基于神经网络的热电偶传感器的智能信号处理

在先进的控制系统中，智能化热电偶温度传感器已被广泛采用，但由于其非线性校正和冷端温度补偿依然采用硬件或软件查表的方法而存在一定的误差，限制了智能温度传感器精度的进一步提高。该文采用多个神经网络组成一个新结构，同时完成高精度非线性校正和冷端补偿。     

一种热电偶特性的线性化方法

介绍了用二次查表法对热电偶测温进行冷端温度补偿和非线性校正的方法,该方法具有较高精度,切实可行。     

虚拟热电偶测温仪设计

针对传统热电偶非线性和冷端温度补偿方法的不足,将虚拟仪器与传统测量技术相结合,设计了虚拟热电偶测温仪。测温仪通过AD590采集冷端温度值,利用LabVIEW实现了非线性和冷端温度的高精度实时补偿。实验结果表明,虚拟测温仪易于操作、测量准确、效率较高,可以满足工业测试的需要。     

高精度热电偶测温电路设计与分析

在工业现场影响热电偶测温精度的因素是多方面的,除热电偶本身误差外,主要是输入通道误差、冷端补偿误差和分度表非线性校正误差;围绕以上3个主要因素,设计了一种可应用于复杂工业环境的高精度热电偶温度测量电路,结合设计方案针对于前两种因素在深入分析误差内在机理基础上给出误差计算公式;针对非线性校正误差提出一种等精度最小二乘拟合校正算法,使用该算法可根据校正精度要求,将测温范围自动划分等精度区间与传统插值法相比,在不增加计算量的前提下大大提高了校正精度;提出的误差计算公式和非线性校正方法,对于高精度热电偶测温电路的设计具有适用性和重要的指导性,经实际应用验证设计方法满足了复杂工业环境下高精度的测温要求。     

数字温度传感器在热电偶冷端补偿中的应用

介绍了热电偶冷端补偿的原理和方法以及DS18B20数字式温度传感器的工作原理和特点,提出了用DS18B20实现热电偶冷端补偿的方法,解决了传统热电偶冷端温度补偿的型号匹配,提高了测量准确度,简化了补偿电路。     

大学物理实验中热电偶冷端补偿电路的应用

热电偶在船舶制造业的测温工作当中,有着非常广泛的应用。但是在实际的测温工作当中,很难保证热电偶冷端保持恒温状态,因此,必须要对实际的测量结果进行冷端补偿,以热电偶的工作原理作为基础,有效研究了热电偶测温、热电偶冷端补偿电路硬件电路设计以及热电偶冷端补偿电路的有效应用方法等进行了分析。     

一种新型热电偶温度测量装置的设计

介绍了一种基于PROFIBUS-DP现场总线协议的热电偶温度采集装置的设计。采用了一种新型热电偶温度信号测量采样芯片MAX6675,成功地解决了K型热电偶温度测量本身的非线性与冷端补偿问题,提高了测量精度。由于使用DP专用协议集成芯片SPC3,装置除具有信号采样、处理、分析、调节功能外,还具有数字通信、自校正、自诊断、自动报警功能。     

利用单片机消除热电偶测量误差

介绍如何利用单片机对热电偶测温装置中运算放大器的零漂、热电偶的非线性及冷端温度进行补偿处理的方法     

基于虚拟仪器和USB技术的热电偶测温系统设计

针对传统热电偶测温中的若干问题,设计了基于虚拟仪器和USB技术的测温系统;热电偶和AD590测量热端和冷端温度,USB采集卡实现信号的转换和传输;上位机软件利用LabVIEW编制,实现数字滤波、非线性和冷端补偿、生成统计直方图等功能;在0～200℃范围进行了实验,系统非线性误差为0.8%,对于同一温度点,顺测和回测的最大误差为0.6℃;这表明系统能够实现高精度实时补偿、重复性较好、结构简单、界面良好,可以满足工业测试的需要。     

温度变送器热电偶冷端补偿电路的设计

用ＡＤ５９０温度－电流传感器进行冷端补偿，同时考虑了热电偶的非线性补偿，设计出较实用的温度变送器。     

基于函数连接型神经网络的热电偶非线性校正

针对目前常用的查表和最小二乘等传统非线性校正方法的不足,提出了解决热电偶非线性校正问题的函数连接型神经网络算法。利用传感器的原始数据,得到输入、输出样本对,训练神经网络得到动态修正模型。实际结果表明:这种智能测温方法比传统的测温方法在系统测量速度和精度方面均有很大提高。该方法可应用于很多系统的非线性校正。     

基于LS-SVM辨识的温度传感器非线性校正研究

针对人工神经网络等传统方法的不足,提出了一种利用最小二乘支持向量机(LS-SVM)的热电偶非线性校正方法。在该方法中,根据正反馈原理构造形式为幂级数展开模型的非线性补偿器,并利用LS-SVM线性回归算法辨识该补偿器幂级数序列模型的系数。通过该补偿器之后,热电偶可得到理想的线性特性。最后,对铂铑30—铂铑6热电偶(B型)进行非线性校正实验,实验结果表明:在0~1 820℃范围内,校正后系统的线性度小于0.035 3。因此,所提方法有效,且能应用于其他相似系统的非线性校正。     

小波神经网络在NGN流量预测中的应用

基于下一代网络NGN（Next Generation Network）的运行环境,该文提出了一个的基于小波神经网络的IP流量预测方法。在神经网络预测模型中,神经网络中的转移函数使用小波函数来替代,从而建立小波基神经网络;同时,通过使用小波多分辨率方法将原始流量信号分解成不同频率成分的分量信号,然后使用分量信号作为训练样本训练小波基神经网络。通过前述方法建立NGN流量预测模型,并根据实际流量数据预测一天的流量。实验结果表明本方法相较未采用小波的神经网络预测方法,能显著提高流量预测精度。     

基于一维PSD误差分段的BP网络非线性校正

介绍了光电位置敏感探测器（PSD）的组成结构和工作原理,分析了传感器产生非线性的原因。对实际一维PSD进行了实验标定,建立了一般BP神经网络非线性校正模型,为了提高网络校正结果精度,提出融合误差曲线分段处理和BP神经网络的高精度校正方法,实例运用结果证明了该方法的可行性和优越性,大大提高了非线性区域的测量准确度和数据的置信度。对于传感器测量范围的扩大和整个测试系统精度的提高都具有较大的应用价值。     

基于神经网络的混沌加密算法

首先用神经网络来训练已知混沌序列,并利用该模型产生的非线性序列实现了明文、密文之间的转换,该算法的优点之一是神经网络（NN）隐式混沌映射关系使直接获取映射关系变得困难,经理论分析选择了较好的神经网络学习方法,实验进一步表明,该算法产生的序列随机性、抗破译性能良好;加密弹性大,可扩展性好;加密速度快。     

CBA-neural network control of a non-linear full vehicle model

In this paper, the dynamic behavior of a non-linear eight degrees of freedom vehicle model having active suspensions and passenger seat controlled by a neural network (NN) controller is examined. A robust NN structure is established by using principle design data from the Matlab diagrams of system functions. In the NN structure, Classic Back-Propagation Algorithm (CBA) is employed. The user inputs a set of x₁ − x₁₆ while the output from the NN consists of f₁ − f₁₆ non-linear functions. Further, the Permanent Magnet Synchronous Motor (PMSM) controller is also determined using the same NN structure. According to various tests of the NN structure it is demonstrated that the model is able to give highly sensitive outputs for vibration condition, even using a more restricted input data set. The non-linearity occurs due to dry friction on the dampers. The vehicle body and the passenger seat using PMSM are fully controlled at the same time. The time responses of the non-linear vehicle model due to road disturbance and the frequency responses are obtained. Finally, uncontrolled and controlled cases are compared. It is seen that seat vibrations of a non-linear full vehicle model are controlled by NN based system exactly.     

Hybrid modeling of wire cable vibration isolation system through neural network

A hybrid modeling method based on neural network (NN) is developed and used to model the hysteretic restoring force of a wire cable vibration isolation system for electronic equipment. Firstly, a knowledge-based model for the nonlinear hysteretic restoring force is identified using the measured data obtained from period loading tests. Secondly, the remaining characteristic of hysteretic restoring force, which cannot be modeled in an easy way, is identified using the NN method through network training. By building up a parallel hybrid NN model for the nonlinear hysteretic restoring force, the dynamic responses of the vibration isolation system under harmonic and broad band random excitations are predicted. The predicted results are compared with the measured ones to validate the effectiveness and prediction accuracy of the model. The comparative studies show the developed hybrid NN model possesses good prediction accuracy and generalization capability in contrast with the pure black box NN model.     

Neuro evolutionary model for weld residual stress prediction

Welding is an efficient reliable metal joining process in which the coalescence of metals is achieved by fusion. Localized heating during welding, followed by rapid cooling, induce residual stresses in the weld and in the base metal. Determination of magnitude and distribution of welding residual stresses is essential and important. Data sets from finite element method (FEM) model are used to train the developed neural network model trained with genetic algorithm and particle swarm optimization (NN–GA–PSO model). The performance of the developed NN–GA–PSO model is compared neural network model trained with genetic algorithm (NN–GA) and neural network model trained with particle swarm optimization (NN–PSO) model. Among the developed models, performance of NN–GA–PSO model is superior in terms of computational speed and accuracy. Confirmatory experiments are performed using X-ray diffraction method to confirm the accuracy of the developed models. These developed models can be used to set the initial weld process parameters in shop floor welding environment.     

差压传感器非线性特性研究

介绍了一种智能差压传感器,针对影响传感器准确度的输出—输入非线性问题进行了研究。采用了BP神经网络来建立差压传感器的输出—输入模型,网络模型采用了三层结构,输出—输入层各自采用了一个神经元,将神经网络的均方误差目标值设定为10-6,并在MATLAB中进行了仿真,经训练得到的输出—输入模型的非线性误差可以达到±0.032%。通过与多项式拟合方法和最小二乘直线拟合方法所得结果进行比较,结果表明:采用BP神经网络方法对提高智能差压传感器的测量准确度具有参考价值。