稱重傳感器蠕變補償?shù)腞BF網(wǎng)絡(luò)模型

(南京信息工程大學信息與控制學院，南京210044)

(南京信息工程大學信息與控制學院，南京210044)

稱重傳感器的蠕變是影響精度的主要因素之一。針對傳感器蠕變的實時性與非線性，建立了稱重傳感器蠕變補償?shù)腞BF網(wǎng)絡(luò)模型。設(shè)計硬件采集電路并采用低功耗處理器對傳感器數(shù)據(jù)進行軟件補償。仿真結(jié)果表明，RBF神經(jīng)網(wǎng)絡(luò)具有很強的逼近非線性函數(shù)和自學習能力，能夠?qū)ΨQ重傳感器的蠕變誤差進行修正。補償后的蠕變誤差減小至0.005%以內(nèi)，補償效果明顯。

稱重傳感器;蠕變;RBF網(wǎng)絡(luò);CC2530;ZigBee

隨著現(xiàn)代傳感器的發(fā)展，測控技術(shù)日趨成熟，對重量的測控逐漸成為生活與工業(yè)中不可缺少的一部分。稱重傳感器是稱重系統(tǒng)的主要部件之一，其指標決定了稱重結(jié)果的精度與穩(wěn)定性［1］。目前高精密的電子天平一般采用磁懸浮式傳感器，而低精度的電子天平采用的是低成本的電阻應(yīng)變式傳感器［2］。就市場應(yīng)用范圍來看，仍是以電阻應(yīng)變式稱重傳感器居多。

影響稱重傳感器輸出精度的因素有很多，其中蠕變是不可忽略的因素之一。已粘貼的應(yīng)變片，溫度保持恒定，在承受某一恒定的機械應(yīng)變長時間作用下，應(yīng)變片的指示會隨時間的變化而變化，這種現(xiàn)象稱為蠕變。一般來說，蠕變的方向與原來應(yīng)變量變化的方向相反。當稱重傳感器的彈性體確定后，其蠕變值也就基本不變了［3］。傳統(tǒng)調(diào)整和控制蠕變的做法是選用不同蠕變補償性能的應(yīng)變片，通過改變貼片位置來補償蠕變［4］。若要生產(chǎn)高精度的傳感器，這種蠕變的控制方法非常不現(xiàn)實，因為其工藝復雜，過程繁瑣，容易造成大量返工［5］。

基于此，本文建立了稱重傳感器蠕變補償?shù)膹较蚧瘮?shù)RBF(Radical Basis Function)網(wǎng)絡(luò)模型，設(shè)計了硬件采集電路對傳感器數(shù)據(jù)進行軟件補償。通過仿真實驗，補償后的數(shù)據(jù)能有效克服蠕變帶來的誤差，使電阻應(yīng)變式傳感器的精度有較大提高。

1 稱重系統(tǒng)采集電路設(shè)計

稱重系統(tǒng)采集電路包括模數(shù)轉(zhuǎn)換電路和處理器電路，硬件連接如圖1所示。

圖1 稱重系統(tǒng)硬件連接圖

整個硬件結(jié)構(gòu)包括電源模塊、稱重傳感器、A/D轉(zhuǎn)換模塊、CC2530處理器模塊等?？紤]到現(xiàn)代無線通信的便捷優(yōu)勢，系統(tǒng)采用帶有低功耗8051內(nèi)核的CC2530作為處理器。CC2530為TI公司生產(chǎn)的高性能2.4 GHz無線通信芯片，具有8Kbyte RAM和256 kbyte Flash只讀存儲器［6］。由其采集到的重量數(shù)據(jù)通過終端節(jié)點無線上傳給協(xié)調(diào)器節(jié)點進行匯總，實現(xiàn)實時數(shù)據(jù)處理。

1.1 稱重系統(tǒng)模數(shù)轉(zhuǎn)換電路

稱重傳感器采用20 kg電阻應(yīng)變傳感器進行試驗，輸出靈敏度為2 mV/V，蠕變?yōu)?.02%FS，精度等級OIML R60 C3。雖然CC2530自帶了12 bit AD轉(zhuǎn)換器，為了更精確的檢測并補償蠕變，本次設(shè)計采用了國產(chǎn)24 bit模數(shù)轉(zhuǎn)換器HX711，該芯片集成了包括穩(wěn)壓電源、片內(nèi)時鐘振蕩器等其他同類型芯片所需要的外圍電路。稱重傳感器輸出的mV級差分信號先送至模數(shù)轉(zhuǎn)換器HX711，經(jīng)128倍增益放大及AD轉(zhuǎn)換后再通過DOUT、SCLK兩線與CC2530進行數(shù)據(jù)交換。傳感器與HX711的連接如圖2所示，其中，HX711的DOUT和PD_SCK口與CC2530的P1_0、P1_1連接。

圖2 稱重系統(tǒng)模數(shù)轉(zhuǎn)換電路圖

1.2 稱重系統(tǒng)處理器電路

CC2530是適合IEEE802.15.4、ZigBee和RF4CE應(yīng)用的一個真正的片上系統(tǒng)，性能穩(wěn)定且功耗極低［7］，處理器及外圍電路如圖3所示。

圖3 稱重系統(tǒng)處理器及外圍電路

為避免占用CC2530資源，影響傳感器動態(tài)響應(yīng)，采用DALLAS公司的低功耗時鐘芯片DS1302記錄蠕變時間，它通過SPI接口與CUP進行時鐘通信［8］。本設(shè)計將 CC2530的 P2_0、P2_1口連接DS1302的SCLK和I/O口，當系統(tǒng)檢測到有重量時，CC2530控制DS1302記錄稱重時間，對不同時間進行不同重量的蠕變補償。

2 RBF神經(jīng)網(wǎng)絡(luò)算法

2.1 RBF網(wǎng)絡(luò)模型

RBF神經(jīng)網(wǎng)絡(luò)屬于前向神經(jīng)網(wǎng)絡(luò)類型，其與BP網(wǎng)絡(luò)的主要不同點是在非線性映射上采用了不同的作用函數(shù)，分別為徑向基函數(shù)和S型函數(shù)。前者的作用函數(shù)是局部的，后者的作用函數(shù)是全局的。RBF網(wǎng)絡(luò)的結(jié)構(gòu)與多層前向網(wǎng)絡(luò)類似，是一種3層的前向網(wǎng)絡(luò)。第1層為輸人層，由信號源結(jié)點組成;第2層為隱藏層，節(jié)點數(shù)視所描述問題的需要而定，隱藏層中神經(jīng)元的變換函數(shù)即為徑向基函數(shù)。它是對中心點徑向?qū)ΨQ且衰減的非負非線性函數(shù)，該函數(shù)是局部響應(yīng)函數(shù);第3層為輸出層，它對輸入模式做出響應(yīng)［9］。

在RBF神經(jīng)網(wǎng)絡(luò)中，由輸入層、隱藏層和輸出層構(gòu)成的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。其中，輸入層僅僅起到傳輸信號的作用，輸入層和隱含層之間的連接權(quán)值為1。但輸出層和隱含層的學習策略不同，所需完成的任務(wù)也不同。輸出層是對線性權(quán)進行調(diào)整，采用的是線性優(yōu)化策略，因而學習速度較快。而隱含層是對激活函數(shù)的參數(shù)進行調(diào)整，由于采用的是非線性優(yōu)化策略，學習速度較慢。

圖4 徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

2.2 自組織選取中心學習法

RBF神經(jīng)網(wǎng)絡(luò)學習算法需要求解3個參數(shù):基函數(shù)的中心、方差和隱含層到輸出層的權(quán)值。根據(jù)不同的徑向基函數(shù)中心選取方法，RBF網(wǎng)絡(luò)學習方法有多種。本文RBF神經(jīng)網(wǎng)絡(luò)學習法采用自組織選取中心，該方法分兩步走:一是自組織學習階段，求解隱含層基函數(shù)的中心與方差，此階段為無師學習過程;二是有導師學習階段，此階段求出隱含層到輸出層之間的權(quán)值。

無師學習是對所有樣本的輸入進行聚類，求得各隱層節(jié)點的RBF的中心ci［10］，本文采用k-均值聚類算法。首先給定各隱節(jié)點的初始中心ci(0)。計算歐式距離并求出最小距離的節(jié)點:

調(diào)整中心:

式中，β為學習速率，0＜β＜1。

最后計算節(jié)點r的距離為:

有導師學習也稱為監(jiān)督學習，當ci確定后，訓練由隱層至輸出層之間的權(quán)系值，它是一個線性方程組，這里采用LMS算法，對于本網(wǎng)絡(luò)，權(quán)值調(diào)整算法為:

式中，α為常值，0＜α＜2。當 J(t)≤ε時，算法結(jié)束。

3 實驗及結(jié)果分析

3.1 實驗樣本獲取與網(wǎng)絡(luò)學習

由于AD讀數(shù)值x會隨實際檢測重量F以及檢測時間t變化而變化，即x和F，t存在某一非線性關(guān)系:

反之，F(xiàn)可表示為

實驗時，將稱重系統(tǒng)數(shù)據(jù)采集節(jié)點與協(xié)調(diào)器接收節(jié)點相距100 m，所有硬件均置于常溫下測試。實際檢測重量F采用標準砝碼，取0～20 kg 21個等間距離散測試點，時間t取0、5、10、30、1、5、10、15、30共9個時間點，組合產(chǎn)生189個AD讀數(shù)值x。

從中隨機選取150組輸入輸出數(shù)據(jù)組成訓練集，39組作為網(wǎng)絡(luò)測試集。把AD讀數(shù)值x和時間t作為RBF網(wǎng)絡(luò)的輸入層節(jié)點，檢測重量F作為RBF網(wǎng)絡(luò)的輸出層節(jié)點進行MATLAB仿真。表1為未經(jīng)RBF補償?shù)腁D讀數(shù)值部分樣本。

表1 未經(jīng)RBF補償?shù)腁D讀數(shù)值部分樣本

從表中可以看出，由Zigbee 協(xié)調(diào)器采集到的未經(jīng)補償?shù)臄?shù)據(jù)隨檢測時間的增加而減小，說明傳感器產(chǎn)生了負蠕變。蠕變呈非線性關(guān)系且變化量逐漸變小，但均在傳感器蠕變指標0. 02% 以內(nèi)，由此看來，需要結(jié)合軟件補償來進一步改善傳感器性能。

3.2 樣本測試

為了更好地進行網(wǎng)絡(luò)參數(shù)的調(diào)整，加快收斂速度，需要對原始測量數(shù)據(jù)進行歸一化處理［11］。AD讀數(shù)值x的歸一化采用以下公式:

式中xin是樣本數(shù)據(jù)中AD讀數(shù)x，xmin表示樣本數(shù)據(jù)中AD讀數(shù)最小值，xmax表示樣本數(shù)據(jù)中AD讀數(shù)的最大值。時間t也采用和x相同的歸一化方法。

經(jīng)過網(wǎng)絡(luò)的實際訓練結(jié)果比較，徑向基函數(shù)的擴展速度設(shè)置為最優(yōu)值2.5時，預測誤差較小，輸出值與實際檢測重量能很好的逼近，網(wǎng)絡(luò)預測輸出如圖5所示。

圖6表明，對于20 kg量程的傳感器，預測誤差可控制在0.5 g以內(nèi)，較0.02%的蠕變誤差降低到了0.005%以內(nèi)。通過大量實驗顯示，基于RBF神經(jīng)網(wǎng)絡(luò)對傳感器的蠕變補償效果顯著，輸入輸出的函數(shù)關(guān)系能夠很好的逼近。此種方法使傳感器的精度得到了提高，具有很高的應(yīng)用價值。

圖5 RBF網(wǎng)絡(luò)預測輸出

圖6 RBF網(wǎng)絡(luò)預測誤差

4 結(jié)論

RBF神經(jīng)網(wǎng)絡(luò)具有很強的非線性映射能力，收斂速度快，無局部極小點［12］。實驗表明，采用RBF神經(jīng)網(wǎng)絡(luò)能夠?qū)ΨQ重傳感器的蠕變誤差進行修正。補償后的數(shù)據(jù)誤差明顯減小，并且精度得到提高。在實際應(yīng)用中，蠕變誤差的下降顯示了RBF補償算法的實用性，達到了比硬件補償成本低，高效便捷的效果。

［1］楊進寶，汪魯才.稱重傳感器非線性誤差自適應(yīng)補償方法［J］.計算機工程與應(yīng)用，2011，47(16):242-245.

［2］林浩順.電阻應(yīng)變式稱重傳感器蠕變補償研究［J］.儀表技術(shù)，2005(3):84-85.

［3］尹霞，王東輝.稱重傳感器蠕變補償算法研究［J］.安陽工學院學報，2009(4):4-5.

［4］馬良程.應(yīng)變電測與傳感技術(shù)［M］.北京:中國計量出版社，1993:396-408.

［5］朱子健，陳仁文，張東.稱重傳感器蠕變的模糊補償方法研究［J］.傳感技術(shù)學報，2003，3(1):54-58.

［6］唐慧強，紀鏹鏹，孫偉.一種高精度濕度計節(jié)點的設(shè)計［J］.化工自動化及儀表，2013，40(1):63-66.

［7］程冬，丁保華，李威.基于片上系統(tǒng)CC2530的采煤機遠程遙控裝置設(shè)計［J］.礦山機械，2010，38(3):19-21.

［8］姚德法，張洪林.串行時鐘芯片DS1302的原理與使用［J］.信息技術(shù)與信息化，2006(1):92-94.

［9］賀電.大型風電場短期功率預測研究［D］.北京交通大學，2011:37-38.

［10］徐麗娜.神經(jīng)網(wǎng)絡(luò)控制［M］.北京:電子工業(yè)出版社，2009:26-27.

［11］李國玉，孫以材，潘國峰，等.基于BP網(wǎng)絡(luò)的壓力傳感器信息融合［J］.儀器儀表學報，2005，26(2):168-171.

［12］何平，潘國峰，孫以材，等.壓力傳感器溫度漂移補償?shù)腞BF網(wǎng)絡(luò)模型［J］.儀器儀表學報，2008(3):572-576.

稱重傳感器蠕變補償?shù)腞BF網(wǎng)絡(luò)模型*

匡 亮，張小瑞*，施 珮，印 晶

Creep Compensation for Load Cell Based on RBF Network*

KUANG Liang，ZHANG Xiaorui*，SHIPei，YIN Jing
(Institute of Information and Control，Nanjing University of Information Science and Technology，Nanjing210044，China)

Creep is one of themain factors affecting the accuracy of the load cell.According to the creep’s real-time and nonlinear property，the RBF(Radical Basis Function)networkmodelwas established for load cell.Hardware circuitwas designed and low power processor was used to compensate the sensor’s data.The simulation results show that RBF neural network has its self-learning function and its strong ability to approach a nonlinear function.It can correct the creep error of the load cell.The error reduces to 0.005%after compensation and the effect is obvious.

load cell;creep;RBF(Radical Basis Function)network;CC2530;ZigBee

10.3969/j.issn.1005－9490.2013.06.038

TP212 文獻標識碼:A 文章編號:1005－9490(2013)06－0924－04

項目來源:國家自然科學基金項目(61075068，61203316);江蘇省高校自然科學研究基金項目(11KJB460006);大學生創(chuàng)新創(chuàng)業(yè)訓練計劃項目(201210300022，12CX023)

2013-04-16修改日期:2013-05-24

EEACC:7230;7320K;1295

匡 亮(1989-)，男，漢族，南京信息工程大學碩士研究生，主要研究方向為物聯(lián)網(wǎng)與智能儀器儀表，kuangliang. 89@163.com;

施 珮(1988-)，女，漢族，南京信息工程大學碩士研究生，主要研究方向為復雜系統(tǒng)建模與仿真。

張小瑞(1979-)，女，漢族，博士，南京信息工程大學講師，主要研究方向為人機交互與虛擬現(xiàn)實技術(shù);