如何检查和校准温湿度传感器？

其中 o 是观察到的传感器值，i 是理想的传感器值(即参考标准)。为了计算 RMSE，我们对每个误差(与参考标准的偏差)进行平方，然后计算这些值的算术平均值，最后取平均值的平方根。
一旦你描述了传感器的准确性，你可以使用 RMSE 来决定是否有必要校准传感器。在某些情况下，RMSE 很小，对于您的应用程序完全可以接受，您可以合理地决定不需要进行校准。
例如，hih8121的结果令人印象深刻。RMSE 小于1% ，所有样本点的误差小于2% 。
另一方面，在某些情况下，您可能会发现传感器响应非常差和不规则，以至于您简单地决定您的应用程序需要另一个传感器。
校准的决定应该总是考虑到任务所需的精确度。然而，我们可以提高精度的传感器读数校准，为所有的传感器表。
传感器校正程序
为了校准一个传感器，我们首先需要从数学上确定将理想值与观测值联系起来的函数。一个线性回归程序可以用来确定这个功能。
回归过程名称中的“线性”一词并不意味着线性函数。相反，这个术语指的是一个线性组合的变量。得到的函数可以是线性或曲线性的。下面的三个多项式函数都代表线性回归。

• Y = ax + b (一次，线性)
• Y = ax2 + bx + c (二次，二次)
• Y = ax3 + bx2 + cx + d (三次方，立方)
  

在目前的项目中，我们使用四个参考标准(即，n = 4)计算传感器值。因此，三次多项式是我们可以计算的最高次多项式。通常情况下最高次多项式是 n-1，在这种情况下意味着3(4-1)。
最小二乘法通常用于线性回归。在此过程中，拟合一条直线，使每个基准点到直线的距离之和尽可能小。有许多程序使用最小二乘法来执行线性回归。你甚至可以使用 Excel (点击这里了解更多信息)。
还应该指出的是，我们并不一定要使用线性回归。我们可以用非线性回归。非线性回归的例子可以得到幂函数或者傅里叶函数。然而，线性回归非常适合我们项目的数据，而且，软件校正(校准)也很容易实现。事实上，在这个项目中，我不相信你会得到任何东西，通过使用非线性回归。
选择多项式
理论上，我们希望使用最适合数据的多项式。也就是说，产生最小确定系数的多项式表示 R2(或 R2，读作“ r 平方”)。R2越接近1，越适合。在最小二乘估计中，多项式的次数越高，拟合效果越好。
然而，你不必自动地使用最高次多项式。由于校准工作将在软件中进行，在某些情况下，使用低次多项式可能代表速度和/或记忆方面的优势，特别是如果使用高次多项式所能获得的准确度很小的话
下面，我们将演示使用不同次数的多项式对 hih6030传感器进行校准的程序，在此过程中，我们将演示适用于您选择使用的任何次数的多项式的一般程序。
利用前面表格中的数据，我们首先执行最小二乘回归程序来确定每个多项式的系数。这些值将来自所使用的回归软件包。结果如下，包括 r2值。

• 直线型: y = ax + b; a = 1.0022287，b =-8.9105659，r2 = 0.9996498
• 平方: y = ax2 + bx + c; a =-0.0012638，b = 1.1484601，c =-12.0009745，r2 = 0.999944
• 立方: y = ax3 + bx2 + cx + d; a = 0.0000076，b =-2.4906103，c = 1.2061971，d =-12.7681425，r 2 = 0.999999
  

现在可以使用计算函数修改观察值。也就是说，传感器读数可以按下表所示进行校准(注意 OBS、纠正和 ERR 值四舍五入到小数点后两位)。

	格式		1st Degree		2nd Degree		3rd Degree
Ref RH	OBS	ERR	Corrected	ERR	Corrected	ERR	Corrected	ERR
11.3	20.79	9.49	11.93	0.63	11.36	0.06	11.3	0
32.78	40.77	7.99	31.95	-0.83	32.83	0.05	32.78	0
75.29	83.83	8.54	75.11	-0.18	75.85	0.55	75.29	0
84.34	93.43	9.09	84.73	0.39	84.83	0.49	84.34	0
RMSE Rmrse		8.795736		0.562146		0.371478		0.00212

可以看出，所有三个多项式产生了一个明显的 RMSE 降低，相比观察的措施，这就是为什么你校准。下面的图表说明了使用一次多项式的改进。注意如何校准(纠正)数据点现在位于附近的理想对角线。

Hih6030传感器输出散点图

软件校正
一旦我们运行的校准和选择的多项式，我们可以修改软件，以纳入修正到传感器数据。使用 HIH6030.c 示例，我们可以修改程序代码如下:

最初计算的变量是 RH。在上面的代码行中，我们创建了三个代表校准的新变量(RHCal1，RHCal2，RHCal3)。为了说明，我们使用三个多项式中的每一个创建了新的变量，而实际上，您可能只使用选择的多项式来校准传感器值。
例子摘要
为了总结检查和校准湿度传感器的步骤，给出了最后一个例子，使用的数据来自的 DHT-22(# 2)传感器进行了评估。

• 第一步是使用参考标准来评估传感器的性能。
  

这是使用盐在微环境中产生与已知相对湿度大气。数据被收集并出现在先前提供的一个表格中。我们可以使用 RMSE 术语来描述传感器的精度，这也出现在表中。根据第一步的结果，我们可以决定是否进行传感器标定。如果是这样，那么继续进行第二步和第三步。

• 第二步是执行一个线性回归来确定一个函数，将理想的 RH 值(来自标准)与来自传感器读数的观测值联系起来。
  

本文选择一个三次多项式(y = ax3 + bx2 + cx + d，其中 y 为校准值，x 为传感器读数) ，确定系数 a = 0.000091367，b =-0.01452993，c = 1.77623089，d =-14.17403758。

• 最后一步是利用多项式修正传感器的值来计算校正值。
  

修改(校准)在软件中实现，并将传感器读数转换为其校准的等价物。
下图说明了这些步骤的结果。绘图包括由校准多项式得出的观测值和校准值(用于所收集的数据)。

Dht-22传感器输出散点图

最后的想法
在这个项目中，我们演示了一种评估常用湿度传感器精度的方法。也就是说，通过利用化学特性来制定参考标准，我们可以将传感器读数与标准值进行比较，并独立地确定传感器的准确性。此外，我们演示了一个校准传感器读数的软件程序，从而产生更准确的相对湿度。
传感器评估和校准是与任何使用传感器的地方相关的程序。在湿度传感器的情况下，这个项目演示了相对便宜和简单的方法来增加它们的价值。