基于神经网络的压力传感器数据融合

针对压力传感器在实际应用中受多个非目标参量的影响而导致其输出数据不仅仅与目标参量有关,提出了应用神经网络技术对多传感器数据进行融合以消除非目标参量对传感器输出的影响;研究结果表明,利用神经网络实现多传感器数据融合消除非目标参量对传感器输出的影响是可行的.     

基于神经网络的传感器数据融合处理

为消除压力传感器在实际应用中输出数据受非目标参量(温度、供电电压波动)的影响提出了采用BP神经网络技术对其进行数据融合处理.研究结果表明,利用神经网络实现压力传感器数据融合对消除非目标参量对传感器输出的影响是有效的.     

基于神经网络的压力传感器数据融合

针对压力传感器在实际应用中受多个非目标参量的影响而导致其输出数据不仅仅与目标参量有关，提出了应用神经网络技术对多传感器数据进行融合以消除非目标参量对传感器输出的影响；研究结果表明，利用神经网络实现多传感器数据融合消除非目标参量对传感器输出的影响是可行的。     

基于BP神经网络的压力传感器静态特性数据融合

针对压力传感器在实际应用中受非目标参量(温度)的影响而导致其输出数据不仅仅与目标参量(压力)有关，提出了采用BP神经网络技术对其进行数据融合处理，以消除非目标参量对压力传感器输出的影响。研究结果表明，利用神经网络实现传感器数据融合消除非目标参量对传感器输出的影响是可行的。     

基于RBF时间序列预测器的传感器故障诊断方法研究

研究了一种基于径向基函数(RBF)神经网络时间序列预测器诊断传感器故障的方法.以压力传感器的过载故障为模型,先用RBF神经网络建立时间序列预测模型,然后利用预测模型对传感器的输出作预测,再和传感器实际输出比较,从而判断传感器是否发生故障,并对发生故障的传感器进行数据重构.仿真实验证实了该方法可以有效地进行传感器故障诊断和数据重构,并可推广到其他传感器中.     

基于数据融合的压力传感器静态特性研究

通常传感器的输出值不仅决定于目标参量,还会受到非目标参量的影响。为此,采用BP神经网络技术对其进行数据融合处理,以消除非目标参量对传感器输出值的影响。试验结果表明:该方法很好地抑制了传感器的交叉灵敏度,提高了其测量准确度。     

多传感器数据融合在涂层厚度检测中的应用

在涂层厚度测量的过程中,电感传感器的输出值存在对温度的交叉灵敏度,为消除温度对测量数据的影响,提出了一种基于神经网络的多传感器数据融合技术处理方法,该方法以传感器的输出值与温度值作为网络的输入,通过对网络的训练达到消除非目标参量—温度的影响。通过对融合前后的数据进行比较分析,表明该方法大大降低了交叉干扰,有效提高了测量精度。     

神经网络在电磁力平衡传感器中的应用

针对电磁力平衡传感器在实际应用中受温度等非目标参量影响而导致其输出数据不能准确反映目标参量的问题,提出了应用神经网络技术与电磁力平衡传感器相结合的方法.神经网络具有以任意精度逼近任何非线性函数的能力,利用神经网络中的BP网络较强的非线性映射能力,采用BP算法对传感器的原始数据进行修正.理论分析和仿真结果表明了该方法的可行性和有效性.由此说明,此种结合方法对于电磁力平衡系统的设计和应用具有较强的现实意义.     

应变数据融合测力传感器的仿真与实验研究

采用仿真与实验方法,探讨了不同高度柱式应变测力传感器在各种偏心和斜载条件下,电桥直接输出值的百分比误差和利用神经网络进行应变数据融合后输出的百分比误差。仿真与实验结果均表明:在柱式应变传感器高度直径(h/D)比为1/4的情况下,神经网络应变数据融合输出仍然可以保持较高的测量精度,且基本不受传感器高度变化的影响,这为大力值小空间测力传感器制造提供了一种有效途径。     

一种压力传感器温度补偿新方法

针对温度、噪声、电源波动等多种环境因素对压力传感器输出电压值的影响,提出基于电压门限值的方法,对传感器输出电压值进行预处理,然后再利用BP神经网络对数据进行融合、补偿。试验结果证明,所提出的方法能有效的提高压力传感器的检测精度。     

基于RBF网络的模拟移动床PH传感器故障诊断

为了提高模拟移动床控制系统PH传感器的可靠性,提出了一种基于两级RBF神经网络的故障诊断方法。该方法首先利用径向基(RBF)神经网络对传感器的输出序列建立预测模型,通过计算预测输出和实际输出的残差来检测故障的发生,然后对包含故障的残差信号利用小波变换进行特征提取,最后利用RBF诊断网络实现故障诊断。通过把这种方法应用到实际诊断测试中,可达到较准确的诊断结果。     

用神经网络消除温度对传感器输出的影响

针对温度对半导体压力传感器输出影响的问题,提出一种新的消除方法———神经网络法,建立了2-6-1神经网络结构,并利用神经网络的学习记忆功能,消除了温度对传感器输出的影响,实际运行结果表明,该方法具有实用、高效等特点。     

基于RBF网络的模拟移动床PH传感器故障诊断

为了提高模拟移动床控制系统PH传感器的可靠性,提出了一种基于两级RBF神经网络的故障诊断方法.该方法首先利用径向基(RBF)神经网络对传感器的输出序列建立预测模型,通过计算预测输出和实际输出的残差来检测故障的发生,然后时包含故障的残差信号利用小波变换进行特征提取,最后利用RBF诊断网络实现故障诊断.通过把这种方法应用到实际诊断测试中,可达到较准确的诊断结果.     

基于DE优化BP的压阻式压力传感器的温度补偿研究

压阻式压力传感器存在温度漂移的问题,因此需要对该传感器进行温度补偿。为此,首先从标定实验中获取被测压力值、压阻式压力传感器的输出电压值以及环境温度值、温度传感器的输出电压值,然后用差分进化算法（DE）优化的BP神经网络算法从该标定数据中得到补偿后的数据。实验结果表明,所提出的温度补偿方法对压阻式压力传感器进行温度补偿后,其灵敏度温度系数提高了一个数量级,相对误差也得到很大的改善,因而其具有显著的理论意义和应用价值。     

利用BP神经网络提高光纤光栅压力传感器的选择性

应用BP神经网络技术抑制温度对光纤光栅压力传感器的干扰,从而提高了压力传感器的选择性.以聚合物封装的光纤光栅传感器为例,当温度从19℃变化到75℃时,光纤光栅布拉格波长偏移量是11.315 nm,由此导致传感器输出的引用误差为1 915%.经神经网络融合处理后, 其值降为2%,实现了对压力较为准确的识别.实验结果表明,该方法具有实际应用前景.     

基于RBF网络的高炉热流分析传感器故障诊断

在炼铁高炉热流强度分析系统中要用到温度、流量等传感器,为确保热流分析系统中传感器数据的可靠性及系统的连续、稳定运行,诊断系统用径向基函数(RBF)神经网络对传感器进行故障判断。系统由上位机、温度及流量采集装置、传感器等组成,采用RBF神经网络为每一个传感器建立预测模型,网络的输入为传感器采集信号最近的n个值,输出为该传感器在n+1时刻的预测输出值。网络通过在线学习实现对传感器的在线故障监测,经仿真分析表明:用RBF神经网络构建预测模型可满足实时性的诊断要求,提高了诊断系统的诊断精度。     

应变数据融合测力传感器的仿真与实验研究

为了满足测量精度和线性度要求,并根据其设计准则,大量程应变测力传感器的安装空间往往较大。而在一些大型机械和工程结构中,常常需要测量大力值,但能提供的安装空间又比较小,只有超薄型大力值测力传感器才能适用于这类工程应用。本文采用仿真与实验的方法,探讨了不同高度的柱式应变测力传感器在各种偏心和斜载条件下,电桥直接输出值的百分比误差和利用神经网络进行应变数据融合后输出的百分比误差。仿真与实验结果均表明：在柱式应变传感器高度直径(hld)比为1／4的情况下,神经网络应变数据融合输出仍然可以保持较高的测量精度,且基本不受传感器高度变化的影响,这为大力值小空间测力传感器的制造提供了一种有效途径。     

航空发动机双冗余架构传感器信息通道故障诊断方法研究

传感器数据的高可靠性是航空发动机控制系统可靠工作的基础,故障诊断就十分重要;基于传感器双冗余结构,综合利用神经网络预测和传感器冗余性信息变化判断进行故障诊断是一种新的故障诊断新方法;该方法先用RBF神经网络对传感器输出进行预测,若预测值与输出值发生较大的偏差,进一步考察传感器之间的冗余性信息变化情况来判断传感器是否发生故障,若发生故障,进行故障定位,进而采用对应的诊断策略;仿真实验结果表明该方法能够有效地解决双冗余架构传感器信息通道的故障诊断问题。     

基于遗传小波神经网络的压力传感器的非线性校正研究

为了消除压力传感器受非目标参量的影响而呈现的非线性特性,利用小波神经网络来完成压力传感器的非线性校正.利用遗传算法对小波神经网络权阈值优化,以提高网络精确度和训练速度,设计了遗传优化小波神经网络,将该网络用于压力传感器的非线性校正.仿真结果表明该方法能有效消除非目标参量对传感器输出结果的影响.压力传感器的精度和准确度都得到提高.该系统不但可以用于各类传感器的非线性校正,还可用于其它类似系统.且设计、实现简单,适于工程应用,具有实际应用价值.     

模糊神经网络提高光栅传感器分辨力

针对当前提高光栅传感器分辨力方法的一些不足,对用模糊小脑神经网络提高光栅传感器分辨力进行了研究。研究表明,通过少量样本点的学习,用神经网络拟合出光栅传感器的传输特性,对任意输入值,经神经网络泛化后,产生高分辨力的输出值,并通过仿真验证了该研究的有效性。