维普资讯 http://www.cqvip.com 第９卷第３期 辽宁省交通高等 专科学校学报 Ｖｏ１．９ Ｎｏ．３ ２ ０ ０ ７年９月 ＪＯＵＲＮＡＬ ＯＦ ＬＩＡＯＮＩＮＧ ＰＲＯＶＩＮＣＩＡＬ ＣＯＵ正ｅＥ ＯＦ ＣＯＭＭＵＮＩＣＡＴＩＯＮＳ Ｓｅｐ．２ ０ ０ ７ 文章编号：１００８—３８１２（２００７）０３—０１４—０３ 基于ＢＰ人工神经网络的压力传感器的 温度补偿实现过程研究 李成功 （辽宁省交通高等专科学校，辽宁沈阳１１０１２２） 摘要对于压力传感器而言，在测量压力大小的时候，敏感材料很容易受到温度的影响，因此需要对温度 补偿。补偿的根本就是把温度的影响降到最低，本文通过ＭＡＴＬＡＢ神经网络工具箱中提供的构造神经网络的各 种函数进行编程实现压力传感器的温度补偿功能。 关键词神经网络压力传感器 温度补偿 网络节点 中图分类号：Ｕ４６４．１７ 文献标识码：Ａ ０ 引言 的现实意义。 传感器是汽车各个电子控制单元的核心部件，是获取信 本文应用ＭＡＴＬＡＢ提供的ＢＰ神经网络工具箱中神经 息的工具。传感器的输出特性直接影响整个系统的性能，但 网络函数编程对ＣＹＪ一１０１型压力传感器进行数据处理，解 该特性易受温度因素干扰，进而造成传感器测量精度降低， 决了传感器温度补偿问题。提高了压力传感器测量精度和 导致汽车中各个电子控制单元的工作性能下降。因此传感 抗干扰能力。 器特性补偿技术的研究对提高传感器的测量精度具有重要 １ 二维标定实验 在不同工作温度（Ｔ＝２２℃，４４．０￣Ｃ，７０．０￣Ｃ），对ＣＹＪ一 收稿日期：２００７—０７—０１ １０１型压力传感器的静态输入（Ｐ）一输出（Ｕ）特性进行标定 构形式，分析得出： 环境，提高社会效益。 电石渣为沈阳化工厂生产的电石渣，粉煤灰易采用我市 参考文献 电厂的细粉煤灰，砂易采用于洪大潘乡砂可满足要求。推荐 ［１］中华人民共和国行业标准．公路路面基层施工技术规范（ＪＴＪ０３４ 配合比为电石渣：粉煤灰：砂＝１０：３０：６０。 —２０００）．人民交通出版社，２０００年 ３结语 ［２］中华人民共和国行业标准．公路工程无机结合稳定材料试验规 （１）电石渣８％剂量稳定粘土的强度足以满足高速公路 程人民交通出版社．１９９７年 和一级公路底基层的强度；满足二级和二级以下道路基层的 ［３］中华人民共和国行业标准．公路工程质量检验评定标准（ＪｒｒＪ０７１ —强度需要； ９８）．人民交通出版社，１９９９年 （２）电石渣剂量的增加反而降低了稳定土的抗压强度， ［４］沙庆林．高等级公路半刚性基层沥青路面．人民交通出版社， １９９８正 施工尽量控制不要超过１０％，在施工过程中应注意结合料 ［５］孙忠义、王建华．公路工程试验工程师手册．人民交通出版社， 的剂量； ２００４年 （３）该研究资料将为电石渣在普通公路基层中的应用 ［６］严家仅．道路建筑材料，人民交通出版社，１９９９年 提供参考，促进电石渣的研究和利用，提高经济效益；并改善 Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ｉｎｄｕｓｔｒｙ Ｗａｓｔｅ Ｒｅｓｉｄｕｅ ｉｎ Ｃｏｍｍｏｎ Ｆｒｅｅｗａｙ Ｗａｎｇ Ｊｉａ—ｄｉ，Ｌｉｕ Ｊｉｎ—ｈｅ，Ｊｉａｏ Ｓｈｕ—ｊｉｎｇ ［Ａｂｓｔｒａｃｔｓ］Ｔｈｉｓ ｐａｐｅｒ ｈａｓ ｃａｒｒｉｅｄ ｏｎ ｔｈｅ ｄｅｔａｉｌｅｄ ｉｎｖｅｓｔｉｇａｔｉｏｎ ａｎｄ ｔｈｅ ｎａａｌｙｓｉｓ ｔｏ ｔｈｅ Ｓｈｅｎｙａｎｇ ｃｏｕｎｔｒｙｓｉｄｅ ａｒｅａ ｒｏａｄ ｓｕｌ￣ａｃｅ ｂａｓｉｃ ｕｎｉｔ ｂｕｉｌｄｉｎｇ ｍａｔｅｒｉａｌ，ｆｕｌｌｙ ｒｅａｓｏｎａｂｌｙ ｕｓｅｓ ｉｎｄｕｓｔｒｙ ｗａｓｔｅ ｒｅｓｉｄｕｅ ａｎｄ ＳＯ ｏｎ ｌｏｃａｌ ｅｘｉｓｔｉｎｇ ｃａｒｂｉｄｅ ｓｌａｇ．Ａｆｔｅｒ ｍａｓｓｉｖｅ ｒｏｏｍｓ ｉｎｓｉｄｅ ｎａｄ ｏｕｔｓｉｄｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｓｔｕｄｙ ａｎｄ ｔｈｅｏｒｅｔｉｃａｌ ａｎａｌｙｓｉｓ，ｔｈｉｓ ｐａｐｅｒ ａｌｓｏ ｐｒｏｍｏｔｅｓ ｔｈｅ Ｓｈｅｎｙａｎｇ ａｒｅａ ｒｅａｓｏｎａｂｌｅ ｕｎｉｖｅｒｓａｌ ｒｏａｄ ｏｒａｄ ｓｕｒ－ ｆａｃｅ ｂａｓｉｃ ｕｎｉｔ ｓｔｒｕｃｔｕｒｅ ｐｌａｎ． ［Ｋｅｙｗｏｒｄｓ］ｃｏｍｍｏｎ ｆｒｅｅｗａｙ；ｍｉｘｔｕｒｅ ｒａｔｉｏ ｄｅｓｉｇｎ；ｃａｒｂｉｄｅ ｓｌａｇ；ｐｕｌｖｅｒｉｚｅｄ ｃｏａｌ ａｓｈ ・１４・ 维普资讯 http://www.cqvip.com 第３期 李成功：基于ＢＰ人工神经网络的压力传感器的温度补偿实现过程研究 实验。标定值列于表１中： 表１ 不同工作温度下传感器输入输出标定值 ２ ＢＰ神经网络训练样本数据的归一化 由于ＢＰ神经网络隐含层采用的传递函数为对数Ｓ型 函数和双曲线正切Ｓ型函数，它们的输出范围分别在（０，１） 和（一１，１）之问。由此可知归一化处理后的数值范围，即在 一１和１之间。为此，依据下面两个公式： Ｘ＝－ Ｎｉｔａ －Ｘｉｍｉｎ （１—１） ？ｉｎ－－ Ｖ Ｖ Ｔｕ‘ｕＪ ＋ｏ．ｏｓ （１—２） ‘ｒ～ ‘ ｍｌｎ将上表中的实验标定数据进行归一化处理。经归一化 处理后就建立丁神经网络输入输出标准样本库。标准样本 库中有１８组样本数据，见表２。 表２ 神经网络输入输出标准样本库 ３ ＢＰ神经网络模型的建立 针对ＢＰ神经网络对压力传感器的温度补偿，本文提出 的ＢＰ神经网络模型如图１所示： ・，…一，～一…一 一… 、 ……… …… …一 －一 ．＿ｌｌ＿。。Ｉ…＿：｜： ： ，一 。。 、， 、 ＿Ｉ炼≯：叠 一 ，／。 Ｉ｜，，０Ｆ翳。、≯’ ０ ； ： ’， …一……一 叠 ’－ ： ： ： 一一… ：≯譬寰 ： －。。 ＿Ｊ．．， １ ｌ ！㈡ ； ＿ ｌ！ ｌｊ 、 ｕ － 一… ｆ～： ‘ ，…’‘’ … ’ … 一 ～ 陶１ 神经网络模型 ４ 用ＢＰ算法进行温度补偿的程序清单 ［ｒ，ｑ］＝ｓｉｚｅ（ｘ）；［ｓ２，ｑ］＝ｓｉｚｅ（ｔ）； ｓｌ＝６； ［ｗ１，ｂ１］＝ｒａｎｄｓ（ｓｌ，ｒ）； ［ｗ２，ｂ２］：ｒａｎｄｓ（ｓ２，ｓ１）； ｄｆ＝１００；％学习过程显示频率 ｍｅ＝３０００；％最大训练步数 ｅｇ＝０．００１；％误差平方和指标 ｌｒ＝０．１；ｌｒ＿ｉｎｃ＝１．０５；ｌｒ＿ｉｄｅｃ＝０．９５；％学习率要小 ｍｏｍ＿ｃｏｎｓｔ＝０．１；ｅｒｒ＿ｒａｔｉｏ＝１．０４； ｔｐ＝［ｄｆ ｍｅ ｅｇ ｌｒ ｌｒ ｉｎｃ ｌｒ＿ｉｄｅｃ ｍｏｍ—ｃｏｎｓｔ ｅｒｒ＿ｒａｔｉｏｊ； ［ｗ１，ｂ１，ｗ２，ｂ２，ｅｐｏｃｈｓ，ｅｒｒｏｖ３］：ｔｒａｉｎｂｐｘ（ｗｌ，ｂｌ，｜ｏｇｓｉｇ＂， ｗ２，ｂ２，ｐｕｒｅｌｉｎ，ｘ，ｔ，ｔｐ） ｘｌ＝［０．００ ０．２５２ ０．４３９ ０．６２６ ０．８１３ １．０００ ０．００ ０．２５２ ０．４３９ ０．６２６ ０．８１３ １．０００ ０．００ ０．２５２ ０．４３９ ０．６２６ ０．８１３ １ ０００； Ｉ．０００ ０．７９５ ０．５９２ ０．３７８ ０．２０４ ０．０００ １．０ｏ０ Ｏ．８１５ Ｏ。 ６２６ ０．４１５ ０．１８９ ０．０ｏ０ １．０ｏ０ ０．８３５ ０．６３７ ０．４５１ ０．２３５ ０． ０００］ ％需要仿真的数据 ａ＝ｓｉｍｕｆ（ｘｌ，ｗｌ，ｂｌ，ｌｏｇｓｉｇ，ｗ２，ｂ２，ｐｕｒｅｌｉｎ３％应用洲练 好的ＢＰ网络对ｘ１仿真 ５ ＢＰ神经网络的程序运行结果 将上面的程序输入到ＭＡＴＬＡＢ命令窗口，就会内动运 行得出对ｘ１仿真结果ａ，如下所示： ａ＝ Ｃｏｌｕｍｎｓ １ ｔｈｒｏｕｇｈ ５ ０．０５０１ ０．２５１３ ０．４３３４ ０．６２】９ ０．７７９４ Ｃｏｌｕｍｎｓ １６ ｔｈｒｏｕｇｈ １８ ０．５７２９ ０．７５８６ ０．９５０３ 为了比较温度变化后对压力的影响，只输入１５组数据。 把压力Ｐ等于零所对应的ｕ和ｕ。去掉（即去掉归一化后的 Ｐ＝０．０５）。即令： ｘ２：『０．２５２ ０．４３９ ０．６２６ ０．８１３ １．０００ ０．２５２ ０．４３９ ０． ６２６ ０．８１３ １．０００ ０．２５２ ０．４３９ ０．６２６ ０．８１３ １．０００： ０．７９５ ０．５９２ ０．３７８ ０．２ｏ４ ０．０ｏ０ ０．８１５ ０．６２６ ０．４１５ ０． １８９ ０．０００ ０．８３５ ０．６３７ ０．４５１ ０．２３５ ０．０００］ ａ＝ｓｉｍｕｆｆ（ｘ２，ｗｌ，ｂｌ，ｔｏｇｓｉｇ＇，ｗ２，ｂ２，）ｕｒｅｌｉｎ＇） 仿真结果为： Ｃｏｌｕｍｎｓ １ ｔｈｒｏｕｇｈ ５ ０．２５１３ ０．４３３４ ０．６２１９ ０．７７９４ ０．９５０３ Ｃｏｌｍｕｎｓ ６ ｔｈｒｏｕｇｈ １０ ０．２３８７ ０．４１１０ ０．５９７０ ０．７８９５ ０．９５０３ Ｃｏｌｍｕｎｓ １１ ｔｈｒｏｕｇｈ １５ ０．２２６１ ０．４０３８ ０．５７２９ ０．７５８６ ０．９５０３ ６运行结果分析 由公式 ： ＋０．０５ ｊ Ｙ ： ０．９（Ｙ 一０．０５）×（Ｙ…一Ｙ ） ０．０９ ｌ￣Ｏ：Ｐｍ＝ ・ｌ５・ 维普资讯 http://www.cqvip.com 辽宁省交通高等专科学校学报 ０ ０９ ． ２００７拒 ＝５５５５６（ｐ一０．＼ ‘ ０５） （１—３）／ 依据表１数据，求得当Ｐ＝５．０×１０ Ｐａ时，工作温度Ｔ 由２２℃升到７０ｏＣ，ｍａｘ ｌ△ｙ Ｉ＝１００．１２—７８．５７＝２１．５５ｍｙ， ，＇１ ＜＜ 根据公式（１—３）可以算出补偿后的压力值： Ｐｌ＝５５５５６（ｐ一０．０５）＝５５５５６（０．２５１３—０．０５）＝１０８８３ ：１．０８８３×１０ Ｐａ 代人（１—４）式求得 ＝ ‘ ，．１二 ：０．１８＝１８％，可见，该传感 器的输出受非目标因素影响很大，需对其补偿以消除影响。 （２）经ＢＰ网络处理后传感器输出相对波动情况。为验 证神经网络的有效性，根据表３给出的经神经网络工具箱函 同理：Ｐ６＝１．０４８３×１０ Ｐａ，Ｐｌｌ＝０．９７８３×１０ Ｐａ，Ｐ３＝３． ０６６１×１０ Ｐａ，Ｐ８＝３．０３８９×１０ Ｐａ，Ｐｌ３＝２．９．５０×１０ Ｐａ，Ｐ５＝ ５．００１７×１０ Ｐａ，Ｐｌ０＝５．００１７×１０ Ｐａ，Ｐｌ５＝５．００１７××１０ Ｐ３ 数而得到的传感器被测压力Ｐ的补偿值，可以根据式（１— ５）计算出被测压力补偿后压力值的波动 ： （１—５） 为验证ＢＰ神经网络法的有效性．下面把本次经网络融 一—ｍａｘ Ｉ△Ｐ Ｉ 合补偿后传感器输出压力值相对温度的波动情况汇总于下 表３ 上式中： 表３经ＢＰ神经网络融合补偿的结果 Ｐ ＝５．０×１０ 为满量程压力表定值（即在Ｔ＝２２￣Ｃ时传 感器的输出的最大电压值）；ｍａｘ Ｉ ＡＰ Ｉ为传感器输出电压 的最大绝对波动值（由表３可知ｍａｘ Ｉ ＡＰ ｆ＝０．１１×１０ ）。 则： — 一 ＝ ＝０．０２２＝２．２％ 由上面的计算结果可以看出：传感器的输出稳定性比原 来提高了７倍。从而大大降低了传感器在工作过程中所受 的温度干扰。 ７补偿前后对比 参考文献 ［Ｉ］孙海生．神经网络及其在角速度传感器校正中的应用［Ｄ］，南 京：南京航空航天大学，２００４ （１）传感器温度融合处理前输出的相对波动情况。由 表１可见，对于同一被测压力Ｐ，传感器输出Ｕ随工作温度 和供电电源波动的不同而变化。由工作温度与电源变化产 生的传感器输出电压相对波动值为： ＝［２］徐秉铮等．神经网络理论与应用．武汉：华南理工大学出版社 ［Ｍ］，１９９８，８一ＩＩ 坐 Ｙｒｓ （１—４） ［３］陈艾．敏感材料与传感器［Ｍ］，北京：化工工业出版社，２００４，３１ —３８ 式中： 。为传感器输出电压波动的相对值； ［４］Ｍｕｒｒａｙ，Ａ．Ｆ．Ｍｕｌｔｉ—ｌａｙｅｒ ｐｅｒｃｅｐｔｒｏｎ ｌｅａｒｎｉｎｇ ｏｐｔｉｍｉｓｅｄ ｆｏｒ ｏｎ～ ｃｈｉｐ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ａ ｎｏｉｓｅ—ｒｏｂｕｓｔ ｓｙｓｔｅｍ［Ｊ］．Ｎｅｕｒａｌ Ｃｏｍｐｕｔａ— ｔｉｏｎ，１９９８，３６６—３８Ｉ ｍａｘ Ｉ△ｙ Ｉ为传感器输出电压的最大绝对波动 值； ＹＦｓ＝９７．１２ｍＶ为传感器满量程输出电压（即在Ｔ ＝２２￣Ｃ时传感器的输出的最大电压值）。 ［５］Ｍｉｎｓｋｙ，Ｍ．Ｌ．ａｎｄ Ｐａｐｅ￣，Ｓ．Ａ．，Ｐｅｒｃｅｐｔｒｏｎｓ：ａｎ ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ ｃｏｍｐｕｔａｔｉｏｎａｌ ｇｅｍｏｅｔｒｙ［Ｄ］，Ｃａｍｂｒｉｄｇｅ：ＭＩＴ Ｐｒｅｓｓ，１９９９ Ｔｈｅ Ｒｅａｌｉｚａｔｉｏｎ Ｐｒｏｃｅｓｓ Ｓｔｕｄｙ ｏｆ Ｔｅｍｐｅｒａｔｕｒｅ Ｃｏｍｐｅｎｓａｔｉｏｎ ｉｎ Ｐｒｅｓｓｕｒｅ Ｓｅｎｓｏｒｓ Ｂａｓｅｄ ｏｎ ＢＰ ＮＮ Ｌｉ Ｃｈｅｎｇ—ｇｏｎｇ ［Ａｂｓｔｒａｃｔｓ］Ｆｏｒ ｐｒｅｓｓｕｒｅ ｓｅｎｓｏｒｓ，ｓｅｎｓｉｔｉｖｅ ｍａｔｅｒｉａｌ ｂｅ ｅａｓｙ ｅｆｆｅｃｔｅｄ ｂｙ ｔｅｍｐｅｒａｔｕｒｅ ｗｈｅｎ ｍｅａｓｕｒｅ ｐｒｅｓｓｕｒｅ，ＳＯ ｗｅ ｓｈｏｕｌｄ ｍａｋｅ ｃｏｍ・ ｐｅｎｓａｔｉｏｎ ｔｏ ｔｅｍｐｅｒａｔｕｒｅ．Ｔｈｅ ｕｌｔｉｍａｔｅ ｏｆ ｃｏｍｐｅｎｓａｔｉｏｎ ｉｓ ｌｏｗｅｒ ｔｈｅ ｉｎｆｌｕｅｎｃｅ ｏｆ ｔｅｍｐｅｒａｔｕｒｅ ｔｏ ｔｈｅ ｍｉｎｉｍａ１．Ｔｈｒｏｕｇｈ ｐｒｏｇｒａｍｍｅ ｔｈｅ ｆｕｎｃｔｉｏｎｓ ｏｆ ｃｏｎｆｏｒｍａｔｉｏｎ ＮＮ ｉｎ ＭＡＴＬＡＢ ＮＮ ｗｏｒｋｂｏｘ，ｔｈｉｓ ｐａｐｅｒ ｒｅａｌｉｚｅｓ ｔｈｅ ｆｎｃｔｕｉｏｎ ｏｆ ｃｏｎｆｏｒｍａｔｉｏｎ ｉｎ ｐｒｅｓｓｕｒｅ ｓｅｎｓｏｒｓ． 【Ｋｅｙｗｏｒｄｓ］ＮＮ；ｐｒｅｓｓｕｒｅ ｓｅｎｓｏｒｓ；ｔｅｍｐｅｒａｔｒｅ ｕｃｏｍｐｅｎｓａｔｉｏｎ；ｎｅｔ ｎｏｄｅ ・ｌ６・
