基于IGOA-RBF的矿用风压传感器温度补偿研究

吴新忠，耿 柯，陈 昌

(中国矿业大学信息与控制工程学院，江苏 徐州 221008)

0 引 言

矿井智能通风的精准调控依赖于控制系统前端通风参数的精准监测。在矿内温、湿度和灾害气体等通风参数测量已经能满足精度要求的前提下，风压参数的快速准确测量成为关键，风压参数测量精度高，风网解算与智能调控将更精准[1]。当前，硅压阻式风压传感器因其体积小、灵敏度高、响应速度快等综合优势成为煤矿通风系统风压参数的主流采集设备。由于矿井环境温度的干扰[2]，导致测得的风压参数精度降低，需要对风压传感器进行温度补偿。

风压传感器的温度补偿主要有硬件和软件两种方式。由于硬件补偿存在电路温漂、价格昂贵和普适性不高的缺点[3]，学者们针对风压传感器的温度漂移软件补偿进行了大量研究，具体地有插值法、曲面拟合法[4]和人工神经网络方法等。其中，人工神经网络因其强大的非线性映射能力被广泛应用。文献[5]对应变片式压力传感器的温度漂移问题，建立快速非排序遗传算法(non-dominated sorting genetic algorithm,NSGA-Ⅱ)优化的误差反向传播(back propagation,BP)神经网络温度补偿模型，提高了应变片式压力传感器的测量准确度。文献[6]通过建立粒子群算法(particle swarm optimization,PSO)优化的BP神经网络温度补偿模型，改善了压力传感器的温漂现象。与BP神经网络相比，径向基神经网络(radial basis function,RBF)训练过程中需要调节的结点和权值较少，训练速度更快。文献[7]表明RBF对电化学CO气体传感器的温补精度高于BP的补偿精度。但RBF存……