基于模糊RBF神經(jīng)網(wǎng)絡(luò)的傳感器動態(tài)特性補(bǔ)償研究

1、試驗研究煤礦安全(2010-07)19基于模糊RBF神經(jīng)網(wǎng)絡(luò)的傳感器動態(tài)特性補(bǔ)償研究王軍號,孟祥瑞(安徽理工大學(xué),安徽淮南232001)摘要:為了改善傳感器的動態(tài)特性,減小系統(tǒng)測量誤差,分析了傳感器動態(tài)性能補(bǔ)償?shù)幕驹?把模糊RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用到傳感器的補(bǔ)償環(huán)節(jié)。仿真實驗表明,使用補(bǔ)償?shù)膫鞲衅鬏敵鲞_(dá)到穩(wěn)態(tài)的時間比沒有補(bǔ)償?shù)目s短了大約9ms,相應(yīng)的動態(tài)特性指標(biāo)也得到了較大的改善。把該算法用于對瓦斯傳感器的非線性校正,大大提高了瓦斯檢測的靈敏度和精度。關(guān)鍵詞:動態(tài)特性補(bǔ)償;模糊邏輯;RBF神經(jīng)網(wǎng)絡(luò);瓦斯傳感器中圖分類號:TD605文獻(xiàn)標(biāo)識碼:A文章編號:1003-496X(2010)-0019-

2、04DynamicCompensationAlgorithmforSensorlWANGJun-(AnhuiUniversityof232001,China)Abstract:Toimprovesensorsdynamandsystematicmeasurement,theprincipleofsensorsdynamicperformanceonnetworkwasappliedtothesensorscompensation.Experimentshowsthattimeforthetostatewithcompensationbecame9msshorterthanthosewithou

3、tcompensation,andcorre2spondingdynamicwasalsolargelyimproved.Andthealgorithmwasusedforcalibrationofthemethanedetection,whichcangreatlyenhancedthesensitivityandaccuracyofgasdetection.Keywords:dynamiccompensation;fuzzylogic;Radialbasisfunctionneuralnetwork;methanedetection傳感器在測量隨時間變化的動態(tài)參數(shù)時,只考慮靜態(tài)性能是不夠的

4、,尤其要注意其動態(tài)特性指標(biāo)。動態(tài)特性反映了傳感器對隨時間變化的輸入量的響應(yīng)性能。好的傳感器,其輸出量隨時間變化的曲線與被測量隨時間變化的曲線應(yīng)一致或者相近,但實際上輸出與輸入之間必定存在動態(tài)誤差。為了減小這種動態(tài)誤差,就有必要對傳感器的動態(tài)特性進(jìn)行補(bǔ)償。把模糊RBF神經(jīng)網(wǎng)絡(luò)經(jīng)過優(yōu)化后,用于對瓦斯傳感器的動態(tài)測量滯后誤差進(jìn)行了補(bǔ)償校正,并給出了仿真實驗結(jié)果,驗證了此方法的可行性和有效性。1傳感器動態(tài)特性補(bǔ)償原理圖1傳感器動態(tài)特性補(bǔ)償原理圖們的輸入輸出關(guān)系就可以用下列差分方程表示為1:v(t)=aiv(t-i)+bju(t-j)i=1nj=0nm(1)(2)補(bǔ)償傳感器動態(tài)特性的基本原理如圖1所示,

5、在傳感器的輸出端串接一個動態(tài)補(bǔ)償網(wǎng)絡(luò),來實現(xiàn)對傳感器的動態(tài)特性進(jìn)行補(bǔ)償。設(shè)傳感器的輸入為u(t),輸出為v(t),補(bǔ)償網(wǎng)絡(luò)的輸出為h(t),那么它基金項目:安徽高校省級自然科學(xué)研究重點資助項目(KJ2010A084)h(t)=aih(t-i)+bjv(t-j)i=1j=0m式中ai,bj,ai,bj分別為補(bǔ)償模型中各輸入輸出函數(shù)對應(yīng)的差分方程系數(shù);m,n分別為傳感器模型的階次和補(bǔ)償后系統(tǒng)模型的階次。比較(1)、(2)兩式可以看出,傳感器的動態(tài)特性補(bǔ)償就是要使補(bǔ)償網(wǎng)絡(luò)的輸出h(t)無限線性逼20煤礦安全(Total429)試驗研究近傳感器的輸入u(t),考慮參考模型的期望輸出vd(t),可以得出

6、網(wǎng)絡(luò)的均方根誤差e(t)為:e(t)=點直接與輸入量的各個分量連接,將輸入量傳到下一層。各節(jié)點的輸入輸出可表示為f1(i)=Xi=x1,x2,xs,i=1,2,s。該層的神經(jīng)元個數(shù)N1=s。第二層為模糊化層(FuzzifiedLayer),該層每一個結(jié)點代表一個語言變量值,它的作用是計算輸入分量隸屬于各語言變量值模糊集合的隸屬度j,采用高斯函數(shù)作為隸屬函數(shù),cij和ij分別是第i個輸入變量第j個模糊集合的隸屬函數(shù)的均值和標(biāo)準(zhǔn)差。=f2(i,j)=exp-ijn-12h(t)-vd(t)mine(t)02t=0(3)也就是要使(3)式的均方根誤差e(t)降低到最小,因此可以說傳感器的動態(tài)特性補(bǔ)償

7、的過程就是改善傳感器輸入輸出之間的線性特性的過程。于是,利用模糊RBF神經(jīng)網(wǎng)絡(luò)對非線性函數(shù)能以任意精度逼近的特點,用神經(jīng)網(wǎng)路的權(quán)值w來擬合差分2方程的系數(shù),可以實現(xiàn)傳感器的動態(tài)特性補(bǔ)償。2模糊RBF神經(jīng)網(wǎng)絡(luò)的補(bǔ)償算法2.1模糊RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)3(f1(i)-cij)(ij)(4)式中,i=l,2,n,j=l,2,m;n是輸入量的維數(shù),m是模糊分割數(shù);ij=2(cij-cij1)+1(),為模糊分割2。(InferenceLayer),該層通,各個節(jié)點之間實現(xiàn)模糊運算,計算出每條規(guī)則的適用度dj和每個神經(jīng)元的輸出函數(shù)f3(i,j),即:dj=minf1(i,1),f2(i,2),fn(i,n

8、)f3(i,j)=f2(i,j)j=1nj=1Q模糊RBF神經(jīng)網(wǎng)絡(luò)是由神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)實現(xiàn)模糊邏輯的算法,該網(wǎng)絡(luò)由5層構(gòu)成,其結(jié)構(gòu)如圖2所示。為了加快模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度,在結(jié)構(gòu)上做了適當(dāng)?shù)母倪M(jìn),把第二層的輸出組成一新矩陣,出該矩陣的最大(絕對值)特征值|,個隱層,特性的描述能力時,既完成了模糊推理,又減輕了第三和第四層的計算量,提高了學(xué)習(xí)效率。設(shè)RBF網(wǎng)絡(luò)有s個輸入端和p個輸出端,訓(xùn)練樣本為X=x1,x2,xs,對應(yīng)的實際輸出為Y=y1,y2,yp,模糊RBF神經(jīng)網(wǎng)絡(luò)中的信號傳遞和各層的功能算法如下:4(5)式中,i=l,2,n;j=l,2,m;Q=Ni。該層的神經(jīng)元個數(shù)N3=m。與N2比較可

9、以看出該層神經(jīng)元個數(shù)降低了,這樣可以剔除冗余模糊規(guī)則,使模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度進(jìn)一步得到優(yōu)化。第四層用于完成歸一化計算(NormalizedLay2er),對規(guī)則的適應(yīng)度進(jìn)行歸一化操作,即: j=mj/(i),ji=1m(6)該層的神經(jīng)元個數(shù)與第三層一致。第五層是輸出層(OutputLayer),該層對輸出y(i)進(jìn)行清晰化計算。由第二層輸出的隸屬度j11122212j2j組成的矩陣K=1,其特征方程為ii12|E-K|=0,可以求出該矩陣的最大特征值|max,圖2模糊RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)第一層為輸入層(InputLayer),該層的各個節(jié)于是該層的輸出表示為:m()(7)yiw(i,j) j,

10、ip|maxj=1式中,w(i,j)既是神經(jīng)網(wǎng)絡(luò)的連接權(quán),也相當(dāng)于試驗研究煤礦安全y(i)的第j個模糊語言變量的隸屬函數(shù)的中心值,(2010-07)d21在學(xué)習(xí)過程中自行調(diào)整。2.2模糊RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法的計算得到傳感器的期望輸出yi,以此對模糊RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練,實驗中取最小允許誤差為0.0005,并取n=2和m=4,由Matlab仿真后網(wǎng)絡(luò)收斂于規(guī)定精度要求,得到模糊RBF神經(jīng)網(wǎng)絡(luò)的權(quán)值向量,用它替換式(2)中的系數(shù),于是有補(bǔ)償網(wǎng)絡(luò)的差分方程為:h(t)=7.875h(t-1)-0.543h(t-2)+10.437v(t)-4.306v(t-1)+5.210v(t-2)-(1

11、3)4.011v(t-3)根據(jù)式(13)繪出圖3所示的瓦斯傳感器的階躍響應(yīng)曲線,圖中有2條曲線,分別針對有補(bǔ)償和沒有補(bǔ)償2種情況,容易看出使用補(bǔ)償?shù)膫鞲衅鬏敵鲞_(dá)到穩(wěn)態(tài)的時間比沒有補(bǔ)償?shù)目s短了大約9ms,相,表1對。為了防止網(wǎng)絡(luò)學(xué)習(xí)進(jìn)入局部極小點或收斂速度慢,從而影響了系統(tǒng)的分析精度,在綜合RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特征和FCM(FuzzyC-Means)算法實質(zhì)的基礎(chǔ)上,引入了動態(tài)自適應(yīng)學(xué)習(xí)速率函數(shù)(n),并用它對輸出權(quán)值、節(jié)點中心及寬度等重要的網(wǎng)絡(luò)參數(shù)進(jìn)行啟發(fā)式動態(tài)修正,就能夠在一定程度上提高網(wǎng)路的計算速度和收斂性能。設(shè)訓(xùn)練數(shù)據(jù)長度為l,定義系統(tǒng)的均方誤差為ld2d()=(yi-yi),其中yi,

12、yi分別表示期望nW2i=1輸出和實際輸出,那么它的誤差能量函數(shù)為E(W)T利用反向傳播誤差信號進(jìn)行參n(W)n(W)。2n數(shù)更新,建立模糊規(guī)則對神經(jīng)網(wǎng)絡(luò)權(quán)值的修正模型:T)Wn=(n)Wn-1-nJ(W)J(W)式中,Wn和Wn-1分別表示第n-1代的權(quán)重變化量;(n);J()E(W)的Jacobian矩陣:(W)(9)Wn+1=Wn+Wn-n9W(n)為一學(xué)習(xí)步長因子與沿E(W)的Gauss-Newton方向梯度函數(shù)的乘積,即:(n)= E(W)(10)式中, E(W)=l=n(W)n(W),9Wni=15T()W=,其偏導(dǎo)數(shù)可由(7)式求出。n9W基于上述推導(dǎo),易知學(xué)習(xí)過程中的節(jié)點中心c

13、ij和寬度ij的迭代算法如下:n(W)(11)cij(n+1)=cij(n)+(n)9cijn(W)ij(n+1)=ij(n)+(n)(12)ij93實驗與仿真圖3陶瓷壓阻傳感器的階躍響應(yīng)曲線表1主要動態(tài)特性指標(biāo)比較6動態(tài)特性指標(biāo)(歸一化)延遲時間/ms上升時間/ms響應(yīng)時間/ms峰值時間/ms超調(diào)量沒用補(bǔ)償使用補(bǔ)償0.971.08123.920.570.190.2531.120.21現(xiàn)有一種靈敏度為20mA/1%CH4的SG-3型瓦斯傳感器,在使用過程中發(fā)現(xiàn)它存在一定的非線性誤差和動態(tài)響應(yīng)滯后問題,就運用本文設(shè)計的模糊RBF神經(jīng)網(wǎng)絡(luò)對其進(jìn)行動態(tài)測量誤差補(bǔ)償。把階躍信號作為該傳感器的測試輸入,

14、采集其響應(yīng)輸出數(shù)據(jù),經(jīng)預(yù)處理后得到訓(xùn)練樣本值xi,由參考模型以煤礦井下的瓦斯氣體為實驗對象,配制5組成分不同的試驗氣樣,運用SG-3型瓦斯傳感器進(jìn)行檢測,并把模糊RBF神經(jīng)網(wǎng)絡(luò)經(jīng)過學(xué)習(xí)訓(xùn)練后,用來對誤差進(jìn)行校正,實驗結(jié)果表明,在0%4%CH4檢測范圍內(nèi),檢測誤差均0.05%CH4。實驗所得數(shù)據(jù)如表2所示。22煤礦安全表2瓦斯氣體檢測分析結(jié)果(Total429)試驗研究度傳感器動態(tài)補(bǔ)償研究J.東南大學(xué)學(xué)報,2004,34(4):455-458.模糊RBF校正的輸出0.871.482.303.533.84試驗氣樣CH4/%0.871.492.313.553.86無校正的輸出0.861.442.35

15、3.123.50最小二乘法校正的輸出0.871.472.273.503.822TianShe-ping.Nonlineardynamiccompensationofsen2sorsbasedonrecurrentneuralnetworkmodelJ.JournalofShanghaiJiaotongUniversity,2003,37(1):13-16.3劉昆,顏鋼鋒.基于模糊RBF神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近J.計算機(jī)工程,2001,27(2):70-71.4李延新.一種基于RBF網(wǎng)絡(luò)提取模糊規(guī)則的算法實現(xiàn)J.控制工程,2005,12(1):47-49.5戴葵.神經(jīng)網(wǎng)絡(luò)設(shè)計M.北京:機(jī)械工業(yè)出版社,

16、2002.4結(jié)論對模糊RBF神經(jīng)網(wǎng)絡(luò)的算法進(jìn)行了適當(dāng)?shù)膬?yōu)化,并把它用于傳感器的動態(tài)特性補(bǔ)償。實驗證明,它能夠在一定程度上減小因傳感器輸出滯后所帶來的動態(tài)測量誤差,而且與改進(jìn)前相比,克服了建模時帶來的復(fù)雜性和建模簡化引起的誤差,其檢測靈敏度和精度都有了很大提高,大大改善了傳感器的動態(tài)特性指標(biāo),為煤礦的安全監(jiān)測提供了可靠保障。參考文獻(xiàn):1俞阿龍,黃惟一.6田裕鵬.傳感器原理M.北京:科學(xué)出版社,2007.作者簡介:王軍號(1970-),男,江蘇贛榆人,博士研究生,研究方向為信號與信息處理,。(:-:金麗華)(上接第18頁)J.煤炭轉(zhuǎn)化,2007,30(3):1-4.89-91.5文虎,徐精彩.煤自燃氧化放熱效應(yīng)的影響因素分析J.煤炭轉(zhuǎn)化,2001,24(4):59-63.6胡榮祖,史啟禎.熱分析動力學(xué)M.北京:科學(xué)出版社,2001.作者簡介:趙彤宇(1967-),男,河南平頂山人,高級工程師,工學(xué)碩士。(收稿