首頁>技術中心>技術資訊>神經網絡技術在稱重傳感器中的應用研究
神經網絡技術在稱重傳感器中的應用研究
發布時間：2017-09-01
1 引言
現代信息技術的三大基礎是信息的采集、傳輸和處理技術，即傳感技術、通信技術和計算機技術，它們分別構成了信息技術系統的“感官”、“神經”和 “大腦”。信息采集系統的首要部件是傳感器，且置于系統的最前端。在一個現代自動檢測系統中，如果沒有傳感器.就無法監測與控制表征生產過程中各個環節的 各種參量，也就無法實現自動控制。在現代技術中，傳感器實際上是現代測試技術和自動化技術的基礎。
在稱重技術中，將重物放于稱重系統的承載體上待穩定后，就可以準確地讀出重量值。需要進行快速稱重時，這種傳感器就暴露出缺陷。由于其彈性體的 阻尼比較小，傳感器到達穩態的時間較長，不能滿足快速測量的要求。提高傳感器動態響應的快速性，可從兩方面入手。一是改變其結構、參數和設計。減少中間的 傳遞環節，提高傳感器的固有頻率，從而提高快速性;二是設計動態補償器提高動態響應的快速性，即研制基于微處理器的數字動態補償裝置，串接在傳感器之后， 以縮短整個測量系統到達穩態的時間。動態補償器的設計要基于傳感器的動態模型。另外通過神經網絡技術提高傳感器的性能。本文采用神經網絡補償方法，能自動 跟隨傳感器模型的變化，保證稱重系統的快速性。同時給出解決這類問題的幾種其他方案。
2 稱重傳感器的動態模型
稱重傳感器的動態模型如圖 1 所示。圖中，K 為彈簧剛度(N?m)，C 為阻尼常數(N/m2)，m0為傳感器本身的等效質量，G 為被稱重物的重量，B為基座，通常基座的質量很大，故認為它處于靜止狀態。因為重物與托架之間不是固定聯接的，所以，需要兩個方程來刻畫上述的稱重傳感器 的動態特性。
設 m 與 m0之間的作用力為 f，且假定兩者之間無相對運動。
其階躍響應如圖 2 所示。動態過程振蕩周期多，到達穩態的時間長，并且 m 值越大 Td越大，即達到穩定的時間越長。必須進行動態補償，為適應被測重量的變化，需要神經網絡自適應動態補償。
3 神經網絡補償器的設計
若設計動態數字補償器的傳遞函數是傳感器傳遞函數的倒數，則整個測量系統的傳遞函數為 1，具有理想的頻率響應特性。根據這一思想，我們設計一神經網絡補償器，使整個系統輸出跟蹤系統輸入。
這種多網絡自學習補償結構是由兩個結構和學習算法完全相同的神經網絡 NN1，NN2 所構成。按誤差 E=u- A 減少的方向調整連接權并使 u≈A。當網絡收斂后，因網絡 NN1 和 NN2 結構完全相同，所以有 y=u。
對應于 m=0.5kg，1.5kg 時的傳遞函數(8)式和(9)式，采用雙線性變換
s=2(z- 1)/T(z+1)，采樣周期取 T=0.02 秒，得離散差分方程為:
采用三層網絡，輸入層有 5 個神經元，隱層有8 個神經元，輸出層有 1 個神經元。采用 BP 算法，其主要思想是對于 q 個輸入樣本:P=[P1，P2，……Pq]已知與其對應的輸出樣本為 T=[t11，t2，……，tq]。學習的目的是用網絡的實際輸出 A=[a1，a2，……，aq]與目標矢量 t1，t2，……，tq之間的誤差來修改其權值，使 a1，(l=1，2，……q)與期望的 t1盡可能地接近。隱層的激活函數為 f1，可調權值為W1ij，閾值為 b1i。輸出層的激活函數為 f2，可調權值為 W2i。閾值為 b2i信息的正向傳遞。
因為在線學習是有一定時間限制的，而網絡自身的學習也需要耗費一定的時間。如果直接將未訓練的神經網絡加入到系統中，當誤差變化較大時，很可能 因網絡自身學習的收斂速度跟不上誤差的變化，而影響在線的學習效果。要克服直接在線學習的這個弱點，可以讓網絡在線學習之前進行離線訓練。離線學習可以使 神經網絡在系統工作之前預先完成自身的學習過程，以此獲得一個基本反映系統要求的多層網絡，使這個多層網絡的參數基本工作在全局最小附近，然后再將這一網 絡加入系統中去。在系統運行過程中，根據系統參數的實時變化，采用在線學習算法，讓離線訓練過的網絡再隨系統工作過程中參數的變化調整自身參數，從而能快 速、準確的辨識對象特性。這種離線學習與在線學習結合的方法，能很好的發揮各自的優勢，大大提高了神經網絡辨識系統的能力。還可以采用提高學習速率或采用 自適應速率來加以改進。在滿足精度的前提下，應盡量減少結點數，提高訓練速度。上述方法都有利于稱重系統提高快速性和降低抖振。
神經網絡 NN2 的結構與算法和 NN1 完全相同，略去。
采用隨機初始化，取采樣周期為 T=0.02 秒，訓練矢量是 200 個，達到誤差平方和小于 0.02 或最大循環次數為 5000 次。圖 5 表示將訓練好的神經網絡加入系統中，當參考輸入為：r(k)=0.5 或 r(k)=1.5 時系統的動態響應曲線。
補償的動態過程對比圖 2 可看出未加神經網絡補償的系統動態過程有近 100%的超調量，且動態調整時間長約 2 秒。加神經網絡補償后最大超調量小于 20%，動態調整時間縮短為只有 0.2 秒，且適合傳感器參數變化的情況，該系統適合于快速測量。
自動控制以及計算機控制技術在解決稱重傳感器的動態性能方面有廣闊的應用價值。實驗仿真表明，自適應補償也具有良好的效果。數字控制器設計中的 最少拍無差設計、最少拍無波紋設計在解決上述問題也有很大的優勢，特別是最少拍和無波紋設計可以減小整個系統的超調量，具體的仿真結果我會在后續的文章中 提出。
4 遺傳神經網絡提高傳感器性能的工作原理
下面以壓阻式壓力傳感器為例，說明遺傳神經網絡在改善傳感器性能中的應用。壓阻式壓力傳感器受工作電流波動的影響，那么輸出的電壓值 U就是壓力 P 和工作電流 I 的多元函數，即 U=f (P，)I。也可以認為壓阻式壓力傳感器所測得的壓力 P是電壓 U 和工作電流 I 的多元函數，即 P=f (U，)I。要使神經網絡有解決問題的能力，就要用大量的具有普遍性和代表性的學習樣本訓練網絡，得到網絡理想的權值，才能解決實際問題。所以首先要應對 壓阻式壓力傳感器進行標定實驗，以得到大范圍內的學習樣本和測試樣本。
4.1 標定實驗
標定實驗的框圖如圖 6 所示，壓阻式壓力傳感器的標準輸入壓力 P 由砝碼產生，壓阻式壓力傳感器的輸入范圍為 0.1～0.6MPa，可調電阻改變電路中的工作電流 I，壓阻式壓力傳感器的輸出電壓經過調理電路和數采卡輸入計算機，由Labwindows/CVI 編制的虛擬電壓表讀取電壓值 U，由電流表讀取電路工作電流值 I，由砝碼讀取標定壓力值 P。
4.2 建立、計算數據樣本
標定實驗所得的標定數據如表 1 所示，工作電流從 3mA 變化到 7mA。可以看出，同一標定壓力下，由于工作電流的影響，壓阻式壓力傳感器的輸出電壓波動很大。
其中：α 為傳感器系統輸出電壓相對波動率;max|ΔU|為最大絕對波動值;UFS為傳感器系統滿量程輸出電壓。
依照表 1 數據，max|ΔU|=4.7356-2.1048V，故 α=55%，由此可見該傳感器的輸出波動是相當大的。
將 0.1，0.3，0.5，0.6MPa 壓力下的工作電流和傳感器輸出電壓作為學習樣本，標準壓力值作為學習樣本的期望輸出。將 0.2 和 0.4MPa 壓力下工作電流和傳感器輸出電壓作為測試樣本輸入遺傳神經網絡進行計算，得到的測試樣本網絡輸出如表 2所示。可以看出被測壓力融合值的相對波動情況為：
其中：αP為傳感器系統被測壓力相對波動率;max|ΔP|為被測壓力最大絕對波動值;PFS為傳感器系統被測壓力滿量程值。
根據表 2 的數據得αp=5.7%，傳感器系統的穩定性大大提高。
5 結論
提出了幾種快速稱重方法和提高傳感器性能的原理，著重闡述了基于神經網絡理論，設計出稱重傳感器神經網絡動態補償器和提高傳感器性能。仿真研究 表明有效的提高了傳感器動態響應的快速性，且對系統參數變化具有魯棒性。將先進控制理論應用于實際傳感器系統中，為提高傳感器性能開辟了新途徑，促進了稱 重傳感器行業的發展。
摘自：中國計量測控網
