论文部分内容阅读
微机电系统(MicroElectroMechanicalSystem,MEMS)拥有功耗低、灵敏度高、体积小、制造标准化程度高以及性价比高等突出优势,基于MEMS制造工艺的压阻式压力传感器被广泛应用于汽车、航空、石油石化及消费电子的压力测量环节。伴随社会工业化水平的不断发展,对相应工业过程的压力测量性能也日趋严格。环境温度和静压压力作为全面影响高精度MEMS压力传感器整体测量特性的两个关键因素,已然成为压阻式压力传感器在高精度测量领域更进一步的瓶颈。针对上述问题,本文以半导体材料的压阻效应和MEMS制造工艺为基础,以绝压压力传感器、差压压力传感器为研究对象,通过结合包括支持向量回归机(Support Vector Regression,SVR)、最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)与核极限学习机(Kernel Extreme Learning Machine,KELM)在内的机器学习模型以及包括自适应变异粒子群优化(Adaptive Mutation Particle Swarm Optimization,AMPSO)、混沌离子运动算法(Chaotic Ions Motion Algorithm,CIMA)和耦合模拟退火-单纯形搜索(Coupled Simulated Annealing-Simplex,CSA-Simplex)在内的智能算法为手段,对环境温度变化和静压压力影响导致的非线性输出特性、静压输出误差等关键问题展开研究。论文主要研究内容如下:(1)分析了温度漂移现象成因,表明传感器的输出非线性不仅是基于半导体材料压阻系数对温度变化的本质响应也同时受到制造工艺过程中许多其他因素的干扰。比较现有的硬件补偿方法和软件补偿方法,分析各种方法存在的优势和缺陷。(2)针对250kPa压阻式差压压力传感器的温度补偿问题,提出基于改进的AdaBoost.RT集成自适应变异粒子群优化支持向量回归机(Adaptive Muatation Particle Swarm Optimization Optimized Support Vector Regression,AMPSO-SVR)的方法。考虑温度对输出特性的非线性影响,温度补偿问题可以抽象为非线性函数的回归问题。支持向量回归机的结构风险最小化框架保证了良好的模型非线性逼近能力和泛化能力。由于模型参数选择对于支持向量回归机的性能起到至关重要的作用,引入经典的智能优化算法——粒子群优化作为优化选参的策略。局限于传统粒子群算法存在的早熟问题和有限的寻优能力,结合Levy飞行阶段性调整粒子群运动轨迹避免早熟现象。为加速粒子群算法的收敛过程,在初始化种群阶段利用相对基初始化令种群在寻优空间中均匀分布等价于最大程度获取参数空间的结构信息。以精简标定过程为目的设计并完成了动态温度标定实验,结合实验数据与布谷鸟搜索优化支持向量回归机(Cukoo Search Optimized Support Vector Regression,CS-SVR)、飞蛾算法优化支持向量回归机(Firefly Algorithm Optimized Support Vector Regression,FA-SVR)、混合蛙跳算法优化支持向量回归机(Shuffled Leap Frog Algorithm Optimized Support Vector Regression,SLFA-SVR)、粒子群优化支持向量回归机(Particle Swarm Optimization Optimized Support Vector Regression,PSO-SVR)、结合Levy飞行粒子群优化支持向量回归机(Particle Swarm Optimization with Levy Flight Optimized Particle Swarm Optimization Optimized Support Vector Regression,Levy-PSO-SVR)以及自适应变异粒子群优化支持向量回归机(Adaptive Muatation article Swarm Optimization Optimized Support Vector Regression,AMPSO-SVR)的补偿算法相比较,结果表明所提出的自适应变异粒子群优化算法对支持向量回归机的优化程度强于其他优化方法。进一步比较BP神经网络、RBF神经网络、AMPSO-SVR模型与以AMPSO-SVR为基学习机的改进AdaBoost.RT集成模型,结果显示所提出的温度补偿方法在减少标定工作量的基础上获得了更为满意的补偿性能且更易于工程实现。(3)针对40kPa压阻式差压压力传感器的温度补偿问题,提出混沌离子运动优化最小二乘支持向量机的补偿方案。最小二乘支持向量机将支持向量回归机中的二次优化问题转化为线性方程组,其中的正则化理论获得了建模能力与模型复杂度之间的平衡。分析了不同核函数对模型逼近能力的影响,构造了混合核函数。介绍了离子运动优化算法,引入混沌映射保证混沌离子运动算法中搜索过程的遍历性和随机性,提出了混沌离子运动算法选取混合核参数。结合静态标定实验数据,从静态划分和随机划分两种不同的训练集生成角度,与只含RBF核函数的支持向量机(RBF-SVM)、改进的粒子群优化支持向量机(Improved Particle Swarm Optimization Optimized Support Vector Machine,IPSO-RBF-SVM)、改进的粒子群算法优化最小二乘支持向量机(Improved Particle Swarm Optimization Optimized Least Square Support Vector Machine,IPSO-RJBF-LSSVM)以及考虑混合核函数的改进的粒子群算法优化最小二乘支持向量机(Improved Particle Swarm Optimization Optimized Least Square Support Vector Machine,IPSO-Hybird-LSSVM)、离子运动算法优化最小二乘支持向量机(Ions Motion Algorithm Optimized Least Square Support Vector Machine,IMA-Hybrid-LSSVM)和混沌离子运动算法优化最小二乘支持向量机(Chaotic Ions Motion Algorithm Optimized Least Square Support Vector Machine,CIMA-Hybrid-LSSVM)进行对比,仿真结果表明基于LSSVM的温度补偿方案相比SVM拥有计算效率高的优势,混合核函数相比单一 RBF核函数具有更好的模型泛化能力,CIMA优化算法具有良好的全局寻优能力。(4)针对数据量较大的情形提出一种新的量子粒子群最小二乘支持向量机稀疏化(Quatum Particle Swarm Optimization Sparsed Least Squares Support Vector Machine,QPSO-sparsed-LSSVM)策略。量子粒子群优化算法不仅能够以较大概率搜索到与当前稀疏化模型对应的最优模型特征参数,也避免了经典稀疏化算法顺序停止准则可能造成的早期停止效应。量子粒子群优化算法对1MPa绝压压力传感器的补偿效果都优于未稀疏化的最小二乘支持向量机和经典稀疏化最小二乘支持向量机。(5)提出耦合模拟退火结合单纯形搜索优化核极限学习机(Coupled Simulated Annealing and Simplex Optimized Kernel Extreme Learning Machine,CSA-simplex-KELM)框架以解决考虑静压和环境温度综合影响的差压压力传感器的补偿问题。利用极限学习机(Extreme Learning Machine,ELM)拥有令人满意的建模速度并将正则化方法和核方法纳入其中可迅速获得泛化性能良好的预测模型。对核极限学习机(KLEM)的参数寻优策略由耦合模拟退火算法(CSA)与单纯形搜索(simplex)组合的两阶段搜索构成,先由CSA算法在参数空间中获取局部最优或可能的全局最优位置,进而用单纯形搜索完成更小范围的局部精细搜索。结合实验数据与误差反传神经网络(Back Propagation Neural Network,BP)、径向基神经网络(RadialBasisFunctionNeuralNetwork,RBF)、粒子群优化支持向量机(Particle Swarm Optimization Optimized Support Vector Machine,PSO-SVM)、粒子群优化优化最小二乘支持向量机(Particle Swarm Optimization Optimized Least Square Support Vector Machine,PSO-LSSVM)、极限学习机(Extreme Learning Machine,ELM)相比,在温度补偿问题和综合补偿问题上有了显著的精度提升,对压力传感器的测量特性具备较强的学习能力。本文将理论分析、智能优化算法、机器学习理论与试验研究相结合,提出了改善有关MEMS硅压阻式压力传感器温度漂移问题和静压误差问题的关键方法与技术,对多样化压力测量领域的研究方法和深化学科发展具有重要的理论意义和应用价值。