基于递归神经网络的热电偶测温滞后的动态补偿

1、基于递归神经网络的热电偶测温滞后的动态补偿38传感器与微系统(transducerandmicrosystemtechnologies)2006年第25卷第11期基于递归神经网络的热电偶测温滞后的动态补偿刘刚(江西币范大学物理与通信电子学院.江西南昌330022)摘要:提出了一种基于递归神经网络的热电偶测温滞后的动态补偿方法,利用神经网络良好的非线性映射能力,建立传感器的动态逆模型,实现对传感器的动态补偿.实验结果表明:检测信号经过动态补偿后,能够克服传感器的测量滞后,达到稳态的时间从补偿前的26s缩短到大约5s,传感器的动态性能得到较大的提高.关键词:温度传感器;递归神经网络;动态补偿中图分

2、类号:tp212文献标识码:a文章编号:10009787(2006)l10038一o3dynamiccompensationofthermcouplesmeasurementlaggingbasedonrecurrentneuralnetworkliugang(cohegeofphysics&communicationelectronics,jiangxinormaluniversity,nanchang330022,china)abstract:themethodofdynamiccompensationbasedonrecurrentneuralnetworktocorrectth

3、ethermoeoupletemperaturesensorserrorisintroducedandthedynamiccompensationoftemperaturesensorisrealizedbybuildingsensorsdynamicinversemodle.theexperimentalresultsshowthatthemeasurementlaggingofsensorcanbeovercome,thetimereachingtostableperformancecanbedecreasedfrom26sto5sandthedynamicperformancecanbe

4、improvedafterdynamiccompensation.keywords:temperaturesensor;recurrentneuralnetwork;dynamiccompensation?0引言实际工业生产中,最常用的温度测量元件是热电偶,热电阻.为延长其使用寿命,一般都将热电偶与热电阻传感器置于不锈钢的套管中加以保护,这同时也增大了温度传感器的热惯性(由传感器的比热容和质量决定),不能迅速感受并跟踪被测温度,与被测温度的实际值之问存在较大的时间上的滞后,严重影响动态测温的灵敏度和测量精确度.因此,必须设计动态测温的补偿环节,以提高热电偶的动态响应特性,满足快速的动态测温的需

5、要.目前.克服温度传感器测温滞后误差的方法主要有2种:一是选择时间常数小的温度传感器;二是设置动态测温的补偿环节,一般较为常用的是采用零极点抵?肖的方法来实现,但这种方法需要确定的传感器的数学模型,且建模时的复杂性与不确定性也常常会带来一定的动态误差,因此,为了消除或减小温度传感器的测量滞后误差.必须按照传感器的实际特性进行动态补偿.目前的研究热点是利用神经网络良好的非线性映射能力对传感器的动态特性进行补偿,此方法无需事先知道传感器的数学模型,收稿日期:20060522而是根据传感器动态响应的实际参数训练神经网络,使其输出经神经网络补偿后,能够快速地跟踪被测温度.改善传感器的动态响应特性.本文

6、应用递归神经网络对热电偶的动态测量滞后误差进行了补偿,并给出了实验结果,验证了此方法的可行性.1热电偶测温滞后的动态补偿原理假设传感器的输入一输出特性为y=,(),其中,为被测参数;y为传感器的输出|厂()为其特性函数.为了减少设计动态补偿器时传感器动态特性的数学模型的依赖性,可通过传感器动态响应的实际参数来建立传感器模型训练神经网络,该方法是在其输出端再串连一个动态补偿环节,补偿后的输出为(t).如图1所示.因此,动态补偿器的设计就转化为补偿器实际输出与传感器期望输出之问的一个晟优化的问题.具体可作如下描述.厂厂话圈1动态补偿原理圈fig1prindplediagramofdynamicco

7、mpensation第11期刘刚:基于递归神经网络的热电偶测温滞后的动态补偿39一般线性传感器的动态补偿器可用一个线性的差分方(k)=ai(k一1)+(ji一n)+boy(k)+式中(k)(kn)为k时刻直至k时刻之前(至n)的补偿器输出;y(k)y(km)为k时刻直至k时刻之前(至m)的传感器的输出及补偿器的输入;.b为其系数;m,n分别为传感器动态模型的阶次和补偿后传感器系统动态若传感器的期望输出为(k),则此问题即化为求mine(k)=minz()一.().(2)亦即通过实验数据调整系数a.b,使其满足上式即可.故可构造出基于递归神经网络的传感器动态补偿器框l丽画图2中,神经网络的输入由

8、传感器的实际输出及补偿器输m的时延信号组成,.(k)为期望的传感器的特性输出;差分方程的系数a.b全部由神经网络的权值w.w.来表示.因此,通过实验数据的训练学习来调整神经网络的权值w.w.,可使得式(2)成立,完成补偿络的特性取决于相邻层间的连接权.其中,中问层中每一个元均是作用函数为非线性函数的递归元.图3递归神经网络拓扑结构fig3structurediagramofrecurrentneuralnetwork假设:,()为个输入;s,(t)为第个递归元的输入和;一(t)为第个递归元的输出;0(t)为网络的输出;w=,分别为输入层,中间层,输出层的加权阵.则递归神经网络的输人,输出关系为

9、0xlsjt)=(f)j=1t)=gs,(t),(3)f)=(一1)+t)式中p,q分别为输入层和中间层的节点数,对于单输出递归神经网络,其权值的个数为(p+2)xq;g(?)为神经元的响应函数,可取如下的s型函数g(;)?3递归神经网络模型的训练算法本文使用一种基于递推预报误差(rpe)的算法来训练递归神经网络.对于上述递归神经网络而言,假设训练数据长度n,定义预报误差为e(t,w)=.(t)一(t,w).可以选取下式作为预报误差准则嫡数.,()e(f,(f,)?(4)而rpe算法的基本思想是沿.,的gaussnewton搜索方向来修正未知参数向量,从而使.,一mln,其基本表达式为w(t)

10、=w(t一1)+s(t)(w(t一1),式中s(t)为步长因子()为gauss-newton搜索方向,表达式为(w)=一h(w)v.,().而v.,()为.,()关于的梯度,故有v邶);=一塞,=【r.而h(w)为.,()的二阶导数,即关于.,()的hessian矩阵日()(f,w)pr(,)?基于上述原理的rpe算法的算式可由下式给me(t)=.(t)一(t)=f-1)a”,(5)()|f)(一1)()一x(f)p(f一1)w(t)=w(t一1)+p(t)(t)e(t)式中p()为中间矩阵,初始值可取p(0)=10一10,(j为单位矩阵);a(t)为遗忘因子,一般在迭代初期小于1,从而实现算

11、法的自适应性,当to.时,a(t)一o.,而(t)的计算公式为r【传感器与微系统第25卷f)舒=f),唰f)(6)舯)=肿);axe(t),且满足fpj()=xi(t一1)+竹(一1),竹(0)=0【q()=,(一1)+q(一1),q(0)=04实验(1)选常用s型热电偶,其100的温度阶跃信号经温度变送器转换为420ma的电流信号输入运算放大器,电压信号经高速ad采样后作为递归神经网络的训练输入数据.(2)利用有限脉冲响应的多项式预测滤波和中值滤波相结合的混合滤波器进行预处理,减小随机噪声干扰与脉冲干扰.(3)动态补偿后,期望特性的传递函数取为(s)=10s+104s+10.(4)取q=10

12、的递归神经网络进行补偿的结果如图4中虚线所示,补偿后,达到稳态的时间从补偿前的26s缩短到大约5s,相应的动态性能指标得到了较大的提高,其主要动态性能改善情况如表1所示.越赠盔时间/s图4热电偶动态补偿结果fig4resultofdynamiccompensationforthermcouple表1主要动态性能指标比较tab1comparisonofmajordynamicperformance5结论通过在温度传感器输出端串连一个动态补偿环节,可以在一定程度上减小因传感器输出滞后所带来的动态测量误差.而采用递归神经网络作为动态补偿环节,与一般方法相比具有不依赖传感器数学模型的特点,克服了建模时

13、带来的复杂性和建模简化引起的误差,大大提高了传感器的动态性能指标.参考文献:1郁有文,常健,程继红编.传感器原理与工程应用(第二版)m.西安:西安电子科技大学出版社.2003.3841.2shestakoval.dynamicelrorcorrectionmethodj:.ieeetransoninstrumentationandmeasurement,1996,45(1):250255.3田社平.神经网络模型在测试系统动态补偿中的应用j.计量技术,2001,44(10):35.4刘天键,王劭伯,朱善安.基于神经网络的铂电阻温度传感器非线性校正方法j.仪器仪表,2002,23(5):51852

14、1.5bungl,sodemtromt.theoryandpracticeoficui”siveidentifi-cationm.lodon:themitpress,1983+4548.6kucc,leeky.diagonallcurrentneuralnetworkfordynamicsystemscontrolj.ieeetransonnn,1995,6(1):144155.7王永骥,涂健.神经元网络控制m.北京:机械工业出版社.1999.177179.作者简介:刘刚(1970一),男,江西南昌人,讲师,硕l:,主要从事检测技术与微控制技术方面的研究.0);000);:;j;0.0;)j;

15、0;,(上接第37页)程振动,2001,21(3):150153.因为本文所采用的是零极点配置法,其实际补偿效果依赖于建模的准确性,所以,对传感器建立准确可靠的模型是关键:其次,本文对传感器动态特性补偿研究是在认为相位满足要求的条件下进行的,当对相位要求严格时,对相位补偿还应进行深入研究.参考文献:1才海男,周兆英,李勇,等.加速度传感器的动态特性软件补偿方法研究j.仪器仪表,1998,19(3):263267.2严普强,乔陶鹏.工程中的低频振动测量与其传感器j.振动,测试与诊断,2002,22(4):247253.3杨学山,黄浩华.闭环极点补偿式拾振器j.地震工程与工4徐科军,李成,朱志能,等.机器人腕力传感器动态响应的实时补偿j.自动