基于BP神经网络的称重传感器蠕变补偿技术.docVIP

基于BP神经网络的称重传感器蠕变补偿技术 郑州恒科实业有限公司 基于BP神经网络的传感器蠕变补偿技术 ——谨此献给公司作为对本人工作调动的感谢 2005年9月10日 郑州恒科实业有限公司 摘要：以对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，判断传感器的蠕变起始点，从而确定作用于传感器上的实际载荷。同时该方法的精度不受传感器的载荷与环境等影响，简单方便，易于实现及批量生产，且精度较好，学习性良好，为传感器的蠕变误差补偿提供了一种新方法。 关键词：称重传感器；蠕变；神经网络补偿 传感器的蠕变性能的一个主要技术指标，误差一直受到人们的普遍关注。它是指由于一个快速的加载增量△W引起传感器输出信号的增量为△S时，在所有的环境条件不变的情况下，△S随时间发生的最大变化μS与之比△S（ C p =μS/△S（C p为蠕变误差））。其蠕变行为可以用指数函数形式来表达： 其中： ?e— 蠕变应变 ?k— 为时间t=∞时的永久蠕变 ? — 为时间常数 显然蠕变是考核时间影响的技术指标，即传感器的时间稳定性，也是传感器生产中最难控制的技术指标之一。称重传感器蠕变机理为： 1．传感器蠕变误差是弹性体和应变计两者蠕变特性及其它因素的综合结果。 2．负荷作用下金属材料中原子的扩散。 3．弹性体表面的应变，通过有机胶传递给应变计而产生蠕滑效应。 4．传感器受负荷作用的各部分产生原子重新分布与排列造成的不稳定因素。 郑州恒科实业有限公司 别传感器的蠕变特性状态曲线，实现精度更高的动态蠕变实时补偿 。 1 传感器的蠕变特性 称重传感器的蠕变特性曲线如图1 所示，其中曲线L为传感器的加载特性曲线，曲线C为传感器的卸载特性曲线。从中可以看出，传感器的加载曲线由加载段L0和蠕变段L1组成。在加载段L0传感器的输出急剧增加，迅速达到载荷的真实值W0在这个时间段，由于时间极短，传感器的产生的蠕变较小；进入L1段后，传感器输出发生缓慢的增加并逐渐趋??不变,这就是传感器的蠕变；在传感器的卸载曲线C上，传感器的输出值以极高的速度迅速衰减到卸载曲线的N点，超过N点，传感器 输出缓慢回零，为蠕变恢复。 图1 传感器蠕变特性曲线 图2 传感器多次加载时的蠕变特性 图1 描述了传感器蠕变特性曲线。实际应用过程中，这样的加载情况是很少存在的，往往是要经过加/ 卸载的多次循环，如图2、3、4 所示。 图3 加载后不完全卸载的蠕变特性 图4 含加/卸载循环时的蠕变特性 郑州恒科实业有限公司 段，该段同时含有加/卸载和蠕变较其它段明显些。在理想测量过程中可以认为传感器的加/ 卸载段时间很短，传感器加/卸载段的蠕变近似为“0” 、加在传感器上载荷的变化量，即加载段末端传感器的输出为传感器上的实际载荷。 下面以图2为研究对象分析一下传感器理想工作过程。任取图2上一点C，当C点落在图2 上Co左侧时，传感器处于初始载荷与初始蠕变均为”0”的加载段，C点的传感器载荷Wc即是传感器在C点的输出fc，随着时间的增加，C点逐渐向Co点靠近。当C点到达Co点，传感器到达加载曲线的终点，输出fo为传感器实际载荷Wo，接着开始发生蠕变；当C点超过Co，传感器实际载荷不变，仍为Wo，然而输出继续发生变化，只是变化速度大为减小，传感器产生蠕变C。随时间的增加，C点到达C1点，?也达到?1此时传感器实际载荷保持为Wo；C点超过C1，传感器进入二次加载阶段。此时，初始加载条件为：传感器初始载荷Wo，初始蠕变?1。传感器在该段的蠕变保持不变，实际载荷可用下式进行计算： WC?W0 c??W?W0??f?W0?(fc?f) （1） 1c?fc?(f1?W0)?fc??1 其中： W 为传感器C点的实际载荷； ?W为传感器在C点载荷相对于C1点的载荷变化； ?f为传感器在C点输出相对于C1点输出变化，如在传感器加/卸载上， ?W = ?f C f1 为传感器在C1点的输出，实际上它是传感器初始载荷W0与初始 蠕变?的和； 1 fc 为传感器在C点的输出 当图2中的任一点C到C2时，传感器二次加载段结束，开始二次蠕变。C点越过C2,传感器进入二次蠕变段。与上一个蠕变段相同，实际载荷保持不变，蠕变可用下式计算： ?????f???(fc?f)