为了解决热式气体流量计测量电路中采用硬件温度补偿成本高且精度不够等问题，利用神经网络的特点，设计了一种基于径向基函数( ＲBF) 神经网络的软件温度补偿方法。实验表明: 通过 ＲBF 神经网络温度补偿，有效地抑制了温度对流量计测量结果的影响，实现了环境温度梯度变化下气体流量测量的准确性和稳定性，测量准确度达到 1． 0 级，且重复性好。

引 言

流量是气体测量中的一个重要标尺，也是气体重要的理化特性参数之一。热式气体流量计由于其具有测量范围大、性能稳定、结构简单等特点而被广泛应用于汽车制造、环境保护和新能源开发等领域 。但热式气体流量计在测量时受外界环境温度影响较大，使其测量精度受到影响，造成测量结果误差较大甚至出现错误测量 。因此，需

要采取适当的方法进行温度补偿。

针对热式气体流量计环境温度补偿，国内外学者围绕硬件电路补偿已经做了大量研究。硬件电路补偿方法主要有电路衰减补偿法和温度偏移补偿法。电路衰减法是通过在测量电路中设计一个 Km 倍电流衰减的温度补偿电路，减小了补偿电路的工作电流，削弱了对气体流速的敏感度，有效改善了温度补偿效果。但没有考虑温度梯度变化对流量计输出的影响，补偿精度不够且重复性较差。温度偏移补偿法是在分析出热式气体流量计温度偏移规律的基础上，通过引入一个有同样变化规律的温度补偿电路，有效地消除了环境温度变化所导致的流量计温度偏移 提高了传感器的测量精度。但电路复杂、成本高且具有单一性，难以广泛应用。由于硬件电路在温度补偿中普遍具有成本高、精度不够、单一性和不稳定性等缺点，目前采用软件方法对各种传感器进行温度补偿是一项研究热点。软件温度补偿方法主要有多项式曲线拟合补偿法和神经网络补偿法等 。多项式曲线拟合补偿法是考虑到温度对采集电压的影响，设计一个含温度变化量的补偿公式，用以对采集信号进行修正，提高流量计的测量精度 ，但拟合精度低，计

算量较大，难以得到最优解。神经网络补偿法是利用神经网络的函数逼近能力、泛化能力等特性，在不必建立传感器输出随温度变化的具体模型情况下，通过网络学习训练即可模拟出输入输出的具体内在联系。神经网络温度补偿目前已经在温湿度、气体体积分数等传感器测量方面有了很好的应用效果 但在热式气体流量计测量装置中还未应用。

基于上述研究方法和理论基础，本文主要利用径向基函数( radial basis function，ＲBF) 神经网络算法在温度补偿中的优势，分析出不同温度对气体流量测量的影响，设计一种基于 ＲBF 神经网络的温度补偿方法，有效避免硬件电路补偿方法的单一性和不稳定性，在降低成本的条件下同时提高测量装置的准确性。最终采用软件补偿的方法对热式气体流量计的温度补偿进行了大量实验研究，实现了温度

梯度变化下热式气体流量计的高精度测量。

1.热式气体流量计测量原理与温度漂移分析

1． 1  热式气体流量计原理

热式气体流量计是基于热平衡原理对气体流量检测的一种常用方法

，采用恒温差工作方式，测量电路如图 1所示，Ｒw 为测速电阻器，通以较大的加热电流; Ｒ1，Ｒ2，Ｒ3，Ｒa，OP07，9014 组成等效大电阻 Ｒ'a ，通以很小的电流，其中Ｒa 为测温电阻器; Ｒw ，Ｒ'a ，Ｒ4，Ｒ5 组成惠斯通电桥。

其工作原理如图 2 所示，当被测气体流速变化时，惠斯通电桥失去平衡，控制电路测量出不平衡压差，经过差分放大、PI 调节、低通滤波加法器和射极跟随器后，改变惠斯通电桥电流，使电桥重新恢复平衡。电桥电流通过电流测量电路转换成电压信号 E 进行采集保存，然后计算出对应的气体流速。

1． 2 热式气体流量计温度偏移分析

由热式气体流量计恒温差法测量原理分析可知，热式气体流量计在测量时，传感器灵敏系数 b 与流体的热传导、密度、粘性等有关，而热传导、密度、粘性与环境温度有关，在温度变化较大的情况下会导致流量计测量结果产生较大误差。由测量电路可知，当环境温度升高时，测速电阻 Ｒw变大，要保证惠斯通测量电桥平衡，其加热电流 Iw  将随着温度的升高而变大，流量计的输出电压 E 也将增大。由此

可得，当没有气流变化时，流量计测量结果会随着环境温度的变化而改变，其输出结果会产生较大误差或者错误结果。

所以，在热式气体流量计测量气体流量时，其温度偏移现象普遍存在。

2.基于 ＲBF 神经网络的温度补偿

2． 1  ＲBF 神经网络温度补偿原理

神经网络温度补偿就是利用神经网络的函数逼近能力、泛化能力和自学习能力等特性，在不必建立传感器输出随温度变化的具体模型情况下，通过网络学习训练即可模拟出输入输出的具体内在联系。温度补偿原理框图如图 3所示。

ＲBF 神经网络温度补偿模型的输入信号由气体流量计输出电压信号( Uv ) 和环境温度电压信号 ( UT ) 组成，经过ＲBF 神经网络学习训练，消除环境温度 T 对测量结果的影响，输出补偿后的气体流速值 v'能较好地逼近目标值 v，进而消除环境温度变化影响，提高热式气体流量计的测量准确性和稳定性。

2． 2 ＲBF 神经网络模型

ＲBF 神经网络是一种 3 层前馈局部逼近网络，能逼近任意连续函数，由输入层、隐含层和输出层组成。

ＲBF 神经网络最显著的特点是隐含层采用高斯 ＲBF，即表示为

2． 3 ＲBF 神经网络算法流程

ＲBF 神经网络模型的关键在 ＲBF 中心 ci  的选择，采用k 均值聚类算法来确定中心，利用最小二乘法求取权值 wij 。其算法流程如图 4 所示。

3.实验研究与结果分析

3． 1  实验样本获取与分析

采用标准表法对热式气体流量计进行标定，将标准气体流量计、热式气体流量计和温度传感器置于被测环境中。标准气体流量计输出对应被测流速 v，热式气体流量计输出电压 Uv ，温度传感器输出电压 UT 。实验在 5 组不同的环境温度下进行，分别在每种温度下测量 15 组不同气体流量值。图 5 为不同温度下热式气体流量计输出的 75 组试验数据的分布。

由图 5 可知，在同一气体流量情况下，热式气体流量计的输出随着温度的变化存在明显的温度漂移。因此，建立ＲBF 神经网络温度补偿模型，提高流量测量精度。

3． 2 温度补偿与效果分析

根据 ＲBF 神经网络算法原理对热式气体流量计进行温度补偿，将实验中的 55 组数据作为训练样本，20 组数据作为测试样本，建立ＲBF 神经网络。输入层选取 2 个节点，分别对应热式气体流量计的输出电压信号 Uv  和温度传感器输出电压信号 UT ，隐含层选取 10 个节点，输出层选取 1个节点对应高精度标准气体流量计输出流速 v。对热式气体流量计进行温度补偿，补偿效果如表 1 所示。

根据表 1 中的补偿后数据做出工作曲线如图 6 所示。

从图可知，经 ＲBF 神经网络温度补偿后热式气体流量计输出基本不随温度改变而变化，其误差随温度变化曲线如图 7所示，最大相对误差为 0． 85 % ，有效地提高了测量精度。

4.结 论

本文针对热式气体流量计测量时输出受环境温度影响大且难以消除的现象和由硬件电路进行温度补偿时造成实验测量的单一性和不稳定性等问题，提出一种基于 ＲBF 神经网络温度补偿的软件方法。实验结果表明: 利用 ＲBF 神经网络温度补偿后，系统的最大相对误差为 0． 85 % ，测量精度达到 1． 0 级，有效地提高了传感器的准确度，减少了温度漂移。