|
基于混合優(yōu)化算法的壓力傳感器溫度補償 壓阻式壓力傳感器廣泛應(yīng)用于各個領(lǐng)域，但是壓阻式壓力傳感器存在溫度漂移這一缺點， 由于其測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合使用，這就制約了壓阻式壓力傳感器實用化進程的發(fā)展， 因此必須要對壓阻式壓力傳感器進行溫度補償，消除其對溫度的敏感程度。 專家學(xué)者對傳感器的溫度補償方法進行了深人研究：文獻中使用BP神經(jīng)網(wǎng)絡(luò)建立溫度補償模型，并使用粒子群優(yōu)化算法對BP神經(jīng)網(wǎng)絡(luò)進行優(yōu)化 ，避免 BP 神經(jīng)網(wǎng)絡(luò)陷入局部最小值 ，提高補度。 文獻 [5 ] 中使用 RBF 神經(jīng) 網(wǎng)絡(luò)建立溫度補型，并使用蟻群優(yōu)化算法對 R BF 神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，提高補償精度。 文獻[6]中使用基于遺傳模擬退火算法建立溫度補償模型。 文獻中提出的硬件電路改進方法，使用 M A X 1452 信號調(diào)理芯片對壓力傳感器進行溫度補償 ，實驗表明 ，此補償電路具有較好的補償效果 。 相比軟件方法的補償方法 ，該方法實現(xiàn)過程相對復(fù)雜 ，不易于對其他型號和種類傳感器移植。 1 壓力傳感器工作原理及溫度補償原理 溫度對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)會隨著溫度升高而降低 ，隨著溫度降低而升高。 其次 ，當環(huán)境溫度變化時會對傳感器產(chǎn)生附加的熱應(yīng)力 ，由于擴散電阻具有不 同的熱膨脹系數(shù) ，則會產(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 溫度補償原理 對傳感器進行為溫度補償原理如圖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償性能較好， 但對系統(tǒng)要求較高的RBF神經(jīng)網(wǎng)絡(luò)模型進行補償 ，而在中間段采用普通直線最小二乘法補償模型即可。通過設(shè)定溫度閥值實現(xiàn)不同補償模型之間的切換。
圖 2 壓力傳感器 溫度補償系統(tǒng)工作原理 2 直線最小二乘法補償模型 使用直線方程對傳感器進行溫度補償 ： 式 中，O／為常數(shù)項 ； 為系數(shù) ；e 為為擬合誤差。由文獻 [10 ]可知：
在使用直線擬合方程進行擬合時，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償方法的效率 ，降低計算復(fù)雜度 ，需要根據(jù)精度要求 ，自動搜尋 中間線性段的區(qū)間。 令初始 的區(qū)間為 [t ，t：] = [ t0，t ] ，對初始 區(qū)間進行直線擬合， 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 ，對新生成的區(qū)間再次進行直線擬合 ，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 ，對新生成的區(qū)間再次進行直線擬合 ，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)點中心。輸出層為 ：
式中，W為隱含節(jié)點與輸出節(jié)點的連接權(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)點中心Ci以及隱含節(jié)點與輸出節(jié)點的連接權(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)點中心G以及輸出節(jié)點的連接權(quán)值值，發(fā)揮進化算法優(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 ，進而提高傳感器非線性段溫度補償效果 。 具體方法如下 ： 圖3 混合編碼結(jié)構(gòu) 之后使用訓(xùn)練樣本對神經(jīng)網(wǎng)絡(luò)進行訓(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)進行個體適應(yīng)度值計算 。 常規(guī) R B F 神經(jīng)網(wǎng)絡(luò)使用進化算法進行優(yōu)化時 ，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 的過度擬合現(xiàn)象會導(dǎo)致訓(xùn)練時誤差很小 ，而測試時的誤差依然較大。 解決問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 ，對進化后的新種群 中精英個體使用梯度下降算法迭代搜索 ，其概率為 P 。 對于不進行梯度下降算法的個體進行單形交叉操作 和均勻變異操作 。 進行單形交叉操作能夠使得優(yōu)化算法在進化前期 和后期分別具有良好的全局優(yōu)化能力和局部優(yōu)化能力。 進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)練樣本對神經(jīng) 網(wǎng)絡(luò)進行訓(xùn)練 ，循環(huán)上述優(yōu)化過程 ，直至滿足終止條件 。 4 實驗研究 通過實驗方法對基于混合優(yōu)化算法的壓力傳感器溫度補償方法進行實驗驗證 。 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。不同溫度下的標定 傳感器壓力值測量值與實際壓力值進行比較，得到測量誤差，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行擬合，在兩端使用混合優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)溫度補償模型 ，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種方法對壓力傳感器在5kPa～55 kPa 壓力范圍以及-2O ℃～80 ℃溫度范圍內(nèi)進行溫度補償 ：
表2 溫度補償方法作用下傳感器測量誤差單位：％ 表 2 中各溫度值對應(yīng)的數(shù)據(jù)為使用該種溫度補償方法時 ，5kPa～55 kPa 各個壓力點下的誤差平均值 。 在一20 ℃～80 ℃溫度范圍內(nèi)，使用溫度補償方法 1 的平均誤差為 1.92 ％，使用溫度補償方法 2 的平均誤差為 1.09％ ，使用溫度補償方法3的平均誤差為0.55％ ，使用溫度補償方法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償模型， 在10 ℃～55 cC溫度 內(nèi)直線最小二乘法 溫度 補償模 型顯現(xiàn) 了較 好 的補償 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)溫度補償模型 ，顯現(xiàn) 了 R BF 神經(jīng)網(wǎng)絡(luò)溫度補償模型較好 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)溫度補償模型 ，顯現(xiàn) 了本文使用的混合優(yōu)化算法對 RB F 神經(jīng)網(wǎng)絡(luò)溫度補償模型的優(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)溫度補償模型時，顯現(xiàn)了RBF神經(jīng)網(wǎng)絡(luò)溫度補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)溫度補償模型后，使得補償效果有所提升。 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)溫度補償模型， 能夠大大降低溫度對傳感器的影響， 同時提高整體溫度補償效率 。 |
