《智能檢測技術(shù)與傳感器》第十、十一章

第十章

智能檢測技術(shù) 10.1 智能檢測系統(tǒng) 10.2 智能檢測方法10.1.1 智能檢測系統(tǒng)的組成 智能檢測系統(tǒng)的典型結(jié)構(gòu)如圖10-1所示，其主要由傳感器、信號采集調(diào)理系統(tǒng)、計算機、基本I/O系統(tǒng)、交互通信系統(tǒng)、控制系統(tǒng)等組成。 傳感器是智能檢測系統(tǒng)的信息來源，是能夠感受規(guī)定的被測量，并按照一定的規(guī)律轉(zhuǎn)換成可用輸出信號的器件或裝置。 信號采集調(diào)理系統(tǒng)接收和采集來自傳感器的各種信號和信息，經(jīng)過計算分析和判斷處理，輸出相應(yīng)信號給計算機。信號采集調(diào)理系統(tǒng)的硬件主要包括前置放大器、抗混疊低通濾波器、采樣/保持器和多路模擬開關(guān)、程控放大器、A/D轉(zhuǎn)換器等。輸入按輸入信號的不同可分為模擬量輸入和數(shù)字量輸入。模擬量輸入是檢測系統(tǒng)中最常用的也是最復(fù)雜的，被測信號經(jīng)傳感器拾取后變成電信號，再經(jīng)信號采集調(diào)理系統(tǒng)對輸入信號進行放大、濾波、非線性補償、阻抗匹配等功能性調(diào)節(jié)后送入計算機。數(shù)字量輸入則通過通道測量、采集各種狀態(tài)信息，將這些信息轉(zhuǎn)換為字節(jié)或字的形式后送入計算機。由于信號可能存在瞬時高壓、過電壓、噪聲及觸點抖動，因此數(shù)字輸入電路通常包括信號轉(zhuǎn)換、濾波、過壓保護、電隔離及消除抖動等電路，以消除這些因素對信號的影響。10.1 智能檢測系統(tǒng)圖10-1

智能檢測系統(tǒng)的典型結(jié)構(gòu) 計算機是整個智能檢測系統(tǒng)的核心，對整個系統(tǒng)起監(jiān)督、管理、控制作用，同時進行復(fù)雜信號的處理、控制決策、產(chǎn)生特殊的檢測信號、控制整個檢測過程等。此外，利用計算機強大的信息處理能力和高速的運算能力，可實現(xiàn)命令識別、邏輯判斷、非線性誤差修正、系統(tǒng)動態(tài)特性的自校正以及系統(tǒng)自學(xué)習(xí)、自適應(yīng)、自診斷、自組織等功能。智能檢測系統(tǒng)通過機器學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)挖掘等人工智能技術(shù)，可實現(xiàn)環(huán)境識別處理和信息融合，從而達到高級智能化水平。 基本I/O系統(tǒng)用于實現(xiàn)人機對話、輸入或修改系統(tǒng)參數(shù)、改變系統(tǒng)工作狀態(tài)、輸出測試結(jié)果、動態(tài)顯示測控過程以及以多種形式輸出、顯示、記錄、報警等功能。 交互通信系統(tǒng)用于實現(xiàn)與其他儀器儀表等系統(tǒng)的通信與互連。依靠交互通信系統(tǒng)可根據(jù)實際問題需求靈活構(gòu)造不同規(guī)模、不同用途的智能檢測系統(tǒng)，如分布式測控系統(tǒng)、集散型測控系統(tǒng)等。通信接口的結(jié)構(gòu)及設(shè)計方法與采用的總線技術(shù)、總線規(guī)范有關(guān)。 控制系統(tǒng)實現(xiàn)對被測對象、被測試組件、測試信號發(fā)生器，甚至對系統(tǒng)本身和測試操作過程的自動控制。根據(jù)實際需要，大量接口以各種形式存在于系統(tǒng)中，接口的作用是完成與它所連接的設(shè)備之間的信號轉(zhuǎn)換(如進行信號功率匹配、阻抗匹配、電平轉(zhuǎn)換和匹配)和交換、信號(如控制命令、狀態(tài)數(shù)據(jù)信號、尋址信號等)傳輸、信號拾取，以及對信號進行必要的緩沖或鎖存，以增強智能檢測系統(tǒng)的功能。10.1 智能檢測系統(tǒng)10.1.2 智能檢測系統(tǒng)中的傳感器 傳感器作為智能檢測系統(tǒng)的主要信息來源，其性能決定了整個檢測系統(tǒng)的性能。傳感器技術(shù)是關(guān)于傳感器的設(shè)計、制造及應(yīng)用的綜合技術(shù)，它是信息技術(shù)(傳感與控制技術(shù)、通信技術(shù)和計算機技術(shù))的三大支柱之一。傳感器的工作原理多種多樣，種類繁多，近年來隨著新技術(shù)的不斷發(fā)展，涌現(xiàn)出了各種類型的新型智能傳感器，使傳感器不僅有視、嗅、觸、味、聽覺的功能，還具有存儲、邏輯判斷和分析等人工智能，從而使傳感器技術(shù)提高到了一個新的水平。智能傳感器是傳感器技術(shù)發(fā)展的必然趨勢。 本節(jié)從智能檢測應(yīng)用角度介紹常用傳感器和智能傳感器的功能及應(yīng)用特點。1.常用傳感器 (1)應(yīng)變式傳感器：利用電阻應(yīng)變效應(yīng)將被測量轉(zhuǎn)換成電阻的相對變化的一種裝置，它是目前最常用的一種測量力和位移的傳感器，在航空、船舶、機械、建筑等領(lǐng)域里獲得了廣泛應(yīng)用。 (2)電感式傳感器：利用電磁感應(yīng)原理將被測量轉(zhuǎn)換成電感量變化的一種裝置，其廣泛應(yīng)用于位移測量以及能轉(zhuǎn)換成位移的各種參量(如壓力、流量、振動、加速度、比重、材料損傷等)的測量。其中，電渦流式電感傳感器還可進行非接觸式連續(xù)測量。這種傳感器能實現(xiàn)信息的遠距離傳輸、記錄、顯示和控制，在工業(yè)自動控制系統(tǒng)中被廣泛采用。 (3)電容式傳感器：將被測量轉(zhuǎn)換成電容量變化的一種裝置，其廣泛應(yīng)用于壓力、差壓、液位、振動、位移、加速度、成分含量等方面的測量。10.1 智能檢測系統(tǒng) (4)壓電式傳感器：利用某些材料的壓電效應(yīng)將力轉(zhuǎn)變?yōu)殡姾苫螂妷狠敵龅囊环N裝置，其在各種動態(tài)力、機械沖擊與振動測量，以及聲學(xué)、醫(yī)學(xué)、力學(xué)、宇航等方面得到了非常廣泛的應(yīng)用。 (5)磁電式傳感器：通過電磁感應(yīng)原理將被測量轉(zhuǎn)換為電信號的一種裝置，其廣泛應(yīng)用于電磁、壓力、加速度、振動等方面的測量。 (6)光電式傳感器：利用光電元件將光能轉(zhuǎn)換成電能的一種裝置，可用于檢測許多非電量。由于光電式傳感器響應(yīng)快、結(jié)構(gòu)簡單、使用方便，而且具有較高的可靠性，因此在檢測、自動控制及計算機等方面應(yīng)用非常廣泛。 (7)熱電傳感器：一種將溫度轉(zhuǎn)換成電量的裝置，包括電阻式溫度傳感器、熱電偶傳感器、集成溫度傳感器等。熱電偶傳感器是工程上應(yīng)用最廣泛的溫度傳感器，其構(gòu)造簡單，使用方便，具有較高的準(zhǔn)確度、穩(wěn)定性及復(fù)現(xiàn)性，溫度測量范圍寬，動態(tài)性能好，在溫度測量中占有重要的地位。 (8)超聲波傳感器：利用超聲波的傳播特性進行工作，已廣泛應(yīng)用于超聲波探傷及液位、厚度等的測量。超聲波探傷是無損探傷的重要工具之一。2.智能傳感器 智能傳感器集成了微處理器，具有檢測、判斷、信息處理、信息記憶和邏輯思維等功能。它主要由傳感器、微處理器及相關(guān)電路組成。微處理器能按照給定的程序?qū)鞲衅鲗嵤┸浖刂?，把傳感器從單一功能變成多功能，具有自診斷、自校準(zhǔn)、自適應(yīng)性功能；能夠自動采集數(shù)據(jù)，并對數(shù)據(jù)進行預(yù)處理；能夠自動進行檢驗、自選量程、自尋故障等。10.1 智能檢測系統(tǒng) 智能傳感器與傳統(tǒng)的傳感器相比具有以下特點： (1)擴展了測量范圍和功能，組態(tài)功能可實現(xiàn)多傳感器多參數(shù)綜合測量。 (2)具有邏輯判斷、信息處理功能，可對檢測數(shù)據(jù)進行分析、修正和誤差補償，大大提高了測量精度。 (3)具有自診斷、自校準(zhǔn)、自適應(yīng)性以及數(shù)據(jù)存儲功能，能夠進行選擇性的測量和排除外界的干擾，提高了測量的穩(wěn)定性和可靠性。 (4)在相同精度的需求下，多功能智能傳感器與單一功能普通傳感器相比，性價比明顯提高。 (5)具有數(shù)據(jù)通信接口，能夠直接將數(shù)據(jù)送入遠程計算機進行處理，具有多種數(shù)據(jù)輸入形式，適配各種應(yīng)用系統(tǒng)。 智能傳感器是微電子技術(shù)、計算機技術(shù)和自動測試技術(shù)的結(jié)晶，其特點是能輸出測量數(shù)據(jù)及相關(guān)的控制量，適配各種微控制器。它是在硬件的基礎(chǔ)上通過軟件來實現(xiàn)檢測功能，軟件在智能傳感器中占據(jù)了主要成分，智能傳感器通過各種軟件對測量過程進行管理和調(diào)節(jié)，使之工作在最佳狀態(tài)，并對傳感器測量數(shù)據(jù)進行各種處理和存儲，提高了傳感器性能指標(biāo)。智能傳感器的智能化程度與軟件的開發(fā)水平成正比，利用軟件能夠?qū)崿F(xiàn)硬件難以實現(xiàn)的功能，以軟件代替了部分硬件，降低了傳感器的制造難度。10.1 智能檢測系統(tǒng)10.1.3 智能檢測系統(tǒng)中的硬件 典型的智能檢測系統(tǒng)硬件由傳感器、前置放大器、抗混疊低通濾波器、采樣/保持電路和多路開關(guān)、A/D轉(zhuǎn)換器、RAM、EPROM、調(diào)理電路控制器、信息總線等組成，如圖10-2所示。 前置放大器的主要作用是將來自傳感器的低電壓信號放大到系統(tǒng)所要求的電壓，同時可以提高系統(tǒng)的信噪比，減少外界干擾。

10.1 智能檢測系統(tǒng)圖10-2

典型智能檢測系統(tǒng)硬件構(gòu)成

10.1 智能檢測系統(tǒng)10.1.4 智能檢測系統(tǒng)中的軟件1.軟件組成

智能檢測系統(tǒng)中的軟件取決于智能檢測系統(tǒng)的硬件支持和檢測功能的復(fù)雜程度。智能檢測系統(tǒng)中的軟件按功能一般可包括數(shù)據(jù)采集、數(shù)據(jù)處理、數(shù)據(jù)管理、系統(tǒng)控制、系統(tǒng)管理、網(wǎng)絡(luò)通信、虛擬儀器等，如圖10-3所示。 數(shù)據(jù)采集軟件有初始化系統(tǒng)、收集實驗信號與采集數(shù)據(jù)等功能，將所需的數(shù)據(jù)參數(shù)提取至檢測系統(tǒng)中。 數(shù)據(jù)處理軟件將數(shù)據(jù)進行實時分析、信號處理、識別分類，包括對數(shù)據(jù)進行數(shù)字濾波、去噪、回歸分析、統(tǒng)計分析、特征提取、智能識別、幾何建模與仿真等功能模塊。數(shù)據(jù)管理軟件包括對采集數(shù)據(jù)進行顯示、打印、存儲、回放、查詢、瀏覽、更改、刪除等功能模塊。系統(tǒng)控制軟件可根據(jù)預(yù)定的控制策略通過控制參數(shù)設(shè)置進而實現(xiàn)控制整個系統(tǒng)?？刂栖浖膹?fù)雜程度取決于系統(tǒng)的控制任務(wù)。計算機控制任務(wù)按設(shè)定值性質(zhì)可分為恒值調(diào)節(jié)、伺服控制和程序控制三類。常見的控制策略有程序控制、PID控制、前饋控制、最優(yōu)控制與自適應(yīng)控制等。系統(tǒng)管理軟件包括系統(tǒng)配置、系統(tǒng)功能測試診斷、傳感器標(biāo)定校準(zhǔn)功能模塊等。其中系統(tǒng)配置軟件對配置的實際硬件環(huán)境進行一致性檢查，建立邏輯通道與物理通道的映射關(guān)系，生成系統(tǒng)硬件配置表。 網(wǎng)絡(luò)通信軟件完成檢測系統(tǒng)的內(nèi)外部通信。10.1 智能檢測系統(tǒng)圖10-3

智能檢測系統(tǒng)中的軟件組成2.虛擬儀器 隨著計算機技術(shù)的高速發(fā)展，傳統(tǒng)儀器開始向計算機化方向發(fā)展。以計算機為核心，計算機軟件技術(shù)與測試軟件系統(tǒng)的有機結(jié)合，產(chǎn)生了虛擬儀器。美國國家儀器公司NI在20世紀(jì)80年代提出了虛擬儀器(VI)的概念，它是指通過應(yīng)用程序?qū)⑼ㄓ糜嬎銠C與功能化硬件結(jié)合起來，用戶可通過友好的圖形界面來操作這臺計算機，就像在操作自己定義和設(shè)計的一臺單個儀器一樣，從而完成對被測量的采集、分析、判斷、顯示、數(shù)據(jù)存儲等。與傳統(tǒng)儀器一樣，虛擬儀器同樣劃分為數(shù)據(jù)采集、數(shù)據(jù)分析處理、顯示結(jié)果三大功能模塊，如圖10-4所示。虛擬儀器以透明方式把計算機資源與儀器硬件的測試功能相結(jié)合，實現(xiàn)儀器的功能運作。 虛擬儀器具有如下優(yōu)點：

(1)性價比較高?；谕ㄓ脗€人計算機的虛擬儀器和儀器集成系統(tǒng)，可以實現(xiàn)多種儀器共享計算機資源，從而大大增強了儀器功能，并且降低了儀器成本。

(2)開放系統(tǒng)。用戶能根據(jù)測控任務(wù)，隨心所欲地組成儀器或系統(tǒng)。儀器擴充和升級十分簡便，配置新的測試功能模板甚至無需改變硬件，只需將應(yīng)用模塊化的軟件包重新搭配，便可構(gòu)成新的虛擬儀器。10.1 智能檢測系統(tǒng)圖10-4 虛擬儀器的內(nèi)部功能劃分

(3)智能化程度高。虛擬儀器是基于計算機的儀器，其軟件具有強大的分析、計算、邏輯判斷功能，可以在計算機上建立一個智能專家系統(tǒng)。

(4)界面友好，使用簡便。數(shù)臺儀器及儀器功能顯示于虛擬儀器面板上，用鼠標(biāo)即可完成一切操作，人機界面極其友好。儀器功能選擇、參數(shù)設(shè)置、數(shù)據(jù)處理、結(jié)果顯示等均能通過友好對話進行。

(5)虛擬儀器在使用中，人們可以隨時獲得計算機給予的幫助提示信息。10.1智能檢測系統(tǒng)

10.2智能檢測方法圖10-5

劃分超平面將兩類數(shù)據(jù)分開 如圖10-6所示是一種基于支持向量機的傳感器故障檢測流程圖，其主要分為模型建立階段和故障檢測階段。模型建立階段主要有:建立包含故障樣本和正常樣本的訓(xùn)練集；對訓(xùn)練集進行標(biāo)準(zhǔn)化處理(包括傳感器信號A/D轉(zhuǎn)換、單位化、濾波降噪、坐標(biāo)化等)；將標(biāo)準(zhǔn)化后的數(shù)據(jù)輸入SVM訓(xùn)練機進行訓(xùn)練；用交叉驗證法尋找最優(yōu)參數(shù)；基于最優(yōu)參數(shù)建立最優(yōu)SVM模型。故障檢測階段主要有:在測試集中引入傳感器偏差量；對融合的測試集進行訓(xùn)練集等同的標(biāo)準(zhǔn)化處理；根據(jù)最優(yōu)SVM模型建立基于SVM的故障檢測系統(tǒng)；將標(biāo)準(zhǔn)化后的測試集輸入基于SVM的故障檢測系統(tǒng)；根據(jù)SVM數(shù)學(xué)特征求出超平面和決策函數(shù)；根據(jù)決策函數(shù)劃分故障樣本與正常樣本。10.2智能檢測方法圖10-6

基于支持向量機的傳感器故障檢測流程圖10.2.2 基于神經(jīng)網(wǎng)絡(luò)的智能檢測 神經(jīng)網(wǎng)絡(luò)技術(shù)是國際上從20世紀(jì)80年代中期以來迅速發(fā)展和崛起的一個新研究領(lǐng)域，成為當(dāng)今的一個研究熱點。對它的研究包括理論、模型、實現(xiàn)和應(yīng)用等各個方面，目前已經(jīng)取得了較大的成果。其中神經(jīng)網(wǎng)絡(luò)技術(shù)在信號處理領(lǐng)域中的應(yīng)用更引人注目，特別是在目標(biāo)識別、圖像處理、語音識別、自動控制、通信等方面有極為廣闊的應(yīng)用前景，并可望取得重大的突破。 在信號處理領(lǐng)域，無論是信號的檢測、識別、變換，還是濾波、建模與參數(shù)估計，都是以傳統(tǒng)的數(shù)字計算機為基礎(chǔ)的。由于這種計算是基于串行程序的原理和特征，使得它在信號處理的許多領(lǐng)域中很難發(fā)揮作用。例如在信號檢測、估計與濾波中，要求的最優(yōu)處理與需要的運算量之間存在著很大的矛盾，也就是說，要達到最優(yōu)處理性能，需要完成的計算量通常大到不可接受的地步。為此人們就期望著有一種新的理論和技術(shù)來解決諸如此類的問題。神經(jīng)網(wǎng)絡(luò)技術(shù)就是在對人類大腦信息處理研究成果的基礎(chǔ)上提出來的。利用神經(jīng)網(wǎng)絡(luò)的高度并行運算能力，就可以實現(xiàn)難以用數(shù)字計算機實現(xiàn)的最優(yōu)信號處理。神經(jīng)網(wǎng)絡(luò)不僅是信號處理的有效工具，而且也是一種新的方法論。 目前，在智能檢測領(lǐng)域中廣泛開展了對神經(jīng)網(wǎng)絡(luò)的深入研究，主要應(yīng)用包括實時控制、故障診斷、參數(shù)估計、傳感器模型、模式識別與分類、環(huán)境監(jiān)測與治理及光譜與化學(xué)分析等。在實際智能檢測系統(tǒng)中，傳感器的輸出特性不僅僅是目標(biāo)參量的函數(shù)，它還受到環(huán)境參量的影響，而且參量之間常常存在著交互作用，這使得傳感器的輸出大都為非線性并存在靜態(tài)誤差，從而影響了測量精度。

10.2智能檢測方法

10.2智能檢測方法圖10-7

基于神經(jīng)網(wǎng)絡(luò)的智能壓力傳感器系統(tǒng)

10.2智能檢測方法10.2.3 基于深度學(xué)習(xí)的智能檢測 深度學(xué)習(xí)(DeepLearning，DL)是機器學(xué)習(xí)的分支，是一種以人工神經(jīng)網(wǎng)絡(luò)為架構(gòu)，對數(shù)據(jù)進行表征學(xué)習(xí)的算法。觀測值(例如一幅圖像)可以使用多種方式來表示，如每個像素強度值的向量，或者更抽象地表示成一系列邊、特定形狀的區(qū)域等，而使用某些特定的表示方法更容易從實例中學(xué)習(xí)任務(wù)(例如，人臉識別或面部表情識別)。隨著云計算、大數(shù)據(jù)時代的到來，強大的計算機運算能力解決了深度學(xué)習(xí)訓(xùn)練效率低的問題，訓(xùn)練數(shù)據(jù)的大幅增加則降低了過擬合風(fēng)險。因此，深度學(xué)習(xí)也開始受到人們的關(guān)注，并且在智能檢測、圖像處理等方面具有優(yōu)越的性能。本節(jié)主要介紹深度學(xué)習(xí)的一些基礎(chǔ)知識，并介紹深度學(xué)習(xí)在智能檢測中應(yīng)用的例子。 典型的深度學(xué)習(xí)模型就是深度神經(jīng)網(wǎng)絡(luò)，例如深度置信網(wǎng)絡(luò)(DeepBeliefNetwork，DBN)、深度卷積神經(jīng)網(wǎng)絡(luò)(DeepConvolutionalNeuralNetwork，DCNN)等。與淺度神經(jīng)網(wǎng)絡(luò)類似，深度神經(jīng)網(wǎng)絡(luò)也能夠為復(fù)雜非線性系統(tǒng)提供建模，但多出的層次為模型提供了更高的抽象層次，因而提高了模型的能力。深度神經(jīng)網(wǎng)絡(luò)通常都是前饋神經(jīng)網(wǎng)絡(luò)，但也有語言建模等方面的研究將其拓展到循環(huán)神經(jīng)網(wǎng)絡(luò)。對神經(jīng)網(wǎng)絡(luò)模型，提高容量的一個簡單辦法是增加隱層的數(shù)目。增加隱層數(shù)目的同時，也會增加神經(jīng)元連接權(quán)、閾值等參數(shù)，另外增加隱層數(shù)不僅增加了擁有激活函數(shù)的神經(jīng)元數(shù)目，還增加了激活函數(shù)嵌套的層數(shù)。然而，深度神經(jīng)網(wǎng)絡(luò)很難直接用經(jīng)典算法(例如標(biāo)準(zhǔn)BP算法)進行訓(xùn)練，因為誤差在多隱層內(nèi)逆?zhèn)鞑r往往會“發(fā)散”(Diverge)，使得輸出不能穩(wěn)定收斂。所以，卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetwork，CNN)等深度神經(jīng)網(wǎng)絡(luò)通常會使用一些方法來避免出現(xiàn)上述問題。10.2智能檢測方法 思想是每次訓(xùn)練一層隱結(jié)點，訓(xùn)練時將上一層隱結(jié)點的輸出作為輸入，而本層隱結(jié)點的輸出作為下一層隱結(jié)點的輸入，這一過程稱為“預(yù)訓(xùn)練”(Pre-training)；在預(yù)訓(xùn)練全部完成后，再對整個網(wǎng)絡(luò)進行“微調(diào)”(Fine-tuning)訓(xùn)練。 另一種降低訓(xùn)練成本的方法是“權(quán)共享”(WeightSharig)，即讓一組神經(jīng)元使用相同的連接權(quán)。CNN網(wǎng)絡(luò)復(fù)合多個“卷積層”和“采樣層”對輸入信號進行加工，然后在連接層實現(xiàn)與輸出目標(biāo)之間的映射。每一個卷積層都包含多個卷積映射(FeatureMap)，每個卷積映射則是由多個神經(jīng)元構(gòu)成的“平面”。如圖10-8所示中第一個卷積層由6個特征映射構(gòu)成，每個特征映射是一個28×28的神經(jīng)元陣列，其中每個神經(jīng)元通過卷積濾波器提取局部特征。采樣層亦稱為“池化”層(Pooling)或“匯合”層，其作用是基于局部相關(guān)性原理進行亞采樣，從而在減少數(shù)據(jù)量的同時保留有用信息，通常的操作為“平均”或“最大”。圖10-8中第一個池化層有6個14×14的特征映射，其中每個神經(jīng)元與上一層中對應(yīng)特征映射的2×2鄰域相連，并據(jù)此計算輸出。通過復(fù)合卷積層與池化層，將原始圖像映射為120維特征向量，最后通過連接層和輸出層完成檢測任務(wù)。CNN可用BP算法進行訓(xùn)練，但在訓(xùn)練中無論是卷積層還是采樣層，其每一組神經(jīng)元(即圖10-8中的每個“平面”)都采用相同的連接權(quán)，從而大幅減少了需要訓(xùn)練的參數(shù)數(shù)目。

10.2智能檢測方法圖10-8

卷積神經(jīng)網(wǎng)絡(luò)(CNN)對檢測信號的處理流程

從另一個角度來說，采用多隱層堆疊和每層對上一層的輸出進行處理這一機制的深度神經(jīng)網(wǎng)絡(luò)，對輸入信號進行逐層加工，將初始的、與輸出目標(biāo)之間聯(lián)系不太密切的輸入表示轉(zhuǎn)化成與輸出目標(biāo)聯(lián)系更密切的表示，使得普通神經(jīng)網(wǎng)絡(luò)基于最后一層輸出映射難以完成的任務(wù)成為可能。換言之，通過多層處理，逐漸將初始的“低層”特征表示轉(zhuǎn)化為“高層”特征表示后，用“簡單模型”即可完成復(fù)雜的分類等學(xué)習(xí)任務(wù)。由此可將深度學(xué)習(xí)理解為進行“特征學(xué)習(xí)”(FeatureLearning)或“表示學(xué)習(xí)”(PresentationLearning)。

深度學(xué)習(xí)正逐漸取代“人工特征+機器學(xué)習(xí)”的方法，成為主流的圖像檢測方法，其原因是：互聯(lián)網(wǎng)的普及使獲取大量訓(xùn)練數(shù)據(jù)成為可能，分布式系統(tǒng)及高性能計算技術(shù)帶來的計算能力提升大幅縮短了神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的耗時以及算法領(lǐng)域提出了一些適合深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練的技巧(例如Relu激活函數(shù)、全局平均池化層等降低模型訓(xùn)練難度、防止過擬合的技術(shù))。隨著深度學(xué)習(xí)技術(shù)的興起，許多智能檢測任務(wù)的準(zhǔn)確率得到很大的提高。在計算機視覺領(lǐng)域中，卷積神經(jīng)網(wǎng)絡(luò)取得了良好的性能。然而，DL技術(shù)存在的問題是它們需要大量的訓(xùn)練數(shù)據(jù)。訓(xùn)練數(shù)據(jù)越多，神經(jīng)網(wǎng)絡(luò)的層次越深，所擁有的性能就越良好。

在如今的生活中，基于深度學(xué)習(xí)的傳感器信號智能檢測技術(shù)在我們身邊隨處可見：攝像頭的人臉檢測、停車場的車牌檢測、自動解析用于構(gòu)建人腦三維圖的顯微鏡圖像、AI回復(fù)與語音檢測、用于圍棋競賽的“阿爾法狗”等。本節(jié)以車牌檢測為例，介紹一種基于改進Lenet5深度卷積神經(jīng)網(wǎng)絡(luò)檢測車牌的方法。

典型的Lenet5網(wǎng)絡(luò)結(jié)構(gòu)主要包含七個層級結(jié)構(gòu)：一個全連接層、一個輸出層、三個卷積層、兩個采樣層。該網(wǎng)絡(luò)層次結(jié)構(gòu)有著廣泛的應(yīng)用。首先，在圖像檢測領(lǐng)域，該網(wǎng)絡(luò)有非常高的準(zhǔn)確性；其次，在相同硬件條件下，該網(wǎng)絡(luò)有較快的運行速度；最后，可以很容易地訓(xùn)練檢測新的字符樣式和字體，且其檢測精度不易因分辨率較低以及其他外部環(huán)境干擾而導(dǎo)致圖像模糊。10.2智能檢測方法

在訓(xùn)練網(wǎng)絡(luò)的過程中，通常將圖像進行像素歸一化后輸入神經(jīng)網(wǎng)絡(luò)進行迭代訓(xùn)練。在每次訓(xùn)練的過程中，通過分析損失曲線和準(zhǔn)確率曲線來改變超參數(shù)(非學(xué)習(xí)參數(shù)，如：基學(xué)習(xí)率和正則化)，以優(yōu)化下一次訓(xùn)練迭代。當(dāng)損失達到期望值后，可以將該模型應(yīng)用于攝像頭傳感器的智能檢測中。基于深度學(xué)習(xí)的車牌智能檢測流程如圖10-9所示。10.2智能檢測方法圖10-9

基于深度學(xué)習(xí)的車牌智能檢測流程10.2.4 基于數(shù)據(jù)挖掘的智能檢測 20世紀(jì)60年代，數(shù)字方式數(shù)據(jù)采集技術(shù)已經(jīng)實現(xiàn)。隨后，能夠適應(yīng)動態(tài)按需分析數(shù)據(jù)的結(jié)構(gòu)化查詢語言迅速發(fā)展起來。人類社會進入信息時代后，計算機軟件、硬件的快速發(fā)展使得數(shù)據(jù)采集和數(shù)據(jù)存儲成為可能，在計算機中保存的文件及數(shù)據(jù)數(shù)量成倍增長，用戶也期望從這些龐大的數(shù)據(jù)中獲得最有價值的信息。盡管各商業(yè)公司、部門、科研院所積累了海量數(shù)據(jù)，但是這些數(shù)據(jù)只有很少的一部分被有效利用。信息用戶面臨著數(shù)據(jù)豐富而知識匱乏的問題，迫切需要能自動化、高效率地從海量數(shù)據(jù)中提取有用數(shù)據(jù)的新型處理技術(shù)。在這樣的需求背景下，數(shù)據(jù)挖掘技術(shù)應(yīng)運而生。將傳統(tǒng)數(shù)據(jù)分析方法和處理海量數(shù)據(jù)的復(fù)雜算法結(jié)合的數(shù)據(jù)挖掘技術(shù)，使從數(shù)據(jù)庫中高效提取有用信息成為可能，為現(xiàn)今信息技術(shù)的發(fā)展奠定了基礎(chǔ)。 數(shù)據(jù)挖掘技術(shù)(DataMining，DM)或稱從數(shù)據(jù)庫中發(fā)現(xiàn)知識(KnowledgeDiscoveryinDatabases，KDD)，其定義為從數(shù)據(jù)庫中發(fā)現(xiàn)潛在的、隱含的、先前不知道的有用的信息，也被定義為從大量數(shù)據(jù)中發(fā)現(xiàn)正確的、新穎的、潛在有用，并能夠被理解的知識過程。KDD側(cè)重于目的和結(jié)果，是將未加工的數(shù)據(jù)轉(zhuǎn)換為有用信息的整個過程；DM則側(cè)重于處理過程和方法，是KDD通過特定的算法在可接受的計算效率限制內(nèi)生成特定模式的一個步驟。事實上，在現(xiàn)今的文獻中，這兩個術(shù)語經(jīng)常不加區(qū)分的使用。 數(shù)據(jù)庫知識發(fā)現(xiàn)過程如圖10-10所示10.2智能檢測方法圖10-10

從數(shù)據(jù)庫中發(fā)現(xiàn)知識(KDD)的全過程 主要由以下三個步驟組成： (1)數(shù)據(jù)預(yù)處理：將未加工的輸入數(shù)據(jù)轉(zhuǎn)換成適合分析的形式，為挖掘工作準(zhǔn)備數(shù)據(jù)。數(shù)據(jù)清洗用于清除不一致的和有噪聲的數(shù)據(jù)；數(shù)據(jù)選擇用于從數(shù)據(jù)庫中抽取和挖掘與任務(wù)相關(guān)聯(lián)的數(shù)據(jù)集；數(shù)據(jù)集成用于把多種數(shù)據(jù)源組合在一起；數(shù)據(jù)變換用于規(guī)范數(shù)據(jù)形式，以適合數(shù)據(jù)挖掘。由于收集和存儲的數(shù)據(jù)形式多種多樣，因此，數(shù)據(jù)預(yù)處理在知識發(fā)現(xiàn)過程中可能是最費力、最耗時的步驟。

(2)數(shù)據(jù)挖掘：最基本的步驟，也是最重要的步驟，使用智能方法，自動、高效地發(fā)現(xiàn)有用知識，提取挖掘模式。

(3)模式評估：根據(jù)某種評價標(biāo)準(zhǔn)，識別表示知識的真正有用的模式，并確保只將有效的和有用的挖掘結(jié)果集成到專家系統(tǒng)中。

數(shù)據(jù)挖掘作為發(fā)現(xiàn)知識過程中最基本、最重要的步驟，涵蓋了多個學(xué)科領(lǐng)域的知識，受多個學(xué)科影響。數(shù)據(jù)挖掘截取了多年來數(shù)理統(tǒng)計技術(shù)和人工智能以及知識工程等多個領(lǐng)域的研究成果，已經(jīng)構(gòu)建了自己的理論體系，可以集成到數(shù)據(jù)庫、人工智能、數(shù)理統(tǒng)計、可視化、并行計算機技術(shù)等中。

在數(shù)據(jù)挖掘中，主要用到以下五種方法：

(1)預(yù)測建模方法：包括分類和回歸兩類。分類是把新的數(shù)據(jù)推廣到已知結(jié)構(gòu)的任務(wù)；回歸是試圖找到能夠以最小誤差對該數(shù)據(jù)建模的函數(shù)，如決策樹、神經(jīng)網(wǎng)絡(luò)、最近鄰分類等。

(2)關(guān)聯(lián)分析方法：發(fā)現(xiàn)隱藏在不同數(shù)據(jù)之間的相互關(guān)系，用以提示此事件和彼事件之間的聯(lián)系，如Apriori算法、DHP算法、DIC算法等。10.2智能檢測方法

(3)聚類分析方法：在未知數(shù)據(jù)的結(jié)構(gòu)下，發(fā)現(xiàn)數(shù)據(jù)的類別與結(jié)構(gòu)。其可以發(fā)現(xiàn)數(shù)據(jù)的分布模式以及可能的數(shù)據(jù)屬性之間的相互關(guān)系，例如劃分法、層次法、基于網(wǎng)格法、基于密度法等。算法的選擇由數(shù)據(jù)類型、聚類目的和應(yīng)用決定。

(4)異常檢測方法：異常檢測也稱偏差檢測，是為了發(fā)現(xiàn)與其他大部分數(shù)據(jù)點不同的數(shù)據(jù)點，如基于鄰近度法、基于模型法等。

(5)Web頁挖掘：從互聯(lián)網(wǎng)的海量信息中提取各種有用模式和數(shù)據(jù)。企業(yè)通過Web頁挖掘、分析用戶訪問網(wǎng)站的模式，發(fā)現(xiàn)與經(jīng)營相關(guān)的社會環(huán)境信息、市場信息、競爭對手信息、客戶信息等，及時對外部挑戰(zhàn)和內(nèi)部經(jīng)營做出反饋和決策，以最佳方式解決面臨的危機和潛在問題。

傳感器在使用過程中，由于電子元器件的老化等問題會導(dǎo)致測量和數(shù)據(jù)采集的準(zhǔn)確度和精度下降，因此對于傳感器信息的檢測是十分重要的。圖10-11所示是一個基于數(shù)據(jù)挖掘的傳感器信息檢測系統(tǒng)的結(jié)構(gòu)圖。10.2智能檢測方法圖10-11

基于數(shù)據(jù)挖掘的傳感器信息檢測系統(tǒng)結(jié)構(gòu)圖 基于數(shù)據(jù)挖掘的傳感器信息檢測系統(tǒng)結(jié)構(gòu)圖各部分功能如下： (1)多載體傳感器數(shù)據(jù)輸入接口為送來的各種載體形式的傳感器數(shù)據(jù)提供輸入接口。 (2)傳感器數(shù)據(jù)規(guī)范化預(yù)處理為進入原始傳感器數(shù)據(jù)庫的數(shù)據(jù)記錄進行規(guī)范化的變換和預(yù)處理。 (3)原始傳感器數(shù)據(jù)質(zhì)量評估在傳感器信息知識庫的支持下對原始傳感器數(shù)據(jù)的質(zhì)量進行評估，綜合考查傳感器數(shù)據(jù)的來源與背景、技術(shù)特征參數(shù)的波動范圍與測量精度，以及其他數(shù)據(jù)的可信度、完整性及時效性等，它是最后確定加權(quán)系數(shù)或隸屬度的依據(jù)。 (4)初級融合處理是在傳感器信息知識庫的支持下對原始數(shù)據(jù)進行重復(fù)性、相駁性、完備性檢查和合并、去相駁、補遺缺等處理，并進行初級統(tǒng)計相關(guān)分析，在此基礎(chǔ)上形成可供后面智能融合處理的中間結(jié)果數(shù)據(jù)。 (5)智能融合處理是在傳感器信息知識庫的支持下對中間結(jié)果數(shù)據(jù)庫中的數(shù)據(jù)進行廣義的相關(guān)分析、模糊模式匹配和關(guān)聯(lián)分析、智能推理等綜合分析處理，最后的處理結(jié)果存入結(jié)果數(shù)據(jù)庫，供最終數(shù)據(jù)的綜合生成。

(6)結(jié)果數(shù)據(jù)的質(zhì)量評估是在傳感器信息知識庫的支持下對智能融合處理過程及其所得到的結(jié)果數(shù)據(jù)進行質(zhì)量評估，以便確定進入結(jié)果數(shù)據(jù)庫中各數(shù)據(jù)記錄的質(zhì)量等級。

(7)基于專家經(jīng)驗的知識元生成是在領(lǐng)域?qū)＜医?jīng)驗的指導(dǎo)下形成數(shù)據(jù)融合處理的準(zhǔn)則、模型、邏輯、經(jīng)驗公式與數(shù)據(jù)等，為傳感器知識的框架結(jié)構(gòu)提供素材。

(8)傳感器檢測信息生成是最終得出的傳感器檢測結(jié)果。10.2智能檢測方法10.2.5 多傳感器信息融合

現(xiàn)實世界的多樣性決定了采用單一的傳感器不能全面地感知和認識自然界，于是多傳感器及其數(shù)據(jù)融合技術(shù)應(yīng)運而生。由于傳感器信息形式、信息容量及信息處理速度的多樣性，因此需要新的技術(shù)對傳感器帶來的巨量信息進行消化、解釋和評估，人們也越來越認識到信息融合的重要性。根據(jù)美國國防部的數(shù)據(jù)融合小組JDL1986年建立的定義，多傳感器信息融合是一種針對多傳感器數(shù)據(jù)或信息的處理技術(shù)，通過數(shù)據(jù)關(guān)聯(lián)、相關(guān)和組合等方式以獲得對被測對象的信息數(shù)據(jù)。 二十多年來，多傳感器信息融合技術(shù)獲得了普遍的關(guān)注和廣泛應(yīng)用，原本以軍事應(yīng)用為目的的信息融合技術(shù)也已廣泛應(yīng)用于其他各個領(lǐng)域，如工業(yè)機器人、工業(yè)過程監(jiān)視、刀具狀態(tài)監(jiān)測、圖像分析與處理、目標(biāo)檢測與跟蹤等。 信息融合可定義為利用不同時間與空間的多傳感器信息資源，采用計算機技術(shù)對多傳感器的觀測信息在一定準(zhǔn)則下加以自動分析、綜合，以獲得對被測對象的一致性解釋與描述，并進行決策和估計的信息處理過程。因此，多傳感器系統(tǒng)是信息融合的硬件基礎(chǔ)，多源信息是信息融合的加工對象，協(xié)調(diào)優(yōu)化和綜合處理是信息融合的核心。 多傳感器信息融合的基本原理與人腦綜合處理信息系統(tǒng)類似，人體通過對各個傳感器(眼、耳、鼻、四肢)的信息(景物、聲音、氣味、觸覺)組合，并使用先驗知識去估計、理解周圍環(huán)境和正在發(fā)生的事件，由于人類感官具有不同的度量特征，因而可以測出不同空間范圍內(nèi)的各種物理現(xiàn)象。多傳感器信息融合系統(tǒng)中各傳感器的信息可能具有不同的特征：實時的或者非實時的、快變的或者緩變的、模糊的或者確定的、相互支持或互補，也可能互相矛盾或競爭。信息融合利用多個傳感器共同或聯(lián)合操作的優(yōu)勢，更大程度地獲得被測目標(biāo)的信息量，以提高傳感器系統(tǒng)的有效性。10.2智能檢測方法 信息融合的結(jié)構(gòu)形式有并聯(lián)、串聯(lián)和混合融合三種，如圖10-12所示。

10.2智能檢測方法圖10-12

多傳感器信息融合的結(jié)構(gòu)形式 由圖10-12可見，并聯(lián)融合時，各傳感器直接將各自的輸出信息傳輸?shù)絺鞲衅魅诤现行?，融合中心對各信息按適當(dāng)方法處理后，輸出最終結(jié)果，因此并聯(lián)融合的各傳感器輸出之間互不影響；串聯(lián)融合時，每個傳感器既有接收和處理前一級傳感器信息的功能，又有信息融合的功能，最后一個傳感器綜合了所有前級傳感器輸出的信息，它的輸出就是串聯(lián)融合系統(tǒng)的結(jié)論，因此串聯(lián)融合中前級傳感器的輸出對后級傳感器輸出的影響很大；混合融合結(jié)合了以上兩種融合方式，可以是總體串行、局部并行，也可以是總體并行、局部串行。 按照數(shù)據(jù)抽象的三個層次，可將信息融合分為三級，即像素級融合、特征級融合和決策級融合。1.像素級融合 像素級融合是直接在采集到的原始數(shù)據(jù)上進行的融合，在各種傳感器的原始檢測未經(jīng)處理之前就進行數(shù)據(jù)的綜合分析，這是最低層次的融合。

像素級融合通常用于多源圖像復(fù)合、圖像分析和理解，以及多傳感器信息融合的卡爾曼濾波等。像素級融合的主要優(yōu)點是能保持盡可能多的現(xiàn)場數(shù)據(jù)，提供其他融合層次所不能提供的細微信息。但其缺點是數(shù)據(jù)量大、處理代價高、實時性差等。2.特征級融合

特征級融合可劃分為目標(biāo)狀態(tài)信息融合和目標(biāo)特性信息融合兩大類。

目標(biāo)狀態(tài)信息融合是狀態(tài)信息的融合，主要用于多傳感器狀態(tài)監(jiān)測。融合系統(tǒng)首先對傳感器數(shù)據(jù)進行預(yù)處理以完成特征提取，計算出相應(yīng)的特性參數(shù)(如均值、方差或諧分析參數(shù)等)，然后進行相應(yīng)的狀態(tài)向量估計。目標(biāo)特性信息融合就是在特征層聯(lián)合識別，融合方法采用模式識別的相關(guān)技術(shù)。10.2智能檢測方法

特征級融合的優(yōu)點是實現(xiàn)了信息壓縮，有利于實時處理，并且由于所提取的特征直接與決策分析有關(guān)，因而融合結(jié)果能最大限度地給出決策分析所需要的特征信息。目前大多數(shù)加工過程狀態(tài)監(jiān)測及故障診斷的信息融合研究是在該層次上進行的。3.決策級融合

決策級融合是一種高層次融合，從具體決策問題的需求出發(fā)，充分利用特征級融合所提取的測量對象的各類特征信息，直接針對具體決策目標(biāo)，融合結(jié)果直接影響決策水平。

決策級融合的主要優(yōu)點是：融合中心處理代價低，具有較高的靈活性和容錯能力；通信量小、抗干擾能力強等。但是，由于要對原傳感器信息進行預(yù)處理以獲得各自的判定結(jié)果，所以預(yù)處理代價高。

圖10-13所示為BullockTB所設(shè)計的一種用于雷達監(jiān)測的信息融合系統(tǒng)，它主要提供目標(biāo)的高度、方位、距離和臨近速度等綜合信息。10.2智能檢測方法圖10-13

一種用于雷達測量的信息融合系統(tǒng)

該系統(tǒng)由三個基本部分構(gòu)成：①一個中央處理器；②一個或多個局部處理器；③一個被稱作“外部邏輯”的傳感器故障檢測系統(tǒng)。該系統(tǒng)能進行局部估算、綜合中央處理器中的各局部估算值，并能檢查、排除傳感器故障。各局部處理器分別處理各個傳感器提供的信息，計算出一個描述目標(biāo)在坐標(biāo)內(nèi)運動情況的局部狀態(tài)估算值。從結(jié)構(gòu)上看，各個傳感器(包括局部處理器)之間的關(guān)系是并聯(lián)的，屬于并聯(lián)融合結(jié)構(gòu)。

中央處理器的主要任務(wù)是綜合所有測得狀態(tài)的局部估算值，形成指導(dǎo)性的全局狀態(tài)估算值。它的計算過程如下：首先采用一定的融合算法進行處理，再接收并處理來自傳感器故障檢測系統(tǒng)的有效數(shù)據(jù)，以坐標(biāo)形式給出全局狀態(tài)信息處理結(jié)果，結(jié)果可能與局部處理器的信息相同，也可能不同；然后，中央處理器將預(yù)先統(tǒng)計的信息反饋給每個局部處理器，這樣就在信息融合系統(tǒng)中完成了一個信息流動周期。

每個傳感器都有一個局部處理器。局部處理器本身由一個估算器構(gòu)成，必要時可通過傳感器故障檢測系統(tǒng)自適應(yīng)調(diào)整。在傳感器信息融合系統(tǒng)中，有一種特殊的故障，即傳感器故障，此類故障的檢測系統(tǒng)稱為傳感器故障檢測系統(tǒng)。

利用中央處理器的預(yù)先統(tǒng)計信息和傳感器的探測信息可得出局部狀態(tài)信息的處理結(jié)果。由于所有局部處理器都采用同樣的預(yù)先統(tǒng)計信息，因此一個局部處理器出現(xiàn)故障時會影響全局；也由于傳感器可能出現(xiàn)故障，因此有些探測信息可能有失真，甚至是錯誤的，從而相應(yīng)地降低了局部處理信息的精確性，必要時應(yīng)對局部處理器的估算器的結(jié)構(gòu)或算法做出適當(dāng)修正。傳感器故障檢測系統(tǒng)決定著局部處理器的哪些數(shù)據(jù)應(yīng)直接輸入中央處理器，哪些數(shù)據(jù)應(yīng)修正后再傳輸，或哪些數(shù)據(jù)應(yīng)全部舍棄。傳感器故障一旦被查出，傳感器故障檢測系統(tǒng)就會做出相應(yīng)的反應(yīng)：如果傳感器故障檢測系統(tǒng)未檢測出任何傳感器故障，則所有的測得狀態(tài)局部估算值就輸入中央處理器；如果某些局部處理器檢測出傳感器故障，則先修改對應(yīng)的局部估算值，然后輸入中央處理器。中央處理器融合所有局部估算值，然后計算出全局估算值。10.2智能檢測方法第十一章

智能集成傳感器 11.1 智能傳感器 11.2 微型與集成化傳感器 11.3 集成壓阻式傳感器 11.4 集成霍爾式傳感器 11.5 集成數(shù)字式溫度傳感器 傳統(tǒng)意義上的傳感器由敏感元件、轉(zhuǎn)換元件和轉(zhuǎn)換電路所組成，但隨著技術(shù)的發(fā)展和制造工藝水平的提高，傳感器不僅越來越小型化，而且也根據(jù)其使用要求發(fā)展成為具有多種功能的組合體。 智能傳感器是一種集感知、信息處理和通信于一體，能提供一定知識級別信息，具有自診斷、自校正、自補償?shù)裙δ艿膫鞲衅?。智能傳感器一般自帶微處理器，除了檢測被測量、完成信號處理和記憶、對外通信等功能外，甚至還具有邏輯推理、識別算法和判斷等能力。智能傳感器由傳感、信息處理、通信各功能模塊組合而成，但通常所指的智能傳感器由于大規(guī)模應(yīng)用和成本上的考慮，與傳感器的微型化和集成化有關(guān)，是一體化的傳感器。傳感器微型化使集成變得更加方便：一方面，采用先進的微電子技術(shù)、計算機技術(shù)將傳感器和微處理器結(jié)合，可開發(fā)出具有各種功能的單片集成化智能傳感器，比如采用半導(dǎo)體敏感材料制作的傳感器可以將敏感元件、信號調(diào)理電路和微型計算機等集成在同一芯片內(nèi)，并且可實現(xiàn)多敏感單元陣列化，即由超大規(guī)模集成電路構(gòu)成的芯片式智能傳感器；另一方面，利用生物工藝和納米技術(shù)研制傳感器功能材料，開發(fā)分子和原子生物傳感器，再結(jié)合半導(dǎo)體工藝制作信號采集與處理電路、模/數(shù)轉(zhuǎn)換電路和微處理器，完成數(shù)據(jù)處理、各種智能算法和通信等功能，將它們集成在一起，最終構(gòu)成一體化的智能傳感器。因此，智能傳感器發(fā)展關(guān)鍵還在于可集成的新型敏感材料、半導(dǎo)體集成電路和制造技術(shù)的發(fā)展。

智能傳感器由微傳感器敏感單元和微傳感器處理單元兩部分構(gòu)成，其結(jié)構(gòu)如圖11-1所示。11.1 智能傳感器圖11-1

智能傳感器的結(jié)構(gòu)圖

傳感器完成被測對象信息的拾??；預(yù)處理器實現(xiàn)信號的放大、濾波和模/數(shù)轉(zhuǎn)換等預(yù)處理功能；微處理器完成信號的分析、補償或校正的運算、數(shù)據(jù)的融合、邏輯控制等任務(wù)；存儲記錄模塊用于保存數(shù)據(jù)信息；通信接口用于實現(xiàn)與上位機的數(shù)據(jù)交換；控制輸出模塊用于實現(xiàn)顯示、報警等標(biāo)志的輸出。

其中，傳感器部分可以是單個或多個傳感器，也可以把多個功能相同的傳感器按一定規(guī)律組成陣列，而微處理器的強大功能，使傳感器具有了智能。 由于智能傳感器具有通信功能，智能傳感器的網(wǎng)絡(luò)化應(yīng)用正變得越來越普及，比如智能傳感器在物聯(lián)網(wǎng)、網(wǎng)絡(luò)化自動測控技術(shù)、智能柔性制造和無人化車間中的應(yīng)用等。以智能傳感器在物聯(lián)網(wǎng)中的應(yīng)用為例，物聯(lián)網(wǎng)中的對象(物體)節(jié)點本身可能就是一個智能傳感器，它的作用就是監(jiān)測周邊環(huán)境或自身狀態(tài):比如一輛移動的汽車，智能傳感器需要接入車輛的地理位置信息，也需要車輛本身的狀態(tài)信息；又如，一座大型橋梁和地質(zhì)災(zāi)害的網(wǎng)絡(luò)化監(jiān)控一般需要許多個不同類型的物聯(lián)網(wǎng)智能傳感器進行監(jiān)測，如壓力、溫度、濕度、氣壓等，它們可以獨立組網(wǎng)也可以組成局域網(wǎng)后再聯(lián)網(wǎng)。

網(wǎng)絡(luò)化智能傳感器使傳感器由獨立檢測向多點檢測以及單一功能向多功能方向發(fā)展，從本地測量向遠距離實時在線檢測發(fā)展，而且網(wǎng)絡(luò)化智能傳感器使傳統(tǒng)測控系統(tǒng)的信息采集、數(shù)據(jù)處理等方式產(chǎn)生了質(zhì)的飛躍，即各種現(xiàn)場數(shù)據(jù)直接在網(wǎng)絡(luò)上傳輸、發(fā)布和共享，使智能化測控系統(tǒng)可以在網(wǎng)絡(luò)任何節(jié)點對現(xiàn)場的傳感器進行在線編程和組態(tài)，實現(xiàn)實時遠程監(jiān)測和控制。11.1 智能傳感器 傳感器的微型化是傳感器發(fā)展的重要方向之一，微機械電子系統(tǒng)(MicroElectroMechanicalSystem，MEMS)則是傳感器微型化的基礎(chǔ)。微傳感器所構(gòu)成的系統(tǒng)就是一種實用的微機械電子系統(tǒng)，簡稱微機電系統(tǒng)。通常認為，微機電系統(tǒng)是在微電子技術(shù)基礎(chǔ)上發(fā)展而來，融合了硅、非硅微加工和精密機械加工等多種微加工技術(shù)，并應(yīng)用現(xiàn)代信息技術(shù)構(gòu)成的微型系統(tǒng)，可以將信息獲取、處理和通信等功能集成于一個器件上。

微機電系統(tǒng)可以制作微傳感器、微執(zhí)行器、微能源等微機械基本部分，也可制作高性能的電子集成線路組成的微機電器件和裝置。

微機電系統(tǒng)開發(fā)涉及的基礎(chǔ)研究主要包括以下幾個方面：

(1)基礎(chǔ)理論研究。隨著微機電系統(tǒng)器件尺寸的縮小，物質(zhì)的宏觀特性將發(fā)生改變，因此在微機電系統(tǒng)中，需要研究微機械學(xué)、微流體力學(xué)、微熱力學(xué)、微摩擦學(xué)、微光學(xué)、微結(jié)構(gòu)學(xué)、納米生物學(xué)等。.

(2)技術(shù)基礎(chǔ)研究。微機電系統(tǒng)技術(shù)基礎(chǔ)主要涉及微機電設(shè)計技術(shù)、微機電材料技術(shù)、微機電加工技術(shù)、集成與控制技術(shù)等。

①微機電設(shè)計技術(shù)。微機電系統(tǒng)的設(shè)計依賴于成熟的CAD系統(tǒng)，主要包括版圖設(shè)計、工藝模擬、性能分析等主要功能的MEMSCAD原型系統(tǒng)。

②微機電材料技術(shù)。微機電系統(tǒng)的材料既要保證微傳感器系統(tǒng)的性能要求，又必須滿足系統(tǒng)中加工方法的要求。目前，微機電系統(tǒng)中主要使用的材料包括硅、形狀記憶合金、壓電材料、磁致伸縮材料、電流凝膠等。11.2 微型與集成化傳感器

③微機電加工技術(shù)。微機電加工技術(shù)是微機電系統(tǒng)的核心技術(shù)。在微機電系統(tǒng)采用的眾多材料中，最常用的材料是硅，很多微加工技術(shù)和集成電路制造中的技術(shù)通用，如氧化、摻雜、光刻、腐蝕、外延、淀積、鈍化等。另外，還有一些新的加工方法，如鍵合技術(shù)、LIGA技術(shù)、準(zhǔn)分子激光加工技術(shù)和特種精密加工技術(shù)等。

④集成與控制技術(shù)。集成是微機電系統(tǒng)制造的最后步驟，包括微傳感器、微執(zhí)行器、微處理器、通信電路以及微能源的集成等，并運用控制技術(shù)將它們組合在一起，構(gòu)成微傳感器系統(tǒng)。

在人工智能、生命科學(xué)、航空航天、智能制造、智慧醫(yī)療、智能家居和社區(qū)、汽車工業(yè)和物聯(lián)網(wǎng)等領(lǐng)域，微傳感器系統(tǒng)有著廣泛的需求和應(yīng)用。硅敏感材料與半導(dǎo)體直接集成后可以制造微傳感器系統(tǒng);其他形式的敏感材料，只有微型化制成微機電系統(tǒng)后，才能與處理電路、微處理器、通信電路等集成在一起，所以傳感部分的微型化是集成傳感器的基礎(chǔ)。11.2 微型與集成化傳感器

11.3 集成壓阻式傳感器

11.3 集成壓阻式傳感器圖11-2

擴散