基于神经网络的MEMS红外热电堆自校准响应分析*

黄 宽，王玮冰，李 佳

(1.中国科学院微电子研究所，北京 100029； 2.中国科学院物联网研究发展中心，江苏 无锡 214000；3.昆山光微电子有限公司，江苏 昆山 215300)

基于神经网络的MEMS红外热电堆自校准响应分析*

黄 宽1,2，王玮冰1,3，李 佳1,3

(1.中国科学院微电子研究所，北京 100029； 2.中国科学院物联网研究发展中心，江苏 无锡 214000；3.昆山光微电子有限公司，江苏 昆山 215300)

为克服MEMS红外热电堆原有自校准响应分析方法存在的考虑参数单一、故障覆盖率低、校准精度低等缺点，全面考虑多个相关参数影响，采用RHPNN神经网络提高其故障覆盖率，再用小波神经网络提高校准精度，最后用FPGA实现了该算法。与传感器结合实验结果表明，本方案故障覆盖率达到92%，自校准后的测温绝对误差降到0.03 K。

红外热电堆；MEMS；自校准；响应分析；神经网络

0 引言

MEMS红外热电堆温度传感器具有非接触式测温的优点，因此在军事、工业、医疗和消防等领域得到了广泛的应用。在热电堆旁边设计发热电阻，只须电信号便可在MEMS内部产生红外辐射[1]，以此实现自校准，比传统校准降低了成本，提高了效率。激励转换之后是响应分析，先测试各种故障，再校正可校正的故障。MEMS红外热电堆传感器的自校准，目前的响应分析方法所考虑参数单一、建模难度大、故障覆盖率低。

已有运用训练好的神经网络算法来实现多种MEMS传感器的故障检测和校正[2]，但针对MEMS红外热电堆自校准的响应分析还没有用这样的方法研究。本文运用大量MEMS红外热电堆响应数据训练多种学习型算法，选用RHPNN神经网络提高其故障覆盖率，再选用小波神经网络提高校准精度，然后用FPGA实现了该算法电路，最后多次实验验证了该算法的有效性和先进性。

1 MEMS红外热电堆温度传感器的自校准结构

1.1 MEMS红外热电堆温度传感器

图1给出了红外热电堆温度传感器的典型结构[3]。工作原理为：热电堆1将感知待测物体的红外辐射转化为电压差信号ΔV1，本地温度测量电路3获得本地温度T0，ΔV1和T0通过放大器2和ADC4后输入到计算电路5，利用响应率R和公式(1)计算得到待测物体温度T1:

(1)

其中As为热电堆吸收面积，a为待测物体和热电堆的辐射系数相关常数，δ为斯蒂芬-玻尔兹曼常数，响应率R为在给定的辐照功率P下热电堆的输出电压ΔV2与入射辐照功率P的比值：

(2)

(3)

其中Vres为发热电阻两端的电压，r为发热电阻阻值，ε为发热电阻的辐射系数。将式(3)代入式(2)得：

(4)

图1 红外热电堆温度传感器典型结构图

1.2 自校准的系统结构设计

图2为MEMS红外热电堆的自校准系统结构，首先发热电阻在电压Vres下产生热辐射，热电堆吸收热辐射产生响应输出电压ΔV，然后根据式(4)计算电学响应率Re，再进行故障检测，检测合格的才进行校正得到红外响应率Ro，最后计算目标温度T1。各部分之间的具体操作关系如图3所示。

图2 自校准系统结构图

图3 自校准操作关系图

2 自校准的响应分析方法

MEMS红外热电堆温度传感器的自校准响应分析已有以模型为基础的方法[3]：

(1)故障检测：两次不同热辐射下利用公式(3)可以得到R1和R2，二者差值δ≤δT时，说明热电堆正常；否则说明热电堆有故障。

(5)

δ=|R1-R2|

(6)

该办法只考虑了Re之间差值过大这一种故障情况，需要提高故障覆盖率。

(2)自校正：粗略地认为红外响应率Ro与电学响应率Re的比值是一个常数η，Re乘以η便得校正的红外响应率Ro：

(7)

其中k=η/ε为常数。此方法忽略了环境温度T0等许多变量对Ro的影响。需要新的自校正方法，把环境温度T0和其他电压电阻等影响因素考虑进去，才能实现更准确的R0自校正，最终才能更准确地测量目标温度T1。

2.1 故障检测算法的选用

MEMS红外热电堆的自校准参数中，ΔV、Re和T0都有三种情况：偏离正常范围，两次测量差值过大，正常。另外三个量各自正常，但互相之间关系不正常也是故障。本实验用200组合格的数据，400组各种故障的数据，在MATLAB训练多种神经网络[4]，以期获得最好的故障覆盖率。各方案优缺点比较如下：

(1)BP神经网络(Error Back Propagation)，太简单：故障覆盖率低；

(2)径向基函数神经网络(Radial Basis Function ,RBF)：需要Extended Kalman Filter 优化；

(3)自组织神经网络(Self-Organizing Mapping,SOM)：学习率和规模需要经验来选择，训练时间长；

(4)学习向量量化神经网络(Learning Vector Quantization, LVQ)：自组织神经网络与有监督学习相结合，表现不佳；

(5)基于概率的鲁棒性异方差神经网络构[5](Robust Heteroscedastic Probabilistic Neural Network,RHPNN)：表现最好，可以检测到大部分故障。所以本文采用此算法作为故障检测方法。其结构如图4所示，具有4层前馈结构[5]。

输入层5个神经元，用5个存储器实现，输入5维向量ΔV1、ΔV2、Re1、Re2、T0；隐含层20个神经元，分成有故障类18个神经元和无故障类2个神经元，神经元激励函数为高斯函数：

(8)

图4 RHPNN神经网络结构图

求和层包含2个加权求和；输出层只有1个加权比较器，合格类神经元之和大于等于不合格之和，则输出测试结果为合格，反之输出结果为不合格。

2.2 自校正算法的改进选用

本文用200多组实验数据，每一组包括Vres、ΔV、Re、T0、η以及实测的红外响应率Ro。用前5个量做输入数据，Ro做训练目标，经MATLAB仿真测试结果如图5(a)，圆点标记的实线是目标值，方块标记的虚线是小波神经网络[6]的结果，与目标值最接近，而三角形标记的虚线是BP神经网络、自组织神经网络、径向基函数神经网络的结果，与目标值相差甚远。

小波神经网络的结构如图5(b)，分三层：输入层存储5维向量；隐含层6个神经元激励函数为Morlet小波基函数，即y=cos(1.75x)exp(-x2/2)；输出层把隐含层的输出加权求和，得到校正的红外响应率Ro。

图5 自校正算法信真测试

3 神经网络的RTL级设计

本方案用Verilog编程实现上述信号处理、温度计算、故障检测和校准分析模块。难点在神经网络的RTL级实现，下面以RHPNN神经网络实现为例进行介绍。

20个高斯神经元采用分时复用的办法先后计算，实际电路中只需要一个，分成加权求和和高斯函数查找表(高斯函数运算复杂，难以直接实现，所以用查找表实现)。该神经网络的状态转移图如图6所示。先初始化各个计数器，然后判断NA1<20则进入加权求和1中，每加权求和一次遍高斯查找一次，如此完成20个高斯神经元的运算，再进入加权求和2，完成2次加权求和后进入比较输出，最后复位各个计数器[7]。

图6 神经网络的状态转移图

信号流图如图7所示，各模块的具体功能如下：

(1)控制单元：收到Self-test信号时开始自测试的响应分析，提供控制信号。

(2)加权求和器:接收参数，从权值存储表中读取权值相乘，再求和。

(3)高斯函数查找：接收Test-x，用折半查找法在高斯函数存储表里查到对应的Test-y输出。

(4)比较输出：比较大小，sum1大则表示合格，进入校正；sum2或者两者相等则故障，输出Test-finish4结束故障检测。

(5)权值存储表和高斯函数存储表：利用FPGA中的存储单元存储数值，供查找使用。

图7 故障检测的RHPNN神经网络RTL设计的信号流图

4 测试结果和分析

本方案的测试先用Modelsim软件仿真，验证波形与设计相符。最终将MEMS红外热电堆温度传感器与FPGA结合，目标温度测试的结果如图8所示。温度曲线其实有三条，即目标温度、传统方案测得温度、本设计方案测得温度，基本重合。再看两种自校准方案后的温度测量绝对误差曲线，本自校准方案后测温绝对误差小于0.03 K，相比于原来自校准技术的0.08 K的绝对误差，本自校准方案具有显著优势。

图8 自校准后传感器用于温度测试结果

5 结论

MEMS自校准原有的以模型为基础的响应分析方法存在考虑参数单一、建模难度大、故障覆盖率低等问题，用大量数据训练学习型算法做自校准的响应分析，可以全面考虑多个相关参数影响，降低建模复杂度，提高故障覆盖率、校准校准精确度。本方法存在的问题是计算量过大，

所以可以进一步研究改进。

[1] 余丹.红外热电堆传感器数字电路关键模块设计与验证[D].北京：中国科学院，2016.

[2] ASGARY R,MOHAMMADI K. A new probabilistic neural network for fault detection in MEMS[C].International Conference on Artificial Neural Networks,2005:887-892.

[3] 余丹，李佳. 红外热电堆温度传感器的自测试和自校准系统[P].中国:CN105444893A,2016-03-30.

[4] MOHAMMADI K,ASGARY R.Pattern recognition and fault detection in MEMS[R].Iran University of Science and Technology, Department of Electrical Engineering,2005.

[5] ASGARY R,MOHAMMADI K. Initialized RHPNN for fault detection in MEMS[R].Iran University of Science and Technology, Department of Electrical engineering,2005.

[6] 史峰，王小川，郁磊，等.Matlab神经网络30个案例分析[M].北京，北京航空航天大学出版社，2009.

[7] 夏宇闻.Verilog数字系统设计教程(第二版)[M].北京:北京航空航天大学出版社，2008.

Self-calibration response analysis of MEMS infrared thermopile based on neural network

Huang Kuan1,2, Wang Weibing1,3,Li Jia1,3

(1. Institute of Microelectronics of the Chinese Academy of Sciences, Beijing 100029 China;2. Internet of Things Development Center of the Chinese Academy of Sciences, Wuxi 214000 China;3. Kunshan Guang Wei Co., LTD., Kunshan 215300, China)

In order to overcome the shortcomings of the original self-calibration response analysis method of MEMS infrared thermopile, such as considering the single parameter, low fault coverage, and low calibration precision, in this paper, the RHPNN neural network is used to improve the fault coverage, and then the wavelet neural network is used to improve the calibration precision. Finally, the algorithm is implemented by FPGA.The experimental results show that the fault coverage of this scheme is 92%, and the temperature measurement error of the sensor is reduced to 0.03 K after self-calibration.

infrared thermopile; MEMS; self-calibration; response analysis; neural network

TP391.4

A

10.19358/j.issn.1674- 7720.2017.20.014

黄宽，王玮冰，李佳.基于神经网络的MEMS红外热电堆自校准响应分析[J].微型机与应用，2017,36(20)：48-50,70.

国家自然科学基金面上项目(61370044); 国家863计划(2015AA042605); 中科院-北大率先合作团队资助经费(201510280052)； 中国科学院科技服务网络计划(STS计划)项目“物联网核心芯片及应用技术”

2017-03-31)

黄宽(1991-)，通信作者，男，硕士研究生，主要研究方向：MEMS自测试自校准技术。E-mail:1456750627@qq.com。

王玮冰(1977-)男，博士，研究员，教授，主要研究方向：MEMS。

李佳(1983-)女，博士，副研究员，主要研究方向：MEMS。