黃 寬,王瑋冰,李 佳
(1.中國科學院微電子研究所,北京 100029; 2.中國科學院物聯(lián)網研究發(fā)展中心,江蘇 無錫 214000;3.昆山光微電子有限公司,江蘇 昆山 215300)
基于神經網絡的MEMS紅外熱電堆自校準響應分析*
黃 寬1,2,王瑋冰1,3,李 佳1,3
(1.中國科學院微電子研究所,北京 100029; 2.中國科學院物聯(lián)網研究發(fā)展中心,江蘇 無錫 214000;3.昆山光微電子有限公司,江蘇 昆山 215300)
為克服MEMS紅外熱電堆原有自校準響應分析方法存在的考慮參數單一、故障覆蓋率低、校準精度低等缺點,全面考慮多個相關參數影響,采用RHPNN神經網絡提高其故障覆蓋率,再用小波神經網絡提高校準精度,最后用FPGA實現(xiàn)了該算法。與傳感器結合實驗結果表明,本方案故障覆蓋率達到92%,自校準后的測溫絕對誤差降到0.03 K。
紅外熱電堆;MEMS;自校準;響應分析;神經網絡
MEMS紅外熱電堆溫度傳感器具有非接觸式測溫的優(yōu)點,因此在軍事、工業(yè)、醫(yī)療和消防等領域得到了廣泛的應用。在熱電堆旁邊設計發(fā)熱電阻,只須電信號便可在MEMS內部產生紅外輻射[1],以此實現(xiàn)自校準,比傳統(tǒng)校準降低了成本,提高了效率。激勵轉換之后是響應分析,先測試各種故障,再校正可校正的故障。MEMS紅外熱電堆傳感器的自校準,目前的響應分析方法所考慮參數單一、建模難度大、故障覆蓋率低。
已有運用訓練好的神經網絡算法來實現(xiàn)多種MEMS傳感器的故障檢測和校正[2],但針對MEMS紅外熱電堆自校準的響應分析還沒有用這樣的方法研究。本文運用大量MEMS紅外熱電堆響應數據訓練多種學習型算法,選用RHPNN神經網絡提高其故障覆蓋率,再選用小波神經網絡提高校準精度,然后用FPGA實現(xiàn)了該算法電路,最后多次實驗驗證了該算法的有效性和先進性。
圖1給出了紅外熱電堆溫度傳感器的典型結構[3]。工作原理為:熱電堆1將感知待測物體的紅外輻射轉化為電壓差信號ΔV1,本地溫度測量電路3獲得本地溫度T0,ΔV1和T0通過放大器2和ADC4后輸入到計算電路5,利用響應率R和公式(1)計算得到待測物體溫度T1:
(1)
其中As為熱電堆吸收面積,a為待測物體和熱電堆的輻射系數相關常數,δ為斯蒂芬-玻爾茲曼常數,響應率R為在給定的輻照功率P下熱電堆的輸出電壓ΔV2與入射輻照功率P的比值:
(2)
(3)
其中Vres為發(fā)熱電阻兩端的電壓,r為發(fā)熱電阻阻值,ε為發(fā)熱電阻的輻射系數。將式(3)代入式(2)得:
(4)
圖1 紅外熱電堆溫度傳感器典型結構圖
圖2為MEMS紅外熱電堆的自校準系統(tǒng)結構,首先發(fā)熱電阻在電壓Vres下產生熱輻射,熱電堆吸收熱輻射產生響應輸出電壓ΔV,然后根據式(4)計算電學響應率Re,再進行故障檢測,檢測合格的才進行校正得到紅外響應率Ro,最后計算目標溫度T1。各部分之間的具體操作關系如圖3所示。
圖2 自校準系統(tǒng)結構圖
圖3 自校準操作關系圖
MEMS紅外熱電堆溫度傳感器的自校準響應分析已有以模型為基礎的方法[3]:
(1)故障檢測:兩次不同熱輻射下利用公式(3)可以得到R1和R2,二者差值δ≤δT時,說明熱電堆正常;否則說明熱電堆有故障。
(5)
δ=|R1-R2|
(6)
該辦法只考慮了Re之間差值過大這一種故障情況,需要提高故障覆蓋率。
(2)自校正:粗略地認為紅外響應率Ro與電學響應率Re的比值是一個常數η,Re乘以η便得校正的紅外響應率Ro:
(7)
其中k=η/ε為常數。此方法忽略了環(huán)境溫度T0等許多變量對Ro的影響。需要新的自校正方法,把環(huán)境溫度T0和其他電壓電阻等影響因素考慮進去,才能實現(xiàn)更準確的R0自校正,最終才能更準確地測量目標溫度T1。
MEMS紅外熱電堆的自校準參數中,ΔV、Re和T0都有三種情況:偏離正常范圍,兩次測量差值過大,正常。另外三個量各自正常,但互相之間關系不正常也是故障。本實驗用200組合格的數據,400組各種故障的數據,在MATLAB訓練多種神經網絡[4],以期獲得最好的故障覆蓋率。各方案優(yōu)缺點比較如下:
(1)BP神經網絡(Error Back Propagation),太簡單:故障覆蓋率低;
(2)徑向基函數神經網絡(Radial Basis Function ,RBF):需要Extended Kalman Filter 優(yōu)化;
(3)自組織神經網絡(Self-Organizing Mapping,SOM):學習率和規(guī)模需要經驗來選擇,訓練時間長;
(4)學習向量量化神經網絡(Learning Vector Quantization, LVQ):自組織神經網絡與有監(jiān)督學習相結合,表現(xiàn)不佳;
(5)基于概率的魯棒性異方差神經網絡構[5](Robust Heteroscedastic Probabilistic Neural Network,RHPNN):表現(xiàn)最好,可以檢測到大部分故障。所以本文采用此算法作為故障檢測方法。其結構如圖4所示,具有4層前饋結構[5]。
輸入層5個神經元,用5個存儲器實現(xiàn),輸入5維向量ΔV1、ΔV2、Re1、Re2、T0;隱含層20個神經元,分成有故障類18個神經元和無故障類2個神經元,神經元激勵函數為高斯函數:
(8)
圖4 RHPNN神經網絡結構圖
求和層包含2個加權求和;輸出層只有1個加權比較器,合格類神經元之和大于等于不合格之和,則輸出測試結果為合格,反之輸出結果為不合格。
本文用200多組實驗數據,每一組包括Vres、ΔV、Re、T0、η以及實測的紅外響應率Ro。用前5個量做輸入數據,Ro做訓練目標,經MATLAB仿真測試結果如圖5(a),圓點標記的實線是目標值,方塊標記的虛線是小波神經網絡[6]的結果,與目標值最接近,而三角形標記的虛線是BP神經網絡、自組織神經網絡、徑向基函數神經網絡的結果,與目標值相差甚遠。
小波神經網絡的結構如圖5(b),分三層:輸入層存儲5維向量;隱含層6個神經元激勵函數為Morlet小波基函數,即y=cos(1.75x)exp(-x2/2);輸出層把隱含層的輸出加權求和,得到校正的紅外響應率Ro。
圖5 自校正算法信真測試
本方案用Verilog編程實現(xiàn)上述信號處理、溫度計算、故障檢測和校準分析模塊。難點在神經網絡的RTL級實現(xiàn),下面以RHPNN神經網絡實現(xiàn)為例進行介紹。
20個高斯神經元采用分時復用的辦法先后計算,實際電路中只需要一個,分成加權求和和高斯函數查找表(高斯函數運算復雜,難以直接實現(xiàn),所以用查找表實現(xiàn))。該神經網絡的狀態(tài)轉移圖如圖6所示。先初始化各個計數器,然后判斷NA1<20則進入加權求和1中,每加權求和一次遍高斯查找一次,如此完成20個高斯神經元的運算,再進入加權求和2,完成2次加權求和后進入比較輸出,最后復位各個計數器[7]。
圖6 神經網絡的狀態(tài)轉移圖
信號流圖如圖7所示,各模塊的具體功能如下:
(1)控制單元:收到Self-test信號時開始自測試的響應分析,提供控制信號。
(2)加權求和器:接收參數,從權值存儲表中讀取權值相乘,再求和。
(3)高斯函數查找:接收Test-x,用折半查找法在高斯函數存儲表里查到對應的Test-y輸出。
(4)比較輸出:比較大小,sum1大則表示合格,進入校正;sum2或者兩者相等則故障,輸出Test-finish4結束故障檢測。
(5)權值存儲表和高斯函數存儲表:利用FPGA中的存儲單元存儲數值,供查找使用。
圖7 故障檢測的RHPNN神經網絡RTL設計的信號流圖
本方案的測試先用Modelsim軟件仿真,驗證波形與設計相符。最終將MEMS紅外熱電堆溫度傳感器與FPGA結合,目標溫度測試的結果如圖8所示。溫度曲線其實有三條,即目標溫度、傳統(tǒng)方案測得溫度、本設計方案測得溫度,基本重合。再看兩種自校準方案后的溫度測量絕對誤差曲線,本自校準方案后測溫絕對誤差小于0.03 K,相比于原來自校準技術的0.08 K的絕對誤差,本自校準方案具有顯著優(yōu)勢。
圖8 自校準后傳感器用于溫度測試結果
MEMS自校準原有的以模型為基礎的響應分析方法存在考慮參數單一、建模難度大、故障覆蓋率低等問題,用大量數據訓練學習型算法做自校準的響應分析,可以全面考慮多個相關參數影響,降低建模復雜度,提高故障覆蓋率、校準校準精確度。本方法存在的問題是計算量過大,
所以可以進一步研究改進。
[1] 余丹.紅外熱電堆傳感器數字電路關鍵模塊設計與驗證[D].北京:中國科學院,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. 紅外熱電堆溫度傳感器的自測試和自校準系統(tǒng)[P].中國: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神經網絡30個案例分析[M].北京,北京航空航天大學出版社,2009.
[7] 夏宇聞.Verilog數字系統(tǒng)設計教程(第二版)[M].北京:北京航空航天大學出版社,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
黃寬,王瑋冰,李佳.基于神經網絡的MEMS紅外熱電堆自校準響應分析[J].微型機與應用,2017,36(20):48-50,70.
國家自然科學基金面上項目(61370044); 國家863計劃(2015AA042605); 中科院-北大率先合作團隊資助經費(201510280052); 中國科學院科技服務網絡計劃(STS計劃)項目“物聯(lián)網核心芯片及應用技術”
2017-03-31)
黃寬(1991-),通信作者,男,碩士研究生,主要研究方向:MEMS自測試自校準技術。E-mail:1456750627@qq.com。
王瑋冰(1977-)男,博士,研究員,教授,主要研究方向:MEMS。
李佳(1983-)女,博士,副研究員,主要研究方向:MEMS。