阵列式MEMS压阻智能压力传感器系统研究

摘要

随着压力传感器技术的发展，市场对MEMS(微电子机械系统)压阻式压力传感器提出了越来越高的要求。传统单一量程的压阻式压力传感器存在着大量程传感器灵敏度低、小量程线性度差，迟滞重复性误差明显的缺点。阵列式多量程压力传感器测量结构为解决上述问题开辟了一条新思路。为此，本文设计与实现了一套阵列式MEMS压阻智能压力传感器系统。
　　本文提出了一种由两组大小量程分别为100kPa和50kPa的四个压力传感器构成的阵列式MEMS压力传感结构，并对该阵列传感结构参数进行详细的理论计算与有限元优化仿真。同时结合有限元仿真的应力分布结果，通过灵敏度和信噪比理论分析确定阵列式MEMS压力传感器的尺寸和材料特性参数。随之按照确定的具体参数完成传感器与测试结构版图设计，并根据所提出的制作工艺流程完成阵列式压力传感芯片的加工与封装，最后对包含基本参数信息的测试结构进行了测量与分析。在完成阵列式MEMS压阻压力传感器设计和制备的基础上，设计了一种压力传感信号智能采集和处理系统，该系统以s3c2440微处理器作为信号采集与数据处理的硬件核心部件，结合基于遗传算法改进的小波神经网络与最小二乘法对对阵列式压力传感器测量信号进行温度漂移补偿和迟滞误差补偿，并通过以太网技术与Qt/Embedded编写的人机交互图形界面的应用程序实现对近/远端现场的温度与压力信号进行定时高精度采集，数字信号实时处理、储存、显示与传输的功能。
　　实验标定和测试验证结果表明，在-20℃～20℃温度范围内，阵列式压力传感器在0～50kPa范围内非线性达2.18×10-4，灵敏度为0.082mV/kPa;在50～100kPa范围内非线性为7.02×10-3，灵敏度0.032mV/V/kPa;而在全量程范围内整体误差控制在±0.849％FS以内，表明出良好的性能，为多量程阵列式MEMS压阻压力传感器的研发提供了有益的参考。

目录

声明

摘要

第一章 绪论

1．1 课题研究背景及其意义

1．2 MEMS压阻式压力传感器的国内外发展现状

1．3 MEMS传感器阵列国内外发展现状

1．4 智能压力传感器补偿技术发展现状

1．4．1 压力传感器温度补偿技术发展现状

1．4．2 压力传感器迟滞补偿技术发展现状

1．5 本课题研究的主要内容与安排

第二章 阵列式MEMS压力传感器理论分析与结构设计

2．1 压阻式压力传感器基本原理

2．1．1 压阻效应

2．1．2 压阻式压力传感器工作原理与电路结构

2．2 压力传感器基本特性

2．2．1 压阻式压力传感器的静态特性

2．2．2 压阻式压力传感器的温度特性

2．3 阵列式MEMS压阻式压力传感器结构设计

2．3．1 感压膜片设计

2．3．2 硅杯掩模窗口的确定

2．3．3 压敏电阻设计

2．4 阵列式MEMS压阻式压力传感器结构设计有限元分析

2．4．1 结构建模与仿真

2．4．2 阵列式压力传感器灵敏度与信噪比理论分析

2．5 本章小结

第三章 阵列式压力传感芯片的工艺设计与制作

3．1 掩膜版图设计

3．2 阵列式压力传感器工艺流程

3．3 阵列式压力传感器封装设计

3．4 测试结构分析

3．5 本章小结

第四章 阵列式智能压力传感系统硬件设计

4．1 阵列式智能压力传感器硬件系统总体设计

4．2 信号输入电路设计

4．2．1 阵列式压力传感器电路

4．2．2 温度传感器电路

4．3 信号采集电路设计

4．3．1 ADC电源与基准电源

4．3．2 信号采集模块设计

4．3．3 隔离通信电路

4．4 微处理器电路设计

4．5 显控电路设计

4．6 通信电路设计

4．6．1 DM9000A网络通信电路设计

4．6．2 RS-232串口通信电路设计

4．7 PCB布局布线的设计

4．8 本章小结

第五章 阵列式智能压力传感系统程序与辅助软件设计

5．1 系统软件平台总体设计方案

5．2 嵌入式Linux软件平台搭建

5．3 数据采集端AD7794设备与应用程序设计

5．3．1 AD7794设备驱动编写

5．3．2 温度／压力采集应用程序设计

5．4 Qt／Embedded服务端GUI设计

5．4．1 用户登录界面

5．4．2 温度与压力显示模块

5．4．3 历史数据统计模块

5．5 数据远程传输与本地存储的实现

5．5．1 多线程局域网通信

5．5．2 采集信息的本地存储

5．6 Windows／Linux客户端设计

5．7 本章小结

第六章 测试结果分析及数据融合算法补偿

6．1 阵列式压力传感器的数据标定

6．2 基于遗传算法的小波神经网络数据融合

6．2．1 神经网络概述

6．2．2 小波神经网络概述

6．2．3 基于遗传算法的小波神经网络模型

6．3 基于遗传算法小波神经网络的补偿结果分析

6．4 本章小结

第七章 总结与展望

7．1 总结

7．2 展望

参考文献

致谢

作者简介