采用BP神经网络提高压力传感器的输出准确度

针对压力传感器在实际应用中,输出数据不仅仅与目标参量(压力)有关,而且还受非目标参量(温度)影响的问题,笔者提出了采用BP神经网络技术对其进行数据融合处理的方法,以消除非目标参量的影响。研究结果表明该方法是可行的。     

基于BP神经网络的压力传感器数据融合研究

压力传感器由于输出电压值易受环境温度、电压扰动等非目标参量的影响而导致精度大大降低。该文采用BP神经网络对压力和温度2个目标参量进行数据融合处理,减小了两者相互交叉干扰敏感度。结果表明,采用BP神经网络进行数据融合,能够提高传感器的稳定性及其精度,仿真验证了该方法的有效性和可行性。     

基于LabVIEW和神经网络的压力传感器温度补偿系统

经典传感器的输入输出特性大都存在非线性，且易受工作环境温度的影响。本文提出了采用BP神经网络技术和虚拟仪器技术相结合的方法，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。     

电磁力平衡传感器温度补偿的解决方案

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,提出了应用硬件和神经网络技术相结合的方法对其进行补偿.神经网络具有以任意精度逼近任何非线性函数的能力,本文利用神经网络中的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.     

泄漏检测中压力传感器的误差补偿

密封性是一项重要的技术指标,在通常采用的气压法泄漏检测中,环境温度会极大影响检测的精度和可靠性。本文对此提出了利用神经网络对压力传感器的误差补偿方法,用Levenberg-marquardt BP(LMBP)算法对网络进行训练,为提高泄漏检测系统的精度和可靠性提供了依据。     

基于多信息融合算法提高传感器稳定性

该文提出了改善传感器测量稳定性的一种新方法。该方法的基本思路是将影响传感器输出稳定性的因子作为传感器融合系统的输入模式，基于系统辨识理论实现融合算法。实验结果表明该方法有效地抑制非目标参量的干扰，获得同稳定性测量结果。     

基于BP神经网络的压力传感器误差补偿算法研究

采用BP神经网络来建立扩散硅压力传感器的输出输入模型,其网络模型具有三层结构,采用改进型的差分进化算法来优化BP神经网络的权值和阀值,并在MATLAB中进行了仿真。经训练得到补偿后扩散硅压力传感器的输出满量程误差可达到0．035％,结果表明采用基于改进型差分进化算法的BP神经网络建模对提高智能差压传感器的测量准确度具有参考价值。     

基于遗传小波神经网络的多传感器信息融合技术的研究

依据小波函数的非线性逼近能力和神经网络的自学习特性,提出一种小波神经网络。为使小波神经网络具有更高的学习精度和更快的收敛速度。利用遗传算法对小波神经网络权阈值的优化,设计了遗传小波神经网络。将该网络用于多传感器信息融合设计了遗传小波神经网络多传感器信息融合系统。压力传感器数据融合系统的仿真表明该方法能有效的提高传感器的输出准确度,消除非目标参量对传感器输出结果的影响,此系统还可用于其他多传感器信息融合系统,具有实际应用价值。系统设计实现简单,适合工程应用。     

利用数据融合技术提高甲烷传感器的性能

本文介绍了多传感器数据融合的概念,设计了基于多传感器数据融合结构的智能甲烷传感器,提出降低甲烷敏感元件对温度、湿度等非目标参量影响的数据融合算法.试验表明,该算法提高了传感器的性能.     

虚拟仪器设计中压力传感器的BP神经网络温度非线形校正

压力传感器的输入输出特性大部存在非线性，且易受工作环境温度的影响。利用LabVIEW图形化编程语言，辅以多参量数据采集卡，采用了基于BP神经网络压力传感器非线性校正的模型、算法和实现方法，探讨了虚拟仪器系统中对压力传感器特性进行温度非线性校正。通过计算机仿真与应用，显示了在虚拟仪器系统中使用这种方法不但使压力传感器的性能得到了改善，而且计算时间短，准确度高，有实际应用价值。     

基于LMBP神经网络的故障预报方法及其应用

利用具有二阶收敛效应的Levenberg-M arquardt(L-M)算法优化BP的权值修正量,提出了一种快速收敛的LMBP学习算法,给出了基于LMBP神经网络的故障预报方法,并应用于某陀螺仪的故障预报。结果表明:较之BP和传统改进BP网络,LMBP网络有着更高的收敛速度;基于该网络的时间序列预测模型可以实现性能优越的非线性预报器,将其应用于非线性系统的故障预报能够取得良好的效果。     

基于最小二乘法的电化学传感器温漂补偿研究

现有的电化学氢气传感器其温度特性不太理想,传感器输出的灵敏度与零点值随温度的变化发生漂移,测量精度不高,误差较大,因此需对其进行温度漂移补偿[1-4]。基于最小二乘法改进了一种多项式曲线拟合方法,通过一定的条件约束和工程估算,得到一种温度漂移补偿算法[5]。利用该算法对不同温度下的实测数据进行处理,极大改善了环境温度变化对系统输出的影响,通过理论数据和实测数据验证了算法的有效性和可行性,并用于工程实践。     

Optimization of Inconel 718 alloy welds in an activated GTA welding via Taguchi method, gray relational analysis, and a neural network

The purpose of this work is to optimize the weld bead geometry of Inconel 718 alloy gas tungsten arc (GTA) welds that are coated with activating flux before welding. In order to obtain the optimal welding parameters with multiple quality characteristics (QCs) such as penetration and depth-to-width ratio (DWR) of weld bead, the Taguchi method (TM), gray relational analysis (GRA), and a neural network (NN) are employed in this work. The TM is first used to construct a database for the NN. The GRA is adopted to solve the problem of multiple QCs. The gray relational grade (GRG) obtained from the GRA is used as the output of the backpropagation (BP) NN. Then, a NN with the Levenberg–Marquardt BP (LMBP) algorithm is used to provide the nonlinear relationship between welding parameters and GRG of each specimen. The optimal parameters of the activated GTA welding process are determined by simulating parameters using a well-trained BPNN model. The experimental procedure of the proposed approach not only improves the DWR of weld bead but also increases the penetration of Inconel 718 alloy welds.     

基于ＳＧ 算法和ＢＰ神经网络的 角度传感器信号处理研究

:针对电解角度传感器在实际应用中容易受到环境因素的影响出现误差干扰，如果不加以处理 会导致定位精度降低，影响系统的控制精度的问题，提出一种旨在提高传感器测量精度的多传感信号拟合 算法。该算法首先使用ＳＧ 算法对传感信号的滤波，实现信号数据序列的平滑，降低异常数据点的出现概 率，随后使用 ＢＰ神经网络对多个角度传感器和环境温度传感器的输出信号进行误差估计，降低环境温度因 素对角度传感器的误差干扰。实验表明，综合使用这两种算法对角度传感信号进行处理能够有效提高角度 传感器的测量精度。     

大量程柔性铰六维力传感器静态解耦的研究

为提高大量程六维力传感器的测量精度,提出了一种新型的六维力传感器非线性静态解耦方法,该方法结合混合递阶遗传算法和小波神经网络的优点,采用递阶遗传算法与最小二乘法分别对小波神经网络隐层结构参数以及输出层权值进行优化,再将优化后的小波神经网络模型用于六维力传感器非线性解耦.建立了基于混合递阶遗传算法和优化小波神经网络的六维力传感器非线性解耦模型,设计了基于混合递阶遗传算法的小波神经网络结构及参数优化算法,给出了六维力传感器非线性解耦的具体实现流程.以最新研制的6-UPUR大量程柔性铰六维力传感器为对象进行实验,结果表明,采用该方法六维力传感器的Ⅰ类误差和Ⅱ类误差分别为1.25％和2.59％,比采用BP和RBF神经网络方法的测量精度高.     

基于模态分析和小波变换的声发射源定位新算法研究

针对传统声发射源定位中，声发射信号到达传感器的时间受设定门槛电压影响很大，导致声发射源定位效果较差，提出了一种声发射源定位新方法。根据模态声发射理论，携带声发射源信息的声发射信号在结构中传播过程中，具有频散现象和多模态特性。因此，声发射源定位应基于同一频率下、同一模态导波到达各个传感器的时间和传播速度。通过对声发射信号进行Gabor小波变换的方法，在时频空间内确定某一频率下某一模态导波到达传感器的时间；并通过数值计算得到该频率处模态导波的群速度，从而实现声发射源的准确定位。通过薄板中声发射线源定位试验，证明了该定位算法的有效性。