基于BP神經網絡的稱重傳感器蠕變補償法

尹霞

摘 要 傳感器蠕變的一種新的補償方法——動態神經網絡補償法，可實現蠕變實時精確補償。引入人工神經網絡識別的方法來確定載荷的變化狀況，利用傳感器的輸出變化率，來判斷傳感器的蠕變起始點，可以確定作用于傳感器上的實際載荷。同時這種方法的精度也不會受到傳感器載荷、環境等因素的影響，即簡單方便，易于實現并且可以批量生產，精度較好，有較好的學習性，這也是一種新的蠕變誤差補償算法。

關鍵詞 稱重傳感器；蠕變；神經網絡補償

中圖分類號：TP212 文獻標識碼：A 文章編號：1671-7597（2014）04-0052-02

1 傳感器的蠕變特性

圖1所示為稱重傳感器蠕變特性變化曲線，曲線上標識出了加載段L和卸載段C，并且曲線上把每一段的加卸載和蠕變過程都標識出來。

圖1 稱重傳感器蠕變曲線

實際應用中，這種加載情況是不多見的，一般需要經過加載、卸載的多次循環，如圖2、3所示。

圖2 多次加載時的蠕變特性曲線

圖3 含加/卸載循環時的蠕變曲線

通過分析圖1-3可以知道，對于傳感器的每一段加載和卸載過程，都可以大概劃分成為兩個區域，亦即是傳感器輸出的緩慢變化區和劇烈變化區，另外值得注意的還有在兩個區之間還存在一小段過渡區，這個區域即隸屬于緩慢變化區域也隸屬于劇烈變化區域。它的輸出緩慢變化區域實質上也就是傳感器的蠕變段，而傳感器輸出的劇烈變化區實際上就是計量過程中的加/卸載段，過渡區就是加/卸載段和蠕變段之間的融合段，即過渡段，該段同時含有加/卸載和蠕變較其它段明顯些，傳感器上實際載荷實際上就是加載段末端它的輸出。

下面就圖2為例來分析一下其理想工作過程。在圖2曲線上任取一點C，當C點處于曲線上Co的左邊時，傳感器位于初始蠕變和初始載荷都是“0”的載荷增加階段，那么傳感器在C點上的輸出fc亦即是傳感器在C點上的載荷Wc，隨著時間逐步的增加，C點漸漸的靠近Co點，當C點位于Co點時，傳感器實際載荷Wo既是在Co的輸出fo，此時傳感器到達加載曲線的終點，隨著時間的進一步增加，開始發生蠕變；當C點位于Co的右側時，傳感器實際載荷保持Wo不變，但是傳感器的輸出持續不斷的發生著變化，只不過變化的速度不是很快，傳感器就產生了蠕變C。隨著時間的進一步推移，當C點落在C1點時，傳感器實際載荷仍為Wo，此時達到1；C點位于C1點右側時，進入傳感器負荷二次增加階段。傳感器的蠕變在這個階段將保持不變，我們可以用下面的公式來進行實際載荷的計算：

（1）

當圖2曲線上的任一點C位于C2時，傳感器負荷加載過程結束，接下來便發生第二次蠕變。當C點落在C2點右側時，正式進入了第二次蠕變階段，我們可以用下面的公式進行蠕變的計算：

（2）

將上述兩個公式推廣應用到傳感器的整個工作過程中，通過分析判斷，我們不難發現蠕變特性曲線上任何一點的實際載荷以及蠕變的計算方法。假定當前工作段的初始蠕變和初始載荷分別為與，則對于傳感器加/卸載曲線上的任一點C：

1）位于加/卸載段時，其載荷與蠕變為：

（3）

2）位于蠕變時其載荷與蠕變為：

（4）

通過對上述公式的分析可知，傳感器在C點的輸出狀況，決定著傳感器蠕變特性曲線上任一點C的載荷和蠕變，為此，通過分析圖1、2、3中負荷增加階段的終點C0，我們不難發現傳感器蠕變曲線的斜率在C0附近有一個較為明顯的變化，C0點右側蠕變特性曲線斜率的絕對值小于C0點左側傳感器蠕變特性曲線斜率的絕對值。根據這一特點，可以確定蠕變的起始點，從而確定當前的載荷C。

2 神經網絡補償方法

采用BP神經網絡如圖4所示，對稱重傳感器蠕變進行補償，即用權來連接輸入層和隱含層各節點以及隱含層和輸出層各節點，其中輸入層輸出的相對變化率、輸出層輸出加/卸載段隸屬函數值A1（）、蠕變段隸屬值A2（）。其BP神經網絡模型拓撲結構為1×5×2，也就是說輸入層節點數為1、隱層節點數為5、輸出層節點數為2。其中隱層節點的激活函數采用了Sigmoid函數，即 而輸出層節點的激活函數采用了線性函數f（x）=x。

圖4 BP結構網絡

在對稱重傳感器蠕變進行補償分析時，首先要對各節點之間的權賦初始值。本例初始權值取（-1，1）之間互不相等的隨機數，動因子取0.25，學習速率初始值取0.035。即：

本例針對16組訓練樣本采用了2nsoftEditor神經網絡建模軟件進行學習，系統誤差符合預定精度要求，也就是網絡的權值學習完畢，得到了所需要的網絡。

稱重傳感器蠕變的隸屬補償主要用于加/卸載段與蠕變段之間的過渡段，其方法是在采樣周期內通過上述神經網絡計算出加/卸載段隸屬值A1（）與蠕變段隸屬值A2（），然后再對兩隸屬值進行比較，如果A1（）> A2（），則判斷為傳感器處于加/卸載狀態，實際載荷為當前傳感器輸出量減去前一過程的蠕變量與補償因子和當前蠕變隸屬值的乘積。

（5）

式中：為當前傳感器輸出量；為補償因子，取值0.1～0.9，當相比較的隸屬值A1（）、A2（），任一小于或等于0.38時其值為0；為前一過程的蠕變量。

如果A1（）< A2（），則判斷為傳感器處于蠕變狀態，實際載荷為前一過程的初始載荷加上當前蠕變量與補償因子和當前加/卸隸屬值的乘積。

（6）

3 結束語

本文對基于BP神經網絡的稱重傳感器蠕變補償進行了理論探討與研究，研究表明，該方法具有可行性與實踐性。通過網絡的學習，確定傳感器輸出變化率與蠕變狀態之間的關系，實現了高度的非線性映射，此外對蠕變還進行了隸屬補償，比起傳統改變貼片位置及貼片膠固化工藝以及模糊補償等方法具有精度高、可學習等優點，通過調整網絡連接權值可適應特殊傳感器的蠕變補償。

參考文獻

[1]朱子健，錢雪平.稱重傳感器的蠕變模糊補償方法[P].申請號：02138282.4 CN：1401975A.

[2]張丹，付永杰.基于神經網絡的傳感器非線性擬合方法[J].工業計量，2004，14（5）.

[3]袁曾任，等著.人工神經元網絡及其應用[M].清華大學出版社，2001.

[4]（日）水谷英二著.神經-模糊和軟計算[M].西安交通大學出版社，2000.

[5]胡寶清.模糊理論基礎[M].武漢大學出版社，2004.endprint

摘 要 傳感器蠕變的一種新的補償方法——動態神經網絡補償法，可實現蠕變實時精確補償。引入人工神經網絡識別的方法來確定載荷的變化狀況，利用傳感器的輸出變化率，來判斷傳感器的蠕變起始點，可以確定作用于傳感器上的實際載荷。同時這種方法的精度也不會受到傳感器載荷、環境等因素的影響，即簡單方便，易于實現并且可以批量生產，精度較好，有較好的學習性，這也是一種新的蠕變誤差補償算法。

關鍵詞 稱重傳感器；蠕變；神經網絡補償

中圖分類號：TP212 文獻標識碼：A 文章編號：1671-7597（2014）04-0052-02

1 傳感器的蠕變特性

圖1所示為稱重傳感器蠕變特性變化曲線，曲線上標識出了加載段L和卸載段C，并且曲線上把每一段的加卸載和蠕變過程都標識出來。

圖1 稱重傳感器蠕變曲線

實際應用中，這種加載情況是不多見的，一般需要經過加載、卸載的多次循環，如圖2、3所示。

圖2 多次加載時的蠕變特性曲線

圖3 含加/卸載循環時的蠕變曲線

通過分析圖1-3可以知道，對于傳感器的每一段加載和卸載過程，都可以大概劃分成為兩個區域，亦即是傳感器輸出的緩慢變化區和劇烈變化區，另外值得注意的還有在兩個區之間還存在一小段過渡區，這個區域即隸屬于緩慢變化區域也隸屬于劇烈變化區域。它的輸出緩慢變化區域實質上也就是傳感器的蠕變段，而傳感器輸出的劇烈變化區實際上就是計量過程中的加/卸載段，過渡區就是加/卸載段和蠕變段之間的融合段，即過渡段，該段同時含有加/卸載和蠕變較其它段明顯些，傳感器上實際載荷實際上就是加載段末端它的輸出。

下面就圖2為例來分析一下其理想工作過程。在圖2曲線上任取一點C，當C點處于曲線上Co的左邊時，傳感器位于初始蠕變和初始載荷都是“0”的載荷增加階段，那么傳感器在C點上的輸出fc亦即是傳感器在C點上的載荷Wc，隨著時間逐步的增加，C點漸漸的靠近Co點，當C點位于Co點時，傳感器實際載荷Wo既是在Co的輸出fo，此時傳感器到達加載曲線的終點，隨著時間的進一步增加，開始發生蠕變；當C點位于Co的右側時，傳感器實際載荷保持Wo不變，但是傳感器的輸出持續不斷的發生著變化，只不過變化的速度不是很快，傳感器就產生了蠕變C。隨著時間的進一步推移，當C點落在C1點時，傳感器實際載荷仍為Wo，此時達到1；C點位于C1點右側時，進入傳感器負荷二次增加階段。傳感器的蠕變在這個階段將保持不變，我們可以用下面的公式來進行實際載荷的計算：

（1）

當圖2曲線上的任一點C位于C2時，傳感器負荷加載過程結束，接下來便發生第二次蠕變。當C點落在C2點右側時，正式進入了第二次蠕變階段，我們可以用下面的公式進行蠕變的計算：

（2）

將上述兩個公式推廣應用到傳感器的整個工作過程中，通過分析判斷，我們不難發現蠕變特性曲線上任何一點的實際載荷以及蠕變的計算方法。假定當前工作段的初始蠕變和初始載荷分別為與，則對于傳感器加/卸載曲線上的任一點C：

1）位于加/卸載段時，其載荷與蠕變為：

（3）

2）位于蠕變時其載荷與蠕變為：

（4）

通過對上述公式的分析可知，傳感器在C點的輸出狀況，決定著傳感器蠕變特性曲線上任一點C的載荷和蠕變，為此，通過分析圖1、2、3中負荷增加階段的終點C0，我們不難發現傳感器蠕變曲線的斜率在C0附近有一個較為明顯的變化，C0點右側蠕變特性曲線斜率的絕對值小于C0點左側傳感器蠕變特性曲線斜率的絕對值。根據這一特點，可以確定蠕變的起始點，從而確定當前的載荷C。

2 神經網絡補償方法

采用BP神經網絡如圖4所示，對稱重傳感器蠕變進行補償，即用權來連接輸入層和隱含層各節點以及隱含層和輸出層各節點，其中輸入層輸出的相對變化率、輸出層輸出加/卸載段隸屬函數值A1（）、蠕變段隸屬值A2（）。其BP神經網絡模型拓撲結構為1×5×2，也就是說輸入層節點數為1、隱層節點數為5、輸出層節點數為2。其中隱層節點的激活函數采用了Sigmoid函數，即 而輸出層節點的激活函數采用了線性函數f（x）=x。

圖4 BP結構網絡

在對稱重傳感器蠕變進行補償分析時，首先要對各節點之間的權賦初始值。本例初始權值取（-1，1）之間互不相等的隨機數，動因子取0.25，學習速率初始值取0.035。即：

本例針對16組訓練樣本采用了2nsoftEditor神經網絡建模軟件進行學習，系統誤差符合預定精度要求，也就是網絡的權值學習完畢，得到了所需要的網絡。

稱重傳感器蠕變的隸屬補償主要用于加/卸載段與蠕變段之間的過渡段，其方法是在采樣周期內通過上述神經網絡計算出加/卸載段隸屬值A1（）與蠕變段隸屬值A2（），然后再對兩隸屬值進行比較，如果A1（）> A2（），則判斷為傳感器處于加/卸載狀態，實際載荷為當前傳感器輸出量減去前一過程的蠕變量與補償因子和當前蠕變隸屬值的乘積。

（5）

式中：為當前傳感器輸出量；為補償因子，取值0.1～0.9，當相比較的隸屬值A1（）、A2（），任一小于或等于0.38時其值為0；為前一過程的蠕變量。

如果A1（）< A2（），則判斷為傳感器處于蠕變狀態，實際載荷為前一過程的初始載荷加上當前蠕變量與補償因子和當前加/卸隸屬值的乘積。

（6）

3 結束語

本文對基于BP神經網絡的稱重傳感器蠕變補償進行了理論探討與研究，研究表明，該方法具有可行性與實踐性。通過網絡的學習，確定傳感器輸出變化率與蠕變狀態之間的關系，實現了高度的非線性映射，此外對蠕變還進行了隸屬補償，比起傳統改變貼片位置及貼片膠固化工藝以及模糊補償等方法具有精度高、可學習等優點，通過調整網絡連接權值可適應特殊傳感器的蠕變補償。

參考文獻

[1]朱子健，錢雪平.稱重傳感器的蠕變模糊補償方法[P].申請號：02138282.4 CN：1401975A.

[2]張丹，付永杰.基于神經網絡的傳感器非線性擬合方法[J].工業計量，2004，14（5）.

[3]袁曾任，等著.人工神經元網絡及其應用[M].清華大學出版社，2001.

[4]（日）水谷英二著.神經-模糊和軟計算[M].西安交通大學出版社，2000.

[5]胡寶清.模糊理論基礎[M].武漢大學出版社，2004.endprint

摘 要 傳感器蠕變的一種新的補償方法——動態神經網絡補償法，可實現蠕變實時精確補償。引入人工神經網絡識別的方法來確定載荷的變化狀況，利用傳感器的輸出變化率，來判斷傳感器的蠕變起始點，可以確定作用于傳感器上的實際載荷。同時這種方法的精度也不會受到傳感器載荷、環境等因素的影響，即簡單方便，易于實現并且可以批量生產，精度較好，有較好的學習性，這也是一種新的蠕變誤差補償算法。

關鍵詞 稱重傳感器；蠕變；神經網絡補償

中圖分類號：TP212 文獻標識碼：A 文章編號：1671-7597（2014）04-0052-02

1 傳感器的蠕變特性

圖1所示為稱重傳感器蠕變特性變化曲線，曲線上標識出了加載段L和卸載段C，并且曲線上把每一段的加卸載和蠕變過程都標識出來。

圖1 稱重傳感器蠕變曲線

實際應用中，這種加載情況是不多見的，一般需要經過加載、卸載的多次循環，如圖2、3所示。

圖2 多次加載時的蠕變特性曲線

圖3 含加/卸載循環時的蠕變曲線

通過分析圖1-3可以知道，對于傳感器的每一段加載和卸載過程，都可以大概劃分成為兩個區域，亦即是傳感器輸出的緩慢變化區和劇烈變化區，另外值得注意的還有在兩個區之間還存在一小段過渡區，這個區域即隸屬于緩慢變化區域也隸屬于劇烈變化區域。它的輸出緩慢變化區域實質上也就是傳感器的蠕變段，而傳感器輸出的劇烈變化區實際上就是計量過程中的加/卸載段，過渡區就是加/卸載段和蠕變段之間的融合段，即過渡段，該段同時含有加/卸載和蠕變較其它段明顯些，傳感器上實際載荷實際上就是加載段末端它的輸出。

下面就圖2為例來分析一下其理想工作過程。在圖2曲線上任取一點C，當C點處于曲線上Co的左邊時，傳感器位于初始蠕變和初始載荷都是“0”的載荷增加階段，那么傳感器在C點上的輸出fc亦即是傳感器在C點上的載荷Wc，隨著時間逐步的增加，C點漸漸的靠近Co點，當C點位于Co點時，傳感器實際載荷Wo既是在Co的輸出fo，此時傳感器到達加載曲線的終點，隨著時間的進一步增加，開始發生蠕變；當C點位于Co的右側時，傳感器實際載荷保持Wo不變，但是傳感器的輸出持續不斷的發生著變化，只不過變化的速度不是很快，傳感器就產生了蠕變C。隨著時間的進一步推移，當C點落在C1點時，傳感器實際載荷仍為Wo，此時達到1；C點位于C1點右側時，進入傳感器負荷二次增加階段。傳感器的蠕變在這個階段將保持不變，我們可以用下面的公式來進行實際載荷的計算：

（1）

當圖2曲線上的任一點C位于C2時，傳感器負荷加載過程結束，接下來便發生第二次蠕變。當C點落在C2點右側時，正式進入了第二次蠕變階段，我們可以用下面的公式進行蠕變的計算：

（2）

將上述兩個公式推廣應用到傳感器的整個工作過程中，通過分析判斷，我們不難發現蠕變特性曲線上任何一點的實際載荷以及蠕變的計算方法。假定當前工作段的初始蠕變和初始載荷分別為與，則對于傳感器加/卸載曲線上的任一點C：

1）位于加/卸載段時，其載荷與蠕變為：

（3）

2）位于蠕變時其載荷與蠕變為：

（4）

通過對上述公式的分析可知，傳感器在C點的輸出狀況，決定著傳感器蠕變特性曲線上任一點C的載荷和蠕變，為此，通過分析圖1、2、3中負荷增加階段的終點C0，我們不難發現傳感器蠕變曲線的斜率在C0附近有一個較為明顯的變化，C0點右側蠕變特性曲線斜率的絕對值小于C0點左側傳感器蠕變特性曲線斜率的絕對值。根據這一特點，可以確定蠕變的起始點，從而確定當前的載荷C。

2 神經網絡補償方法

采用BP神經網絡如圖4所示，對稱重傳感器蠕變進行補償，即用權來連接輸入層和隱含層各節點以及隱含層和輸出層各節點，其中輸入層輸出的相對變化率、輸出層輸出加/卸載段隸屬函數值A1（）、蠕變段隸屬值A2（）。其BP神經網絡模型拓撲結構為1×5×2，也就是說輸入層節點數為1、隱層節點數為5、輸出層節點數為2。其中隱層節點的激活函數采用了Sigmoid函數，即 而輸出層節點的激活函數采用了線性函數f（x）=x。

圖4 BP結構網絡

在對稱重傳感器蠕變進行補償分析時，首先要對各節點之間的權賦初始值。本例初始權值取（-1，1）之間互不相等的隨機數，動因子取0.25，學習速率初始值取0.035。即：

本例針對16組訓練樣本采用了2nsoftEditor神經網絡建模軟件進行學習，系統誤差符合預定精度要求，也就是網絡的權值學習完畢，得到了所需要的網絡。

稱重傳感器蠕變的隸屬補償主要用于加/卸載段與蠕變段之間的過渡段，其方法是在采樣周期內通過上述神經網絡計算出加/卸載段隸屬值A1（）與蠕變段隸屬值A2（），然后再對兩隸屬值進行比較，如果A1（）> A2（），則判斷為傳感器處于加/卸載狀態，實際載荷為當前傳感器輸出量減去前一過程的蠕變量與補償因子和當前蠕變隸屬值的乘積。

（5）

式中：為當前傳感器輸出量；為補償因子，取值0.1～0.9，當相比較的隸屬值A1（）、A2（），任一小于或等于0.38時其值為0；為前一過程的蠕變量。

如果A1（）< A2（），則判斷為傳感器處于蠕變狀態，實際載荷為前一過程的初始載荷加上當前蠕變量與補償因子和當前加/卸隸屬值的乘積。

（6）

3 結束語

本文對基于BP神經網絡的稱重傳感器蠕變補償進行了理論探討與研究，研究表明，該方法具有可行性與實踐性。通過網絡的學習，確定傳感器輸出變化率與蠕變狀態之間的關系，實現了高度的非線性映射，此外對蠕變還進行了隸屬補償，比起傳統改變貼片位置及貼片膠固化工藝以及模糊補償等方法具有精度高、可學習等優點，通過調整網絡連接權值可適應特殊傳感器的蠕變補償。

參考文獻

[1]朱子健，錢雪平.稱重傳感器的蠕變模糊補償方法[P].申請號：02138282.4 CN：1401975A.

[2]張丹，付永杰.基于神經網絡的傳感器非線性擬合方法[J].工業計量，2004，14（5）.

[3]袁曾任，等著.人工神經元網絡及其應用[M].清華大學出版社，2001.

[4]（日）水谷英二著.神經-模糊和軟計算[M].西安交通大學出版社，2000.

[5]胡寶清.模糊理論基礎[M].武漢大學出版社，2004.endprint