|
基于混合優(yōu)化算法的壓力傳感器溫度補(bǔ)償 壓阻式壓力傳感器廣泛應(yīng)用于各個(gè)領(lǐng)域，但是壓阻式壓力傳感器存在溫度漂移這一缺點(diǎn)， 由于其測(cè)量精度受溫度影響很大 ， 因此不能夠在溫差變化范圍較大場(chǎng)合使用，這就制約了壓阻式壓力傳感器實(shí)用化進(jìn)程的發(fā)展， 因此必須要對(duì)壓阻式壓力傳感器進(jìn)行溫度補(bǔ)償，消除其對(duì)溫度的敏感程度。 專家學(xué)者對(duì)傳感器的溫度補(bǔ)償方法進(jìn)行了深人研究：文獻(xiàn)中使用BP神經(jīng)網(wǎng)絡(luò)建立溫度補(bǔ)償模型，并使用粒子群優(yōu)化算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化 ，避免 BP 神經(jīng)網(wǎng)絡(luò)陷入局部最小值 ，提高補(bǔ)度。 文獻(xiàn) [5 ] 中使用 RBF 神經(jīng) 網(wǎng)絡(luò)建立溫度補(bǔ)型，并使用蟻群優(yōu)化算法對(duì) R BF 神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，提高補(bǔ)償精度。 文獻(xiàn)[6]中使用基于遺傳模擬退火算法建立溫度補(bǔ)償模型。 文獻(xiàn)中提出的硬件電路改進(jìn)方法，使用 M A X 1452 信號(hào)調(diào)理芯片對(duì)壓力傳感器進(jìn)行溫度補(bǔ)償 ，實(shí)驗(yàn)表明 ，此補(bǔ)償電路具有較好的補(bǔ)償效果 。 相比軟件方法的補(bǔ)償方法 ，該方法實(shí)現(xiàn)過(guò)程相對(duì)復(fù)雜 ，不易于對(duì)其他型號(hào)和種類傳感器移植。 1 壓力傳感器工作原理及溫度補(bǔ)償原理 溫度對(duì)壓力傳感器的影響主要體現(xiàn)在壓阻系數(shù)是與溫度有關(guān)的函數(shù)關(guān)系，壓阻系數(shù)會(huì)隨著溫度升高而降低 ，隨著溫度降低而升高。 其次 ，當(dāng)環(huán)境溫度變化時(shí)會(huì)對(duì)傳感器產(chǎn)生附加的熱應(yīng)力 ，由于擴(kuò)散電阻具有不 同的熱膨脹系數(shù) ，則會(huì)產(chǎn)生附件壓阻效應(yīng) 。
圖 1 壓阻式壓力傳感器工作原理 1．2 溫度補(bǔ)償原理 對(duì)傳感器進(jìn)行為溫度補(bǔ)償原理如圖2所示 ，通常壓力傳感器在低溫段和高溫段 收到溫度影響較大， 因此在此階段使用補(bǔ)償性能較好， 但對(duì)系統(tǒng)要求較高的RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行補(bǔ)償 ，而在中間段采用普通直線最小二乘法補(bǔ)償模型即可。通過(guò)設(shè)定溫度閥值實(shí)現(xiàn)不同補(bǔ)償模型之間的切換。
圖 2 壓力傳感器 溫度補(bǔ)償系統(tǒng)工作原理 2 直線最小二乘法補(bǔ)償模型 使用直線方程對(duì)傳感器進(jìn)行溫度補(bǔ)償 ： 式 中，O／為常數(shù)項(xiàng) ； 為系數(shù) ；e 為為擬合誤差。由文獻(xiàn) [10 ]可知：
在使用直線擬合方程進(jìn)行擬合時(shí)，為 了使得直線擬合的區(qū)間盡可能 的大 ，從而提高整體溫度補(bǔ)償方法的效率 ，降低計(jì)算復(fù)雜度 ，需要根據(jù)精度要求 ，自動(dòng)搜尋 中間線性段的區(qū)間。 令初始 的區(qū)間為 [t ，t：] = [ t0，t ] ，對(duì)初始 區(qū)間進(jìn)行直線擬合， 得到擬合誤差的最大值emax，若大于設(shè)定誤差下限，則令t1=t + π，其中為溫度值采樣間隔 ，對(duì)新生成的區(qū)間再次進(jìn)行直線擬合 ，得到擬合誤差的最大值 e 若仍然大于設(shè)定誤差下限 ，則令 t2=t：一 ，對(duì)新生成的區(qū)間再次進(jìn)行直線擬合 ，如此反復(fù)循環(huán) ，直到得到擬合誤差的最大值 e 低于或等于設(shè)定誤差下限n 。 3 RBF神經(jīng)網(wǎng)絡(luò)溫度補(bǔ)償模型 3.1 RBF神經(jīng)網(wǎng)絡(luò) RBF神經(jīng)網(wǎng)絡(luò)通常由輸入層 、隱含層以及輸出層組成 ，隱含層輸出為 ：
式中，為基函數(shù)的寬度；C為隱含節(jié)點(diǎn)中心。輸出層為 ：
式中，W為隱含節(jié)點(diǎn)與輸出節(jié)點(diǎn)的連接權(quán)值 ；b0是輸出偏差。 RBF 神經(jīng)網(wǎng)絡(luò)中 ，基函數(shù)的寬度、隱含節(jié)點(diǎn)中心Ci以及隱含節(jié)點(diǎn)與輸出節(jié)點(diǎn)的連接權(quán)值Wi是需要確定的基本參數(shù) 。 本文為提高常規(guī)RBF神經(jīng)網(wǎng)絡(luò)泛化能力，采用混合優(yōu)化算法獲取最優(yōu)RBF神經(jīng)網(wǎng)絡(luò) 的基函數(shù)的寬度、隱含節(jié)點(diǎn)中心G以及輸出節(jié)點(diǎn)的連接權(quán)值值，發(fā)揮進(jìn)化算法優(yōu)秀的全局搜索能力以及梯度下降算法優(yōu)秀的局部搜索能力 ，進(jìn)而提高傳感器非線性段溫度補(bǔ)償效果 。 具體方法如下 ： 圖3 混合編碼結(jié)構(gòu) 之后使用訓(xùn)練樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，如果滿足終止條件，則停止優(yōu)化，所帶參數(shù)即為最優(yōu)網(wǎng)絡(luò)參數(shù)，并建立溫度補(bǔ)償模型。 如果不滿足終止條件 ，則使用加權(quán)適應(yīng)度 函數(shù)進(jìn)行個(gè)體適應(yīng)度值計(jì)算 。 常規(guī) R B F 神經(jīng)網(wǎng)絡(luò)使用進(jìn)化算法進(jìn)行優(yōu)化時(shí) ，采用的適應(yīng)度函數(shù)為訓(xùn)練樣本的誤差 ， 這樣做法帶來(lái) 的過(guò)度擬合現(xiàn)象會(huì)導(dǎo)致訓(xùn)練時(shí)誤差很小 ，而測(cè)試時(shí)的誤差依然較大。 解決問(wèn)題的方法之一是使用加權(quán)誤差共 同作為適應(yīng)度函數(shù) ：
然后 ，為提高 了算法局部搜索能力 ，對(duì)進(jìn)化后的新種群 中精英個(gè)體使用梯度下降算法迭代搜索 ，其概率為 P 。 對(duì)于不進(jìn)行梯度下降算法的個(gè)體進(jìn)行單形交叉操作 和均勻變異操作 。 進(jìn)行單形交叉操作能夠使得優(yōu)化算法在進(jìn)化前期 和后期分別具有良好的全局優(yōu)化能力和局部?jī)?yōu)化能力。 進(jìn)行均勻變異操作能夠使得種群多樣性提高 ，從而避免早熟現(xiàn)象地發(fā)生。 最后繼續(xù)使用訓(xùn)練樣本對(duì)神經(jīng) 網(wǎng)絡(luò)進(jìn)行訓(xùn)練 ，循環(huán)上述優(yōu)化過(guò)程 ，直至滿足終止條件 。 4 實(shí)驗(yàn)研究 通過(guò)實(shí)驗(yàn)方法對(duì)基于混合優(yōu)化算法的壓力傳感器溫度補(bǔ)償方法進(jìn)行實(shí)驗(yàn)驗(yàn)證 。 將壓力傳感器放置于一20 ℃～80 ℃溫度環(huán)境下 ，溫度每次變化10度 ，并保證恒溫環(huán)境 ，對(duì)傳感器分別施加 5 kPa，55 kPa壓力 ，每次變化5kPa。不同溫度下的標(biāo)定 傳感器壓力值測(cè)量值與實(shí)際壓力值進(jìn)行比較，得到測(cè)量誤差，并將誤差繪制成曲線如圖4所示。
可以看出，在-20 ℃～10 ℃ 的低溫段以及55 ℃~80 ℃的高溫段 ，傳感器誤差變化呈現(xiàn)非線性 ，而在1O℃~ 55℃溫度區(qū)間內(nèi)，傳感器誤差呈現(xiàn)線性變化。 因此在在10 ℃～55 ℃溫度區(qū)間內(nèi)使用直線最小二乘法進(jìn)行擬合，在兩端使用混合優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)溫度補(bǔ)償模型 ，參數(shù)設(shè)定如表1所示 。
表1 RBF神經(jīng)網(wǎng)絡(luò)溫度補(bǔ)償模型參數(shù) 使用常規(guī)RBF神經(jīng)網(wǎng)絡(luò)與混合優(yōu)化神經(jīng)網(wǎng)絡(luò)進(jìn)行比較研究，訓(xùn)練誤差變化曲線如圖5所示。
圖5 訓(xùn)練曲線 經(jīng)過(guò)100次訓(xùn)練迭代后，混合優(yōu)化R BF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度達(dá)到1.12 1x 10-4，常規(guī) R B F 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度為 1.657 ×10-2。 可以看出， 混合優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)比較常規(guī)RBF神經(jīng)網(wǎng)絡(luò)具有更高的訓(xùn)練精度和訓(xùn)練效率。 分別使用4種方法對(duì)壓力傳感器在5kPa～55 kPa 壓力范圍以及-2O ℃～80 ℃溫度范圍內(nèi)進(jìn)行溫度補(bǔ)償 ：
表2 溫度補(bǔ)償方法作用下傳感器測(cè)量誤差單位：％ 表 2 中各溫度值對(duì)應(yīng)的數(shù)據(jù)為使用該種溫度補(bǔ)償方法時(shí) ，5kPa～55 kPa 各個(gè)壓力點(diǎn)下的誤差平均值 。 在一20 ℃～80 ℃溫度范圍內(nèi)，使用溫度補(bǔ)償方法 1 的平均誤差為 1.92 ％，使用溫度補(bǔ)償方法 2 的平均誤差為 1.09％ ，使用溫度補(bǔ)償方法3的平均誤差為0.55％ ，使用溫度補(bǔ)償方法4的平均誤差為0 .5 3％。 在-20 ℃～80 ℃溫度 內(nèi)均使用直線最小二乘法溫度補(bǔ)償模型， 在10 ℃～55 cC溫度 內(nèi)直線最小二乘法 溫度 補(bǔ)償模 型顯現(xiàn) 了較 好 的補(bǔ)償 效果 ，誤 差在1％以下 ，但是在兩端低溫和高端區(qū)域，誤差較大，在2％～3％之間 。 在-20 ℃～80 ℃溫度 內(nèi)均使用常規(guī)RBF 神經(jīng)網(wǎng)絡(luò)溫度補(bǔ)償模型 ，顯現(xiàn) 了 R BF 神經(jīng)網(wǎng)絡(luò)溫度補(bǔ)償模型較好 的擬合效果 ，誤差控制在 1％左右。 在-20 ℃ ~80 ℃溫度內(nèi)均使用混合優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)溫度補(bǔ)償模型 ，顯現(xiàn) 了本文使用的混合優(yōu)化算法對(duì) RB F 神經(jīng)網(wǎng)絡(luò)溫度補(bǔ)償模型的優(yōu)化性能，誤差控制在 l％以內(nèi)。 5 結(jié)論 ②在各溫度范圍內(nèi)均使用RBF神經(jīng) 網(wǎng)絡(luò)溫度補(bǔ)償模型時(shí)，顯現(xiàn)了RBF神經(jīng)網(wǎng)絡(luò)溫度補(bǔ)償模型較好的擬合效果。 ③使用混合優(yōu)化算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)溫度補(bǔ)償模型后，使得補(bǔ)償效果有所提升。 ④在 中間溫度范圍使用直線最小二乘法溫度補(bǔ)償模型，在兩端低溫和高端區(qū)域內(nèi)使用混合優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)溫度補(bǔ)償模型， 能夠大大降低溫度對(duì)傳感器的影響， 同時(shí)提高整體溫度補(bǔ)償效率 。 |
