【文章內(nèi)容簡介】
roving the accuracy of electromagic force equilibrium sensor, a new method bined the BP work with sensor was introduced based on the nonlinearity mapped ability that exists in BP work. Key words: Electromagic Force Equilibrium Sensor Accuracy BP work 1 引言 傳 感器是一種能夠把非電輸入信息轉(zhuǎn)換成電信號輸出的器件或裝置,在過程檢測與過程控制中占有非常重要的地位。精度是反映傳感器系統(tǒng)誤差與隨機誤差綜合影響程度的評價指標,表示測量結(jié)果與其理論值的靠近程度,直接影響整個控制檢測應用系統(tǒng)的性能。通??梢杂美碚撝本€法、端點線法、最佳直線法、最小二乘法或采用硬件補償來提高其精度,盡量減小非線性誤差。但這些方法能力有限,并且當周圍環(huán)境改變或由于傳感器自身參數(shù)變化等原因引起的精度下降時,上述方法無能為力。本文提出利用神經(jīng)網(wǎng)絡中的 BP 算法與傳感器相結(jié)合,可以極大地提高傳感器輸出信號的 精度,仿真結(jié)果表明, BP 算法在抑制傳感器的溫漂和時漂方面有其獨特的優(yōu)勢。 2 電磁力平衡傳感器的工作原理 電磁力平衡傳感器主要應用在電子天平上,電子天平的重要特點是在測量被測物體的質(zhì)量時不用測量砝碼的重力,而是采用電磁力與被測物體的重力相平衡的原理來測量的。秤盤通過支架連桿與線圈連接,在稱量范圍內(nèi),當被測重物的重力 mg通過連桿支架作用于線圈上,方向向上,這時在磁場中若有電流通過,線圈將產(chǎn)生一個電磁力 F,可用下式表示: F=KBLI 其中 K 為常數(shù)(與使用單位有關(guān)), B 為磁感應強度, L為線圈導線的長 度, I 為通過線圈導線的電流強度。電磁力 F 和秤盤上被測物體重力 mg大小相等、方向相反而達到平衡,同時在彈性簧片的作用下使秤盤支架回復到原來的位置。即 F=KBLI=mg 由上式可知,處在磁場中的通電線圈,流經(jīng)其內(nèi)部的電流 I與被測物體的質(zhì)量成正比,只要測出電流 I 即可知道物體的質(zhì)量 m。 任何一個平衡控制系統(tǒng)為了進一步提高其精度,需要加閉環(huán)控制系統(tǒng),如圖 1 所示。 若被稱物加重,天平則產(chǎn)生不平衡狀態(tài),通過光電檢測器檢測到線圈在磁鋼中的瞬態(tài)位移,經(jīng)前置放大器和 PID 調(diào)節(jié)器產(chǎn)生一個變化量輸出,然后于固定的鋸齒波比較,使調(diào)寬脈沖加寬,再用該調(diào)寬脈沖控制電流開關(guān),使電流減小,而恒流源是固定不變的,從而使流經(jīng)線圈的電流增大,這樣使電磁力增大并與被測物相抵消從而達到新的平衡狀態(tài)。 但是由于天平在使用過程中,其傳感器和電路在工作過程中受溫度影響,或傳感器隨工作時間變化而產(chǎn)生的某些參數(shù) 的變化,以及氣流、振動、電磁干擾等環(huán)境因素的影響,都會使電子天平產(chǎn)生漂移。造成測量誤差。其中,氣流、振動、電磁干擾等環(huán)境溫度的影響可以通過對電子天平的使用條件加以約束,將其影響程度減小到最低限度。而溫漂主要是來自環(huán)境溫度的影響和天平內(nèi)部的自身影響,其形成的原因復雜,產(chǎn)生的漂移大,必須加以抑制。 3 用于傳感器非線性校正的神經(jīng)網(wǎng)絡 受溫度影響的傳感器系統(tǒng)可以表示為: y=f( x,t)。其中, y 表示傳感器的輸出量, x表示傳感器的輸入量, t 表示環(huán)境溫度。由于傳感器產(chǎn)生的非線性誤差和溫度誤差,使 f( x,t)呈現(xiàn)非線性。神經(jīng)網(wǎng)絡對于消除和補償傳感器系統(tǒng)的非線性特性提供了一種新途徑,如圖 2所示: 圖 2 傳感器非線性誤差校正 BP 網(wǎng)絡模型 BP 網(wǎng)絡是一種基于隨機逼近原理的階層型前饋神經(jīng)網(wǎng)絡,通常包括三層:輸入層、中間層(隱層)和輸出層。一個采用 BP 算法的 n維輸入 m 維輸出 的多層前饋神經(jīng)網(wǎng)絡所完成的功能,是從 n 維歐氏空間向 m 維歐氏空間中一有限域的連續(xù)映射,這一映射是高度非線性的。由于信號處理能力來源于簡單非線性函數(shù)的多次復合,因此網(wǎng)絡具有極強的函數(shù)復現(xiàn)能力。 White H 已經(jīng)證明:三層 BP 網(wǎng)絡可以實現(xiàn)任意非線性數(shù)學問題。 BP 算法由信息的正向傳播和誤差的反向傳播組成,輸入模式從輸入層經(jīng)隱含單元逐層處理并傳向輸出層,每一層神經(jīng)元的狀態(tài)僅影響下一層神經(jīng)元的狀態(tài)。如果在輸出層沒有得到期望的輸出值,則將誤差信號沿原來的連接通路返回并修改各層神經(jīng)元的權(quán)值,從而使誤差最小,達到期望目 標。 BP 網(wǎng)絡的學習規(guī)則是利用梯度下降法,權(quán)值沿著誤差函數(shù)的負梯度方向改變,使均方根誤差逐漸減小,并逼近非線性函數(shù)。 算法的實現(xiàn) 在本系統(tǒng)以輸入層、中間層和輸出層的神經(jīng)元個數(shù)分別為: 1為例。其中輸入變量分別為目標參量 —— 待校正的質(zhì)量值和非目標參量 —— 溫度,輸出變量為校正后的質(zhì)量值,網(wǎng)絡結(jié)構(gòu)圖如圖 3 所示。 圖 3 BP 網(wǎng)絡結(jié)構(gòu)圖 BP 網(wǎng)絡中間層和輸出層的激活函數(shù)分別采用 logsig和 purelin 函數(shù),辨識精度取為 1e5。本次試驗共進行了 485221 次訓練( PIII 計算機上,大約 8 個小時左右),訓練結(jié)束后網(wǎng)絡的學習速率為: 。訓練前后各采樣點的相對誤差(滿度相對誤差)如圖 4 所示: