基于BP神经网络的称重传感器蠕变补偿法

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于BP神经网络的称重传感器蠕变补偿法范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘 要 传感器蠕变的一种新的补偿方法——动态神经网络补偿法，可实现蠕变实时精确补偿。引入人工神经网络识别的方法来确定载荷的变化状况，利用传感器的输出变化率，来判断传感器的蠕变起始点，可以确定作用于传感器上的实际载荷。同时这种方法的精度也不会受到传感器载荷、环境等因素的影响，即简单方便，易于实现并且可以批量生产，精度较好，有较好的学习性，这也是一种新的蠕变误差补偿算法。

关键词 称重传感器；蠕变；神经网络补偿

中图分类号：TP212 文献标识码：A 文章编号：1671-7597（2014）04-0052-02

1 传感器的蠕变特性

图1所示为称重传感器蠕变特性变化曲线，曲线上标识出了加载段L和卸载段C，并且曲线上把每一段的加卸载和蠕变过程都标识出来。

图1 称重传感器蠕变曲线

实际应用中，这种加载情况是不多见的，一般需要经过加载、卸载的多次循环，如图2、3所示。

图2 多次加载时的蠕变特性曲线

图3 含加/卸载循环时的蠕变曲线

通过分析图1-3可以知道，对于传感器的每一段加载和卸载过程，都可以大概划分成为两个区域，亦即是传感器输出的缓慢变化区和剧烈变化区，另外值得注意的还有在两个区之间还存在一小段过渡区，这个区域即隶属于缓慢变化区域也隶属于剧烈变化区域。它的输出缓慢变化区域实质上也就是传感器的蠕变段，而传感器输出的剧烈变化区实际上就是计量过程中的加/卸载段，过渡区就是加/卸载段和蠕变段之间的融合段，即过渡段，该段同时含有加/卸载和蠕变较其它段明显些，传感器上实际载荷实际上就是加载段末端它的输出。

下面就图2为例来分析一下其理想工作过程。在图2曲线上任取一点C，当C点处于曲线上Co的左边时，传感器位于初始蠕变和初始载荷都是“0”的载荷增加阶段，那么传感器在C点上的输出fc亦即是传感器在C点上的载荷Wc，随着时间逐步的增加，C点渐渐的靠近Co点，当C点位于Co点时，传感器实际载荷Wo既是在Co的输出fo，此时传感器到达加载曲线的终点，随着时间的进一步增加，开始发生蠕变；当C点位于Co的右侧时，传感器实际载荷保持Wo不变，但是传感器的输出持续不断的发生着变化，只不过变化的速度不是很快，传感器就产生了蠕变C。随着时间的进一步推移，当C点落在C1点时，传感器实际载荷仍为Wo，此时达到1；C点位于C1点右侧时，进入传感器负荷二次增加阶段。传感器的蠕变在这个阶段将保持不变，我们可以用下面的公式来进行实际载荷的计算：

（1）

当图2曲线上的任一点C位于C2时，传感器负荷加载过程结束，接下来便发生第二次蠕变。当C点落在C2点右侧时，正式进入了第二次蠕变阶段，我们可以用下面的公式进行蠕变的计算：

（2）

将上述两个公式推广应用到传感器的整个工作过程中，通过分析判断，我们不难发现蠕变特性曲线上任何一点的实际载荷以及蠕变的计算方法。假定当前工作段的初始蠕变和初始载荷分别为与，则对于传感器加/卸载曲线上的任一点C：

1）位于加/卸载段时，其载荷与蠕变为：

（3）

2）位于蠕变时其载荷与蠕变为：

（4）

通过对上述公式的分析可知，传感器在C点的输出状况，决定着传感器蠕变特性曲线上任一点C的载荷和蠕变，为此，通过分析图1、2、3中负荷增加阶段的终点C0，我们不难发现传感器蠕变曲线的斜率在C0附近有一个较为明显的变化，C0点右侧蠕变特性曲线斜率的绝对值小于C0点左侧传感器蠕变特性曲线斜率的绝对值。根据这一特点，可以确定蠕变的起始点，从而确定当前的载荷C。

2 神经网络补偿方法

采用BP神经网络如图4所示，对称重传感器蠕变进行补偿，即用权来连接输入层和隐含层各节点以及隐含层和输出层各节点，其中输入层输出的相对变化率、输出层输出加/卸载段隶属函数值A1（）、蠕变段隶属值A2（）。其BP神经网络模型拓扑结构为1×5×2，也就是说输入层节点数为1、隐层节点数为5、输出层节点数为2。其中隐层节点的激活函数采用了Sigmoid函数，即 而输出层节点的激活函数采用了线性函数f（x）=x。

图4 BP结构网络

在对称重传感器蠕变进行补偿分析时，首先要对各节点之间的权赋初始值。本例初始权值取（-1，1）之间互不相等的随机数，动因子取0.25，学习速率初始值取0.035。即：

本例针对16组训练样本采用了2nsoftEditor神经网络建模软件进行学习，系统误差符合预定精度要求，也就是网络的权值学习完毕，得到了所需要的网络。

称重传感器蠕变的隶属补偿主要用于加/卸载段与蠕变段之间的过渡段，其方法是在采样周期内通过上述神经网络计算出加/卸载段隶属值A1（）与蠕变段隶属值A2（），然后再对两隶属值进行比较，如果A1（）> A2（），则判断为传感器处于加/卸载状态，实际载荷为当前传感器输出量减去前一过程的蠕变量与补偿因子和当前蠕变隶属值的乘积。

（5）

式中：为当前传感器输出量；为补偿因子，取值0.1～0.9，当相比较的隶属值A1（）、A2（），任一小于或等于0.38时其值为0；为前一过程的蠕变量。

如果A1（）< A2（），则判断为传感器处于蠕变状态，实际载荷为前一过程的初始载荷加上当前蠕变量与补偿因子和当前加/卸隶属值的乘积。

（6）

3 结束语

本文对基于bp神经网络的称重传感器蠕变补偿进行了理论探讨与研究，研究表明，该方法具有可行性与实践性。通过网络的学习，确定传感器输出变化率与蠕变状态之间的关系，实现了高度的非线性映射，此外对蠕变还进行了隶属补偿，比起传统改变贴片位置及贴片胶固化工艺以及模糊补偿等方法具有精度高、可学习等优点，通过调整网络连接权值可适应特殊传感器的蠕变补偿。

参考文献

[1]朱子健，钱雪平.称重传感器的蠕变模糊补偿方法[P].申请号：02138282.4 CN：1401975A.

[2]张丹，付永杰.基于神经网络的传感器非线性拟合方法[J].工业计量，2004，14（5）.

[3]袁曾任，等著.人工神经元网络及其应用[M].清华大学出版社，2001.

[4]（日）水谷英二著.神经-模糊和软计算[M].西安交通大学出版社，2000.

[5]胡宝清.模糊理论基础[M].武汉大学出版社，2004.