基于神经网络技术的快速称重传感器研究

　　在称重技术中，将重物放于称重系统的承载体上待稳定后，就可以准确地读出重量值，但是需要进行快速称重时，这种传感器就暴露出缺陷。由于其弹性体的阻尼比较小，传感器到达稳态的时间较长，不能满足快速测量的要求。提高传感器动态响应的快速性，可从两方面入手，一是改变其结构、参数，减少中间的传递环节，提高传感器的固有频率，从而提高快速性;二是设计动态补偿器提高动态响应的快速性，即研制基于微处理器的数字动态补偿装置，串接在传感器之后，以缩短整个测量系统到达稳态的时间。另外通过神经网络技术提高传感器的性能。本文采用神经网络补偿方法，能自动跟随传感器模型的变化，保证称重系统的快速性。

　　1 称重传感器的动态模型

　　称重传感器的动态模型如图 1 所示。图中，K为弹簧刚度(N·m)，C 为阻尼常数(N/m)，m 为传感器本身的等效质量，G 为被称重物的重量，B 为基座，通常基座的质量很大，故认为它处于静止状态。因为重物与托架之间不是固定联接的，所以，需要两个方程来描述上述称重传感器的动态特性。

　　设 m 与 m0之间的作用力为 f，且假定两者之间无相对运动，则有

　　因为应变与应力成正比，而电桥输出电压与应变成正比关系，故有 U(s)=K0X(s) (5)

　　式中 K0为灵敏系数。

　　根据(4)式和(5)式有

　　其阶跃响应如图 2 所示。动态过程振荡周期多，到达稳态的时间长，并且 m 值越大 Td越大，即达到稳定的时间越长。必须进行动态补偿，为适应被测重量的变化，需要神经网络自适应动态补偿。

　　2 神经网络补偿器的设计

　　若设计动态数字补偿器的传递函数是传感器传递函数的倒数，则整个测量系统的传递函数为1，具有理想的频率响应特性。根据这一思想，我们设计一神经网络补偿器，使整个系统输出跟踪系统输入。神经网络补偿原理如图 3 所示。

　　这种多网络自学习补偿结构是由两个结构和学习算法完全相同的神经网络 NN1，NN2 所构成。按误差 E=u- A 减少的方向调整连接权并使 u≈A。当网络收敛后，因网络 NN1 和 NN2 结构完全相同，所以有 y=u。

　　对应于 m=0.5kg，1.5kg 时的传递函数(8)式和(9)式，采用双线性变换

　　采用三层网络，输入层有 5 个神经元，隐层有 8 个神经元，输出层有一个神经元。采用 BP 算法，其主要思想是对于 q 个输入样本：P=[P，P，……P]已知与其对应的输出样本为 T=[t1，t2，……，tq]。学习的目的是用网络的实际输出 A=[a1，a2，……，aq]与目标矢量 t1，t2，……，tq之间的误差来修改其权值，使 a1，(l=1，2，……q)与期望的t1尽可能地接近。