg是一个映射关系，映射成合格或者不合格的结果输出。
gBayes＝arg(max{αjfj(x)})
在本申请的RHPNN神经网络算法的整体实现框架中，第一层5个神经元用5个存储器实现，利用5个存储器存储5维向量，第二层20个神经元，每个神经元都包含一个加权求和器，一个高斯函数查找表和一个运算结果存储器，实际电路实现中加权求和器和高斯函数查找表只有一个，供20个神经元分时复用，运算结果依次存入20个运算结果存储器中；第三层两个加权求和器，把第二层的运算结果分两部分加权求和，得出结果给第四层；第四层是比较选择器，比较第三层的两个和，合格类的和更大则输出测试结果为合格，反之输出结果为不合格。这些运算由一个有限同步状态机充当控制器，给各个部分提供时序。
基于同一发明构思，本发明实施例还提供一种应用在如上所述的自测试红外热电堆温度传感器中的自测试方法，所述方法包括：
步骤601：在所述信号处理模块8提供第一控制电压时，所述发热电阻1在所述第一控制电压的控制下发热产生第一红外辐射，利用所述热电堆2将所述第一红外辐射转化为第一电压差信号，所述第一电压差信号在经过所述放大器3放大后输出给所述信号处理模块8；
步骤602：在所述信号处理模块8提供第二控制电压时，所述发热电阻1在所述第二控制电压的控制下发热产生第二红外辐射，利用所述热电堆2将所述第二红外辐射转化为第二电压差信号，所述第二电压差信号在经过所述放大器3放大后输出给所述信号处理模块8；
步骤603：根据所述第一控制电压、所述第一电压差信号和由所述本地温度模块测量得到的本地温度值，利用所述信号处理模块8获得第一电学响应率；
步骤604：根据所述第二控制电压、所述第二电压差信号和所述本地温度值，利用所述信号处理模块8获得第二电学响应率；
步骤605：根据放大后的所述第一电压差信号、放大后的所述第二电压差信号、所述第一电学响应率、所述第二电学响应率和所述本地温度值，利用所述自测试响应分析模块9基于概率的鲁棒性异方差神经网络对所述自测试红外热电堆温度传感器的温度检测的准确度进行判断。
其中，所述基于概率的鲁棒性异方差神经网络包括：
输入层：包含5维向量，所述5维向量包括放大后的所述第一电压差信号、放大后的所述第二电压差信号、所述第一电学响应率、所述第二电学响应率和所述本地温度值；
隐含层：包含20个神经元，所述20个神经元包括18个故障类神经元和2个非故障类神经元；
求和层：包含2个加权求和器，所述2个加权求和器用于对所述隐含层中的运算结果分两部分分别进行加权求和；
输出层：包含1个加权比较器，所述加权比较器用于对所述求和层中的两个加权求和结果进行比较。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：
本申请通过信号处理模块8在两个不同时刻的不同控制电压的控制下对发热电阻1进行控制，使得热电阻分别产生第一红外辐射和第二红外辐射，热电堆2再分别将第一红外辐射转化为第一电压差信号以及将第二红外辐射转化为第二电压差信号，在利用放大器3分别对第一电压差信号和第二电压差信号进行放大之后，信号处理模块8根据第一控制电压、放大后的第一电压差信号和本地温度值获得第一电学响应率，信号处理模块8根据第二控制电压、放大后的第二电压差信号和本地温度值获得第二电学响应率，最后自测试响应分析模块9根据放大后的第一电压差信号、放大后的第二电压差信号、第一电学响应率、第二电学响应率和本地温度值，基于概率的鲁棒性异方差神经网络对自测试红外热电堆温度传感器的温度检测的准确度进行判断，实现了红外热电堆2传感器对自身的准确度的检测。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种自测试红外热电堆温度传感器，其特征在于，包括发热电阻、热电堆、放大器、本地温度测量模块、信号处理模块、自测试响应分析模块；
所述发热电阻的一端接地，所述发热电阻的另一端与所述信号处理模块的第一输入端连接；
所述热电堆与所述放大器的输入端连接，所述放大器的输出端与所述信号处理模块的第二输入端连接；
所述本地温度测量模块与所述信号处理模块的第三输入端连接；
所述信号处理模块的输出端与所述自测试响应分析模块的输入端连接；
其中，所述信号处理模块用于提供第一控制电压和第二控制电压，所述发热电阻在所述第一控制电压的控制下产生第一红外辐射，所述热电堆将所述第一红外辐射转化为第一电压差信号，所述发热电阻在所述第二控制电压的控制下产生第二红外辐射，所述热电堆将所述第二红外辐射转换为第二电压差信号，所述放大器用于对所述第一电压差信号和所述第二电压差信号进行放大，所述本地温度测量模块用于测量得到本地温度值，所述信号处理模块还用于根据所述第一控制电压、放大后的所述第一电压差信号和所述本地温度值，获得第一电学响应率，所述信号处理模块还用于根据所述第二控制电压、放大后的所述第二电压差信号和所述本地温度值，获得第二电学响应率，所述自测试响应分析模块用于根据放大后的所述第一电压差信号、放大后的所述第二电压差信号、所述第一电学响应率、所述第二电学响应率和所述本地温度值，基于概率的鲁棒性异方差神经网络对所述自测试红外热电堆温度传感器的温度检测的准确度进行判断；
其中，所述自测试响应分析模块包括自测试控制单元、加权求和器、高斯函数查找单元、比较输出单元、权值存储器和高斯函数存储器；
所述自测试控制单元用于接收时钟信号、放大后的所述第一电压差信号、放大后的所述第二电压差信号、所述第一电学响应率、所述第二电学响应率和所述本地温度值，并在接收到自测试信号时执行自测试的响应分析，为所述加权求和器、所述高斯函数查找单元和所述比较输出单元提供控制信号；
所述加权求和器用于根据其接收到的参数从所述权值存储器中读取相应的权值，以及在乘法控制信号的控制下进行乘法运算，以及在加法控制信号的控制下进行加法运算；
所述高斯函数查找单元用于将其接收到的参数作为高斯函数的自变量，并利用折半查找法在所述高斯函数存储器中查找对应的因变量，并将查找到的因变量作为输出结果；
所述比较输出单元用于接收所述高斯函数查找单元输出的属于合格类神经元的第一加权求和结果和属于不合格类神经元的第二加权求和结果，并根据所述第一加权求和结果和所述第二加权求和结果对所述自测试红外热电堆温度传感器的温度检测的准确度进行判断，其中，若所述第一加权求和结果大于所述第二加权求和结果，则表明所述自测试红外热电堆温度传感器的温度检测的准确度属于合格状态，若所述第一加权求和结果等于或小于所述第二加权求和结果，则表明所述自测试红外热电堆温度传感器的温度检测的准确度属于不合格状态。
2.如权利要求1所述的自测试红外热电堆温度传感器，其特征在于，还包括数模转换器，所述发热电阻通过所述数模转换器与所述信号处理模块连接。
3.如权利要求1所述的自测试红外热电堆温度传感器，其特征在于，还包括第一模数转换器，所述放大器通过所述第一模数转换器与所述信号处理模块连接。
4.如权利要求1所述的自测试红外热电堆温度传感器，其特征在于，还包括第二模数转换器，所述本地温度测量模块通过所述第二模数转换器与所述信号处理模块连接。
5.如权利要求1所述的自测试红外热电堆温度传感器，其特征在于，所述基于概率的鲁棒性异方差神经网络包括：
输入层：包含5维向量，所述5维向量包括放大后的所述第一电压差信号、放大后的所述第二电压差信号、所述第一电学响应率、所述第二电学响应率和所述本地温度值；
隐含层：包含20个神经元，所述20个神经元包括18个故障类神经元和2个非故障类神经元；
求和层：包含2个加权求和器，所述2个加权求和器用于对所述隐含层中的运算结果分两部分分别进行加权求和；
输出层：包含1个加权比较器，所述加权比较器用于对所述求和层中的两个加权求和结果进行比较。
6.一种应用在如权利要求1-5中任一权利要求所述自测试红外热电堆温度传感器中的自测试方法，其特征在于，所述方法包括：
在所述信号处理模块提供第一控制电压时，所述发热电阻在所述第一控制电压的控制下发热产生第一红外辐射，利用所述热电堆将所述第一红外辐射转化为第一电压差信号，所述第一电压差信号在经过所述放大器放大后输出给所述信号处理模块；
在所述信号处理模块提供第二控制电压时，所述发热电阻在所述第二控制电压的控制下发热产生第二红外辐射，利用所述热电堆将所述第二红外辐射转化为第二电压差信号，所述第二电压差信号在经过所述放大器放大后输出给所述信号处理模块；
根据所述第一控制电压、所述第一电压差信号和由所述本地温度测量模块测量得到的本地温度值，利用所述信号处理模块获得第一电学响应率；
根据所述第二控制电压、所述第二电压差信号和所述本地温度值，利用所述信号处理模块获得第二电学响应率；
根据放大后的所述第一电压差信号、放大后的所述第二电压差信号、所述第一电学响应率、所述第二电学响应率和所述本地温度值，利用所述自测试响应分析模块基于概率的鲁棒性异方差神经网络对所述自测试红外热电堆温度传感器的温度检测的准确度进行判断；
利用所述自测试控制单元接收时钟信号、放大后的所述第一电压差信号、放大后的所述第二电压差信号、所述第一电学响应率、所述第二电学响应率和所述本地温度值，并在接收到自测试信号时执行自测试的响应分析，为所述加权求和器、所述高斯函数查找单元和所述比较输出单元提供控制信号；
利用所述加权求和器根据其接收到的参数从所述权值存储器中读取相应的权值，以及在乘法控制信号的控制下进行乘法运算，以及在加法控制信号的控制下进行加法运算；
利用所述高斯函数查找单元将其接收到的参数作为高斯函数的自变量，并利用折半查找法在所述高斯函数存储器中查找对应的因变量，并将查找到的因变量作为输出结果；
利用所述比较输出单元接收所述高斯函数查找单元输出的属于合格类神经元的第一加权求和结果和属于不合格类神经元的第二加权求和结果，并根据所述第一加权求和结果和所述第二加权求和结果对所述自测试红外热电堆温度传感器的温度检测的准确度进行判断，其中，若所述第一加权求和结果大于所述第二加权求和结果，则表明所述自测试红外热电堆温度传感器的温度检测的准确度属于合格状态，若所述第一加权求和结果等于或小于所述第二加权求和结果，则表明所述自测试红外热电堆温度传感器的温度检测的准确度属于不合格状态。
7.如权利要求6所述的方法，其特征在于，所述基于概率的鲁棒性异方差神经网络包括：
输入层：包含5维向量，所述5维向量包括放大后的所述第一电压差信号、放大后的所述第二电压差信号、所述第一电学响应率、所述第二电学响应率和所述本地温度值；
隐含层：包含20个神经元，所述20个神经元包括18个故障类神经元和2个非故障类神经元；
求和层：包含2个加权求和器，所述2个加权求和器用于对所述隐含层中的运算结果分两部分分别进行加权求和；
输出层：包含1个加权比较器，所述加权比较器用于对所述求和层中的两个加权求和结果进行比较。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710278547.1A CN107036717B (zh) | 2017-04-25 | 2017-04-25 | 一种自测试红外热电堆温度传感器及自测试方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710278547.1A CN107036717B (zh) | 2017-04-25 | 2017-04-25 | 一种自测试红外热电堆温度传感器及自测试方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107036717A CN107036717A (zh) | 2017-08-11 |
| CN107036717B true CN107036717B (zh) | 2019-07-26 |
Family
ID=59535726
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710278547.1A Active CN107036717B (zh) | 2017-04-25 | 2017-04-25 | 一种自测试红外热电堆温度传感器及自测试方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107036717B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111562484A (zh) * | 2020-05-26 | 2020-08-21 | 无锡物联网创新中心有限公司 | 一种红外热电堆芯片的检测方法及检测设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7795583B1 (en) * | 2005-10-07 | 2010-09-14 | The United States Of America As Represented By The Secretary Of The Navy | Long range active thermal imaging system and method |
| CN103398784A (zh) * | 2013-07-26 | 2013-11-20 | 江苏物联网研究发展中心 | 红外热电堆温度传感器的自校正电路 |
| CN105444893A (zh) * | 2015-11-11 | 2016-03-30 | 江苏物联网研究发展中心 | 红外热电堆温度传感器的自测试和自校准*** |
-
2017
- 2017-04-25 CN CN201710278547.1A patent/CN107036717B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7795583B1 (en) * | 2005-10-07 | 2010-09-14 | The United States Of America As Represented By The Secretary Of The Navy | Long range active thermal imaging system and method |
| CN103398784A (zh) * | 2013-07-26 | 2013-11-20 | 江苏物联网研究发展中心 | 红外热电堆温度传感器的自校正电路 |
| CN105444893A (zh) * | 2015-11-11 | 2016-03-30 | 江苏物联网研究发展中心 | 红外热电堆温度传感器的自测试和自校准*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107036717A (zh) | 2017-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108960127B (zh) | 基于自适应深度度量学习的遮挡行人重识别方法 | |
| Xu et al. | Adaptive elastic echo state network for multivariate time series prediction | |
| CN107036716B (zh) | 一种自校准红外热电堆温度传感器及自校准方法 | |
| Demartines et al. | Curvilinear component analysis: A self-organizing neural network for nonlinear mapping of data sets | |
| CN111461187B (zh) | 一种建筑物沉降智能检测*** | |
| US7434985B2 (en) | Calibrated built-in temperature sensor and calibration method thereof | |
| CN112149616B (zh) | 基于动态信息的人物交互行为识别方法 | |
| Fernandez Borda et al. | Automatic solar flare detection using neural network techniques | |
| CN107036717B (zh) | 一种自测试红外热电堆温度传感器及自测试方法 | |
| CN109815959A (zh) | 一种冬小麦产量预测方法及装置 | |
| Liu et al. | Ground-based remote sensing cloud classification via context graph attention network | |
| CN111076770A (zh) | 一种传感元件与忆阻器结合的多模态智能传感器 | |
| CN107844338A (zh) | 应用程序管控方法、装置、介质及电子设备 | |
| CN113343801B (zh) | 基于轻量化卷积神经网络的无线信号自动调制识别方法 | |
| CN117310389A (zh) | 一种基于cnn的配电网故障定位方法、装置及相关设备 | |
| Wane et al. | Smart sensing of vital-signs: Co-design of tunable quantum-spin crossover materials with secure photonics and RF front-end-module | |
| CN113267535A (zh) | 一种智能气体识别方法及其装置 | |
| CN117098067A (zh) | 一种基于梯度融合的多模态深度学习室内定位方法 | |
| Bi et al. | Apple grading method based on ordered partition neural network | |
| Wu et al. | Dynamic compensation for an infrared thermometer sensor using least-squares support vector regression (LSSVR) based functional link artificial neural networks (FLANN) | |
| CN110729010B (zh) | 半导体电路及其操作方法 | |
| CN113792764A (zh) | 一种样本扩充方法、***、存储介质及电子设备 | |
| CN109655166B (zh) | 一种多腔绝对辐射计交叉定标测量方法 | |
| Postolache et al. | An ANN fault detection procedure applied in virtual measurement systems case | |
| Zhao et al. | CentralNet Method for Human motion Recognition Based on Multi-feature Fusion of Millimeter Wave Radar |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |