地面气象测量温度传感器的设计与实验研究*

2022-06-28刘清惓葛祥建

传感器与微系统 2022年6期

王帅, 刘清惓, 杨杰, 葛祥建

(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,江苏南京 210044；2.江苏省气象探测与信息处理重点实验室,江苏南京 210044)

0 引言

在地面气象测量领域,白天太阳直接辐射会造成自动气象站温度传感器的升温,使其测量值高于周围环境的空气温度,产生辐射误差[1]。通常气象站用百叶箱或自然通风防辐射罩可以遮挡一部分辐射对温度传感器的直接照射,降低辐射误差[2]。然而百叶箱或防辐射罩难以完全阻挡太阳辐射,因此一定程度上,百叶箱或防辐射罩仍会产生显著的辐射升温,产生较大的辐射误差。世界气象组织(World Meteorological Organization,WMO)以LAM630强制通风温度传感器的测量值作为温度基准,对LSOC、SWIN、SYOU自然通风地表气温温度传感器进行比对,结果表明辐射误差分别为0.8,1.2,1.0 ℃。

根据唐国利[3]的研究结果,1873年以来,中国气候呈显著增暖趋势,其中年平均气温约上升了0.96 ℃,年平均最高、最低气温分别上升约1.20 ℃和0.70 ℃,20世纪初以来,平均气温升高约0.80 ℃。鉴于上述研究,气温测量需提供更加准确的测量数据,才能更为科学地研究我国气温变化。王晓蕾等人[4]研究了辐射强度较强环境下辐射误差和气流速度关系的数据,但该研究未考虑风速、下垫面反射率、太阳高度角、散射辐射[5]等环境因素之间的关系。周鹏程等人[6]设计了基于铂电阻多测点温度测量系统,其测量精度可以达到0.6 ℃。但该研究仅在硬件方面减小了误差,未考虑环境因素的影响和结合软件算法进一步提高测量精度。

为提高气温测量的精度,本文提出了一种地面气象测量温度传感器,利用计算流体动力学(CFD)[7,8]的方法计算温度传感器在不同环境因素下的辐射误差,然后采用神经网络算法[9]模型对辐射误差进行了修正。将温度传感器的硬件结构和软件算法相结合,可显著降低辐射误差。

1 地面气象测量温度传感器设计

1.1 防辐射罩设计

地面气象测量温度传感器的导流通风防辐射罩整体结构如图1所示。

图1 导流通风防辐射罩示意

防辐射罩包括2个外表面镀银的圆板铝壳、2个树脂材料的圆台形导流罩、3根内塑料隔热柱、3根外塑料支撑柱,温度传感器探头置于2个导流罩的垂直中心处。圆板铝壳的直径和厚度分别为150,2 mm,隔热柱的高度和半径分别为25,4 mm,上方圆台导流罩上下直径分别为90,13 mm,下方圆台导流罩上下直径分别为30,100 mm。2个圆台形导流罩可有效引导自然风在防辐射罩内的流通,能有效地加快温度传感器探头周围气流的速度,使太阳直接辐射、下垫面反射等难以直接照射到温度传感器探头。

为减小由反射引起的二次辐射误差,铝壳和导流罩的内表面涂黑,吸收率达到0.9,尽可能降低辐射罩内二次辐射误差。表1为温度传感器材料相关参数。

表1 温度传感器材料特性

1.2 高反射率温度传感器探头设计

温度传感器的探头是由半径为4 mm高反射率铜球和高精度Pt100铂电阻构成。铜球腔内导线与铂电阻通过焊点进行固定连接,腔体开口处用密封胶进行密封,提高其绝缘性,导热胶填充在腔体内提高其导热性。图2为温度传感器探头示意图。

图2 温度传感器探头结构

1.3 双通道温度采集电路系统设计

为了便于验证对比地面气象测量温度传感器的精度,设计了双通道温度采集电路系统。系统主要由32位Cortex_M3处理器STM32103、双通道24 bit∑-△低噪声模数转换AD7794以及提供噪声1.2 μV,温漂系数为3×10-6/ ℃的基准源ADR441C的电源组成,处理器通过RS—485协议将采集的数据发送至上位机显示。图3为此电路系统框图。

图3 双通道温度采集电路系统

温度采集系统的测量通道a采用的是A级Pt100铂电阻,测量通道b作为参考电阻选用了精度为0.1 %的高精度电阻器。同时为了消除由于电阻器引线导致的测量误差,本文系统采用了Fluke 1595A超级测温电桥,抵消了电源中噪声和温漂的影响,系统具有较强的稳定性和抗干扰能力。

2 CFD仿真与修正算法建立

2.1 CFD模型分析

为了模拟仿真不同环境因素下,温度传感器的辐射误差,通过ICEM CFD[10]对计算流体模型进行网格划分,如图4所示。检验网格质量后将划分好的模型导入Fluent进行仿真。仿真时开启能量方程,选择k-epsilon标准湍流模型、SIMPLE算法、二阶迎风模式等进行求解。

图4 防辐射罩网格划分

在太阳辐射强度、气流速度、散射辐射和太阳高度角分别800 W/m2,1 m/s,200 W/m2和45°,下垫面反射率0.2、导流通风防辐射罩内外表面反射率分别为0.9和0.2的条件下,得到此模型的辐射温度场及流场的分布图,如图5所示。

图5 温度场及流场分布

通过CFD-Post软件计算,温度传感器探头处的辐射误差为0.089 K,气流速度为1.093 m/s。表明该模型具有较好的通风性和降低太阳辐射误差的潜在可能。

通过CFD方法分别从风速、太阳辐射强度、下垫面反射率、散射辐射、太阳高度角等对此温度传感器进行误差分析,仿真结果如图6所示。

图6 不同条件下辐射误差计算结果

2.2 反向传播神经网络修正方法

本文采用反向传播(back propagation,BP)神经网络算法对仿真采集的数据进行拟合分析,神经网络能学习和训练大量的输入—输出模型映射关系,利用最速下降的训练学习原则,通过样本的真实类标,计算模型预测的结果与真实类标的误差。然后将该误差反向传播到各个隐含层,计算出各层的误差,再根据各层的误差,更新权重。得到辐射误差Δδ与太阳辐射强度T、下垫面反射率f、太阳高度角A、散射辐射W和气流速度V之间的关系,形成辐射误差修正公式

Δδ=purelin{tan sig(V·wi1+T·wi2+f·wi3+

A·wi4+W·wi5+θi)·wki+ak}

(1)

采用Java[11]语言设计了包含一个隐含层的神经网络,即一个3层的神经网络,如图7所示。

图7 三层神经网络拓扑结构

每层都含有一个1维的X特征矩阵即为输入数据,一个1维W权值矩阵,一个1维的误差矩阵Error,另外该神经网络还包含了一个1维的目标预测矩阵Target,记录样本的真实类标。

3 实验研究

3.1 误差修正公式验证

为了检验修正公式的可靠性,将太阳辐射强度、下垫面反射率、散射辐射、太阳高度角以及风速代入修正公式得到辐射误差结果。将CFD仿真数据作为验证集,修正结果作为训练集进行训练比较分析。结果如图8所示。

图8 神经网络模型可靠性验证结果

修正公式神经网络模型的准确性可由均方根误差RMSE和平均绝对误差MAE表示

(2)

(3)

式中Ec为预测值,Ee为目标值,n为训练样本数量。

由图8可得,训练集和验证集的均方根误差,即预测值与目标值之差的平方分别为0.004 9,0.016 3。平均绝对误差(MAE),即预测值与目标值之差的绝对值分别0.036 4,0.036 7。因此,修正公式神经网络模型的拟合程度较高,若使用该修正公式的模型进行修正,则有望降低辐射误差。

3.2 实验测试与分析

根据气象测量要求中的“代表性”规定,探测仪器的测量结果应能代表周围环境较大范围内的平均情况。根据此要求,选择在中国气象局气象探测中心(南京)观测基地(32.12 °N,118.42 °E,海拔为22 m)搭建了外场实验平台。如图9所示。其中A为实验平台全景图,B为实验温度传感器,C为基准温度传感器,分别与温度采集系统测量通道a,b进行连接。实验中所选取的基准温度传感器为076B风扇吸入式强制通风防辐射罩,其用户手册说明其测量误差在0.03 ℃以内。