图3 温度补偿系统前面板 图4 温度补偿系统程序框图
运行该虚拟系统以后,在系统前面板输入一个频率f及相对应温度值t,点击求压力值控件,则在网络输出部分显示经温度补偿后的压力值P’’,且在公式计算压力值控件显示该频率下按公式计算得到的压力值,以方便跟网络补偿所得值做比较。该面板直观明了,操作非常简单[8]。
4 网络测试及结果分析
虚拟系统程序运行后,得神经网络训练误差曲线图如下:
图5 训练结果 图6 输出向量与目标向量误差
从图5中可见,利用trainlm训练网络,仅8次训练就达到了最小梯度。此时的训练误差为,已经达到目标误差,说明此网络性能满足要求。网络训练的输出向量与目标向量的误差曲线如图4所示,由图可见,输出向量与目标向量的误差已达到,已经能满足工程应用要求。
同时,在系统前面板输入频率值f和对应温度值t得到补偿后的压力值如下表所示:
表2 补偿后的压力值 T(摄氏度) 15 16 17 18 19 20 21 22 P’’(Pa) 3819.1 3825.3 3825.3 3823.7 3823.0 3822.6 3822.2 3821.8 T(摄氏度) 23 24 25 26 27 28 29 30 P’’(Pa) 3821.1 3821.4 3821.1 3821.3 3822.1 3821.4 3821.1 3821.1 补偿前由表1可以看到,随温度变化测得压力值P’相对标准压力值P的最大偏差为371.8904Pa,压力值最大相对波动为
补偿后由表2看到,随温度计算得压力值P’’相对标准压力值P的最大偏差为4.6294Pa。压力值最大相对波动为
可见,该系统对振弦传感器温度补偿效果非常明显,达到了硬件补偿难以达到的精度。
5 结论
本文采用LMBP神经网络对现场实际测得的数据进行融合处理,处理后的最大相对波动减少为0.12℅,且避免了网络陷入局部极小值,大大减小了网络的训练次数,提高了收敛速度。说明了LMBP神经网络对消除传感器在工作过程中受温度干扰的影响十分有效。虚拟仪器的使用使得温度补偿系统更直观明了,易于操作。
神经网络与虚拟仪器的结合是智能算法到工程应用一新途径,具有一定的工程应用价值。 参考文献[1] 钱光耀, 杨入超, 赵光兴 基于人工神经网络的压力传感器三维数据融合[J],传感器与微系统,2007(2):79—84
[2] 胡文军,王娟 BP神经网络在液压控制数据采集中的应用[J],机床与液压,2008(5):49—51
[3]张清良,李先明,一种确定神经网络隐层节点数的新方法[J],吉首大学学报,2002(1):89—91
[4] 郑凌蔚,宁康红 ,吴晨曦,一种振弦式传感器温度补偿新方法及其[J],杭州电子科技大学学报,2006(6):75—78
[5]朱滨峰,徐桂云,李俊敏 虚拟仪器设计中压力传感器的BP神经网络温度非线性校正[J],洛阳工业高等专科学院学报,2006(4):10—12
[6] 毕海军,傅圣雪,冯遵成 labview设计中压力传感器的RBF神经网络温度补偿[J],中国海洋大学学报,2004(6):1041—1044
[7]刘君华,郭会军,等 ,基于Labview 的虚拟仪器设计[M],北京:电子工业出版社,2003.1
[8] 蔡清华,杨世锡,罗锡梁 BP神经网络在LabVIEW中的实现及应用[J],现代机械,2006(2):6—7