Development of a High-Precision Silicon Piezoresistive Pressure Transmitter Based on Array Measurement and Data Fusion*

ZHANG Jiahong，YANG Min，GU Fang，LI Min，GE Yixian，ZHANG Yuexiang，SHEN Lei，BAO Zhiwei（1.Jiangsu Collaborative Innovation Center on Atmospheric Environment and Equipment Technology，Nanjing University of Information Science and Technology，Nanjing 210044，China；2.Jiangsu Key Laboratory of Meteorological Observation and Signal Processing，Nanjing University of Information Science and Technology，Nanjing 210044，China；.School of Electronic and Information Engineering，Nanjing University of Information Science and Technology，Nanjing 210044，China；4.School of Physics and Optoelectronic Engineering，Nanjing University of Information Science and Technology，Nanjing 210044，China）



Development of a High-Precision Silicon Piezoresistive Pressure Transmitter Based on Array Measurement and Data Fusion*

ZHANG Jiahong1，2，3*，YANG Min1，2，3，GU Fang4*，LI Min2，3，GE Yixian1，2，3，ZHANG Yuexiang3，SHEN Lei3，BAO Zhiwei3
（1.Jiangsu Collaborative Innovation Center on Atmospheric Environment and Equipment Technology，Nanjing University of Information Science and Technology，Nanjing 210044，China；2.Jiangsu Key Laboratory of Meteorological Observation and Signal Processing，Nanjing University of Information Science and Technology，Nanjing 210044，China；3.School of Electronic and Information Engineering，Nanjing University of Information Science and Technology，Nanjing 210044，China；4.School of Physics and Optoelectronic Engineering，Nanjing University of Information Science and Technology，Nanjing 210044，China）

The atmospheric pressure is a critical parameter for evaluating atmospheric environmental change.In or⁃der to improve the accuracy of conventional silicon-based piezoresistive pressure measurement system，a high-preci⁃sion digital pressure transmitter has been developed through MEMS pressure sensor array and data fusion with the back propagation（BP）neural network based on particle swarm optimization（PSO）algorithm.The corresponding de⁃signs of hardware and software have been elucidated，and then the transplantation and display optimization of μC/ OS-II with μC/GUI on the STM32 platform have been achieved.Combining with experimental data，the application performance of PSO-BP neural network algorithm in silicon piezoresistive pressure sensors has been finally investi⁃gated and analyzed in terms of performance parameters，such as nonlinear error，hysteresis error，repeatability error and the overall accuracy.The results show that the overall accuracy of the low-cost piezoresistive pressure transmit⁃ter proposed by this paper can reach nearly±0.095%FS in the range of-20℃～60℃，which can basically meet the requirements of meteorological applications.

pressure transmitter；high precision；array measurement；particle swarm optimization algorithm（PSO）；back propagation（BP）neural network；μC/OS-II and μC/GUI

大气压力是评价大气环境变化的关键性参数，其测量精度直接影响气象预报的准确性，因此气象测量中多采用高精度电容式或谐振式MEMS气压传感器，但这些高端产品多为进口，价格高昂。相比较而言，传统硅压阻式MEMS压力传感器具有成本低廉可大批量生产的优势。尽管如此，严重的温漂效应导致其在不同环境温度下的输出曲线不同，加上迟滞和重复性误差，因而在较宽温度范围内此类传感器的总精度通常很难满足气象行业高端应用的要求［1，2］。为提升硅压阻式气压传感器的测量精度以便广泛应用于气象测量领域，如何有效地抑制其对温度的交叉敏感性是亟待解决的关键问题［3］。

目前国内外抑制压阻式传感器温漂的方法主要包括硬件补偿法和软件补偿法［4-5］。硬件补偿方法主要采用硬件补偿电路来消除温度影响，但难以做到完全补偿；软件补偿方法主要将传感器与主控微处理器相结合，利用诸如多元回归法、最小二阶乘法、人工神经网络以及支持向量机等算法对测量参数进行数据融合与修正［6-9］。BP神经网络占用资源少、计算简单、拟合精度较高，因而成为了压阻式传感器温度补偿的首选［3-5，7］。而近些年来，针对BP神经网络算法计算效率低、收敛速度慢、容易陷入局部最小值的问题，各类改进的BP神经网络已被用来提升压阻式压力传感器的测量精度［10-13］。然而相关实验主要采用Matlab仿真进行，不涉及传感器硬件优化设计，实现高精度压阻式气压变送器研制的报道较少［14］。

针对压力和温度相互交叉的问题，为实现高精度气压测量，本文硬件上采用阵列式（由4个MEMS气压传感器组成阵列）测量方式削弱随机误差和提高系统稳定性，软件上利用粒子群算法对BP网络的权值和阀值进行全局寻优，克服了其收敛速度慢和易陷入局部极值的缺陷，并通过嵌入式操作系统μC/OS-II在下位机STM32上移植PSO-BP神经网络数据融合算法，实现了气压传感器温漂与迟滞误差的实时补偿和修正。为便于用户使用，本文还结合μC/GUI制作了智能气压变送器的人机交互界面。

1　阵列式硅压阻数字气压变送器的硬件设计

本文设计的高精度阵列式硅压阻数字气压变送器的整个硬件系统如图1所示，它由气压传感器阵列、正反交流测量切换电路模块、四线制铂电阻测温模块、模数转换器AD7794、STM32微控制器、模数电路隔离处理模块、通信接口电路及其它外围电路模块所构成。

图1　阵列式硅压阻数字气压变送器的硬件系统方框图

1.1MEMS气压传感器及其阵列式测量

MEMS气压传感器采用美国通用电气公司生产的压阻式压力传感器NPC-1210-15A-3S，其量程范围为0～103.4 kPa。在25℃参考温度下整体测量精度为±0.1%FS。在0～60℃温度范围内硬件补偿后的测量误差最大为±0.5%FS。如图2所示，为提高测量精度和稳定性，本文采用4个压力传感器构成阵列［13-14］，实现数据多点平均测量，然后提供给PSO-BP神经网络进行数据融合。阵列式平均测量方法可有效减小气压传感器本身蠕变而产生的随机误差或重复性误差的影响［15］，有助于改善气压测量系统精度。

图2　阵列式气压变送器的硬件实物

1.2主控制器STM32及其外围电路

如图2所示，硬件电路以STM32F407微处理器为主控芯片，负责传感器数据处理和算法网络实现。系统采用多通道的AD7794转换压力传感器阵列的电压信号（对应未补偿的气压值）和铂电阻PT100温度传感器的电压信号（对应用于实时补偿的温度值），并通过带有已训练好的PSO-BP神经网络的微处理器计算出算法补偿后的气压值。为方便显示结果，系统可将实时输出的气压值以图表形式在TFT液晶屏上展示，也可通过串口通信送至PC上位机保存以便进行更详细的后续处理。

2　阵列式硅压阻数字气压变送器的软件设计

高精度气压变送器的软件设计是基于Keil5 MDK和MATLAB软件，程序采用模块化设计思路。对应于硬件设计，最终程序分3个主要模块进行设计，分别为：系统初始化及设备初始化、A/D多通道采集程序、PSO-BP神经网络算法，下面着重阐述PSO-BP数据融合算法。

2.1PSO-BP神经网络原理

PSO-BP神经网络算法的基本思想是把PSO算法的全局搜索能力与BP神经网络的局部快速搜索能力有机结合，以免网络陷入局部极小从而提高网络训练速度和效率［11-12，16-18］。本文用于数据融合的PSO-BP算法定义PSO中的粒子位置对应着BP神经网络中一组待优化的权阈值，如图3所示，通过寻找最优粒子位置，根据最优适应度值或迭代次数获取优化的权阈值，再利用PSO优化的权阈值实现BP网络训练，最后利用该网络对阵列测量的气压数据进行温漂补偿与迟滞误差补偿，更详细的描述参见文献［11，17-18］。BP神经网络训练目标是使它的预测输出值与样本期望输出值的误差绝对值之和达到最小，本文中其适应度函数取为：

其中L为学习样本数，p（k）为网络的实际输出，d（k）为样本输出。

图3　PSO-BP神经网络的流程图

2.2训练数据预处理

如图4所示，将未补偿的气压测量硬件系统放置于恒温箱，然后将温度范围控制在-20℃～60℃，每隔10℃取1个测量点，共9个温度点。值得注意的是，本文软硬件温度补偿范围拓展到了零度以下。在每个温度点下，气压测量范围是0～1 100 hPa，通过调节Fluke PPC-4标准压力发生器（±0.01%精度）每隔100 hPa取1个压力点，共12个标准气压值。分别记录不同温度T（℃）与不同气压P（hPa）下压力传感器阵列输出的平均电压值Up（mV），最终获得PSO-BP神经网络的训练样本（标定数据），见表1。

图4　气压变送器标定及测试设备

表1　PSO-BP神经网络的训练样本数据

2.3PSO-BP神经网络模型在MATLAB中的建立以及训练

将表1中的温度和气压传感器阵列输出的平均电压作为网络输入，标准气压值作为期望输出，对数据进行归一化处理后建立单隐层BP神经网络模型。根据气压温度补偿的需求，确定2个输入节点，5个隐层节点和1个输出节点。设最大迭代次数1 500，目标误差1×10-6，训练函数选择为trainlm，学习函数采用learngdm，学习速率0.01；根据PSO算法原理，粒子的初始位置和速度在允许范围内随机产生，种群规模设置为40，惯性权重设为1，学习因子为2.5。利用PSO算法寻优结束后相应的隐层神经元和输出层神经元的权值与阈值矩阵分别为：W1=［0.5609-0.5605-0.54000.2037-0.6102 -0.3668 0.54100.30310.96392.991］，W2=［0.00671.27840.75691.15580.06218］，B1=［-0.41222.0836-2.1011-0.06981.3690］，B2=［-0.3886］。

将上述PSO算法优化的权值阈值赋给BP神经网络作为初始值进行训练，然后对训练结果进行测试，所得结果如图5所示。

图5　PSO-BP仿真结果

图5（a）给出了PSO-BP神经网络预测输出（圆点）与期望输出（星号）的关系曲线，圆点与星号高度重合，说明PSO-BP神经网络能显著削弱温度影响，以最小误差预测出传感器阵列的真实气压值。从图5（b）可知，PSO算法经过50次迭代后适应度已达到最低，换言之，已收敛到最优权阈值。如图5（c）所示，PSO-BP算法经过41次迭代后目标误差达到4.634 2×10-6，而要达到类似的目标误差，计算表明BP算法需迭代122次，可见PSO-BP算法显著提高了运行效率。图5（d）则对比了PSO-BP神经网络与传统BP神经网络温度补偿的误差，可看出PSO-BP神经网络的补偿精度明显高于BP网络。

3　阵列式硅压阻数字气压变送器性能与误差分析

为了验证阵列式气压测量系统的温度漂移补偿以及误差修正是否精确有效，本文利用恒温箱设置了三个不同于训练（标定）温度的测试点：常温25℃、-15℃以及45℃。同时通过调节Fluke PPC-4标准压力发生器精确产生0～1 100 hPa范围的输入气压，实际测试中每隔100 hPa选取1个气压测量点，共12个标准气压值。为了研究迟滞误差与重复性误差的修正情况，分升压和降压两个过程进行数据采集与处理，记录下升压然后再降压过程中气压传感器阵列输出电压的平均值。根据国家航天工业部标准压力传感器静态精度计算方法的要求，校准的循环次数不应少于3次，因此本文升压过程（正行程）和降压过程（反行程）各记录5次。最终测得的5次循环（升压和降压）不同温度和压力下未补偿的气压输入与输出特性如图6（a）和6（c）所示，不难发现不管是升压还是降压过程中温度对气压传感器阵列输出电压的平均值均产生了较为明显的影响。图6（b）和6（d）则给出了通过PSO-BP神经网络算法补偿的气压值，可发现不同温度下的气压测量值高度地重合，这表明经过算法补偿后温度漂移的影响被极大地削弱。

图6　用于误差测量分析的不同温度下的气压输入输出特性曲线

3.1线性度测量与分析

传感器线性度（非线性误差）是指在全量程范围内实际特性曲线与拟合直线之间的最大偏差值ΔLmax与满量程输出FYS之比［19］，用γL表示，即

利用图6中的数据计算出不同温度下5次循环的校验平均值，再运用最小二乘法拟合直线找出最大偏差值后通过式（2）可计算得到补偿前整体的非线性误差为9.512×10-4，而通过PSO-BP算法补偿后气压变送器的非线性误差为6.351×10-4，可见该误差明显减小。

3.2迟滞误差测量与分析

传感器在全量程范围内最大的迟滞差值ΔHmax与满量程输出值FYS之比称为迟滞误差［19］，用γH表示，即

由图6（a）和6（c）不难发现迟滞误差具有明显的温漂效应，而由PSO-BP神经网络算法优化补偿后的气压输入输出特性可看出迟滞误差的温漂特性已被很好抑制。结合图6中的测试数据，找出最大迟滞差值后通过式（3）计算得到补偿前的整体迟滞误差和PSO-BP神经网络补偿后的迟滞误差分别为6.364×10-4和4.545×10-4，通过计算发现算法补偿后的气压变送器输入与输出的迟滞误差减小了28.6%。

3.3重复性误差测量与分析

传感器在正反行程范围中最大重复差值ΔRmax与满量程输出值FYS之比称为重复性误差，用γR表示，即

与上文讨论的情况类似，温度对气压输入输出特性有较大影响，尽管如此，同一温度下5次重复测量的结果几乎覆盖在一起，这表明通过气压传感器阵列平均测量可在一定程度上减小重复性误差。图6（b）与6（d）则给出了通过PSO-BP算法补偿后的升压和降压过程中气压的输入输出曲线，不难发现所有的曲线都几乎重合，温度的影响被消除。根据最大不重复误差，通过式（4）可计算得到补偿前整体重复性误差为7.134×10-4，而PSO-BP网络补偿后气压变送器的重复性误差为5.413×10-4，由此可见PSO-BP数据融合算法进一步减小了气压测量系统的重复性误差。

3.4整体误差分析

4　μC/OS-II移植和μCGUI数据图表界面显示

本文选用μC/OS-II作为高精度阵列式气压变送器的嵌入式实时操作系统，克服了过去单任务顺序机制，增强了测量系统安全与稳定性［4，20］。在STM32平台上移植μC/OS-II系统主要修改了OS_CPU_C.C，OS_CPU_A.ASM，OS_CPU.H这3个文件［4］。基于μC/OS-II的气压变送器的工作流程如图7所示，硬件和变量初始化后，按照优先权创建了用户主任务、AD7794采集任务、算法修正任务、LCD显示任务、RS485通信任务和RS232通信任务。其中优先级别最高的算法修正任务是指在μC/OS-II中以任务的方式运行PSO-BP神经网络从而实现气压值的实时数据补偿。这需要事先将上文训练好的PSO-BP神经网络的权值（W1与W2）与阈值（B1与B2）以适当的数组方式存入STM32F407存储器中，并将MATLAB版本的PSO-BP算法程序写成C语言形式烧写至STM32F407中。μC/GUI是一款适合于μCOS-II操作系统的图形用户接口软件［21］。本文在SMT32平台上移植了μC/GUI，采用3.2寸TFT-LCD触摸彩屏将采集到的温度和气压数据进行显示，并提供实时的PSO-BP神经网络补偿后的气压变化曲线，可使用触摸控制系统运转与数据的存储。本文最终实现的嵌入式气压变送器的μC/GUI人机交互界面如图8所示，它给出了恒定气压和气压变化时的曲线。

图7　基于μC/OS-II的气压变送器程序工作流程图

图8　基于μCOS-II和μCGUI的气压变送器人机交互界面显示系统

5　结论

本文首先选用MEMS压阻式压力传感器组成阵列作为气压检测模块，以抵消传感器本身随机误差和不确定因素的不利影响。同时对硬件系统设计进行了优化，采用了适用于多传感器测量的多通道与低噪声的模数转换器，四线制测温电路选择铂电阻作为温度敏感元件确保了补偿温度准确有效。其次，为达到高精度和高稳定性的检测目的，构建了PSO-BP神经网络算法对测量数据进行数据融合补偿处理。最后，基于μC/OS-II操作平台将PSO-BP神经网络嵌入到Cortex-M4内核的微处理器作为气压变送器系统的执行模块，并实现了与外界通信及人机交互界面等功能。通过实际测试对比发现，本文研制的基于阵列测量与数据融合的高精度硅压阻式气压变送器的温漂效应被极大地削弱，其非线性误差、迟滞误差以及重复性误差显著减小，在标定的温度区间内总精度达到±0.095%FS，具有较强的实际应用价值。

［1］郭冰，王冲.压力传感器的现状与发展［J］.中国仪器仪表，2009（5）：72-75.

［2］卢轶.探空仪气压传感器温度补偿的新方法［J］.气象水文海洋仪器，2010（3）：15-17.

［3］高峰，董海鹰，胡彦奎.基于BP神经网络的传感器交叉敏感性抑制［J］.传感器技术，2005，24（2）：22-26.

［4］崔静雅，吕惠民，程赛.基于BP网络的智能压力传感器系统研究与设计［J］.传感技术学报，2011，24（10）：1426-1430.

［5］Futane N P，Chowdhury S R，Chowdhury C R，et al.ANN Based CMOS ASIC Design for Improved Temperature-Drift Compensa⁃tion of Piezoresistive Micro-Machined High Resolution Pressure Sensor［J］.Microelectronics Reliability，2010，50：282-291.

［6］王晓蕾，罗丽，陈晓颖.一种高分子湿敏电容传感器温度特性的软件补偿方法［J］.计量技术，2014（11）：15-17.

［7］Pramanik C，Islam T，Saha H.Temperature Compensation of Piezoresistive Micro-machined Porous Silicon Pressure Sensor by ANN［J］.Microelectronics Reliability，2006，46：343-351.

［8］梁伟锋，汪晓东，梁萍儿.基于最小二乘支持向量机的压力传感器温度补偿［J］.仪器仪表学报，2007，28（12）：2235-2238.

［9］强生杰，孔令刚.压力传感器的支持向量机非线性回归建模［J］.传感器与微系统，2012，31（4）：50-52.

［10］Du Z M，Jin X Q，Yang Y Y.Fault Diagnosis for Temperature，Flow Rate and Pressure Sensors in VAV Systems Using Wavelet Neural Network［J］.Applied Energy，2009，86（9）：1624-1631.

［11］孙艳梅，苗凤娟，陶佰睿.基于PSO的BP神经网络在压力传感器温度补偿中的应用［J］.传感技术学报，2014，27（3）：342-346.

［12］李强，周柯心.基于PSO-BP算法的压力传感器温度补偿研究［J］.电子学报，2015，43（2）：412-416.

［13］张加宏，付洋，葛益娴，等.GA-BP神经网络在气压计相对高度计中的应用研究［J］.传感技术学报，2014，27（7）：1002-1008.

［14］Zhang J H，Wu Y S，Liu Q Q，et al.Research on High-Precision，Low Cost Piezoresistive MEMS-Array Pressure Transmitters Based on Genetic Wavelet Neural Networks for Meteorological Measurements［J］.Micromachines，2015（6）：554-573.

［15］宋海宾，杨平，徐立波.MEMS传感器随机误差分析及分析处理［J］.传感技术学报，2013，26（12）：1719-1723.

［16］Wang H S，Wang Y N，Wang Y C.Cost Estimation of Plastic Injec⁃tion Molding Parts Through Integration of PSO and BP Neural Net⁃work［J］.Expert Systems with Applications，2013，40（8）：418-428.

［17］行鸿彦，邹水平，徐伟，等.基于PSO-BP神经网络的温度传感器温度补偿［J］.传感技术学报，2015，28（6）：864-869.

［18］龚雪飞，刘萍，简家文.基于PSO算法集成神经网络的多元有害气体检测系统［J］.传感技术学报，2015，28（6）：938-942.

［19］Islam T，Ghosh S，Saha H.ANN-Based Signal Conditioning and its Hardware Implementation of a Nanostrucured Porous Silicon Relative Humidity Sensor［J］.Sensors and Actuators B，2006，120：130-141.

［20］邱宝梅，王建文.嵌入式机载摄影稳定平台的设计［J］.仪器仪表学报，2009，30（9）：1981-1984.

［21］徐宝国，宋爱国.基于μCOS和μCGUI的嵌入式数字示波器［J］.测控技术，2007，26（7）：7-8，28.

张加宏（1979-），男，博士，南京信息工程大学电子与信息工程学院副教授，硕士研究生导师，主要从事微纳电子机械系统与气象传感器探测技术等相关研究工作，zjhnuist@163.com；

杨敏（1990-），男，南京信息工程大学电子与信息工程学院硕士研究生，主要从事微纳电子机械系统方面的研究，ymnuist@163.com；

顾芳（1981-），女，博士，南京信息工程大学物理与光电工程学院副教授，硕士研究生导师，本文通讯作者，主要从事大气颗粒物的激光检测技术和光电功能材料性能表征研究，gfnuist@163.com。

EEACC：7230；722010.3969/j.issn.1004-1699.2016.06.007

基于阵列测量与数据融合的高精度硅压阻式气压变送器的研制*

张加宏1，2，3*，杨敏1，2，3，顾芳4*，李敏2，3，葛益娴1，2，3，张月香3，沈雷3，包志伟3
（1.南京信息工程大学，江苏省大气环境与装备技术协同创新中心，南京210044；2.南京信息工程大学，江苏省气象探测与信息处理重点实验室，南京210044；3.南京信息工程大学，电子与信息工程学院，南京210044；4.南京信息工程大学，物理与光电工程学院，南京210044）

气压是评价大气环境变化的关键性参数。为提高传统硅压阻式气压测量系统的精度，研究并实现了一种基于MEMS气压传感器阵列式测量和粒子群优化（PSO）反向传播（BP）神经网络数据融合处理的高精度数字气压变送器，给出了相应的硬件结构和软件设计，并通过STM32平台对μC/OS-II与μC/GUI进行了整合移植和显示优化。结合实验测量数据，从非线性误差、迟滞误差、重复性误差及其整体精度等方面对PSO-BP神经网络算法在硅压阻式气压测量系统中应用的性能进行了研究与分析。研究结果表明，在-20℃～60℃的温度范围内，本文研制的低成本嵌入式硅压阻气压变送器的整体测量精度约为± 0.095%FS，基本满足大气探测应用的要求。

2015-09-30修改日期：2016-02-21

气压变送器；高精度；阵列测量；粒子群优化算法；反向传播神经网络；μC/OS-II与μC/GUI

TP212；TP391

A

1004-1699（2016）06-0826-08

项目来源：国家自然科学基金项目（61306138，61307113，61307061）；江苏省自然科学基金项目（BK2012460）；东南大学MEMS教育部重点实验室开放研究基金课题项目（2013-3）；江苏省高等学校大学生实践创新训练计划项目（201510300034）；江苏省信息与通信工程优势学科建设项目