摘要：支撑现代信息技术发展的三大基础因素，包括信息传输、信息处理、及信息采集，其中的信息采集即传感器技术的应用范围。智能传感器在社会的进步与发展中具有重要应用价值，在军事、航空航天、科研、工农业、医疗与交通等相关领域都有广泛应用。智能温度传感器在自标定、自补偿、自诊断等智能发展方向，也取得了巨大进步，但在监测智能化方向的应用还有所欠缺，需要相关人员深入研究与开发。基于此，本文就智能温度传感器展开简要分析。
关键词：智能；温度传感器；分析
前言：随着人们对传感器的智能化要求越来越高，高精度、高智能的温度传感器成为主要发展方向。目前国际上的新型溫度传感器的发展，开始由集成化向智能化、网络化、由模拟式向数字式进行转变。智能温度传感器借助数字通信技术，能够有效完善传统传感器一致性差、抗干扰能力差、温度漂移较大等问题。
一、智能温度传感器的非线性自校正
非线性是表征传感器输入端或输出端的校准曲线与相应拟合直线两者之间的吻合程度或偏离程度指标，智能温度传感器能够通过软件进行处理，矫正输入端或输出端的飞行箱系统误差，达到提升测量精确度的目的。多数电子器件中使用半导体制造工艺，希望使信号的输出端与输入端的信号曲线趋近于线性关系，但实际情况却多不理想非线性关系[1]。而在智能温度传感器系统当中，其前端传感器的输入端或输出端的非线性曲线多么复杂，系统都能够通过反非线性特性进行刻度的特性转换，使得转换后的输入与输出关系，呈现出理想的线性关系。然而，实现智能温度传感器的非线性自校正，可以通过多种方式来实现，其中效果最为显著的办法有：查表法、曲线拟合法、函数链神经网络法。
1.查表法查表法属于线性插值法，其主要运用原理，是用若干折线逼近非线性特性曲线，折线的数量越多，输出值就会更接近真实值，但相应程序的代码编写也更具复杂性。线性插值法的运用，只在非线性特性曲线上取两个折点的相关信息，精确度很低，因此，可以通过二次插值法对精确度进行有效改进。在选定的领域内，将传感器信号进行拟合，形成抛物线形式，运用二次插值法使得插值点值与其前后三个数值具有相关关系。当抛物线与线性插值相比，更加接近于实际曲线时，就在一定程度上提高了精确度，与线性插值法相比，误差更小，并能有效减小智能温度传感器系统的存储空间。
2.曲线拟合法智能温度传感器在实际应用中，一般采用曲线拟合法对传感器的非线性曲线进行拟合，其方程式系数采用最小二乘法进行取值。曲线拟合法的运用，首先通过静态实验标定好传感器及相应调理电路，从而得到校准曲线；然后依据反非线性特性，建设曲线的拟合方程；最后采用最小二乘法，得出待定系数，从而有效控制误差值最小[2]。
3.函数链神经网络法神经网络自身具有自适应、自组织和自学习能力，同时能够对大范围进行并行处理，因此被广泛应用与众多领域。在智能温度传感器这一领域中，神经网络的应用关键，是输入端或输出端的非线性映射形式的建立。当智能温度传感器系统的非线性映射能力越强，网络性能就会越好。利用函数链神经网络法，应用到智能温度传感器当中，权值会受到一种学习因子η的影响，η的取值越大，智能温度传感器的收敛速度就会越快，但其相应稳定向也会降低；当取值偏小时，稳定性能能够得到一定保障，但其收敛速度却会随之降低，因此在具体应用当中，应该主要依据实际应用情况加以具体分析。
二、智能温度传感器的在线标校的实施软测量技术
软测量利用对智能温度传感系统的动态响应能力，能够有效解决系统中，由自身或外部因素为测量带来的干扰，从而减少在进行数据测量时的随机误差及显著误差。软测量技术的合理利用，还能够将输入的数据依据进行编程，做数据变化或误差校正处理，在初始阶段就将干扰信号真是信号相分离。在智能温度传感器的实际应用中，由于时间、工作环境与现场状况、操作情况等因素具有实时性，因此对软测量模型进行实时在线标校，能够有效满足这一要求。这种软测量温度传感器模型的设计，需要保障对传感器系统中曾德数据进行实时在线运算，同时给出较为精确的估值，因此，软测量传感器模型必须具备工程设计所需的有效性、可靠性及简洁性。软测量温度传感器模型的主要设计步骤如下：
1.在进行软测量温度传感器模型的设计之初，需要解决的问题之一就是确立辅助变量，辅助变量的选择，需要满足特异性、精确性、灵敏性、鲁棒性、过程适应性等诸多要求。然后，依据变量数目、类型和检测点位置三个条件来具体确定辅助变量的个数，个数的确定要尽可能的少。对辅助变量的选择应该慎重，以保证其在过程特性描述中的决定性作用。
2.对智能温度传感器系统中的变量数据进行采集，首先应确定其取值范围，然后选取合适的样本，为满足后期的计算精确性，样本的选取也许保证最大程度的精确性与可靠性。在对采集的数据进行预处理时，会涉及到数据类型变换与数据误差处理两个部分，包括标度变换与转换、权函数三方面。数据误差处理的主要对象是系统误差和随机误差，其中系统误差多由于外界因素影响基准漂移或系统校正不准确而造成的；随机误差的产生则是收到外界的随机干扰，这种误差的处理，需要通过软硬件滤波进行校正。
3.传感器模型的建立，需要保证其数据模型的良好性能，以保证整个软测量智能温度传感器的实时在线标校效果。智能温度传感器系统中应用的软测量技术，既包括非线性自校正，也具有在线标校技术。软测量传感器模型的矫正，包括对非线性模型的模拟温度信号的传输误差、运算放大器的误差、A/D转换器和温度漂移的非线性模型矫正；也包括对补偿主变量值改变、矫正、对系统原始数据矫正等在线标校模型的矫正。
结束语：综上所述，本文通过对智能温度传感器中非线性自校正及在线标校的一些方法的简要分析，对于温度传感器的整体设计实践具有决定性作用。智能温度传感器的发展不会止步于此，更多先进的传感器技术，需要我们不停的探索与发掘，将智能温度传感器技术进行不断的完善与创新。
参考文献：
[1]孙恺.基于CAN总线的智能温度传感器设计[D].哈尔滨理工大学，2013.
[2]李春旺，吴义民，田沛哲，陈福祥.基于BACnet/ZigBee的无线智能温度传感器[J].河南师范大学学报（自然科学版），2012，02：104-107.
作者：肖阔