温度嵌入式软件算法补偿方案及步骤

前言

一、测试方法

测试结果

二、温度算法补偿方案

前言

最近在使用环境温度、体温温度检测的传感器，但是遇到了温度不准确的问题，查了下资料，误差主要是来源于传感器的一致性、传感器自身温度和芯片本身读取的误差，为了消除这些误差，于是便有了软件算法补偿，让其接近真实的温度值，以下便是我的补偿方案

一、测试方法

测试结果

我用到的温湿度传感器是sht45及gy906，这两款传感器的理论误差是在±0.1℃，打印出来的温湿度也和理论值差的不多，大概是在1℃以内

二、温度算法补偿方案

我们现在用的体温传感器利用红外线 向目标物体发射电磁辐射，然后快速测量被测目标的温度。电磁辐射通过一个双电荷制 电磁感应 元件（DPP）进入传感器，该元件检测红外能量，并产生一个电荷 ，该电荷随后被放大并转换为数字输出。除此之外，还集成了一些其他的芯片和组件，如温度补偿电路、电源调节器、 EEPROM等，能够提供更加准确和稳定的测量结果，其硬件精度的上限为±0.1℃。所以太复杂精确的算法无意义。

下面是我的温度补偿的算法流程图，主要用的是

三、算法选型

一阶线性补偿

核心公式：

说明：

Ycomp：补偿后的物体温度；
Yraw：GY906 读取的原始物体温度；
Tenv：GY906 的环境温度（芯片自身温度，通过 MLX90614 的 TA 寄存器读取）；
Tref：参考温度（推荐 25℃，即常温标定基准）；
k：温度系数（拟合得到，代表每℃温度变化带来的误差）；
b：固定偏移量（拟合得到，补偿常温下的系统误差）。

优点：代码量少、MCU 计算耗时 < 1ms，完全适配低算力平台；

分段一阶线性补偿

如果你的使用温区跨度极大（如 - 40~100℃），且精度要求 ±0.3℃以内，可把温区划分为 2~3 段，每段单独拟合一阶系数。

分段建议（针对 GY906）：
- 第一段：-40~0℃（低温区）；
- 第二段：0~50℃（常温区）；
- 第三段：50~100℃（高温区）；
核心逻辑：根据当前Tenv判断所属区间，调用对应区间的k和b计算补偿值。

以上两种方案都可以使用

四、模型验证

我选择的是一阶线性补偿算法，用Pycharm建模进行曲线绘制，具体代码如下：

python 复制代码

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures
from sklearn.metrics import r2_score

# 设置中文字体（避免中文乱码，适配UI展示）
plt.rcParams['font.sans-serif'] = ['SimHei']  # 黑体
plt.rcParams['axes.unicode_minus'] = False    # 解决负号显示问题
plt.rcParams['figure.figsize'] = (12, 8)      # UI画布大小（适配屏幕展示）
plt.rcParams['font.size'] = 10                # 全局字体大小

# ===================== 1. 数据准备 =====================
# 传感器原始读数 & 标准温度计实际温度（可替换为你的真实标定数据）
raw_temp = np.array([20.5, 23.4, 25.4, 27.6, 30.5, 35.5]).reshape(-1, 1)
real_temp = np.array([20.1, 23.1, 25.2, 27.5, 30.5, 35.2])

# ===================== 2. 线性回归拟合（一阶补偿） =====================
model = LinearRegression()
model.fit(raw_temp, real_temp)

# 提取补偿系数（对应公式 y = K*x + B）
K = model.coef_[0]       # 斜率（补偿系数a）
B = model.intercept_     # 截距（补偿系数b）
compensated_temp = model.predict(raw_temp)  # 补偿后温度
residuals = compensated_temp - real_temp    # 残差（补偿后与实际值的差值）
r2 = r2_score(real_temp, compensated_temp)  # 拟合优度（越接近1拟合效果越好）

# ===================== 3. 生成UI级可视化曲线 =====================
# 创建2个子图：上半部分是拟合曲线，下半部分是残差分析
fig, (ax1, ax2) = plt.subplots(2, 1, gridspec_kw={'height_ratios': [3, 1]})

# ---- 子图1：原始数据 + 线性补偿拟合线 ----
# 绘制原始数据散点（UI级样式：大圆点、带边框）
ax1.scatter(raw_temp, real_temp, color='#2E86AB', s=80, edgecolors='#1A5276',
            label='标定原始数据', alpha=0.8)
# 绘制线性补偿拟合线（UI级样式：红色实线、加粗）
ax1.plot(raw_temp, compensated_temp, color='#E74C3C', linewidth=2.5,
         label=f'一阶线性补偿线 (y = {K:.4f}x + {B:.4f})')
# 添加完美拟合参考线（y=x，灰色虚线）
ax1.plot(raw_temp, raw_temp, color='#95A5A6', linestyle='--', linewidth=1.5,
         label='理想拟合线 (y=x)')

# 子图1样式美化（UI级）
ax1.set_title('GY906温度补偿 - 一阶线性拟合', fontsize=14, fontweight='bold', pad=20)
ax1.set_xlabel('传感器原始读数 (℃)', fontsize=11)
ax1.set_ylabel('标准实际温度 (℃)', fontsize=11)
ax1.legend(loc='best', frameon=True, shadow=True)
ax1.grid(True, alpha=0.3, linestyle='-')
ax1.set_xlim(raw_temp.min()-1, raw_temp.max()+1)  # x轴范围适配数据
ax1.set_ylim(real_temp.min()-1, real_temp.max()+1)  # y轴范围适配数据

# 标注关键信息（补偿系数、拟合优度）
ax1.text(0.02, 0.95, f'补偿系数 K = {K:.4f}\n截距 B = {B:.4f}\n拟合优度 R² = {r2:.6f}',
         transform=ax1.transAxes, fontsize=10, verticalalignment='top',
         bbox=dict(boxstyle='round,pad=0.5', facecolor='#F8F9FA', edgecolor='#DDDDDD'))

# ---- 子图2：残差分析（评估补偿效果） ----
# 绘制残差点（UI级样式：橙色圆点）
ax2.scatter(raw_temp, residuals, color='#F1C40F', s=60, edgecolors='#D35400', alpha=0.8)
# 绘制残差零线（灰色虚线）
ax2.axhline(y=0, color='#95A5A6', linestyle='--', linewidth=1.5)
# 子图2样式美化
ax2.set_title('残差分析（补偿后温度 - 实际温度）', fontsize=11, pad=6)
ax2.set_xlabel('传感器原始读数 (℃)', fontsize=15)
ax2.set_ylabel('残差 (℃)', fontsize=11)
ax2.grid(True, alpha=0.3, linestyle='-')
ax2.set_xlim(raw_temp.min()-1, raw_temp.max()+1)

# 整体布局调整（避免子图重叠，适配UI展示）
plt.tight_layout()
plt.subplots_adjust(hspace=0.2)

# 保存UI曲线（可选，生成高清图片）
# plt.savefig('GY906温度补偿拟合曲线.png', dpi=300, bbox_inches='tight')

# 显示UI曲线
plt.show()

# ===================== 4. 输出关键拟合信息 =====================
print("="*50)
print("一阶线性补偿参数（对应公式：补偿后温度 = K×原始读数 + B）")
print(f"补偿系数 K (斜率): {K:.6f}")
print(f"补偿截距 B (截距): {B:.6f}")
print(f"拟合优度 R²: {r2:.6f}（越接近1拟合效果越好）")
print(f"残差（补偿后-实际值）: {np.round(residuals, 6)}")
print("="*50)

通过调整原始读数和温度计的实际温度读数进行绘图

运行代码就会得到一幅图，根据一阶线性回归进行建模，从而得出K（补偿系数）和B（固定偏移量），三条曲线越接近重合，说明补偿的效果越好，也越接近真实值

嵌入式端落地

在得到接近1的拟合度后将这个线性补偿模型集成到 STM32

python 复制代码

// GY906一阶线性温度补偿（适用于20--36℃温区）
float compensate_temperature(float raw_temp) {
    const float K = 1.0111f;  // 补偿系数
    const float B = -0.5187f; // 补偿截距
    return K * raw_temp + B;
}

注意事项

采集的数据一定要是梯度的采集，不能是很接近的数据，否则导致线性拟合失去意义，例如：自变量（原始读数）无梯度 ：raw_temp 仅在 27.4℃~27.6℃ 之间波动，极差仅 0.2℃；因变量（实际温度）无变化 ：real_temp 仅在 27.1℃~27.2℃ 之间波动，极差仅 0.1℃。

总结

本文针对红外温度传感器（GY906）的测量误差问题，提出了软件算法补偿方案。通过测试发现传感器误差在±0.1℃范围内，采用一阶线性补偿算法进行温度校正，核心公式为Ycomp=K×Yraw+B。使用Python建模验证显示拟合优度接近1，残差分析良好。最终将补偿系数K=1.0111和截距B=-0.5187集成到STM32嵌入式平台，实现快速（<1ms）且精确的温度补偿，有效提升测量准确性。该方案代码量少，适合低算力平台应用。