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.     

基于多传感器融合的压力测量系统设计

当今，所有以微处理器为基础的测控系统都需要传感器来提供做出实时决策的数据。本文详细阐述了压力传感器测量系统硬件设计、压力传感器智能化软件设计、压力传感器误差与温度补偿技术设计。针对传感器测量的温度漂移和非线性等问题，提出了利用多传感器信息融合技术--曲面拟合法和曲线拟合法来加以解决，并实现PC机与传感器测量系统之间的通信，完成数据转换、数据处理和打印等功能，使测量系统更加完善。     

传感器非线性的硬件校正方法

从应用的角度总结了传感器非线性的硬件校正方法 ,讨论了这些方法的优点、局限和应用技巧。讨论结合实例 ,实用性强 ,对传感器非线性的硬件校正技术具有较好的指导作用。     

基于ADμC845的LVDT位移传感器非线性补偿

针对LVDT位移传感器测量电路输出电压值和位移量之间存在非线性特征,设计和制作线性度为0.05%高精度传感器比较困难的现状,在分析产生非线性误差主要原因和传统校正方法的基础上,利用单片机软件算法进行非线性校正以提高传感器设计精度。以传感器标定数据为样本,用曲线拟合法求出非线性校正环节的特性曲线,并给出在MATLAB环境下拟合多项式系数的最小二乘求解方法,编程实现位移量和电压输出。仿真分析和实验结果表明,其测量位移的线性度达到了设计要求,非线性校正效果明显,具有良好的应用价值。     

数字测量系统失调和量程及非线性的一种校正方法

失调、量程及非线性的校正,是测量系统中的一项关键技术.本文提出了一种基于单片机系统的软件校正方法,可以代替传统的硬件调节电路,一次性完成对失调、量程及非线性的校正.该方法采用二次方程和拉格朗日插值公式相结合的软件算法,可以快速地获得校正系数和测量结果,同时提出了软件分离的方法真正实现软件加密,保护测试软件的知识产权.     

非金属热电偶在高温探测中的应用研究

介绍了高温测量中传统温度传感器的缺陷,提出了一种新型的非金属温度传感器--石墨纤维热电偶,并对该传感器的特性、加工方式、应用环境进行了分析.设计了温度传感器的放大、滤波、模数转换、数字化处理的硬件电路,并采用分段曲线拟合方法对传感器的非线性进行了校正,从而使传感器在较大的测量区间内具有良好的可靠性.从理论上分析,该传感器测量温度高达3000℃以上,解决了高温环境下钢水温度的连续测量问题.     

基于LabVIEW的磁浮车气隙传感器测试系统设计

磁浮车气隙检测常采用电涡流传感器,其在0 ～20 mm量程范围内非线性严重,在实际工作时需要进行非线性校正,同时传感器工作环境恶劣,属于易损器件,需要经常检测维护.设计了一种气隙传感器测试系统,该系统以现场可编程门阵列(FPGA)作为控制核心,使用LabVIEW编写人机界面,实现了磁浮车气隙传感器输出特性的快速测试与在线校正.系统具有硬件结构简单、人机交互友好等特点.实验结果表明:该系统可方便监测传感器内部原始特性,经该系统校正后的传感器输出线性度良好,能满足磁浮列车悬浮控制系统要求.     

基于BP神经网络的超声波测距非线性误差校正

本文结合笔者所设计的超声波测距仪,介绍了用神经网络校正超声波传感器的非线性误差的原理与方法,并提出了基于BP神经网络的超声波测距非线性误差校正的模型、算法及其硬件实现。通过理论分析和硬件实验,显示出BP神经网络对超声波传感器的温度补偿和非线性校正的效果良好,充分表明了应用神经网络在提高超声波测距精度方面是一种行之有效的方法。     

基于MSP430罗茨气体流量积算仪的设计与实现

针对目前工业现场天然气计量情况.设计基于16饽嵌入式微处理器MSP430F157为核心的罗茨流量积算仪.采用非线性校正算法实现对流量传感器非线性特征的校正,扩大流量积算仪的量程比:采用多周期测频法,提高传感器输出信号频率测量的精度;通过引入气体压缩因子,修正流量补偿计量公式.积算仪能够更精确地实时温压补偿.文中详细介绍了积算仪的硬件和软件设计方案,经测试和实际运行表明,该流量积算仪稳定可靠,测量精度高.量程比宽,具有一定的实用价值.     

基于BP神经网络的超声波测距非线性误差校正

本文结合笔者所设计的超声波测距仪，介绍了用神经网络校正超声波传感器的非线性误差的原理与方法，并提出了基于BP神经网络的超声波测距非线性误差校正的模型、算法及其硬件实现。通过理论分析和硬件实验，显示出BP神经网络对超声波传感器的温度补偿和非线性校正的效果良好，充分表明了应用神经网络在提高超声波测距精度方面是一种行之有效的方法。     

改进型BP神经网络对电容称重传感器的非线性校正

针对电容称重传感器电容检测电路的输出电压与载荷质量之间的非线性特性问题,基于贝叶斯正则化的L-M算法建立BP神经网络改进模型,实现了电容称重传感器的非线性特性的校正,并与传统的梯度下降算法建立的BP神经网络模型的校正结果进行了仿真对比。仿真结果表明:改进型BP神经网络具有较快的收敛速度、较高的精度和较好的推广能力,有利于准确实现电容称重传感器非线性特性的有效校正。     

基于RBFNN的铂电阻温度传感器非线性补偿

针对铂电阻温度传感器应用中存在的非线性问题,提出了应用径向基函数神经网络(RBFNN)强非线性逼近能力进行铂电阻温度传感器非线性补偿的方法。介绍了非线性补偿的原理和网络训练方法。结果表明:这种非线性补偿模型具有误差小、精度高、可在线标定和鲁棒性强等优点,与基于BP神经网络的非线性补偿模型相比,大大缩短了网络训练时间,从而方便了铂电阻温度传感器在测控系统中的应用。     

EMD和遗传神经网络算法研究—以装载机动态称重系统为例

装载机压力传感器的输出信号是包含强振动、噪声的非线性信号,而装载机动态称重系统的测量精度与压力传感器的信号之间有极其密切的关系,采用经验模态分解对压力传感器的信号进行预处理,提取其有用称重信号,采用BP神经网络算法对称重信号与重物重量之间的非线性关系进行拟合,同时使用遗传算法加快收敛速度,得到适合的非线性测重数学模型,仿真和实验参数计算表明,该处理方法在装载机动态称重系统中的应用是有效的。     

基于支持向量机的传感器的非线性校正

铜热电限的非线性影响到它的测温准确度和测温范围,针对这个问题提出了采用支持向A机(SVM),建立了铜热电阻传感器的逆模型进行非线性校正,并且与以往采用的BP网络和最小二乘校正方法进行了比较;结果表明,采用支持向f机的非线性校正方法的最大误差为±0.0287%左右,与BP人工神经网络取得的结果(最大误差为± 0.0523%左右)和最小二乘法取得的结果(最大误差为±0.0865%左右)相比,精度高于以上2种校正方法;同时,SVM方法有较好的泛化能力,在很大程度上提高了传感器的线性度,并且补偿曲线更顺滑,预测性更强,它为铜热电阻传感器的非线性动态补偿提供了一种新方法.     

基于径向基神经网络的称重设备传感器故障检测方法

在对称重设备数字化改造的过程中,有些研究人员提出了对某一特定传感器的故障诊断方法,但对于非指定传感器或者两个传感器同时发生故障的情况却没有检测方法.为此,本文提出了一种基于径向基神经网络预测的任意一个或两个称重传感器的故障检测方法.本文首先建立单个传感器的预测模型和任意两个传感器的预测模型,然后通过这两个预测模型计算出任意一个称重传感器的预测值和任意两个传感器的预测值,根据预测值与实际值之间的差值判断称重传感器故障个数、位置、类型等信息.实验表明,当称重传感器的输出误差大于0.3 t时使用此方法可以准确检测出称重传感器的故障信息.     

RBF神经网络在柔性触觉传感器解耦中的应用

针对柔性触觉传感器模型高度非线性、解耦难度大等问题,提出一种有效的方法来模拟柔性触觉传感器在实际应用中含噪声的情形。首先在理想条件下的传感器模型上添加不同幅度的高斯白噪声并建立其数学模型,之后通过K-均值和递归最小二乘法优化RBF神经网络,并利用优化后的RBF神经网络算法逼近受噪声干扰的传感器阻值与形变之间的高维非线性映射关系,最后基于不同的展开幅度通过行列阻值解耦出传感器三维形变信息,获得了较好的解耦精度。解耦结果表明,RBF神经网络算法具有较强的鲁棒性和抗噪声能力,能够很好地逼近含噪声的传感器高维非线性数据之间的映射关系。     

基于二元多项式拟合法的压力传感器输入信号重构

为了同时解决压力传感器输出特性的非线性和温度漂移问题,提出利用二元多项式根据传感器输出信号及其内部温度来重构被测压力.给出了被测压力重构模型的具体形式,以传感器静态特性标定试验数据为依据,利用最小二乘法求解模型系数矩阵,利用单点最大拟合误差、误差平方和模型阶次三项指标进行模型择优.基于重构模型给出了测量电路检测精度估算方法.本方法在传感器静态特性标定数据范围内得到了便于工程计算的一致表达式,同时解决了传感器的非线性和温度漂移两个主要问题,计算所用数据量大大小于插值法.某型硅谐振压力传感器的应用验证了本方法的合理性和有效性.     

Sensor bias fault diagnosis in a class of nonlinear systems

This note describes a robust sensor bias fault diagnosis architecture for dynamic systems represented by a class of nonlinear discrete-time models. The nonlinearity in the system nominal model is assumed to be a function of inputs and outputs only. Specifically, this note uses adaptive techniques to estimate an unknown sensor bias in the presence of modeling uncertainties. A simulation example is presented to illustrate the methodology. The robustness, sensitivity and stability properties of the bias fault diagnosis architecture are rigorously analyzed     

FDI by extended Kalman filter parameter estimation for an industrial actuator benchmark

The extended Kalman filter (EKF) is formulated as a parameter estimator and used to estimate position sensor bias and actuator current bias signals for the industrial actuator benchmark system. These bias estimates are compared instantaneously to a threshold for fault detection and identification (FDI). The paper reports results for applying this method to given benchmark data. The FDI performance is good for detecting position sensor and actuator current faults in the presence of unmodeled nonlinear dynamics and an unmodeled load change for small-amplitude signal conditions when the EKF implementation assumes parameter pseudonoise and a slow decay in the parameter dynamics. For large-amplitude signals, the results are reasonably good, but they suggest that a more accurate model for a saturation nonlinearity could improve the method's FDI performance.     

Moving window adaptive soft sensor for state shifting process based on weighted supervised latent factor analysis

Process nonlinearity and state shifting are two of the main factors that cause poor performance of online soft sensors. Adaptive soft sensor is a common practice to ensure high predictive accuracy. In this paper, the moving window method is introduced to the supervised latent factor analysis model to capture the state shifting feature of the process. To make the moving window strategy more efficient, the weighted form of the supervised latent factor analysis approach is applied. In this method, contributions of training samples are expressed through incorporating the similarity index into the noise variance of the process variable, which renders strong adaptability of the method for describing nonlinear relationships and abrupt changes of the process. A numerical example and a real industrial process are provided to demonstrate the effectiveness of the proposed adaptive soft sensor.