《Micromachines》:An Intelligent Temperature Compensation Method for Pressure Sensors Under High-Temperature and High-Pressure Conditions Based on a Modified Slime Mold Algorithm
Yang Zhao,
Wanlu Jiang,
Enyu Tang,
Chengpeng Yu,
Mengda Zhang,
Zhenbao Li and
Yongyong Li
编辑推荐:
在深部和超深部油气钻井过程中,井下高温高压条件显著影响压阻式压力传感器的测量精度。为了改善此类极端条件下的测量精度,研究人员提出了一种基于改进黏菌算法(Modified Slime Mold Algorithm, MSMA)的智能温度补偿方法。建立了覆盖0–1
在深部和超深部油气钻井过程中,井下高温高压条件显著影响压阻式压力传感器的测量精度。为了改善此类极端条件下的测量精度,研究人员提出了一种基于改进黏菌算法(Modified Slime Mold Algorithm, MSMA)的智能温度补偿方法。建立了覆盖0–175 °C和0–170 MPa全工作范围的实验平台以获取传感器输出,并在不同温度和压力点采集样本以构建数据集。使用MSMA优化了补偿模型的关键参数,增强了模型的拟合能力。结果表明,补偿后传感器最大满量程误差为0.26%,最大灵敏度漂移为?0.019% FS/°C,与传统插值和多项式拟合方法相比显著降低了误差。优化后的补偿模型进一步部署在嵌入式硬件平台上,实现了工程背景下的高精度温度补偿。实验数据表明,嵌入式实现在保持补偿精度的同时满足实时应用要求,适用于井下压力监测以及复杂现场条件下其他智能传感器的输出校正。
在深部和超深部油气钻井中,井下高温(最高175°C)和高压(最高170MPa)条件显著影响微机电系统(MEMS)压阻式压力传感器的测量精度。传统硬件补偿方法(如专用集成电路ASIC)成本高、灵活性差,难以适应快速变化的温度-压力耦合环境;软件补偿中的查找表、插值和多项式拟合在处理复杂非线性误差时精度不足,而神经网络(如反向传播BP网络)虽具非线性映射能力,但训练易陷入局部最优、稳定性差。现有元启发式算法(如粒子群优化PSO、鲸鱼优化算法WOA等)在全局搜索与局部开发平衡方面仍受局限。因此,需要探索更高效的智能补偿方法。研究人员提出一种基于改进黏菌算法(MSMA)优化BP神经网络的温度补偿模型,旨在提高高温高压下压力传感器的测量精度和热稳定性。研究人员建立了覆盖0–175°C和0–170MPa的校准实验平台,采集90个数据点,采用MSMA(融合混沌初始化、精英对立学习、自适应步长策略)优化BP网络初始权值和阈值,并与多种传统和智能方法对比。结果表明,MSMA-BP模型补偿后最大满量程误差为0.26%,最大灵敏度漂移为?0.019%FS/°C,显著优于传统方法;该模型部署在STM32F407嵌入式微控制器(MCU)上,单次推理平均3.17ms,满足实时性要求。该研究为超深井井下压力监测提供了高精度、稳定的补偿方案,具有工程实用价值,论文发表在《Micromachines》。
关键技术方法包括:(1)改进黏菌算法(MSMA):采用Tent混沌映射初始化种群,引入精英对立学习(EOBL)策略保留最优个体信息,设计自适应搜索因子ν
c*动态调节步长,平衡全局探索与局部开发;(2)温度-压力耦合校准实验:使用高温腔和压力泵,在25°C、50.3°C、75.4°C、100.3°C、115.2°C、130.5°C、145.5°C、161.1°C、175°C共9个温度点,从0MPa到170MPa每20MPa步长共10个压力点,采集90个样本,样本来自同一生产批次的MEMS压阻式压力传感器;(3)MSMA-BP补偿模型:以温度和压力为双输入,经MSMA优化BP网络初始权值和阈值,建立非线性映射进行误差校正;(4)嵌入式部署:将训练后的模型参数写入STM32F407 MCU,实现离线训练-在线应用的工程模式。
研究结果按原文小标题总结如下:
在“Calibration Experiments of the Pressure Sensor”部分,研究人员建立了包含压力加载系统、高温腔、数据采集模块(LHE6154.221a)及上位机软件(DEES)的实验平台,在9个温度点和10个压力点记录了传感器输出。补偿前,传感器最大满量程误差为4.88%,温度灵敏度系数(TCS)最大为0.812%FS/°C,温度升高时误差减小。
在“Analysis of Correction Results”部分,研究人员将90个样本经Z-score标准化后按8:2随机分为训练集和测试集,采用5折交叉验证。MSMA-BP模型训练与测试误差差异极小(最大0.11%),未出现过拟合,泛化能力良好。与BP、极限学习机(ELM)、正则化极限学习机(RELM)、最小二乘支持向量机(LSSVM)、多项式拟合、线性插值等方法对比30次独立运行后,MSMA-BP的最大满量程误差均值±标准差为0.74%±0.23%,平均误差0.26%±0.03%,显著优于其他方法(BP对应值为1.15%±1.04%和0.30%±0.16%)。MSMA在10次迭代内达到最优适应度,而标准黏菌算法(SMA)需30次。在非校准点预测中,MSMA-BP最大误差0.38%,平均误差0.10%,标准差0.14%,展示了良好插值能力。在不同信噪比(SNR = ?10至10 dB)噪声下,MSMA-BP的均方误差(MSE)和满量程误差均低于其他方法,噪声鲁棒性最强。
在“Embedded Pressure Sensor Temperature Drift Compensation Verification”部分,研究人员将MSMA-BP模型部署在STM32F407 MCU(ARM Cortex-M4, 168 MHz)上,Flash占用约0.16 KB,单样本推理平均3.17ms。在25°C、60°C、100°C、130°C、175°C温度下,施加0、20、60、100、140、160、170 MPa压力进行测试。补偿后,最大误差出现在130°C、140MPa处,为0.64%FS(1.1 MPa);所有温度点均方根误差(RMSE)低于0.6 MPa,最小值0.22 MPa(175°C),最大值0.58 MPa(130°C)。最大灵敏度温度漂移为?0.019%FS/°C,呈轻微非线性。验证了补偿算法在工程环境下的高精度和实时性。
总结讨论部分:研究人员指出本研究存在一定局限性。首先,实验室环境难以完全模拟真实井下动态条件,如温度梯度、地质压力波动和钻具振动,传感器输出可能呈现更多动态特性。其次,所有实验数据均来自同一生产批次的传感器,样本量有限(90个),模型对其他批次或不同工艺传感器泛化能力未经实验验证;更大数据集有助于更好捕捉非线性特征、降低过拟合风险。此外,传感器固有硬件特性(分辨率、重复性、迟滞)未直接纳入补偿模型。未来工作方向包括:收集多批次更大样本数据以评估跨批次泛化性能;探索方法对其他传感器类型的适用性;将硬件特性引入模型进行联合优化;结合物理机理建模与深度学习进一步提升高温高压环境下的泛化能力和稳定性。
翻译研究结论部分:本研究针对超深钻井系统智能压力传感器的发展需求,研究并实现了一种传感器输出补偿方法。为抑制井下MEMS压阻式压力传感器输出的温度漂移,提出了一种基于改进黏菌算法-反向传播(MSMA-BP)神经网络的温度补偿算法,旨在提高传感器全量程的测量精度和热稳定性。主要结论如下:改进的优化算法——通过引入混沌初始化、精英学习机制和自适应变步长搜索因子,开发了改进黏菌算法(MSMA),建立了MSMA-BP温度校正模型,显著增强了算法的全局优化能力和收敛稳定性。温度-压力联合补偿——建立了温度-压力耦合补偿模型,与多种代表性补偿算法比较,MSMA-BP模型实现了更优的补偿精度和输出一致性,有效抑制了传感器输出的温度漂移误差。嵌入式实现——将MSMA-BP模型部署在嵌入式硬件平台上,在保持实时性能和工程可行性的同时实现了高精度补偿。所提出的补偿算法不仅适用于电阻式压力传感器的输出精度提升,还有潜力推广至其他类型传感器或敏感电路。