基于多红外传感器的智能温度测试装置设计*

苏 波，黄 新

(1.桂林电子科技大学 电子工程学院，广西 桂林541004;2.广西工商职业技术学院 信息与设计系，广西 南宁530003)

0 引 言

温度是工业生产过程中测控的重要参数之一，在国防、军事、科学试验及工农业生产过程中，温度的测量和控制具有十分重要的作用。在实际的温度检测中，主要有平均温度检测和温度分布检测［1］。前者测试系统简单，使用最简单的红外传感器对一定距离的目标发射的红外线进行处理就能得到目标平均温度值;后者目前一般都是采用昂贵的红外热像仪进行检测，其费用高，难维护成为制约该技术发展的最大瓶颈。针对温度分布检测，本文提出了一种基于多传感器的智能温度传感器，降低了测试成本。

1 红外测温基本原理

红外测温的原理是黑体辐射定律，自然界中一切高于绝对零度的物体都在不停向外辐射能量，物体的向外辐射能量的大小及其按波长的分布与它的表面温度有着十分密切的联系，物体的温度越高，所发出的红外辐射能力越强。物体温度与物体辐射能量关系为

P(T)=σT4.

其中，P(T)为物体辐射能量，T 为物体温度，σ 为斯特潘-玻耳兹曼常量。红外传感器能接收到被测物体的红外辐射并转换为相应的电信号，电信号经采样、转换最终转换为物体温度。

2 系统结构

系统体系结构如图1 所示，红外传感器阵列将被测对象温度经过放大电路处理后被处理器采集并处理，处理器中集成了高速A/D，外部存储器用来保存大量的测量数据。集成温度传感器主要用于测量环境温度来进行软件上的环境温度补偿，这种方式大大简化了电路设计并使温度补偿的准确性提高，集成温度传感器选用数字温度传感器DS18B20。无线模块用以响应上位机询问信号并传输温度值给上位机。

图1 系统整体结构图Fig 1 Overall structure diagram of system

2.1 多红外传感器阵列结构

系统中传感器选用HMS 系列中的HMS-Z11 红外传感器，其外观如图2 所示。该传感器将多只热电偶串联在一起形成热电堆，热端和冷端之间进行了隔热处理，当红外线能量照射在红外工作端时，将使热端温度升高产生与之对应的热电势［2～5］。它具有较高的分辨率和灵敏度，输出线性度好，封装顶部的透光窗对红外线的透射性高，在工作范围内，红外线吸收率为100 %。在传感器内部还集成了一只100 kΩ 的热敏电阻器，可以利用做硬件上的温度补偿设计。

图2 HMS-Z11 红外传感器外观Fig 2 Appearance of HMS-Z11 infrared sensor

系统中选用了6 只传感器构成了一个传感器阵列结构，如图3 所示。传感器在透镜焦距位置均匀排成一列，这样增加了传感器的检测范围，同时，由于红外线强度弱，透镜也将红外线聚焦到红外传感器上，增加了传感器的感应能力。

图3 多传感器阵列结构Fig 3 Structure of multi-sensor array

2.2 放大电路设计

系统所采用的放大电路如图4 所示，该电路由3 个运算放大器 A1，A2，A3构成，其中，放大器 A1，A2组成对称结构放入通向差分输入，提高了输入阻抗;A3提高放大电路的共模抑制比。电路通过输入级的差分作用使漂移减少，同时还具有良好线性度的高放大倍数，由图可知，电路的放大倍数为G=1 +2R1/R3，由于R3直接影响放大倍数精度和漂移，在设计中选用精密电阻器。

图4 放大电路构成Fig 4 Constitution of amplification circuit

3 数据处理

3.1 粗大数据误差的消除

在进行粗大误差处理时，有莱以特准则、格罗布斯准则和分布图等几种方法，而所设计的温度传感器所测数据不多，所以，采用罗曼诺夫斯基准则消除粗大误差，对所测温度作多次测量，有 x1，x2，…，xn，假设 xj为可疑数据，将其剔除后计算算术平均值(计算时不包含xj)

在系统中采用6 只传感器，显著度设定为a =0.05，查表有K=3.04。

3.2 温度的非线性补偿

对传感器进行温度补偿有硬件和软件补偿2 种方式，在此，主要讨论软件补偿的方法。文献［6］中介绍了多种软件补偿方法:查表法、线性插值法、计算法、数据拟合等并分析了各种方法的利弊，提出了采用最小二乘法进行数据分段拟合并结合查表法对测量数据进行线性化的新方案，这种方法虽然解决了单一查表法数据存量大的问题，但是当测量精度要求较高时，将加大分段段数，同时也加大了计算量。

神经网络以其高度非线性映射，自组织结构，高度并行和不需预先建模等优点为解决实际问题提供了一个崭新的手段［7］。在系统中采用BP 神经网络算法来进行温度的补偿，这种方法不需查表解决了单一查表法数据存量大的问题，同时，在测量精度要求较高时计算量也比较小。将采集的温度数据与相应传感器电压数据作为学习样本来训练网络，使其权重和阈值收敛到稳定值，具体算法如图5 所示。

图5 算法流程图Fig 5 Flow chart of algorithm

3.3 基于均值的数据融合

当测量结果服从正态分布且测量次数足够多时，算术平均值是测量结果的理想表示方法。但是当测量次数有限时，算术平均值虽然可以改善测量结果，但不是最佳的表示方法，此时，估计算法可以获得更好的测量结果。但估计算法要求比较可靠的测量初值，基于算术平均值与估计的融合算法能够获得可靠的测量初值，有效消除测量中的不确定性，提高测量结果的准确性。该方法具有计算量小、易于编程等特点，适合于缓变量检测系统。结合本系统的特点，采用基于均值的分批估计融合算法［8，9］。

在系统中传感器整列中设置了6 只红外传感器，按照对称原则分为2 组，对2 组数据的平均值采用分批估计算法，估计出接近真值的融合值T+。

2 组数据算术平均值分别为

对应的标准差分别为

由于是同一批的2 组测量数据，此前没有任何关于温度的检测的资料，故可以认为此前测量结果的方差σ－=∞。

R 为测量噪声的协方差矩阵

根据分批估计理论，则融合值得方差为

式中 H 为测量方程的系数矩阵，且H=［1 1］T。

根据分批估计理论温度的融合值T+为

4 实验验证

为了检验BP 神经网络的校正效果，选取了一组对比测试数据，测试温度与校正后温度对比如表1 所示。在所选的测试样本中，根据误差比较可知，实现了温度的高精度校正，取得了满意的效果。

表1 温度对比表Tab 1 Temperature comparison table

对系统中采集的一组数据并进行融合，如表2 所示。6 只传感器温度的平均值是T =27.88 ℃，依据对称分组的原则将传感器分为 1，2，3 和 4，5，6 两组，计算可得1=27.80 ℃，2= 27.96 ℃，σ1= 0.30，σ2= 0.24，T+=27.90 ℃。从结果可以看出:采用数据融合得到的结果比算术平均值方法得到的结果更加合理可靠。

表2 多传感器测量结果Tab 2 Multi-sensor measurement result

5 结 论

系统采用多红外传感器阵列进行温度分布检测，相对与使用昂贵的红外热像仪进行物体温度分布检测，测试成本低并易于维护。同时，在系统中引入罗曼诺夫斯基准则，避免了测试中由于传感器失效带来的影响。采用BP 神经网络算法对测试数据进行线性补偿，并应用基于均值的数据融合算法提高了测量的准确性。

［1］ 刘加峰，石宏理，李海云.多眼红外传感器检测目标温度分布技术研究［J］.传感器世界，2011，6(6):23 －26.

［2］ 徐 薇，杨 卫.一种红外传感器阵列探测方法的研究［J］.传感器与微系统，2009，28(9):16 －18.

［3］ 刘加峰，石宏理，李海云.基于HMS 红外传感器的体温测量仪设计［J］.医疗卫生装备，2011，37(7):11 －13.

［4］ 宋念龙，李 琦.基于红外传感器阵列的智能温度传感器研究［J］.传感技术学报，2010，23(12):1713 －1717.

［5］ 李志强，黄 顺，张卫华，等.基于TPS434 的红外传感测温仪的设计［J］.现代电子技术，2007(12):6 －7.

［6］ 程相波.红外传感器的温度漂移和非线性补偿技术研究［J］.北京工业职业技术学院学报，2007，6(1):8 －1.

［7］ 杜福嘉，汪达兴.应用BP 神经网络校正铂电阻温度传感器非线性的方法［J］.中国科学院研究生学报，2006，23(2):155 －158.

［8］ 李文敏，王改云.多传感器数据融合技术在温度检测中的应用［J］.机械设计与制造，2009(4):103 －104.

［9］ 陈玉坤，司锡才，李志刚.雷达与红外传感器数据关联及融合算法研究［J］.传感器与微系统，2007，26(3):37 －39.