压力传感器温度补偿的BP 神经网络算法.docVIP

压力传感器温度补偿的BP神经网络算法 张荷芳， 薛静云 （西安工业大学电子信息工程学院， 西安 710000） 摘 要：压阻式压力传感器易受工作温度影响，存在着温度漂移现象，为了提高测量的准确度，文中采用BP人工神经网络的数据融合处理法对温度漂移进行了补偿。通过MATLAB编程实现上述算法，并对补偿前后的数据做了比较和分析，补偿后的温度灵敏度系数和零位灵敏度系数都提高了2个数量级。实验结果表明，该方法有效地抑制了温度对压力传感器的影响，提高了传感器的稳定性和准确性。 关键词：压力传感器；温度补偿；BP人工神经网络；MATLAB 0 引言 随着自动化水平的发展，在自动化设备的各类控制系统中，压力测量所占比重在不断地增大，压力传感器的应用随之也越来越广泛，目前压阻式传感器的应用尤为突出，而压阻式传感器又会受到温度的影响，导致零点漂移和灵敏度漂移，这些都是由于半导体物理性质对温度的敏感性所造成的。由于温度是传感器系统最主要的干扰量，所以进行传感器的温度补偿在实际应用当中显得极其重要。 为了提高测量精度和改善传感器的温度变化引起的误差输出特性，必须采取措施进行温度误差的修正。解决温度误差的措施有硬件补偿法和软件补偿法。硬件补偿法主要是通过在传感信号电路上采取措施，而硬件电路进行修正时会存在电路复杂，成本较高但精度却不高，且其补偿效果仍不能满足实际测量的要求。目前应用比较广泛的软件补偿算法有直线最小二乘法、插值法、多项式拟合法，这些软件补偿算法大部分都存在着拟合精度比较低，计算量较大等缺点。因此文中采用基于BP人工神经网络的数据融合处理法对温度漂移进行补偿，实验结果表明神经网络算法具有较高的误差补偿精度，有效的改善了传感器的测量精度和可靠性。 收稿日期： 作者简介：薛静云（1986-），女，西安工业大学硕士研究生，主要从事检测与自动化装置xuejingyun1112@163.com 手机*通讯作者：薛静云，xuejingyun1112@163.com 1 基于BP神经网络法的数据融合原理 1.1 传感器模块 图1 传感器电路原理图 Fig.1 Sensor circuit schematic 压力传感器的输入压力P对应于电桥B、DUp，A、CUp为温度T的输出电压信号。其电路原理图如图1所示。一个理想的压力传感器，其输出Up应为输入P的一元单值函数，即Up = f（P）T的影响，实际是一个二元函数。即：Up=f（P，T） 神经网络修正压力传感器的温度漂移的原理图如图2所示。由图2可知传感器模块将输出两个电压信号，其中Up为输入压力P的电压输出信号，Ut为非目标参量温度T的电压信号。神经网络模块输出总的输出P’。其中神经网络模块是通过MATLAB编程来实现的。 图2 神经网络修正压力传感器的温度漂移的原理图 Fig. 2 Neural network correction of the temperature drift of the pressure sensor schematic 1.2 神经网络结构 （1）BP 采用BP神经网络结构，一个三层的BP网络的结构如图3所示。理论上已经证明，在不限制隐含层节点数的情况下，只有一个隐含层的BP网络就可以实现任意非线性映射，因此在实际应用中BP神经网络一般只有3层。 图3 三层BP网络结构 Fig.3 A three-tier structure of BP network BP网络模型实现了多层网络学习的设想。当给定网络的一个输入模式时，它由输入层单元传到隐含层单元，由输出层单元处理后产生一个输出模式，故称为前向传播。如果输出响应与期望输出模式有误差，且不满足要求，那么就转入误差后向传播，即将误差值沿连接通路逐层向后传送，并修正各层连接权值。 （2）BP网络训练过程及算法 BP神经网络的学习过程包括4个步骤：a. 输入模式由输入层经中间层向输出成正向传播输出；b.输出误差由输出层经中间层向输入层反向传播逐层修正连接权重；c.正向传播和反向传播反复交替进行网络记忆训练；d.网络学习收敛。 在学习过程中，标准BP算法对所有的权值使用一个统一的学习速度，其权值更新公式为： 式中，η为学习速率；Wij (n)为第n次权值修正量；为误差平方和对权值的负梯度。该算法的学习收敛速度比较慢，为了加快收敛速度，权值更新式为： 式中，为动量因子，为了满足加快训练速递，避免陷入局部极小，提出了改进BP算法：a.对每一权值使用不同的学习速率η，这样可以使学习速率在较平坦的区域比在较陡的区域增加的快一些；b.学习过程中，学习速率可根据误差函数E的梯度信息，自适应地进行增益调整，以提高网络收敛性能；c.在算法中使用动量项；d.采用参数和概率P控制网络学习过程的记忆