RBF神經網絡熱式氣體流量計溫度補償*

王 川， 尹文慶， 楊志軍， 范 麗， 曹 鵬

(南京農業大學 工學院 江蘇省農業智能化裝備重點實驗室，江蘇 南京 210031)

?

RBF神經網絡熱式氣體流量計溫度補償*

王 川， 尹文慶， 楊志軍， 范 麗， 曹 鵬

(南京農業大學 工學院 江蘇省農業智能化裝備重點實驗室，江蘇 南京 210031)

為了解決熱式氣體流量計測量電路中采用硬件溫度補償成本高且精度不夠等問題，利用神經網絡的特點，設計了一種基于徑向基函數(RBF)神經網絡的軟件溫度補償方法。實驗表明：通過RBF神經網絡溫度補償，有效地抑制了溫度對流量計測量結果的影響，實現了環境溫度梯度變化下氣體流量測量的準確性和穩定性，測量準確度達到1.0級，且重復性好。

熱式氣體流量計； 測量精度； 溫度補償； 徑向基函數神經網絡

0 引 言

流量是氣體測量中的一個重要標尺，也是氣體重要的理化特性參數之一。熱式氣體流量計由于其具有測量范圍大、性能穩定、結構簡單等特點而被廣泛應用于汽車制造、環境保護和新能源開發等領域[1，2]。但熱式氣體流量計在測量時受外界環境溫度影響較大，使其測量精度受到影響，造成測量結果誤差較大甚至出現錯誤測量[3，4]。因此，需要采取適當的方法進行溫度補償。

針對熱式氣體流量計環境溫度補償，國內外學者圍繞硬件電路補償已經做了大量研究。硬件電路補償方法主要有電路衰減補償法和溫度偏移補償法。電路衰減法是通過在測量電路中設計一個Km倍電流衰減的溫度補償電路，減小了補償電路的工作電流，削弱了對氣體流速的敏感度，有效改善了溫度補償效果[5]。但沒有考慮溫度梯度變化對流量計輸出的影響，補償精度不夠且重復性較差。溫度偏移補償法是在分析出熱式氣體流量計溫度偏移規律的基礎上，通過引入一個有同樣變化規律的溫度補償電路，有效地消除了環境溫度變化所導致的流量計溫度偏移[6]，提高了傳感器的測量精度。但電路復雜、成本高且具有單一性，難以廣泛應用。由于硬件電路在溫度補償中普遍具有成本高、精度不夠、單一性和不穩定性等缺點，目前采用軟件方法對各種傳感器進行溫度補償是一項研究熱點。軟件溫度補償方法主要有多項式曲線擬合補償法和神經網絡補償法等[7]。多項式曲線擬合補償法是考慮到溫度對采集電壓的影響，設計一個含溫度變化量的補償公式,用以對采集信號進行修正，提高流量計的測量精度[8]，但擬合精度低，計算量較大，難以得到最優解。神經網絡補償法是利用神經網絡的函數逼近能力、泛化能力等特性，在不必建立傳感器輸出隨溫度變化的具體模型情況下，通過網絡學習訓練即可模擬出輸入輸出的具體內在聯系[9]。神經網絡溫度補償目前已經在溫濕度、氣體體積分數等傳感器測量方面有了很好的應用效果[10,11]，但在熱式氣體流量計測量裝置中還未應用。

基于上述研究方法和理論基礎，本文主要利用徑向基函數(radial basis function,RBF)神經網絡算法在溫度補償中的優勢，分析出不同溫度對氣體流量測量的影響，設計一種基于RBF神經網絡的溫度補償方法，有效避免硬件電路補償方法的單一性和不穩定性，在降低成本的條件下同時提高測量裝置的準確性。最終采用軟件補償的方法對熱式氣體流量計的溫度補償進行了大量實驗研究，實現了溫度梯度變化下熱式氣體流量計的高精度測量。

1 熱式氣體流量計測量原理與溫度漂移分析

1.1 熱式氣體流量計原理

圖1 熱式氣體流量計測量電路原理圖Fig 1 Principle diagram of measuring circuit of thermal gas flowmeter

其工作原理如圖2所示，當被測氣體流速變化時，惠斯通電橋失去平衡，控制電路測量出不平衡壓差，經過差分放大、PI調節、低通濾波加法器和射極跟隨器后，改變惠斯通電橋電流，使電橋重新恢復平衡。電橋電流通過電流測量電路轉換成電壓信號E進行采集保存，然后計算出對應的氣體流速。

圖2 熱式氣體流量計測量工作原理Fig 2 Working principle of thermal gas flowmeter measurement

根據傳熱學原理，由牛頓冷卻公式可得

(1)

根據Kramer經驗公式

Nu=0.42Pr0.26+0.57Pr0.33Re0.5

(2)

由式(1)、式(2)推導可得

(3)

式(3)為穩態時熱線的熱平衡方程,其中A和B為常數。當選擇為恒溫差工作方式時，可表示為

e=a+bv0.5

(4)

式中 e為惠斯通測量橋路的供電電壓E；a為恒溫式工作熱線的零點電壓輸出；b為傳感器靈敏度，與流體熱傳導、密度、粘性等有關。

1.2 熱式氣體流量計溫度偏移分析

由熱式氣體流量計恒溫差法測量原理分析可知，熱式氣體流量計在測量時，傳感器靈敏系數b與流體的熱傳導、密度、粘性等有關，而熱傳導、密度、粘性與環境溫度有關，在溫度變化較大的情況下會導致流量計測量結果產生較大誤差。由測量電路可知，當環境溫度升高時，測速電阻Rw變大，要保證惠斯通測量電橋平衡，其加熱電流Iw將隨著溫度的升高而變大，流量計的輸出電壓E也將增大。由此可得，當沒有氣流變化時，流量計測量結果會隨著環境溫度的變化而改變，其輸出結果會產生較大誤差或者錯誤結果。所以,在熱式氣體流量計測量氣體流量時，其溫度偏移現象普遍存在。

2 基于RBF神經網絡的溫度補償

2.1 RBF神經網絡溫度補償原理

神經網絡溫度補償就是利用神經網絡的函數逼近能力、泛化能力和自學習能力等特性，在不必建立傳感器輸出隨溫度變化的具體模型情況下，通過網絡學習訓練即可模擬出輸入輸出的具體內在聯系。溫度補償原理框圖如圖3所示。

圖3 熱式氣體流量計溫度補償原理框圖Fig 3 Temperature compensation principle block diagram of thermal gas flowmeter

RBF神經網絡溫度補償模型的輸入信號由氣體流量計輸出電壓信號(Uv)和環境溫度電壓信號(UT)組成，經過RBF神經網絡學習訓練，消除環境溫度T對測量結果的影響，輸出補償后的氣體流速值v′能較好地逼近目標值v，進而消除環境溫度變化影響，提高熱式氣體流量計的測量準確性和穩定性。

2.2 RBF神經網絡模型

RBF神經網絡是一種3層前饋局部逼近網絡，能逼近任意連續函數，由輸入層、隱含層和輸出層組成[13,14]。

RBF神經網絡最顯著的特點是隱含層采用高斯RBF，即表示為

(5)

式中 φi(x)為第i個隱節點的輸出；σi為標準偏差；ci為高斯函數的中心值；q為隱含層節點個數。

輸出層節點采用線性激活函數

(6)

式中 yj為第j個輸出層節點的輸出；wij為第i個隱含層到第j個輸出層的權值；bj為第j個輸出層節點的閾值；n為輸出層節點個數。定義誤差函數為

(7)

式中 k為網絡訓練樣本總數； ti，yi分別為在樣本i的期望輸出和實際輸出。

2.3 RBF神經網絡算法流程

RBF神經網絡模型的關鍵在RBF中心ci的選擇，采用k均值聚類算法來確定中心，利用最小二乘法求取權值wij。其算法流程如圖4所示。

圖4 RBF算法流程圖Fig 4 Flow chart of RBF algorithm

3 實驗研究與結果分析

3.1 實驗樣本獲取與分析

采用標準表法對熱式氣體流量計進行標定，將標準氣體流量計、熱式氣體流量計和溫度傳感器置于被測環境中。標準氣體流量計輸出對應被測流速v，熱式氣體流量計輸出電壓Uv，溫度傳感器輸出電壓UT。實驗在5組不同的環境溫度下進行，分別在每種溫度下測量15組不同氣體流量值。圖5為不同溫度下熱式氣體流量計輸出的75組試驗數據的分布。

圖5 不同溫度下流量計的輸出電壓與流速關系圖Fig 5 Curve of relationship between output voltage and flow rate of flowmeter under different temperatures

由圖5可知，在同一氣體流量情況下，熱式氣體流量計的輸出隨著溫度的變化存在明顯的溫度漂移。因此，建立RBF神經網絡溫度補償模型，提高流量測量精度。

3.2 溫度補償與效果分析

根據RBF神經網絡算法原理對熱式氣體流量計進行溫度補償，將實驗中的55組數據作為訓練樣本，20組數據作為測試樣本，建立RBF神經網絡。輸入層選取2個節點，分別對應熱式氣體流量計的輸出電壓信號Uv和溫度傳感器輸出電壓信號UT，隱含層選取10個節點，輸出層選取1個節點對應高精度標準氣體流量計輸出流速v。對熱式氣體流量計進行溫度補償，補償效果如表1所示。

表1 測試數據的補償結果

根據表1中的補償后數據做出工作曲線如圖6所示。從圖可知，經RBF神經網絡溫度補償后熱式氣體流量計輸出基本不隨溫度改變而變化，其誤差隨溫度變化曲線如圖7所示，最大相對誤差為0.85 %，有效地提高了測量精度。

圖6 補償后測量結果曲線圖Fig 6 Curve of measurement result after compensated

圖7 補償后溫度相對誤差圖Fig 7 Relative error of temperature after compensation

4 結 論

本文針對熱式氣體流量計測量時輸出受環境溫度影響大且難以消除的現象和由硬件電路進行溫度補償時造成實驗測量的單一性和不穩定性等問題，提出一種基于RBF神經網絡溫度補償的軟件方法。實驗結果表明：利用RBF神經網絡溫度補償后,系統的最大相對誤差為0.85 %，測量精度達到1.0級，有效地提高了傳感器的準確度，減少了溫度漂移。

[1] Ashhab M S,Salaymeh A.Optimization of hot-wire thermal flow sensor based on a neural net model[J].Applied Thermal Engineering,2006,12(26):948-955.

[2] 高 楊,代 富,席仕偉,等.MEMS氣體流量傳感器的簡易流量測試裝置[J].傳感器與微系統,2014,33(8):109-112.

[3] 陳 晨,丁喜波,董珊珊,等.基于恒溫差的熱膜風速測量方法研究[J].傳感器與微系統,2015,34(2):20-22，27.

[4] 張世榮.熱式氣體質量流量測量及補償算法研究[D].武漢:華中科技大學,2007.

[5] 王利恒,李昌禧.熱式氣體流量計溫度補償研究[J].傳感技術學報,2008,21(8):1379-1382.

[6] 劉金平,施光林.一種具有環境溫度補償功能的新型熱線式空氣質量流量計[J].傳感技術學報,2006,19(4):1110-1112，1116.

[7] 彭基偉,呂文華,行鴻彥,等.基于改進GA—BP神經網絡的濕度傳感器的溫度補償[J].儀器儀表學報,2013,34(1):153-160.

[8] 顧 宇,葉寒生,馮 超,等.一種恒功率熱式氣體流量計溫度補償實現[J].儀表技術與傳感器,2015(10):38-39，42.

[9] 張小俊,張明路,李小慧.基于RBF神經網絡的電化學CO氣體傳感器的溫度補償[J].傳感技術學報,2009,22(1):11-14.

[10] 趙 斌,王建華.基于PSO—BP的紅外溫度傳感器環境溫度補償[J].傳感器與微系統,2015,34(2):47-49.

[11] 趙 映,陳小平.BP神經網絡在紅外CO2體積分數測量中的應用[J].傳感器與微系統,2015,34(3):151-153.

[12] 彭 丹,楊 磊,楊家強.熱膜式氣流量傳感器指數過渡分段擬合方法[J].浙江大學學報：工學版,2015,49(10):1990-1998.

[13] 趙 琳,張 健,陳 帥,等.基于改進RBF神經網絡的激光陀螺溫度補償方法[J].彈箭與制導學報,2014,34(6):17-20，24.

[14] 倉振杰,姜萍萍,顏國正.基于改進RBF網絡的傳感器非線性誤差補償[J].傳感器與微系統,2011,30(4):8-11.

Temperature compensation of thermal gas flowmeter based on RBF neural networks*

WANG Chuan, YIN Wen-qing, YANG Zhi-jun, FAN Li, CAO Peng

(College of Engineering，Key Laboratory of Intelligent Equipment for Agriculture of Jiangsu Province,Nanjing Agricultural University,Nanjing 210031,China)

In order to solve problem of high cost and low precision of hardware circuit temperature compensation in thermal gas flow-meter measurement circuit,using character of neural network,a software temperature compensation method designed based on radial basis function(RBF) neural networks.Experiments show that after temperature compensation of RBF neural networks,the accuracy reaches 1.0 level and maintains the accuracy,stability and repeatability at the same time,which effectively restrains the influence caused by gradient change of temperature.

thermal gas flowmeter; measurement precision; temperature compensation; radial basis function(RBF) neural networks

10.13873/J.1000—9787(2016)12—0099—04

2016—02—24

江蘇省農機三項工程項目(NJ2010—02)；南京農業大學青年科技創新基金資助項目(KJ2010032)

TH 814

A

1000—9787(2016)12—0099—04

王 川(1990-)，男，四川什邡人，碩士研究生，研究方向為智能檢測與控制技術。