智能壓力傳感器的研究與開發定稿(編輯修改稿)

　

【文章內容簡介】 存儲到RAM中，在應用中首先將數據與所采集參數進行比對，判斷其落入到何區域，然后根據其所在的區域找出其溫度點下的直線方程，按照線性函數對應找出標定結果。就是將被測量數據按照量程分為若干段，然后將相鄰兩分段點用直線連起來，再用直線來描述數據曲線。插值法優點在于根據采集的數據比對處理速度快，算法簡單，缺點為如果選擇的插值數據多則需要占用很大的存儲空間，若插值基點少則精度不夠。 曲線擬合法[19]的數據擬合步驟如下所示。(1)對標定壓力P的數據擬合方程利用所采集到的實驗數據將不同工作溫度條件下所對應的的輸入與輸出可以用一維多項式方程表示如式23所示。溫度t1: 溫度t2: （23） 溫度ti: 根據所測量得到的數據，利用個溫度點下所輸出值U，計算其1次方，二次方到5次方，標定壓力為，此方程輸出根就可以確定。故首先由輸出壓力和輸出壓力找出其多項式系數.（2）對系數k的曲線擬合方程對于上式中各個系數k隨溫度變化的規律通常不是線性的，這里也用一位多項式進行數據擬合，式方程表示為如式24：常數項系數一次項系數 （24） 五次項系數在標定試驗中，可以求解出上式式中各個系數:A0，…A5。B0，…B5。C0，…C5。D0，…D5。E0，…E5。從而方程組(24)就被確定。（3）確立工作溫度T時的UP特性的曲線擬合方程通過不同溫度點標出各項系數～，這樣就確定了壓力傳感器的標定多項式如式25： （25）根據上式可以根據輸出的壓力傳感器的電壓值找到輸出的標定值Pt，設計的方法簡單，比較容易實現，并且精度很高。曲面擬合方法相對于最小二乘法在二維空間上的一個擴展。對于壓力傳感器的輸入電壓U和標定壓力P，如果簡單的看成一維形式的線性曲線來直接進行數據擬合，就會有很大的誤差，實質上壓力輸出值不是壓力信號的一元函數，而是二元函數，即式26： （26）在數據擬合的過程，可以看做輸出壓力關于U與Ut,基本公式如式27： （27）這樣，我們就可以把標定電壓值視為輸出電壓值和相應溫度值的二維函數。可以用二維回歸方程來擬合這個函數關系: ，具體表述如式28： （28）對于曲面擬合，如若擬合的次數太低，則會出現誤差下降，擬合精度較差，不能夠滿足精度要求，如果擬合的次數較大，則精度會相對提高，但同時則會出現計算量大的情況，但是根據數據分析已經有一些函數可以實現這種數據擬合。 人工神經網絡算法隨著人工智能的發展，人工神經網絡技術[20～23]作為一門新興的學科得到了長足發展。人工神經網絡是由大量具有非線形映射能力的神經元廣泛連接而成的非線形動力學系統，能完成復雜的非線性映射功能,同時神經網絡具有自組織，自學習及推理的自適應能力。其應用的基本思想是通過訓練樣本的輸入與輸出對神經網絡訓練來實現的，利用神經網絡的自身修正實現輸入數據到輸出數據的映射，BP網絡自身修正是基于最小二乘法實現。人工神經網絡的運用主要是BP(BackPorpgaatino)網絡和徑向基函數RBF(rdaial BasiS Function)神經網絡，其中80%以上主要是BP網絡算法對壓力傳感器進行溫度補償的。這種方法準確度高，具有較高的收斂性，其突出的優點是可以通過訓練數據的增減來改善BP網絡的映射特性，由于BP網絡的數據擬合是一種動態的，并且是通過輸入的訓練樣本和目標樣本是BP網絡向最小的誤差方向逼近，又BP網絡具有泛化能力，所以補償精度也較高。在本設計中的主要應用是BP網絡算法，所以對此進行詳細介紹。 BP網絡算法在壓力傳感器溫度補償中的應用壓力傳感器模型圖如圖22所示，氣壓或液壓作用在前端壓力傳感器上，壓力傳感器將壓力和溫度的電壓信號輸入到放大器，通過放大器信號放大輸入到MSP430單片機的A/D轉換通道，MSP430單片機將壓力和溫度的電壓信號轉換成數字量進行處理后通過LED顯示出來，并通過RS485通訊接口將數據傳送給上位機，實現數據的輸出。由于壓力傳感器的溫度漂移使不能夠實現現行輸出，存在線性誤差與溫度誤差，這里選擇BP網絡數據擬合算法進行溫度補償，則上式反函數為。通過標定壓力實現不同溫度點下壓力和溫度信號獲取完成BP網絡訓練樣本采集，利用BP網絡可以通過訓練數據完成權值與閾值的修正，使其輸出值無限接近于真實輸出值，利用BP網絡的泛化能力實現整個量程內近似線性輸出。信號調理壓力傳感器溫度信號BP網絡數據處理數據輸出圖22 系統溫度補償模型圖 Temperature pensation system model diagram BP網絡介紹BP神經網絡模型[24,25]是目前應用最廣泛的神經網絡模型，它分為輸入層、隱含層和輸出層三層，一把來說輸入層輸出層使用一層，而隱含層可以擴展，層與層之間多是采用全互連方式的，同一層單元之間不存在相互的連接。BP神經網絡模型用數據的訓練是由信息的正向傳播和誤差的反向傳播動態組成的，在正向傳播的輸入模式是從輸入層經隱層逐層處理并傳向輸出層，如果輸出層和期望目標值進行比較沒有得到期望的誤差，則將誤差信號沿原來的通路返回并修改各層的權值轉為反相傳播，然后在逐次運算，直到誤差最小,最終達到期望的目標值。這里BP神經網絡的訓練采用在神經網絡工具箱中變步長和帶動量因子的算法，即LM算法,既可以加快網絡訓練速度,又可以防止網絡限于局部極小點。BP神經網絡結構如下圖23：圖23 BP神經網絡結構圖Fig23 BP neural network structure diagram 在圖23所示中，P為輸入向量，R為輸入維數，SI為輸入各個神經元個數，WI神經元層數，ni為輸入節點，ai為節點輸出，wij為各個神經元連接權值，fi為激勵函數，bi為神經元閾值。根據BP神經網絡的特征，BP網絡的計算關系式如下：每個節點的輸出如式29： （29）對于每個輸入模式p網絡誤差如式210： （210）上式中為節點上的實際輸出值，為節點上期望輸出值。求誤差之和如式211： （211）權值修正如式212： （212）式中為k時刻的誤差之和負梯度，為k1時刻的誤差之和的負梯度，∈[0,1]是動量因子，加入動量因子可以減少訓練過程的振蕩趨勢，為學習率，可以改變訓練時間。 MATLAB 神經網絡工具箱介紹MATLAB 神經網絡工具箱是面向人工神經網絡的創建，仿真在內的GUI界面，其直觀操作方便，一般利用的是創建BP網絡，這里對于BP網絡的仿真進行介紹。1）神經網絡工具箱打開在MATLAB的主界面上輸入nntool，按enter鍵或者在左下角start上找toolboxs找到nntool打開即進入神經網絡仿真主界面，主界面如圖24所示。圖24 神經網絡工具箱主界面 Fig24 Neural network toolbox main interface如上圖所示，對此主界面的具體介紹如下：input表示輸入的數據顯示，target表示目標樣本顯示，input delay status表示輸入延遲狀態，這里一般不用，network表示創建的網絡顯示，outputs是仿真的輸出值，errors表示仿真輸出的誤差值。 點擊help可以查看幫助，new data用來創建新的數據，New network可以創建一個新的網絡，import表示導入保存過的數據或者網絡，Export表示導出或保存一個數據或者網絡，點擊view可以查看輸入輸出的數據，查看網絡特征，仿真輸出值等，Delet可以用來刪除數據或者一個創建好的網絡Networks only里面initiate可以用來初始化創建好的網絡權值，simulate可以用來仿真,train用來訓練網絡，點擊Adapt可以對神經網絡進行自適應訓練。2）訓練樣本的創建數據的創建理論上有兩種方式。第一種方式就是直接在工具箱中創建，如圖25為點擊New data進入創建新數據界面，如圖所示，在這里我們可以在name中改寫數據的名稱，在value中改寫數據的值，還可以選擇數據的類型，一般都是選擇inputs（輸入樣本），target(目標樣本)，輸入好后點擊creat就可以創建完成。第二種方式就是從MATLAB的COMMAND WINDOW界面導入數據，輸入一個數據sustdata2＝[ ]。然后我們在神經網絡工具箱主界面進行導入，點擊import，就會發現中間import a varible 中sustdata2出現，可以選擇導入。這樣數據就會在神經網絡工具箱主界面出現。圖25 創建數據界面Fig25 Create a data interface3）BP網絡的創建在神經網絡GUI主界面中，點擊New Network 進入創建神經網絡工具欄，如圖26所示，在這里我們可以在Network Name更改神經網絡的名稱，在Network Type選擇神經網絡的類型，一般我們選擇BP網絡，如圖27，在input ranges選擇輸入的數據取值范圍，在training function中選擇訓練函數，一般選擇TRAINLM，在Adaption learning function選擇自適應學習函數，一般選擇默認值TRAINGDM，表示帶附加動量因子，performance function 選擇網絡特性函數，一般選擇默認值MSE，表示神經網絡計算誤差為均方差，在number of layer 中選擇神經網絡層數，一般默認為2，我們改為3按enter鍵表示輸入，然后我們可以更改properities for 選項可以為每一層神經元更改屬性，在Number of neurons 選擇改層神經元的個數，在TRANSFER FUNCTION 選擇該層神經元激勵函數。當把參數設置好后我們就可以點擊creat 創建好網絡。如圖28為顯示我們創建好的網絡。圖26 創建神經網絡的界面Fig26 Create a neural network interface圖27 更改神經網絡的類型圖Fig27 To change the type of neural network graph圖28 創建好的網絡在工具箱中顯示圖Fig28 Create a good network in the toolbox to display map4）BP神經網絡仿真當我們在工具箱主界面點擊自己創建的神經網絡sust example的時候，我們可以看到Network only一欄的字體顏色由暗色變成白色，我們點擊initiate 可以對神經網絡的權值進行初始化，要對神經網絡進行數據的訓練，點擊Train按鈕進入神經網絡訓練的界面，如圖29所示。在這里我們可以點擊Train按鈕并排的其他按鈕進入到其他功能的切換，從左往右面依次是view::初始化權值，simulink:神經網絡進行仿真，train: 訓練網絡 adapt:對網絡自適應訓練 weight:權值屬性.圖29 神經網絡訓練主界面 Fig29 The main interface of neural network training圖29第二排的三個選項分別是和神經網絡訓練相關的參數設置，最主要的是Train information 和Training Parameters 兩個選項，如圖210為點擊Train information后出現的界面，在這里主要是進行數據的輸入的，主要是訓練輸入樣本的數據和目標樣本的數據。我們可以把我們以前建立的神經網絡數據輸入進去。如圖210為點擊Train information后出現的界面，在這里我們主要是用來選擇神經網絡訓練各種參數的，神經網絡訓練的過程就是不斷的迭代調整權值和閾值，從而使網絡的輸出達到我們預想目標的過程，在選項中epochs表示最大訓練步數，如果網絡訓練的步數超過這個數值，那么神經網絡就停止訓練。Goal表示訓練目標，表示如果網絡訓練達到或者超過這個目標神經網絡就停止訓練，默認值為0，max_fail表示曲線擬合的關系，如果訓練過程的插值次數超過這個數值，就停止插值，避免網絡出現過渡插值，mem_reduc的值越大訓練過程所需要的內存就越少，訓練時間就越長，min_grad表示如果特性訓練的梯度已經小于此值，則停止訓練，show 表示神經網絡訓練過程顯示時，每隔的步數。Time表示訓練時候的時間設置，如果訓練時間超過這個數值，那么就停止訓練。圖210訓練神經網絡設置界面Fig210 Training neural network settings interface5）其他選項板設置圖211點擊View 查看創建的神經網絡結構。圖212初始化權值界面 點擊initiate可以隨機初始化權值。圖213訓練好的網絡仿真界面，點擊input輸入要仿真的輸入數據。圖214自適應選項卡。圖215權值選項卡，在這里可以查看每一層神經網絡的權值以及閾值。圖216 神經網絡訓練界面圖。圖211查看創建的神經網絡結構圖Fig211 View created neural network structure diagram 圖212 初始化權值界面Fig212 Weight initialization interface圖213 BP網絡仿真界面