合肥工业大学电气工程学科阮义在袁莉芬教授指导下完成的博士学位论文《融合温度补偿的压阻式压力传感器预测与健康管理关键技术研究》（Research on Key Technology of Prognostic and Health Management for Piezoresistive Pressure Sensor Embedding Temperature Compensation），于2023年3月完成并通过答辩。该研究针对MEMS（微机电系统）压力传感器的可靠性提升这一重要课题展开深入探索，以下是学术报告的具体内容：

一、研究背景与学术价值

随着MEMS技术在军工装备和民用领域的广泛应用，压阻式压力传感器作为核心传感元件，其可靠性直接关系到系统安全。国内外研究显示，温度效应是导致传感器性能退化的重要因素，现有研究多集中于材料改性和硬件补偿，而软件层面的预测与健康管理（PHM, Prognostic and Health Management）体系尚未完善。本研究首次提出融合温度补偿的PHM技术框架，旨在解决复杂温度环境下传感器故障诊断精度低、健康状态评估困难等关键问题。

二、研究流程与方法

1. 非线性温度补偿方法开发

• 研究设计：
  通过数学建模分析压阻式压力传感器的非线性温度效应，提出以测量压力偏差与温度变化的映射关系构建补偿模型。采用多核相关向量机（MKRVM, Multi Kernel Relevance Vector Machine）建立非线性估计模型，并创新性地引入动态混沌量子粒子群优化（DCQPSO, Dynamic Chaos Quantum Particle Swarm Optimization）算法优化多核函数权重系数。
• 实验验证：
  使用MPX2100AP传感器搭建实验平台（图3.4），在-40°C至125°C温度范围内采集数据。结果表明，所提方法补偿后传感器输出误差降低至传统方法的1/3（表3.6），尤其在极端温度下（如-20°C）误差减少达62%（图3.7）。

2. 在线故障逐层诊断技术

• 特征提取创新：
  针对原始信号特征模糊问题，提出格拉姆角场（GAF, Gramian Angular Fields）编码方法将时序信号转换为图像（图4.3），结合卷积神经网络（CNN）构建逐层特征提取网络。通过DCQPSO优化网络参数，故障诊断准确率提升至98.7%（图4.14），显著优于传统PCA方法（准确率82.5%）。
• 多故障识别模型：
  基于支持向量机（SVM）构建多故障分类器，实现对电源故障、敏感故障等6类故障的识别（表4.2）。实验证明，温度补偿后的诊断混淆矩阵（图4.19b）分类精度较未补偿时提升21.3%。

3. 全过程健康状态预测

• 评估指标设计：
  提出离线健康指标（OfflineHI）和在线健康指标（OnlineHI）分别表征传感器退化趋势（图5.3-5.4）。基于门控循环单元（GRU）网络构建自适应深度模型（ADGRU），通过DCQPSO实现结构参数动态调整。
• 验证结果：
  老化试验（图5.16-5.18）显示，ADGRU对电源-调理复合故障的预测均方误差仅为0.014（表5.2），优于LSTM等对比模型（图5.15）。

三、核心成果与创新点

1. 理论突破：
   建立首个融合温度补偿的压阻式压力传感器PHM技术体系，涵盖“补偿-诊断-预测”全流程（图2.4），填补了国内该领域理论空白。
2. 方法创新：
   提出的DCQPSO-MKRVM补偿模型、GAF-CNN特征提取方法及ADGRU预测模型，均为原创性算法，相关代码已集成至自主开发的健康管理系统（附录1）。
3. 工程价值：
   系统硬件平台基于Arduino实现低成本部署（图A.1），软件平台支持实时监测与决策辅助（图A.4），在航天、石化等领域具应用潜力。

四、研究意义与展望

本研究的科学价值在于将温度效应纳入传感器可靠性分析的统一框架，为MEMS器件PHM研究提供新范式；应用价值体现在可延长传感器寿命30%以上（文献48对比数据）。未来可拓展至多物理场耦合场景，并探索PHM技术与边缘计算的融合。

亮点总结

1. 多学科交叉：结合机器学习、优化算法与传感器技术，形成闭环解决方案。
2. 全流程验证：从仿真（PSPICE模型）、实验室测试到老化试验，数据链条完整。
3. 工业适配性：健康管理系统设计兼顾精度与成本，符合工程落地需求。