黃 寬，王瑋冰，李 佳

(1.中國(guó)科學(xué)院微電子研究所，北京 100029； 2.中國(guó)科學(xué)院物聯(lián)網(wǎng)研究發(fā)展中心，江蘇 無(wú)錫 214000；3.昆山光微電子有限公司，江蘇 昆山 215300)

基于神經(jīng)網(wǎng)絡(luò)的MEMS紅外熱電堆自校準(zhǔn)響應(yīng)分析*

黃 寬1,2，王瑋冰1,3，李 佳1,3

(1.中國(guó)科學(xué)院微電子研究所，北京 100029； 2.中國(guó)科學(xué)院物聯(lián)網(wǎng)研究發(fā)展中心，江蘇 無(wú)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(zhǔn)響應(yīng)分析方法存在的考慮參數(shù)單一、故障覆蓋率低、校準(zhǔn)精度低等缺點(diǎn)，全面考慮多個(gè)相關(guān)參數(shù)影響，采用RHPNN神經(jīng)網(wǎng)絡(luò)提高其故障覆蓋率，再用小波神經(jīng)網(wǎng)絡(luò)提高校準(zhǔn)精度，最后用FPGA實(shí)現(xiàn)了該算法。與傳感器結(jié)合實(shí)驗(yàn)結(jié)果表明，本方案故障覆蓋率達(dá)到92%，自校準(zhǔn)后的測(cè)溫絕對(duì)誤差降到0.03 K。

紅外熱電堆；MEMS；自校準(zhǔn)；響應(yīng)分析；神經(jīng)網(wǎng)絡(luò)

0 引言

MEMS紅外熱電堆溫度傳感器具有非接觸式測(cè)溫的優(yōu)點(diǎn)，因此在軍事、工業(yè)、醫(yī)療和消防等領(lǐng)域得到了廣泛的應(yīng)用。在熱電堆旁邊設(shè)計(jì)發(fā)熱電阻，只須電信號(hào)便可在MEMS內(nèi)部產(chǎn)生紅外輻射[1]，以此實(shí)現(xiàn)自校準(zhǔn)，比傳統(tǒng)校準(zhǔn)降低了成本，提高了效率。激勵(lì)轉(zhuǎn)換之后是響應(yīng)分析，先測(cè)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(zhǔn)，目前的響應(yīng)分析方法所考慮參數(shù)單一、建模難度大、故障覆蓋率低。

已有運(yùn)用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)算法來(lái)實(shí)現(xiàn)多種MEMS傳感器的故障檢測(cè)和校正[2]，但針對(duì)MEMS紅外熱電堆自校準(zhǔn)的響應(yīng)分析還沒(méi)有用這樣的方法研究。本文運(yùn)用大量MEMS紅外熱電堆響應(yīng)數(shù)據(jù)訓(xùn)練多種學(xué)習(xí)型算法，選用RHPNN神經(jīng)網(wǎng)絡(luò)提高其故障覆蓋率，再選用小波神經(jīng)網(wǎng)絡(luò)提高校準(zhǔn)精度，然后用FPGA實(shí)現(xiàn)了該算法電路，最后多次實(shí)驗(yàn)驗(yàn)證了該算法的有效性和先進(jìn)性。

1 MEMS紅外熱電堆溫度傳感器的自校準(zhǔn)結(jié)構(gòu)

1.1 MEMS紅外熱電堆溫度傳感器

圖1給出了紅外熱電堆溫度傳感器的典型結(jié)構(gòu)[3]。工作原理為：熱電堆1將感知待測(cè)物體的紅外輻射轉(zhuǎn)化為電壓差信號(hào)ΔV1，本地溫度測(cè)量電路3獲得本地溫度T0，ΔV1和T0通過(guò)放大器2和ADC4后輸入到計(jì)算電路5，利用響應(yīng)率R和公式(1)計(jì)算得到待測(cè)物體溫度T1:

(1)

其中As為熱電堆吸收面積，a為待測(cè)物體和熱電堆的輻射系數(shù)相關(guān)常數(shù)，δ為斯蒂芬-玻爾茲曼常數(shù)，響應(yīng)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(shù)。將式(3)代入式(2)得：

(4)

圖1 紅外熱電堆溫度傳感器典型結(jié)構(gòu)圖

1.2 自校準(zhǔn)的系統(tǒng)結(jié)構(gòu)設(shè)計(jì)

圖2為MEMS紅外熱電堆的自校準(zhǔn)系統(tǒng)結(jié)構(gòu)，首先發(fā)熱電阻在電壓Vres下產(chǎn)生熱輻射，熱電堆吸收熱輻射產(chǎn)生響應(yīng)輸出電壓ΔV，然后根據(jù)式(4)計(jì)算電學(xué)響應(yīng)率Re，再進(jìn)行故障檢測(cè)，檢測(cè)合格的才進(jìn)行校正得到紅外響應(yīng)率Ro，最后計(jì)算目標(biāo)溫度T1。各部分之間的具體操作關(guān)系如圖3所示。

圖2 自校準(zhǔn)系統(tǒng)結(jié)構(gòu)圖

圖3 自校準(zhǔn)操作關(guān)系圖

2 自校準(zhǔn)的響應(yīng)分析方法

MEMS紅外熱電堆溫度傳感器的自校準(zhǔn)響應(yīng)分析已有以模型為基礎(chǔ)的方法[3]：

(1)故障檢測(cè)：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(shí)，說(shuō)明熱電堆正常；否則說(shuō)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(guò)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(rèn)為紅外響應(yīng)率Ro與電學(xué)響應(yīng)率Re的比值是一個(gè)常數(shù)η，Re乘以η便得校正的紅外響應(yīng)率Ro：

(7)

其中k=η/ε為常數(shù)。此方法忽略了環(huán)境溫度T0等許多變量對(duì)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(jìn)去，才能實(shí)現(xiàn)更準(zhǔn)確的R0自校正，最終才能更準(zhǔn)確地測(cè)量目標(biāo)溫度T1。

2.1 故障檢測(cè)算法的選用

MEMS紅外熱電堆的自校準(zhǔn)參數(shù)中，ΔV、Re和T0都有三種情況：偏離正常范圍，兩次測(cè)量差值過(guò)大，正常。另外三個(gè)量各自正常，但互相之間關(guān)系不正常也是故障。本實(shí)驗(yàn)用200組合格的數(shù)據(jù)，400組各種故障的數(shù)據(jù)，在MATLAB訓(xùn)練多種神經(jīng)網(wǎng)絡(luò)[4]，以期獲得最好的故障覆蓋率。各方案優(yōu)缺點(diǎn)比較如下：

(1)BP神經(jīng)網(wǎng)絡(luò)(Error Back Propagation)，太簡(jiǎn)單：故障覆蓋率低；

(2)徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(Radial Basis Function ,RBF)：需要Extended Kalman Filter 優(yōu)化；

(3)自組織神經(jīng)網(wǎng)絡(luò)(Self-Organizing Mapping,SOM)：學(xué)習(xí)率和規(guī)模需要經(jīng)驗(yàn)來(lái)選擇，訓(xùn)練時(shí)間長(zhǎng)；

(4)學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)(Learning Vector Quantization, LVQ)：自組織神經(jīng)網(wǎng)絡(luò)與有監(jiān)督學(xué)習(xí)相結(jié)合，表現(xiàn)不佳；

(5)基于概率的魯棒性異方差神經(jīng)網(wǎng)絡(luò)構(gòu)[5](Robust Heteroscedastic Probabilistic Neural Network,RHPNN)：表現(xiàn)最好，可以檢測(cè)到大部分故障。所以本文采用此算法作為故障檢測(cè)方法。其結(jié)構(gòu)如圖4所示，具有4層前饋結(jié)構(gòu)[5]。

輸入層5個(gè)神經(jīng)元，用5個(gè)存儲(chǔ)器實(shí)現(xiàn)，輸入5維向量ΔV1、ΔV2、Re1、Re2、T0；隱含層20個(gè)神經(jīng)元，分成有故障類18個(gè)神經(jīng)元和無(wú)故障類2個(gè)神經(jīng)元，神經(jīng)元激勵(lì)函數(shù)為高斯函數(shù)：

(8)

圖4 RHPNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

求和層包含2個(gè)加權(quán)求和；輸出層只有1個(gè)加權(quán)比較器，合格類神經(jīng)元之和大于等于不合格之和，則輸出測(cè)試結(jié)果為合格，反之輸出結(jié)果為不合格。

2.2 自校正算法的改進(jìn)選用

本文用200多組實(shí)驗(yàn)數(shù)據(jù)，每一組包括Vres、ΔV、Re、T0、η以及實(shí)測(cè)的紅外響應(yīng)率Ro。用前5個(gè)量做輸入數(shù)據(jù)，Ro做訓(xùn)練目標(biāo)，經(jīng)MATLAB仿真測(cè)試結(jié)果如圖5(a)，圓點(diǎn)標(biāo)記的實(shí)線是目標(biāo)值，方塊標(biāo)記的虛線是小波神經(jīng)網(wǎng)絡(luò)[6]的結(jié)果，與目標(biāo)值最接近，而三角形標(biāo)記的虛線是BP神經(jīng)網(wǎng)絡(luò)、自組織神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的結(jié)果，與目標(biāo)值相差甚遠(yuǎn)。

小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖5(b)，分三層：輸入層存儲(chǔ)5維向量；隱含層6個(gè)神經(jīng)元激勵(lì)函數(shù)為Morlet小波基函數(shù)，即y=cos(1.75x)exp(-x2/2)；輸出層把隱含層的輸出加權(quán)求和，得到校正的紅外響應(yīng)率Ro。

圖5 自校正算法信真測(cè)試

3 神經(jīng)網(wǎng)絡(luò)的RTL級(jí)設(shè)計(jì)

本方案用Verilog編程實(shí)現(xiàn)上述信號(hào)處理、溫度計(jì)算、故障檢測(cè)和校準(zhǔn)分析模塊。難點(diǎn)在神經(jīng)網(wǎng)絡(luò)的RTL級(jí)實(shí)現(xiàn)，下面以RHPNN神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)為例進(jìn)行介紹。

20個(gè)高斯神經(jīng)元采用分時(shí)復(fù)用的辦法先后計(jì)算，實(shí)際電路中只需要一個(gè)，分成加權(quán)求和和高斯函數(shù)查找表(高斯函數(shù)運(yùn)算復(fù)雜，難以直接實(shí)現(xiàn)，所以用查找表實(shí)現(xiàn))。該神經(jīng)網(wǎng)絡(luò)的狀態(tài)轉(zhuǎn)移圖如圖6所示。先初始化各個(gè)計(jì)數(shù)器，然后判斷NA1<20則進(jìn)入加權(quán)求和1中，每加權(quán)求和一次遍高斯查找一次，如此完成20個(gè)高斯神經(jīng)元的運(yùn)算，再進(jìn)入加權(quán)求和2，完成2次加權(quán)求和后進(jìn)入比較輸出，最后復(fù)位各個(gè)計(jì)數(shù)器[7]。

圖6 神經(jīng)網(wǎng)絡(luò)的狀態(tài)轉(zhuǎn)移圖

信號(hào)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(hào)時(shí)開(kāi)始自測(cè)試的響應(yīng)分析，提供控制信號(hào)。

(2)加權(quán)求和器:接收參數(shù)，從權(quán)值存儲(chǔ)表中讀取權(quán)值相乘，再求和。

(3)高斯函數(shù)查找：接收Test-x，用折半查找法在高斯函數(shù)存儲(chǔ)表里查到對(duì)應(yīng)的Test-y輸出。

(4)比較輸出：比較大小，sum1大則表示合格，進(jìn)入校正；sum2或者兩者相等則故障，輸出Test-finish4結(jié)束故障檢測(cè)。

(5)權(quán)值存儲(chǔ)表和高斯函數(shù)存儲(chǔ)表：利用FPGA中的存儲(chǔ)單元存儲(chǔ)數(shù)值，供查找使用。

圖7 故障檢測(cè)的RHPNN神經(jīng)網(wǎng)絡(luò)RTL設(shè)計(jì)的信號(hào)流圖

4 測(cè)試結(jié)果和分析

本方案的測(cè)試先用Modelsim軟件仿真，驗(yàn)證波形與設(shè)計(jì)相符。最終將MEMS紅外熱電堆溫度傳感器與FPGA結(jié)合，目標(biāo)溫度測(cè)試的結(jié)果如圖8所示。溫度曲線其實(shí)有三條，即目標(biāo)溫度、傳統(tǒng)方案測(cè)得溫度、本設(shè)計(jì)方案測(cè)得溫度，基本重合。再看兩種自校準(zhǔn)方案后的溫度測(cè)量絕對(duì)誤差曲線，本自校準(zhǔn)方案后測(cè)溫絕對(duì)誤差小于0.03 K，相比于原來(lái)自校準(zhǔn)技術(shù)的0.08 K的絕對(duì)誤差，本自校準(zhǔn)方案具有顯著優(yōu)勢(shì)。

圖8 自校準(zhǔn)后傳感器用于溫度測(cè)試結(jié)果

5 結(jié)論

MEMS自校準(zhǔn)原有的以模型為基礎(chǔ)的響應(yīng)分析方法存在考慮參數(shù)單一、建模難度大、故障覆蓋率低等問(wèn)題，用大量數(shù)據(jù)訓(xùn)練學(xué)習(xí)型算法做自校準(zhǔn)的響應(yīng)分析，可以全面考慮多個(gè)相關(guān)參數(shù)影響，降低建模復(fù)雜度，提高故障覆蓋率、校準(zhǔn)校準(zhǔn)精確度。本方法存在的問(wèn)題是計(jì)算量過(guò)大，

所以可以進(jìn)一步研究改進(jìn)。

[1] 余丹.紅外熱電堆傳感器數(shù)字電路關(guān)鍵模塊設(shè)計(jì)與驗(yàn)證[D].北京：中國(guó)科學(xué)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(cè)試和自校準(zhǔn)系統(tǒng)[P].中國(guó):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(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京，北京航空航天大學(xué)出版社，2009.

[7] 夏宇聞.Verilog數(shù)字系統(tǒng)設(shè)計(jì)教程(第二版)[M].北京:北京航空航天大學(xué)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(jīng)網(wǎng)絡(luò)的MEMS紅外熱電堆自校準(zhǔn)響應(yīng)分析[J].微型機(jī)與應(yīng)用，2017,36(20)：48-50,70.

國(guó)家自然科學(xué)基金面上項(xiàng)目(61370044); 國(guó)家863計(jì)劃(2015AA042605); 中科院-北大率先合作團(tuán)隊(duì)資助經(jīng)費(fèi)(201510280052)； 中國(guó)科學(xué)院科技服務(wù)網(wǎng)絡(luò)計(jì)劃(STS計(jì)劃)項(xiàng)目“物聯(lián)網(wǎng)核心芯片及應(yīng)用技術(shù)”

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(cè)試自校準(zhǔn)技術(shù)。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。