霍尔传感器检测电动机电流的误差补偿

1、2003年第22卷第12期传感器技术(JournalofTransducerTechnology)65霍尔传感器检测电动机电流的误差补偿李祖林(湖南建材高等专科学校电子信息系,湖南衡阳421008)摘要:针对温度引起霍尔传感器检测电动机电流的误差,设计了基于BP神经网络的温度误差补偿系统,并对系统进行了仿真和实验测试,结果表明,BPNN补偿准确度高。关键词:BP神经网络;霍尔传感器;误差补偿中图分类号:TP212文献标识码:B文章编号:1000-9787(2003)12-0065-03ErrorcompensationofmeasuringmotorcurrentwithHallsensorL

2、IZu2lin(DeptofElctInfo,HunanBuildingMaterialsCollege,Hengyang421008,China)Abstract:AimedaterrorofdetectingmotorcurrentwithtemperatureerrorcompensationsystembasedonBPneuralnetworkisdesiged.andverifiedthataccuracyofBPNNerrorcompensationisKeywords:BPneuralcompensation0引言意图。个领域,制造霍尔元件最常见的是采用半导体材料,而半导体材料

3、对环境温度的变化比较敏感,从而使霍尔传感器的输出线性度受温度影响严重,使得传感器的输出误差偏大,因此,必须对该传感器的输出误差进行综合修正。本文针对霍尔传感器检测电机电流受温度影响产生的误差,设计了BP神经网络进行补偿,并进行了仿真测试和实验图1测量电路Fig1Measurecircuit图2是霍尔传感器检测电机电流时,不同材料构成的霍尔传感器输出电压与温度变化的关系曲线。研究。1霍尔传感器的神经网络温度补偿分析1.1温度对霍尔传感器检测电机电流的影响霍尔传感器能将交流电流变为直流电压输出,可用于检测电机电流的变化,它具有良好的隔离性能、体积小、质量轻等特点,但是用于恶劣环境如冶金、矿山的电机

4、,其环境温度经常变化,且变化范围大,这对霍尔传感器的输出电压造成较大的误差,从而造成测量电机电流不准确。图1是霍尔传感器检测电机电流的原理示收稿日期:2003-07-21图2UH/UH02t曲线Fig2UH/UH02tcurve传感器技术第22卷66由图2可见,电机所处的环境温度变化时,霍尔传感器的输出非线性很严重,造成较大的测量误差,因此,须采用一种好的方法进行误差修正。在图2中,UH0(mV)为温度t0时的霍尔电势,;UH(mV)为温度变化到t时的霍尔电势。1.2.2神经网络的误差综合补偿用BP神经网络修正温度对霍尔传感器检测电机电流的误差原理如图4所示。1.2BP神经网络的误差修正1.2

5、.1BP神经网络构造BP神经网络是对非线性可微函数进行权值训练的多层前向网络,利用BP网络的输入矢量与相应输出矢量训练网络逼近一个函数,若输出层得到期望输出,则网络学习算法结束,否则,将误差信号(样本输出与网络输出之差)反向传播,并按梯度下降算法调整各层神经元的权值,使误差减小,直至达到期望输出。在BP网络中隐含层采用S型激活函数,BP网络结构如图3所示。图4BP网络误差补偿Fig4BPnetworkerrorcompensation将受环境温度影响的霍尔传感器的输出经过调理电路进行归一化处理,即将调理电路的最大输出调整为1V,使输入样本在0,1之间,经A/D采样,取采样序列中的10个样值作为

6、BP网络的输入神经元,BP,选用12个节点作,为网络训练的输出。,利用梯度下降算法求权值变化及误差的反向传播。算法3由输出层开始逐层调整权值算法为wij(t+1)=wij(t)+wij(t)-jzi+wij(t-1),图3BP神经网络Fig3BPneuralnetworkyj(1-yj)(y-yj)对输出层,j=zj(1-zj)kwjk对隐含层,kBP网络隐含层第n节点(神经元)输出为wpmum+bn,p=1,2,j,qn=f1m=1式中wpm为第m输入到隐含层第p节点的权值;f1(.)为S型激活函数,f1(x)=ik=1,2,12;j=1,2,10;式中y为节点j的期望输出(归一化);yj为

7、节点j的实际计算输出(归一化);wij为i节点到j节点的权值;1+e-x;为学习因子;为势态因子。网络的权重值W通过使下列误差函数值为最小来进行调整,即J=Ey(k)-y(k)bn为隐含层第n神经元的阈值。输出层第h神经元的输出为whnqi+bn,h=1,2,k,yh=f2n=1j=Ey(k)-f(W×式中f2(x)=1+e-x为输出层激活函数;Z)2,并使J<,为任意给定大于0的很小值,网whn为qn到yh的权值;bh第h输出节点的阈值。络的训练直到使J满足为止。其中Z=(z1,z2,z10)T,W=(w1,w2,w12)。定义网络的目标函数(误差函数)为k(th-yh)2,

8、E(W,B)=h2=12实例结果分析式中th为第h输入对应的样本。设计好的神经网络还不能在实际中应用,须不第12期李祖林:霍尔传感器检测电动机电流的误差补偿67断对网络进行训练和调整,使训练目标达到要求,因此,在MATLAB5.3Simulink的神经网络工具箱上,对所设计的BP神经网络补偿温度误差进行反复测试。输入样本z=00.11,学习因子取=0.8,=0.7。训练循环次数最大为3000,目标误差为0.001,隐层节点取8,9,10,12,13,15,16,其对应的12345678表2实际测试结果Tab2PracticeTestResult序号被测电流(A)6.4606.46013.590

9、13.59016.20016.20019.49019.49024.38024.380温度)t(25505075257550752575调理电路输出(归一化)0.20120.20320.44690.44210.53380.52470.63810.63260.80720.8002补偿后输出(归一化)0.21400.21790.45100.45000.54190.54370.64650.64590.81120.8087误差(%)0.160.230.220.320.190.370.330.390.130.38训练次数设为3000,2200,1710,1490,1490,1180,1180,测试结果如表

10、1。从表1可看出,隐节点多,训练目标可达到,但训练时间增长,由表1取隐层节点为12。表1MATLAB上训练结果Tab1DrillingresultonMATLAB910序号神经元节点数1234567891012131516训练次数30002200171014901490时间(s)241.320193.420154.560123.450010误差平方和0.41200.12380.04560.0010017400.00103结束语BP,具有复杂的非,误差补偿准确度:1陈润泰,许琨,检测技术与智能仪表M.长沙:中南工业大学出版社,1995.107-111.将所设计的网络应用于实验测试,所设计的BP网

11、络是基于TMS320C24X完成的,实验测试结果如表2。)和被测电表2中的温度变化(设定25752丛爽.神经网络、模糊系统及其在运动控制中的应用M.合肥:中国科学技术出版社,2001.15-17.3刘君华.智能传感器系统M.西安:西安电子科技大学出版流(030A),从表2可看出,所设计的神经网络能补偿温度所引起的误差,网络补偿后的相对误差不超过0.5%。(上接第64页)(3)传统设备操作旋钮易损坏,存在量程转换误社,2000.398-399.作者简介:李祖林(1966-),男,湖南衡阳人,硕士,讲师,工程师,主要从事自动检测技术、智能控制系统方面的研究。动测试,还可用于其它机械振动分析,具有一

12、定应用价值。虚拟仪器技术也为其它测试提供了应用前景。参考文献:1安静贤.虚拟仪器技术在振动测试中的应用J.北京林业大差,本方法不涉及此问题;(4)在选择同样的传感器和电荷放大器基础上,本方法消除了由过多其它硬件带来的误差,准确度主要取决于传感器,误差小于传统方法;(5)若需改变仪器功能,仅需改变程序,方便快学学报,2002,24(2):67-69.2刘君华.虚拟仪器编程语言LabWindows/CVI教程M.北京:电子工业出版社,2001.1-3.3雷振山.用虚拟仪器技术构建的振动测试系统J.唐山高等捷,功能强,不需增加硬件设备。5结论专科学校学报,2001,14(2):74-76.4吴锋.织机机架结构动态特性分析及织机运转状态下的振动基