基于RBF神经网络的电子秤非线性误差补偿

称重传感器、秤盘机械结构的非线性环节影响了电子秤称重结果的准确度。本文分析了电子秤的非线性误差来源与误差机理。在此基础上利用径向基函数神经网络（RBFNN）构建了一种电子秤非线性误差补偿网络,完成了电子秤的非线性校正。经现场检测表明。采用这种方法补偿后的电子秤称重误差小于国家标准《JJG555—1996非自动秤通用检定规程》规定的中级秤允许误差。提高了称重准确度。     

基于自适应加权融合的汽车衡故障传感器预估

传统汽车衡任意一路称重传感器发生故障都将导致称重系统失效。提出了一种基于自适应加权融合的汽车衡故障传感器预估方法:根据多路称重传感器输出相关性和相邻传感器输出比值的相关性,建立基于径向基函数神经网络(RBFNN)的故障传感器输出预估网络和传感器输出比值的预估网络,得到两组冗余估计信号,采用自适应加权融合方法完成冗余信号融合,获得故障传感器输出估计值。仿真实验与现场测试表明,采用该方法的故障传感器称重误差小于任何单个预估网络误差和算术平均值融合误差,任一传感器发生故障时的汽车衡整体称重误差≤0.5%,避免了称重系统失效。     

基于RBF神经网络集成-模糊加权输出的数字温度传感器误差补偿

数字温度传感器存在非线性误差,在高精度测温系统中需要进行误差补偿。提出了一种基于径向基函数神经网络集成-模糊加权输出(RBFNNE-FWO)的数字温度传感器误差补偿方法:首先根据数字温度传感器的误差特征,提取特征阈值,构造三个相互独立的成员RBFNN;考虑到成员网络之间边界误差补偿问题,构建一种RBFNN集成输出权值模糊调节器,获得RBFNN集成输出权值,从而完成数字温度传感器的全量程误差补偿。与多种方法的比较仿真实验表明,这种RBFNNE-FWO方法的性能最佳、各成员网络边界误差最小,补偿后的数字温度传感器误差减少了两个数量级,大大提高了测温准确度。     

应变式称重传感器电路补偿与调整的理论基础

应变式称重传感器电路补偿与调整是研制与生产过程中的核心技术与关键制造工艺,科学、合理、可重复的电路补偿与调整工艺,是确保称重传感器准确度高、稳定性好的必要条件。本文从分析称重传感器电学原理的惠斯通电桥电路、圆柱式弹性元件的非线性误差入手,介绍了称重传感器零点温度补偿、零点输出调整、灵敏度温度补偿和线性补偿的理论基础,并推导出相应补偿电阻值的计算公式,为制定电路补偿与调整工艺提供依据。     

双孔平行梁式称重传感器非线性校正研究

针对双孔平行梁式称重传感器检测过程中受温度和电路干扰等因素引起的非线性问题,提出了基于SVM（support vector machine：支持向量机）理论的非线性补偿方法。分析了存在于传感器测量值中的非线性特性,建立了以检测电压参数为输出、以重量参数为输入的SVM逆模型。通过SVM逆模型与自适应模糊推理系统（ANFIS）仿真对比,验证了SVM逆模型针对双孔平行梁称重传感器线性校正的有效性。结论表明,测试样本的模型预测平均误差为0.027g,达到了较好的线性度,实现了双孔平行梁式称重传感器非线性补偿的目的。     

基于PSO-LSSVM的水分仪称重传感器非线性补偿研究

水分仪称重传感器的输出与待烘干物重量存在一定的非线性关系,且烘干失重法对传感器工作环境温度影响也会造成称重传感器输出的非线性变化。在分析传统应片式传感器非线性输出的产生机理基础上,提出一种基于变异粒子群-最小二乘支持向量机(PSO-LSSVM)的新型称重传感器非线性补偿方案:首先采用噪声协方差可变的卡尔曼滤波算法对称重传感器输出数据进行滤波,减小噪声的影响;再将滤波后的数值与环境温度值作为回归参量,建立基于LSSVM算法的水分仪称重模型;利用变异PSO算法对模型进行参数寻优。实验表明,在220 g/0.001 g水分仪中采用本方法对传感器输出进行非线性补偿后,称量精度明显优于国家检定规程标准;此外,该方法满足在小训练样本条件下,具有很好的泛化性。     

基于神经网络模型的传感器非线性校正

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不同的测量,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(PRE)训练神经网络,具有收敛速度快、收敛精度高的特点.以距离传感器为例,将基于BP神经网络的校正方法应用于减少距离传感器的非线性输出误差.实验结果表明,将训练后的神经网络接入距离传感器可以得到线性的输入-输出关系,增加神经网络隐层节点的数目可以提高校正精度.当隐层节点数取为40时,用于距离传感器非线性校正的神经网络模型在训练100步后的误差指数(EI)为9.6×10-6.结果表明:本文提出的基于神经网络模型的传感器非线性校正方法是行之有效的.     

柱式称重传感器的非线性误差及其线性补偿

柱式、筒式弹性元件是正应力称重传感器中应用较多的结构。本文从电桥电路,应变计转换原理,弹性元件力学特性等方面进行分析和理论计算,得出了柱式称重传感器的输出与载荷之间不呈线性关系,而是一个递减的抛物线。重点分析了电桥的非线性,截面积变化的影响,应变计的非线性,弹性元件横向灵敏度的影响,补偿电阻RM和RS的影响。介绍了柱式称重传感器的线性补偿原理和线性补偿方法。     

基于多传感器信息融合的汽车衡误差补偿

传统的汽车衡误差补偿方法是通过反复调节接线盒中电位器,调整每路称重传感器通道增益实现的,过程繁琐、称重结果准确度低.介绍了汽车衡称重原理,分析了称量误差产生的原因,确定了误差模型,以多路称重传感器信号为输入,提出了基于径向基函数神经网络多传感器信息融合误差补偿方法,建立了融合模型,给出r融合模型的训练算法.这种误差补偿方法建模方便,训练简单,克服了汽车衡在加工、安装过程中产生的内应力、机械形变、尺寸误差和传感器灵敏度分散性、传感器线性度误差等因素对称量结果的影响,准确度高.现场检定表明,采用这种补偿方法的汽车衡称重误差小,优于国家标准规定的三级秤指标.     

柴油机低温起动工况的传感器在线诊断

应用径向基函数网络(RBFNN)和正交最小二乘算法(OLS),提出了一套针对柴油机低温起动的传感器在线故障诊断策略。以传感器采样值作为RBFNN的输入,传感器故障作为输出,进行了柴油机低温起动的传感器在线故障诊断训练与学习。利用RBFNN诊断策略,进行了柴油机低温起动的电流传感器、电压传感器和转速传感器的硬故障(短路、断路、值不变)和软故障(线性度、灵敏度、重复性等误差)的在线诊断试验。结果表明:传感器硬故障的诊断率达到95.6%;最大线性度误差为0.5%,最大灵敏度误差为0.8%,最大重复性误差为0.1%,满足国排放的OBD管理标准。     

带补偿因子的双模糊控制在电液伺服阀控非对称缸系统上的应用研究

为解决电液伺服阀控非对称缸系统在进行对称运动时由于液压缸的非对称性带来的控制非对称问题,提出一种含补偿因子的双模糊控制算法。以电液伺服阀控非对称缸系统为对象,针对非对称液压缸在两个运动方向上动态特性的非对称性问题,采用含补偿因子的模糊控制器进行补偿。同时,针对负载力大范围变化的特点,采用模糊PID控制算法来适应负载的变化。模糊PID控制器及含补偿因子的模糊控制器以经过跟踪微分器处理的误差及误差的微分作为输入,模糊PID控制器输出为PID控制器各项系数,含补偿因子的模糊控制器输出为补偿因子,结合模糊PID控制器,形成有效解决非对称液压缸非对称性问题的控制方法。仿真和试验结果表明,提出的控制方法能够有效解决电液伺服阀控非对称缸系统的控制非对称性问题,并拥有良好的控制效果。     

Adaptive compensation for eccentric error in truck scale

The conventional compensation for eccentric error in truck scale is realized by repeatedly regulating the potentiometer in junction box to adjust gain of each channel with load cell, which is fussy and labor-intensive. In this paper, eccentric error sources are analyzed, and an error model is established. A method of adaptive compensation for eccentric error is proposed, and its model of compensation based on radial basis function neural network (RBFNN) is established, which considers the output signals of multiple load cells as its input variables. A learning algorithm of RBFNN is also presented. Experiments and verifications in field show that with adaptive compensation the eccentric error from some nonlinear factors of truck scale is greatly reduced, and it is less than the maximum permissible error of scales with medium accuracy defined by international standard OIML R76 “Nonautomatic Weighing Instruments”.     

同步阀原理性误差分析与全补偿理论的建立

通过分析传统同步阀误差产生的机理,提出原理性误差全补偿的设计理论,并根据该理论设计出一种具有三级结构的新型同步阀。用MATLAB定量分析负载压差和入口流量变化对可变节流口面积的影响,创新节流口形状,这种特殊的节流口形状能通过阀芯的线性位移补偿非线性误差。新型同步阀能适应大范围的负载压差和流量偏差,可以承受的最大偏载达到最大负载的40%,入口流量可在额定流量的正负50%内变化,从补偿原理性误差的角度提高了同步阀的精度。     

传感器动态非线性的一种补偿方法

针对传感器存在的动态非线性问题，本文提出一种补偿方法，将具有动态非线性的传感器分为非线性静态环境环节和线性动态环节。先对传感器输出信号进行非线性静态校正，再进行线性动态补偿，研制以DSP为处理核心的传感器模拟器和传感器动态非线性补偿系统，实验结果表明，方法是有效的。     

Trajectory tracking control of a pneumatic X-Y table using neural network based PID control

This paper deals with the use of Neural Network based PID control scheme in order to assure good tracking performance of a pneumatic X-Y table. Pneumatic servo systems have inherent nonlinearities such as compressibility of air and nonlinear frictions present in cylinder. The conventional PID controller is limited in some applications where the affection of nonlinear factor is dominant. In order to track the reference model output, the primary control function is provided by the PID control and then the auxiliary control function is given by neural network for learning and compensating the inherent nonlinearities, A self-excited oscillation method is applied to derive the dynamic design parameters of a linear model. The experiment using the proposed control scheme has been performed and a significant reduction in tracking error is achieved.     

具有迟滞和蠕变特性压电作动器的模糊自适应逆控制方法

针对具有迟滞和蠕变特性的压电作动器非线性模型,提出了一种前馈控制和反馈控制相结合的自适应模糊逆控制方案。在前馈控制器中压电作动器的迟滞和蠕变非线性特性的逆模型由自适应模糊逻辑系统近似;在反馈控制器中比例控制器用来调节压电作动器的输出误差。该方法可以实时补偿压电作动器的迟滞和蠕变特性,减少作动器跟踪误差。仿真计算结果表明了该方法的有效性。     

基于神经网络的复杂曲面加工误差控制

在复杂曲面的切削过程中，加工系统表现显著的多输入多输出及非线性特征，传统的误差补偿方法不能有效地保证加工精度，因此提出一种加工误差控制方法，引入神经网络对加工系统的逆模型进行辨识，运用该模型前置校正加工系统以改善加工效果，充分考虑到机械系统的非线性特征，且网络模型可连续辨识，因而系统的静态性能和动态特性均能有效补偿，在中凸变椭圆活塞裙面加工中的成功应用，证明其合理性及先进性。     

Adaptive iterative learning control of a class of nonlinear time-delay systems with unknown backlash-like hysteresis input and control direction

This paper presents an adaptive iterative learning control scheme for a class of nonlinear systems with unknown time-varying delays and control direction preceded by unknown nonlinear backlash-like hysteresis. Boundary layer function is introduced to construct an auxiliary error variable, which relaxes the identical initial condition assumption of iterative learning control. For the controller design, integral Lyapunov function candidate is used, which avoids the possible singularity problem by introducing hyperbolic tangent funciton. After compensating for uncertainties with time-varying delays by combining appropriate Lyapunov-Krasovskii function with Young's inequality, an adaptive iterative learning control scheme is designed through neural approximation technique and Nussbaum function method. On the basis of the hyperbolic tangent function's characteristics, the system output is proved to converge to a small neighborhood of the desired trajectory by constructing Lyapunov-like composite energy function (CEF) in two cases, while keeping all the closed-loop signals bounded. Finally, a simulation example is presented to verify the effectiveness of the proposed approach.     

基于误差反馈学习的永磁同步电机变负载有限时间速度控制

针对传统永磁同步电机调速系统面对变负载和大范围调速时,P、I参数需要频繁调整且速度跟踪不理想的问题,提出了一种基于误差反馈学习结构的永磁同步电机有限时间速度控制方法。在对永磁同步电机运动方程分析的基础上,使用非线性PI和径向基神经网络建立了速度环控制器模型。前者保证控制系统收敛和稳定,其输出作为神经网络的误差学习参数;后者基于终端滑模理论设计参数调整律,加快神经网络的参数收敛速度,使得神经网络的输出逐渐取代非线性PI成为控制系统的主要控制器。利用李雅普诺夫稳定判据分析了控制器的收敛性,并在永磁同步电机调速系统上进行了试验。研究结果表明,基于误差反馈学习结构的有限时间控制策略能够减小系统静态误差和抖振,具有一定的抗干扰能力。