[发明专利]基于Lstm神经网络的温度传感器测试系统的工作方法

说明书

本发明涉及一种基于Lstm神经网络的温度传感器测试系统的工作方法，包括步骤：上位机在PC端使用Labview软件来搭建测试结果分析和显示页面；上位机向下位机发送指令，下位机开始工作；下位机接收到上位机发来的指令后，读取参考温度传感器的电压并训练Lstm神经网络。本发明的有益效果是：将待测温度传感器和参考温度传感器排布成六边形，可同时对多个温度传感器进行多点位温度测量；实验结果表明，经过Lstm神经网络预测得到的待测温度传感器的温度较为准确，解决了不同芯片位置由于受热不均匀等问题导致的实际温度不相同的问题；大大提高了测试的精度和效率，减小了测量误差，操作简单方便。

技术领域

本发明属于温度传感器测试领域，尤其涉及一种基于Lstm神经网络的温度传感器测试系统的工作方法。

背景技术

温度传感器通过把非电学物理量转化为电学量来实现对温度的自动测量、信息处理和自动控制,温度传感器是温度测量设备的核心部分；但是，温度传感器的特性曲线会受到一些非线性效应的影响，温度传感器在量产前需要对产品进行大批量高精度的数据测量，来进行精度校准，以检测产品的性能指标是否达标；

目前，对于温度传感器的测试还是以传统的单点人工测试为主，通过人工设置环境条件和测试参数、进行多次测量和数据记录，然后将数据输入分析软件进行分析。因此导致测试时间长，工作效率低，而且容易产生人为测量误差。

常用的测试方案的测试板上把传感器芯片排布成正方形，测试板上共用到9颗参考温度传感器(例如TMP117)和16颗待测温度传感器，因此测试芯片和参考芯片的比率为16：9。公开号为CN202122299276.2的专利《一种新型六边形排布的温度传感器的高精度测试装置》将待测温度传感器和参考温度传感器排布成六边形，共有7颗参考温度传感器TMP117和24颗待测温度传感器，位于等边六边形的六个顶点以及中心的是7颗精度较高的参考温度传感器TMP117，而24颗待测温度传感器放在每个三角形重心或位于三条中线距离顶点三分之一处；

在测试过程中，每次人工读取记录数据的时间都会有较大随机性，从而影响数据的准确性。而传统温度传感器测试系统的测量结果一般无法直观地显示出来，需要进一步计算才能完成对温度传感器性能的分析。

发明内容

本发明的目的是克服现有技术中的不足，提供一种基于Lstm神经网络的温度传感器测试系统的工作方法；

这种基于Lstm神经网络的温度传感器测试系统的工作方法，包括以下步骤：

步骤1、上位机在PC端使用Labview软件来搭建测试结果分析和显示页面；上位机向下位机发送指令，下位机开始工作；

步骤2、下位机接收到上位机发来的指令后，读取参考温度传感器的电压并训练Lstm神经网络；采用训练好的Lstm神经网络来获得待测温度传感器的定标温度，保存定标温度的变化曲线；

步骤3、上位机的单点位或多点位切换模块选择单点位或者多点位模式测试，点击发送数据按钮后，上位机发送数据给下位机的串口通讯模块，串口通讯模块读取定标温度数据，下位机进入中断，将参考温度传感器的电压和经过训练好的Lstm神经网络计算得到的定标温度数据放在同一个数组里；直到参考温度传感器的电压和经过训练好的Lstm神经网络计算得到的定标温度数据全部放入数组后，将数组内的数据上传至上位机，下位机恢复正常；

步骤4、上位机的串口通讯模块对温度数据读取完毕后，上位机的数据拟合模块选择待拟合的点位的数据文件，进行数据读取，用最小二乘法将待测温度传感器所测数据进行非线性拟合，用最小二乘法将参考温度传感器所测数据进行线性或非线性拟合；待测温度传感器所测数据是直接从某点位的待测温度传感器中直接读取到的；参考温度传感器所测数据是根据参考温度传感器读取到的数据，得到输出项；输出项包含最佳拟合模型观测点的温度数据，最佳拟合模型的加权平均误差(即残差)、多项式系数、斜率和截距；