壓力傳感器溫度補償技術

　　壓力傳感器溫度補償技術，小編為大家獻上的關于智能傳感器的設計的了論文哦!歡迎大家借鑒!

　　摘 要 壓力傳感器是一種較為常用的傳感器件，由于自身的非線性特點以及外界因素的影響，傳感器的輸出結果容易產生誤差，其中溫度的影響最大，因此，對傳感器的溫度補償就顯得尤為重要。文章對目前常用的溫度補償方法進行了分析，在此基礎上，提出了一種新的溫度補償方法，并對BP神經網絡進行了改進，從研究結果來看，該方法有效提高了傳感器的穩定性及精度。

　　關鍵詞 壓力傳感器;溫度漂移;溫度補償

　　壓力傳感器的輸出結果精度容易受到多種因素的影響，其中，唯獨是影響傳感器輸出精度的最主要因素。目前，國內經常使用硬件補償和軟件補償兩類方法對壓力傳感器進行溫度補償。硬件補償方法調試難度較高、精度低、通用性也較差，在實際工程中應用時，難以去得較好的效果;而軟件補償方法有效彌補了硬件補償的缺點，其中BP神經網絡補償在實際工程中運用十分廣泛，但是典型BP神經網絡補償法雖然精確度高，但是整個流程過于復雜、整個過程耗時較長，因此，本文提出了一種基于主成分分析的BP神經網絡補償方法，希望對提高補償效率和準確性起到一定的作用。

　　1 典型BP神經網絡補償原理分析

　　BP神經網絡是目前研究中應用范圍最廣的神經網絡模型之一，BP神經網絡術語單向傳輸網絡結構，整個信息傳輸的過程呈現出高度的非線性特點。典型的BP神經網絡結構包括輸入層、隱含層和輸出層3層結構。通常情況下BP神經網絡只有這3層結構，這主要是由于單隱層的BP神經網絡既可以完成從任意n維到m維的映射。其典型結構如下圖所示。

　　BP神經網絡結構模型

　　BP算法設計到了信息的正向傳播以及誤差的反向傳播，信息首先從輸入層傳入，然后經過隱含層的處理傳入輸出層，最終輸出的信息可以用下面的形式進行表示：

　　其中：、分別代表了隱含層及輸出層的權值;

　　n0、n1分別對應了輸入節點數及隱含層節點數。

　　輸出層神經元的激勵函數f1通常呈現出線性特點;而隱含層神經元的激勵函數f2通常采用如下所示的形式在(0，1)的S型函數中進行輸出：

　　由于BP神經網絡隱含層采用的傳遞函數為對數S型曲線，其輸出范圍在(0，1)之間。為了避免節點在短時間之內飽和而無法繼續進行訓練，需要在訓練開始之前利用下面公式對樣本數據進行預處理：

　　其中：Ui、Pi均為訓練數據的標定值;Uimin、Uimax分別表示輸出電壓的標定極值(最小和最大);Pimin、Pimax分別表示壓力的標定極值(最小和最大)。

　　當目標矢量為T，信息通過正向傳遞，可以得到誤差函數，具體如下所示：

　　如果輸出結果無法達到要求的誤差范圍，則返回誤差信號并按照一定的權值對公式中的各層權值進行修正，直到輸出結果達到期望值。

　　在利用典型BP神經網絡進行壓力傳感器溫度補償的過程中，算法過于復雜，而且非常耗時，因此，需要對其進行改進，以提高補償效率。

　　2 BP神經網絡法的改進

　　2.1 改進原理

　　基于典型的BP神經網絡，利用以下方法進行改進。

　　1)利用小波神經網絡的思想對神經元的激勵函數進行改進，從而實現小波特性與BP神經網絡自學功能的充分結合，提高激勵函數的逼近能力。以Morlet函數作為小波函數的母函數，可以降低不同層面神經元之間的影響，提高網絡的收斂速度。以Morlet函數作母函數的小波函數屬于幅值小波，其信號中包含了復值和相關信息，改進后的函數具體如下所示：

　　在本次研究中，我們選取了R個輸入樣本和N個輸出節點，則可以利用下面的公式對第l個樣本的第n個節點的輸入進行表示：

　　其中：K表示神經網絡隱含層的單元數量;M表示神經網絡輸入層的單元數量;ωn，k表示神經網絡隱含層第k單元與輸出層第n單元的連接權值;ak-小波伸縮因子;bk-平移因子;Sl(xm)―輸入信號。

　　2)在計算過程中通過，附加動量法的應用可以有效改實現梯度方向的平滑過渡，使得計算結果更具穩定性。該方法以BP法為基礎對權值進行調節，具體公式如下：

　　其中：t表示樣本的訓練次數;η表示學習速率;σ表示動量因子;σΔωki(t)表示附加動量項，它能夠有效降低不同神經元之間的影響，提高網絡的收斂速度。

　　2.2 主成分BP神經網絡算法的實現

　　步驟1：按照典型BP神經網絡數據預處理方法對樣本數據進行預處理。

　　步驟2：利用主成分分析法對預處理后的樣本數據進行分析，降低輸入向量之間的影響，使各個輸入變量的協同方差趨于統一，從而使各權值具有相同的收斂速度，并以此確定神經網絡的輸入節點。

　　步驟3：對神經網絡進行初始化，并對其中的部分關鍵變量進行設置。

　　步驟4：為神經網絡選取一組學習樣本，以輸入節點作為網絡的輸入向量，并輸入期望fn，l，n=1，2，…，N;l=1，2，…，R。

　　步驟5：利用輸入的網絡參數計算網絡的實時輸出能力，當輸出誤差在允許范圍之內時，停止訓練;而當輸出誤差超過允許范圍 ，則將誤差信息進行反向傳播，使權值沿誤差函數的負梯度方向發生變化，然后利用梯度下降法計算出變化后的網絡參數，然后再重復進行第4步的操作。

　　步驟6：BP神經網絡在訓練合格之后，對其進行樣本補償。

　　步驟7：對補償后的樣本進行反標準化處理，然后與實測數據進行誤差比較，判斷出網絡改進之后的變化。

　　2.3 壓力傳感器溫度補償

　　根據前文提供的BP神經網絡算法實現步驟，可以利用Matlab編程語言來實現。在實現該算法之后，我們通過在壓力傳感器量程范圍內確定n個壓力標定點，同時確定m個溫度標定點。標準值發生器會根據每個標定點的信息產生對應的標定輸入值。然后輸入樣本數據，樣本數據按照目標值要求的±20%范圍進行選擇，然后以誤差目標小于10-3進行訓練，當達到誤差目標之后，網絡的收斂速度得到有效的提升。

　　3 結論

　　通過研究結果發現，利用主成分分析法對信息進行補償之后，再利用BP神經網絡對這些信息進行訓練，其學習速度相對直接利用BP神經網絡進行訓練更高。同時，通過改進典型的BP神經網絡，利用小波函數作為激勵函數，并應用動量附加發對網絡敏感性進行控制，可以有效避免網絡發生局部極小問題。通過基于主成分的BP神經網絡溫度補償方法可以使壓力傳感器受環境溫度變化而發生的誤差問題得到高效、精確的解決。

　　參考文獻

　　[1]董九英.多傳感器數據融合的主成分方法研究[J].計算機工程與應用，2009，45(33)：111-113.

　　[2]章慧.基于BP神經網絡的壓力傳感器數據融合[J].湖南工程學院學報，2011，21(1)：55-58.

【壓力傳感器溫度補償技術】相關文章：

電氣自動化中無功補償技術10-08

電氣自動化中的無功補償技術10-08

無功補償技術在電氣自動化的應用論文10-08

電氣自動化無功補償技術分析論文10-08

電氣自動化中的無功補償技術論文10-09

電氣自動化中的無功補償技術論文10-09

電氣自動化中的無功補償技術分析10-08

電氣自動化智能無功補償技術應用論文10-09

無功補償技術在電氣自動化中的作用研究10-07

無功補償技術在電氣自動化中的應用分析10-07