基于递归神经网络的传感器非线性动态建模

根据动态校准实验结果建立传感器的动态数学模型,以研究传感器的动态性能,是动态测试的一个重要内容。讨论了递归神经网络模型在传感器动态建模中的应用,给出了递归神经网络模型的结构及相应的训练算法。由于其反馈特征,使得递归神经网络模型能获取系统的动态响应。该方法特别适用于传感器非线性动态建模,而且避免了传感器模型阶次的选择的困难。试验结果表明,应用递归神经网络对传感器进行动态建模是一种行之有效的方法。     

遗传算法结合FLNN实现加速度传感器动态特性补偿

对加速度传感器动态性能进行分析,利用遗传算法与函数链神经网络相结合实现其动态性能补偿的方法,介绍补偿原理以及算法,给出了用遗传算法和函数链神经网络相结合建立的加速度传感器动态补偿网络的数学模型。结果表明,这种补偿模型具有精度高、有良好的鲁棒性以及动态补偿器实现简单等优点,在测试领域中有很好的应用前景。     

基于LabVIEW的动态力测量仿真系统研究

基于LabVIEW设计了动态力测量仿真系统,该系统应用系统辨识和动态补偿来提高力传感器的动态性能,使之适用于动态测量。着重介绍了该系统对力传感器仿真模型进行系统辨识与动态补偿的原理、方法和步骤。仿真实验证明：通过选择合适的激励信号,该系统能够准确辨识力传感器仿真模型并提高力传感器系统的动态性能。     

气体浓度测量中的电化学传感器动态特性补偿

针对电化学气体传感器的动态响应延迟问题,设计了一种电化学气体传感器的动态特性测量装置,研究了气体传感器动态特性补偿及应用。为减小电化学气体传感器的动态响应时间,提出了用粒子群优化(PSO)算法对电化学气体传感器逆建模的动态补偿法,获得动态补偿滤波器模型,对电化学气体传感器的响应-恢复时间进行补偿。将补偿方法应用于研制的存储式气体浓度测试系统,测试结果表明该方法有效地改善了传感器的动态响应特性,并在响应时间上提高了3.6倍,恢复时间提高了2.8倍,具有可移植性强、易于实现的特点。     

基于动态递归神经网络的半主动控制结构响应预测

提出了一种多输入多输出分支动态递归神经网络模型,利用梯度下降法推导了网络权值调整公式。该模型针对结构控制中结构状态变量、控制变量和外激励荷载对结构的响应有不同的影响,采用分支输入递归处理,不但结构响应预测精度好,而且大大提高了动态网络的学习和训练效率。应用该模型对线性结构和非线性结构在变阻尼控制和外荷载激励下结构的响应进行了数值仿真,表明所提的动态递归神经网络可以达到较高的预测精度。该模型为利用神     

基于BP神经网络的传感器非线性补偿

由于传感器本身的非线性特性以及传感器在测量过程中外界环境因素的影响,使得传感器的输入输出特性呈现出非线性.讨论了BP神经网络模型在传感器非线性补偿中的应用.给出了相应的补偿方法,即采用两个相同的传感器对同一被测量进行测量,其测量结果作为神经网络模型的输入,经过补偿后的传感器具有线性的输入输出关系.采用递推预报误差算法训练神经网络,具有收敛速度快、收敛精度高的特点.试验结果表明,应用神经网络对传感器的非线性进行动态补偿是一种行之有效的方法.     

一种提高振动传感器动态校准精度的方法

针对飞行器发动机振动传感器高频响应的计量问题,提出采用动态补偿方法代替传统的"背靠背"对比计量方法。根据建立的振动传感器动态响应模型,设计动态补偿数字滤波器,对振动传感器缺失的高频响应结果进行"频率"补偿,从而达到扩展振动传感器动态响应范围的目的。仿真结果表明,该方法提高了计量精度和效率,节约了计量成本。     

基于支持向量机的传感器非线性动态补偿方法

提出了应用支持向量机(LS-SVM)实现传感器非线性动态补偿方法.LS-SVM的训练过程遵循的是结构风险最小化原则,而不是通常神经网络的经验误差最小化,可获得更好的泛化性能,不易发生局部最优及过拟合现象,因此可弥补应用人工神经网络进行传感器非线性动态补偿的缺陷.通过实例验证了该方法的可行性,结果表明,即使当传感器动态模型存在严重非线性,且有测量噪声存在,该方法也仍然有效.     

腕力传感器动态补偿与解耦方法的研究

本文提出一种动态补偿与解耦方法，并解决了腕力传感器动态响应速度和各通道之间动态干扰这两个关键问题。推导出补偿解耦环节的设计公式，给出处理过程的步骤。分别对构造模型和传感器实验数据进行补偿与解耦。结果表明，这一新方法十分有效。     

应变式力传感器动态特性研究及动态补偿

通过测试传感器的固有频率和冲击响应,对不同结构的应变式力传感器的动态特性进行了研究。当力传感器动态特性不理想时,根据零极点配置法设计了动态补偿数字滤波器,对力传感器进行动态补偿,使之适用于动态测量。实验表明:柱式力传感器的动态特性优于S形力传感器。通过对S形传感器进行动态补偿,拓宽了力传感器的工作频带,提高了力传感器的动态性能,减小了动态误差。     

压电式压力传感器动态特性补偿技术研究

针对近爆区冲击波压力测试中压电式压力传感器因动态特性不佳造成信号畸变之问题,通过激波管动态校准试验,分析传感器动态特性;对造成动态测试误差的主要因素,利用动态补偿技术设计数字补偿滤波器,对传感器爆炸信号进行补偿处理。结果表明,该方法能有效减小动态测试误差、提高近爆区冲击波压力测试精度。     

选别机的动态特性分析及其称量信号处理

为了提高选别机的称量准确度和速度,对选别机称量系统的动态特性进行分析,建立称量系统模型,分析影响称系统的动态特性因素,通过基于传感器的动态品质补偿模拟了增大阻尼技术,保证测量系统动态响应的快速准确性.结果表明,采用动态补偿有利于提高称量的准确性.     

BP神经网络在测试系统动态补偿中的应用

测试系统的非线性动态补偿是仪器技术的一个重要方面．采用BP神经网络对测试系统进行动态补偿．BP神经网络的结果决定于网络输入、隐层和输出节点．由于其非线性映射特性,BP神经网络完全能够反映测试系统的动态响应特性．采用了收敛速度较快的递推预报误差算法训练神经网络．试验结果表明,BP神经网络的特性完全能够满足测试系统的动态补偿要求．表明本文的方法是有效的．     

飞机座舱空气质量检测气压补偿方法

飞机座舱气压变化范围较大,对气体传感器产生较大影响,导致空气质量检测结果不准确,提出采用RBF神经网络进行气压补偿。首先设计试验系统;然后对HCHO、CO、CO2和NO2共4种典型的座舱空气质量检测气体传感器进行正负压试验,采集试验数据并绘制各气体的特征变化曲线;最后建立了以12个气压点和测量值为输入、期望值为输出的3层RBF神经网络模型,并对试验数据进行了误差修正补偿。结果表明:采用该RBF神经网络补偿算法,HCHO、CO、CO2、NO2气体传感器的最大相对误差分别由32.85%、28.42%、52.87%、87.18%降低到2.001%、3.668%、2.392%、12.68%,达到较好的补偿效果。     

Adaptive control with hysteresis estimation and compensation using RFNN for piezo-actuator

Because the control performance of a piezoactuator is always severely deteriorated due to hysteresis effect, an adaptive control with hysteresis estimation and compensation using recurrent fuzzy neural network (RFNN) is proposed in this study to improve the control performance of the piezo-actuator. A new hysteresis model by modifying and parameterizing the hysteresis friction model is proposed. Then, the overall dynamics of the piezo-actuator is completed by integrating the parameterized hysteresis model into a mechanical motion dynamics. Based on this developed dynamics, an adaptive control with hysteresis estimation and compensation is proposed. However, in the designed adaptive controller, the lumped uncertainty E is difficult to obtain in practical application. Therefore, a RFNN is adopted as an uncertainty observer in order to adapt the value of the lumped uncertainty E on line. And, some experimental results show that the proposed controller provides high-performance dynamic characteristics and is robust to the variations of system parameters and external load.     

Precision measurement and compensation of kinematic errors for industrial robots using artifact and machine learning

Industrial robots are widely used in various areas owing to their greater degrees of freedom (DOFs) and larger operation space compared with traditional frame movement systems involving sliding and rotational stages. However, the geometrical transfer of joint kinematic errors and the relatively weak rigidity of industrial robots compared with frame movement systems decrease their absolute kinematic accuracy, thereby limiting their further application in ultraprecision manufacturing. This imposes a stringent requirement for improving the absolute kinematic accuracy of industrial robots in terms of the position and orientation of the robot arm end. Current measurement and compensation methods for industrial robots either require expensive measuring systems, producing positioning or orientation errors, or offer low measurement accuracy. Herein, a kinematic calibration method for an industrial robot using an artifact with a hybrid spherical and ellipsoid surface is proposed. A system with submicrometric precision for measuring the position and orientation of the robot arm end is developed using laser displacement sensors. Subsequently, a novel kinematic error compensating method involving both a residual learning algorithm and a neural network is proposed to compensate for nonlinear errors. A six-layer recurrent neural network (RNN) is designed to compensate for the kinematic nonlinear errors of a six-DOF industrial robot. The results validate the feasibility of the proposed method for measuring the kinematic errors of industrial robots, and the compensation method based on the RNN improves the accuracy via parameter fitting. Experimental studies show that the measuring system and compensation method can reduce motion errors by more than 30%. The present study provides a feasible and economic approach for measuring and improving the motion accuracy of an industrial robot at the submicrometric measurement level.The full text can be downloaded at https://link.springer.com/article/10.1007/s40436-022-00400-6