[发明专利]基于监督学习的数字采集系统校准方法

说明书

本发明公开了一种基于集成监督学习算法的数字采集系统校准方法，构建包括上位机、高精度标准源和高精度数字采集系统的校准系统，并构建校准模型，上位机控制待校准数字采集系统和高精度数字采集系统对高精度标准源的源信号进行采集，同时采集待校准数字采集系统的工作运行参数数据，上位机对待校准数据、参考数据和工作运行参数数据进行处理，得到训练样本数据集对校准模型进行训练和测试，校准准确率达到目标后，采用训练好的校准模型对待校准数字采集系统的待校准数据进行校准。本发明通过对数据处理方法进行改进，综合考虑信号数据和待校准数字采集系统的工作运行参数数据，提高数字采集系统的校准速度和校准精度。

技术领域

本发明属于高精度数据采集模块技术领域，更为具体地讲，涉及一种基于监督学习的数字采集系统校准方法。

背景技术

在现代工业中，数据采集系统中一种应用非常广泛的电子系统，其准确度十分重要。数字采集系统的校准工作往往借助高精度的多功能校准仪，通过比对校准仪输出的相对真值与数字采集系统的实测量值，完成任一量值的精度回归分析。传统数字采集系统校准工作中，将采集得到的原始数据经过简单的异常值处理之后转存到硬件存储介质中以期持久化，重复导入模型以完成校准流程。这样的数据处理方式同样存在诸多问题：

a.异常数据的预处理规则无法实时更新和学习，导致环境因素改变之后出现误处理的情况；

b.未考虑或未处理型别特征(如测量类型，测量量程，速度/频率档位等)，无法对其进行有效编码和合理利用；

c.无法处理采集时既已丢失或异常处理后空缺的特征数据，导致由数据不全造成的局部精度丢失；

e.未考虑对采集的数据进行概率分布的映射，以更好地适应非线性的回归模型；

e.未对采样点序列的分布做任何预处理或反馈处理，导致采样点不具备代表性，进而丢失模型的可解释性；

f.未分析训练数据集中各特征的因果/相关性，遑论对特征进行筛选和提取，也就无搭建出合理的回归模型；

g.无任何对训练数据加以更新或学习的策略，导致低效率的硬件持久化和频发的数据失效。

此外，数字采集系统的硬件设计通常存在一些较难控制的因素，主要包括：

a.由于器件的热噪声和工作温度曲线不一致，导致设备在不同温度下的工作特性迥异；

b.同一交流信号，其幅值与频率存在显著的相关性；且在交流小信号的情况下，由于采样精度的丢失，导致随机噪声极大，回归曲线显现出较明显的非线性。

传统的数字采集系统校准工作通常未考虑以上因素，导致最终的校准出现较大误差。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于监督学习的数字采集系统校准方法，采用改进的数据处理方法，提高校准速度和校准精度。

为了实现上述发明目的，本发明基于监督学习的数字采集系统校准方法包括以下步骤：

S1：构建校准系统，包括上位机、高精度标准源和高精度数字采集系统，其中：

高精度标准源用于在上位机的控制下向待校准数字采集系统和高精度数字采集系统输出源信号；

高精度数字采集系统用于作为校准参考，待校准数字采集系统和高精度数字采集系统在上位机的控制下同时对源信号进行采集，将采集得到的样本数据发送至上位机；

上位机用于对高精度标准源、待校准数字采集系统和高精度数字采集系统进行控制，对待校准数字采集系统的工作运行参数进行采样，然后接收校准数字采集系统和高精度数字采集系统的样本数据并进行待校准数字采集系统的校准；