高精度悬浮轴振动测量传感器设计(编辑修改稿)

高精度悬浮轴振动测量传感器设计(编辑修改稿)内容摘要：

roving the accuracy of electromagic force equilibrium sensor, a new method bined the BP work with sensor was introduced based on the nonlinearity mapped ability that exists in BP work. Key words: Electromagic Force Equilibrium Sensor Accuracy BP work 1 引言 传 感器是一种能够把非电输入信息转换成电信号输出的器件或装置，在过程检测与过程控制中占有非常重要的地位。 精度是反映传感器系统误差与随机误差综合影响程度的评价指标，表示测量结果与其理论值的靠近程度，直接影响整个控制检测应用系统的性能。 通常可以用理论直线法、端点线法、最佳直线法、最小二乘法或采用硬件补偿来提高其精度，尽量减小非线性误差。 但这些方法能力有限，并且当周围环境改变或由于传感器自身参数变化等原因引起的精度下降时，上述方法无能为力。 本文提出利用神经网络中的 BP 算法与传感器相结合，可以极大地提高传感器输出信号的 精度，仿真结果表明， BP 算法在抑制传感器的温漂和时漂方面有其独特的优势。 2 电磁力平衡传感器的工作原理 电磁力平衡传感器主要应用在电子天平上，电子天平的重要特点是在测量被测物体的质量时不用测量砝码的重力，而是采用电磁力与被测物体的重力相平衡的原理来测量的。 秤盘通过支架连杆与线圈连接，在称量范围内，当被测重物的重力 mg通过连杆支架作用于线圈上，方向向上，这时在磁场中若有电流通过，线圈将产生一个电磁力 F，可用下式表示： F=KBLI 其中 K 为常数（与使用单位有关）， B 为磁感应强度， L为线圈导线的长 度， I 为通过线圈导线的电流强度。 电磁力 F 和秤盘上被测物体重力 mg大小相等、方向相反而达到平衡，同时在弹性簧片的作用下使秤盘支架回复到原来的位置。 即 F=KBLI=mg 由上式可知，处在磁场中的通电线圈，流经其内部的电流 I与被测物体的质量成正比，只要测出电流 I 即可知道物体的质量 m。 任何一个平衡控制系统为了进一步提高其精度，需要加闭环控制系统，如图 1 所示。 若被称物加重，天平则产生不平衡状态，通过光电检测器检测到线圈在磁钢中的瞬态位移，经前置放大器和 PID 调节器产生一个变化量输出，然后于固定的锯齿波比较，使调宽脉冲加宽，再用该调宽脉冲控制电流开关，使电流减小，而恒流源是固定不变的，从而使流经线圈的电流增大，这样使电磁力增大并与被测物相抵消从而达到新的平衡状态。 但是由于天平在使用过程中，其传感器和电路在工作过程中受温度影响，或传感器随工作时间变化而产生的某些参数 的变化，以及气流、振动、电磁干扰等环境因素的影响，都会使电子天平产生漂移。 造成测量误差。 其中，气流、振动、电磁干扰等环境温度的影响可以通过对电子天平的使用条件加以约束，将其影响程度减小到最低限度。 而温漂主要是来自环境温度的影响和天平内部的自身影响，其形成的原因复杂，产生的漂移大，必须加以抑制。 3 用于传感器非线性校正的神经网络 受温度影响的传感器系统可以表示为： y=f（ x,t）。 其中， y 表示传感器的输出量， x表示传感器的输入量， t 表示环境温度。 由于传感器产生的非线性误差和温度误差，使 f（ x,t）呈现非线性。 神经网络对于消除和补偿传感器系统的非线性特性提供了一种新途径，如图 2所示： 图 2 传感器非线性误差校正 BP 网络模型 BP 网络是一种基于随机逼近原理的阶层型前馈神经网络，通常包括三层：输入层、中间层（隐层）和输出层。 一个采用 BP 算法的 n维输入 m 维输出 的多层前馈神经网络所完成的功能，是从 n 维欧氏空间向 m 维欧氏空间中一有限域的连续映射，这一映射是高度非线性的。 由于信号处理能力来源于简单非线性函数的多次复合，因此网络具有极强的函数复现能力。 White H 已经证明：三层 BP 网络可以实现任意非线性数学问题。 BP 算法由信息的正向传播和误差的反向传播组成，输入模式从输入层经隐含单元逐层处理并传向输出层，每一层神经元的状态仅影响下一层神经元的状态。 如果在输出层没有得到期望的输出值，则将误差信号沿原来的连接通路返回并修改各层神经元的权值，从而使误差最小，达到期望目 标。 BP 网络的学习规则是利用梯度下降法，权值沿着误差函数的负梯度方向改变，使均方根误差逐渐减小，并逼近非线性函数。 算法的实现 在本系统以输入层、中间层和输出层的神经元个数分别为： 1为例。 其中输入变量分别为目标参量 —— 待校正的质量值和非目标参量 —— 温度，输出变量为校正后的质量值，网络结构图如图 3 所示。 图 3 BP 网络结构图 BP 网络中间层和输出层的激活函数分别采用 logsig和 purelin 函数，辨识精度取为 1e5。 本次试验共进行了 485221 次训练（ PIII 计算机上，大约 8 个小时左右），训练结束后网络的学习速率为：。 训练前后各采样点的相对误差（满度相对误差）如图 4 所示：。