一种基于深度学习的低温传感器的高精度温度预测方法

1.本发明涉及人工智能预测技术领域，具体地，涉及一种基于深度学习的低温传感器的高精度温度预测方法。


背景技术：

2.负温度系数低温传感器在使用之前需要进行标定，即得到电阻与温度的关系，标定的过程中需要选取一个拟合多项式。衡量拟合效果的标准是标准偏差。目前拟合效果最好的拟合方程是切比雪夫多项式。拟合方程的拟合方次和取点的数量对拟合的精度有影响，因此有人开发出了自动分段的切比雪夫多项式拟合方法。较好的实现了曲线拟合的目的。但是仍然存在一些问题，该方法在实际运用中的预测结果精度仍有提升空间；并且该方法在分段重叠的区域预测值取两分段的平均值，由于分段边界点的精度较低，因此取平均值并不能得到最好的效果；而且在分段的过程中还需要遍历不同的拟合方次，过程较为繁琐。
3.xiaohe tang等(an optimal piecewise chebyshev fitting method to calibrate cryogenic temperature sensors[c],proc.spie 11617,international conference on optoelectronic and microelectronic technology and application,116173d,4december2020)研究了一种用于低温温度传感器(尤其是负温度系数电阻)标定的最优分段切比雪夫拟合方程(opcfm)，与其他常用的拟合多项式相比，切比雪夫多项式在14.5-40k的低温范围内拟合性能最好。opcfm能够很好地找到最佳分段以及重叠区间和最佳拟合方次，以此来最小化每个分段的标准方差。切比雪夫多项式理论上能逼近任意函数，但是文章所提到的方法利用非深度学习的算法来进行拟合，所能达到的精度有限；在对两个分段的重叠区域的处理上，文章中的方法是直接取两个分段的平均值，作为重叠区域的预测值，但是由于越靠近边界点，预测值偏差越大，所以其中一个分段的较大的偏差可能会影响最后的结果；原有的方法在确定分段边界的同时需要确定拟合方次，例如有n个边界点需要遍历，同时有m个拟合方次需要遍历，则最后需要计算m*n次。过程比较繁琐。
[0004]
经检索，授权公告号为cn105588667b的中国发明专利，公开了一种高精度热敏电阻温度计校准装置，在校准装置增加了温度数据拟合系统，可以选取采用不同的拟合方法对得到的温度数据进行拟合，比较拟合精度，得到最准确的拟合结果，从而实现对热敏电阻温度计的精确校准；并且在实际校准过程中，可以根据不同的拟合方式进行多种校准点和分段拟合，进行拟合精度验证。但是该发明仅仅通过拟合方程进行温度拟合，且对测温范围的温区分段不够精确，拟合的精度还有待提高。


技术实现要素：

[0005]
针对现有技术中的缺陷，本发明的目的是提供一种基于深度学习的低温传感器的高精度温度预测方法，能够提高低温传感器的温度预测精度。
[0006]
根据本发明的一个方面，提供一种基于深度学习的低温传感器的高精度温度预测
方法，包括：
[0007]
获取低温传感器的温度与电阻对应关系的数据集；
[0008]
利用切比雪夫多项式和归一化法对所述数据集进行预处理，得到处理后数据集；
[0009]
构建深度学习模型，调节超参数后，将所述处理后数据集分段形成低温区和高温区，所述低温区与所述高温区有重叠区间，并对所述处理后数据集进行训练；
[0010]
根据训练结果预测温度值。
[0011]
优选地，所述利用切比雪夫多项式和归一化法对所述数据集进行预处理，包括：
[0012]
深度学习模型的输入为电阻，输出为温度，通过切比雪夫多项式给电阻添加特征项，以此来加快收敛速度，切比雪夫多项式为：
[0013][0014]
其中t为绝对温度，r为电阻，x为绝对值不大于1的变量，a和b为归一化常数，n为拟合方次，ai为拟合系数；
[0015]
对输入的电阻、生成的特征项和输出的温度分别进行归一化处理，得到处理后数据集。
[0016]
优选地，切比雪夫多项式的拟合方次设置为校准点数量的一半。
[0017]
优选地，所述归一化处理选用最大最小标准化方法：
[0018][0019]
其中，x'为归一化后的样本数据，x为归一化前的样本数据，max(x)为样本数据最大值，min(x)为样本数据最小值。
[0020]
优选地，所述构建深度学习模型，调节超参数后，将所述处理后数据集分段形成低温区和高温区，所述低温区与所述高温区有重叠区间，并对所述处理后数据集进行训练，包括：
[0021]
搭建深度学习模型，添加lstm层以及全连接层，并添加l1正则化方法；
[0022]
将所述处理后数据集分成训练集和验证集，然后将所述训练集送入所述深度学习模型中进行训练，利用所述验证集来调节所述深度学习模型相关的超参数；
[0023]
将所述处理后数据集分段形成低温区和高温区，所述低温区与所述高温区有重叠区间，通过完整的所述处理后数据集确定分段边界点。
[0024]
优选地，在所述搭建深度学习模型，添加lstm层以及全连接层，并添加l1正则化方法中，目标函数为：
[0025][0026]
其中l为目标函数，n为样本数目，t为校准点温度真实值，t为校准点温度预测值，k
为特征项数目，w为权重；通过所述深度学习模型使得所述目标函数减小。
[0027]
优选地，所述超参数包括正则化系数。
[0028]
优选地，将所述处理后数据集分段形成低温区和高温区后，切比雪夫多项式的拟合方次分别设置为所述低温区和所述高温区内校准点数目的一半。
[0029]
优选地，所述通过完整的所述处理后数据集确定分段边界点，包括：
[0030]
所述处理后数据集从左至右温度递减，将所述处理后数据集的最左端作为所述低温区的左边界点，右边界点在中部的校准点进行遍历，训练好模型后，计算整个所述低温区的均方差，选取均方差最低的右端点作为所述低温区的右边界点；
[0031]
从所述低温区的右边界点左移2-3个点，作为所述高温区的左边界点，将所述处理后数据集的最右端作为所述高温区的右边界点。
[0032]
优选地，所述根据训练结果预测温度值，包括：
[0033]
对于所述低温区和所述高温区，训练出多个模型，每个模型进行前向推理得到预测值，去掉最大值和最小值后，取平均值作为最后的结果，得到低温区温度值和高温区温度值；
[0034]
对于所述重叠区间，选择所述重叠区间的中间点作为所述低温区与所述高温区的分界点，所述分界点左侧的重叠区间内的数据使用所述低温区温度值作为预测值，所述分界点右侧的重叠区间内的数据使用所述高温区温度值作为预测值。
[0035]
与现有技术相比，本发明具有如下至少之一的有益效果：
[0036]
1、本发明的基于深度学习的低温传感器的高精度温度预测方法，通过深度学习的方法结合切比雪夫多项式，能够提高温度传感器预测的精度。
[0037]
2、本发明的基于深度学习的低温传感器的高精度温度预测方法，通过对低温区和高温区的重叠区间取分界点，并且左右两边分别取偏差较小的分段的预测值作为结果，从而能够提高重叠区间的温度预测精度。
[0038]
3、本发明的基于深度学习的低温传感器的高精度温度预测方法，通过添加正则化方法，并且取校准点数目的一半作为拟合方次，能够简化方法的复杂程度。
附图说明
[0039]
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
[0040]
图1为本发明实施例中基于深度学习的低温传感器的高精度温度预测方法的流程示意图。
具体实施方式
[0041]
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
[0042]
本发明实施例提供一种基于深度学习的低温传感器的高精度温度预测方法，如图1所示，该方法包括：
[0043]
s1、获取低温传感器的温度与电阻对应关系的数据集。
[0044]
首先对低温传感器进行测量，获取温度与电阻一一对应的数据集，数据集中温度与电阻大致成反比关系。在一些具体的实施例中，商用低温传感器的校准点范围一般为14k～273.16k，可以在这个范围内测量48个左右的校准点温度以及对应的电阻，当然，校准点的范围和校准点的数量还可以是其他的数值，可以根据具体情况和实际情况确定。为了保证数据拟合的精度，测量系统在测量时要保持温度的稳定性。
[0045]
s2、利用切比雪夫多项式和归一化法对数据集进行预处理，得到处理后数据集。
[0046]
在一些实施例中，利用切比雪夫多项式和归一化法对数据集进行预处理，包括：
[0047]
s21、获得温度与电阻的一一对应的数据集后，需要对数据集进行特征构建，这个过程可以通过增加一些输入数据的非线性特征来实现。通常使用多项式特征来获得特征的更高维度和互相间关系的项。深度学习模型的输入为电阻，输出为温度，通过切比雪夫多项式给电阻添加特征项，以此来加快收敛速度，切比雪夫多项式为：
[0048][0049]
其中t为绝对温度，r为电阻，x为绝对值不大于1的变量，a和b为归一化常数，n为拟合方次，ai为拟合系数。
[0050]
为简化方法的复杂程度，在一些优选的实施例中，切比雪夫多项式的拟合方次可以设置为校准点数量的一半，则输入的电阻r被扩展成：a
1 cos[icos-1
(alnr b)]
…an
cos[icos-1
(alnr b)]，共n 1项。
[0051]
s22、对输入的电阻、生成的特征项和输出的温度分别进行归一化处理，得到处理后数据集。
[0052]
在一些优选的实施例中，归一化处理选用最大最小标准化方法：
[0053][0054]
其中，x'为归一化后的样本数据，x为归一化前的样本数据，max(x)为样本数据最大值，min(x)为样本数据最小值。通过归一化处理，可以提高收敛速度，还可以提高精度。
[0055]
s3、构建深度学习模型，调节超参数后，将处理后数据集分段形成低温区和高温区，低温区与高温区有重叠区间，并对处理后数据集进行训练。该步骤进一步地包括：
[0056]
s31、搭建深度学习模型，添加lstm层以及全连接层，并添加l1正则化方法。
[0057]
在一些优选的实施例中，在搭建深度学习模型，添加lstm层以及全连接层，并添加l1正则化方法中，目标函数为：
[0058][0059]
其中l为目标函数，n为样本数目，t为校准点温度真实值，t为校准点温度预测值，k
为特征项数目，w为权重；通过深度学习模型使得目标函数减小。
[0060]
s32、将处理后数据集分成训练集和验证集，然后将训练集送入深度学习模型中进行训练，利用验证集来调节深度学习模型相关的超参数；
[0061]
将处理后数据集分成训练集和验证集只是用于超参数调优，后续的预测仍然用完整的处理后数据集。一般选取温区中部附近的一个校准点作为验证集，即在处理后数据集的中部附近选择一个校准点，该校准点包括温度点以及其对应的电阻值；然后将训练集送入深度学习模型中进行训练，训练集包括温度和电阻的数据，利用验证集来调节深度学习模型相关的超参数，超参数可以包括正则化系数，以减小方法的复杂程度。
[0062]
s33、将处理后数据集分段形成低温区和高温区，低温区与高温区有重叠区间，通过完整的处理后数据集确定分段边界点。
[0063]
因为对测量全温区使用同一套切比雪夫多项式的系数，效果并不好，因此需要将完整的处理后数据集分段，分成低温区和高温区，可以理解的是，低温与高温是相对于整个数据集而言，并无绝对标准，同时两个分段有重叠区间，以建立平滑的连接，再通过完整的处理后数据集确定分段边界点。在一些实施例中，通过完整的处理后数据集确定分段边界点，进一步地包括：
[0064]
s331：处理后数据集从左至右温度递减，将处理后数据集的最左端作为低温区的左边界点，右边界点在中部的校准点进行遍历，需要说明的是，中部的校准点指的是处理后数据集中部的一个区间，对于训练好模型后，计算整个低温区的均方差，选取均方差最低的右端点作为低温区的右边界点。
[0065]
均方差为真实值与预测值差平方的期望，均方差的计算公式为：
[0066][0067]
上式中，ym表示真实值，表示预测值，m表示校准点的数目。
[0068]
具体地，将分好段的数据送入深度学习模型中训练，然后再用训练好的模型进行预测，得到一列预测温度值，代入上述公式得到均方差，均方差会随着右边界点的选取不同而变化，选取均方差最小的右边界点作为低温区的右边界点。
[0069]
为简化方法的复杂程度，在一些优选的实施例中，将处理后数据集分段形成低温区和高温区后，切比雪夫多项式的拟合方次分别设置为低温区和高温区内校准点数目的一半。
[0070]
可以理解的是，考虑到不同批次低温传感器的差异，在其他的一些实施例中，每个低温传感器的分段方式和拟合方次可以做出任意适当的调节。
[0071]
s332：在确定了第一分段后，从低温区的右边界点左移2-3个点，作为高温区的左边界点，将处理后数据集的最右端作为高温区的右边界点。
[0072]
s4、根据训练结果预测温度值。
[0073]
为提高温度预测的精度，在一些实施例中，根据训练结果预测温度值，包括：
[0074]
s41、对于低温区和高温区，训练出多个模型，每个模型进行前向推理得到预测值，去掉最大值和最小值后，取平均值作为最后的结果，得到低温区温度值和高温区温度值。
[0075]
具体地，对于非重叠区域，选取超参数以及分段效果最好的模型进行训练，可以训练出6至8个模型，使用这些模型预测温度值，即先训练好模型，然后将电阻输入得到预测的
温度值，可以多次输入电阻得到多个预测的温度值。为了排除奇异值，去掉一个最大值和一个最小值，将剩下的预测值取平均值作为最后的结果。
[0076]
s42、对于重叠区间，选择重叠区间的中间点作为低温区与高温区的分界点，分界点左侧的重叠区间内的数据使用低温区温度值作为预测值，分界点右侧的重叠区间内的数据使用高温区温度值作为预测值。
[0077]
对于重叠区域，原有的方法是直接对两个分段的结果取平均值，但是由于距离分段边界越近，预测值精度越低，所以只取一个分段作为最后的结果，以提高预测值的精度。
[0078]
本发明的上述实施例，通过深度学习的方法，结合切比雪夫多项式，能够提高温度传感器预测的精度。而且，通过对低温区和高温区的重叠区间取分界点，并且左右两边分别取偏差较小的分段的预测值作为结果，从而进一步提高重叠区间的温度预测精度。另外，通过添加正则化方法，并且取校准点数目的一半作为拟合方次，能够简化方法的复杂程度。
[0079]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。上述各优选特征在互不冲突的情况下，可以任意组合使用。