基于LMBP神经网络的振弦式传感器温度补偿

　　前言

　　振弦式传感器是基于钢弦频率随钢丝张力变化而变化的原理工作的,具有结构简单、精度高、长期稳定性好等优点,输出为频率信号,有较强的抗干扰能力,便于长距离传输。因此,振弦式传感器被大量应用于建筑、水利工程、铁道交通、冶金、煤炭等部门,可用于应力应变、变形、渗流、液位、温度等自动化测量^[1]。

　　分析振弦式传感器的工况可知,温度是影响其测量精度的重要因素之一,因此温度补偿效果的好坏直接影响着振弦式传感器测量精度的高低。温度补偿可分为硬件补偿和软件补偿。由于硬件补偿法难以实现高精度的补偿且存在漂移问题,因此利用人工神经网络的软件方法对传感器信号进行温度补偿。神经网络具有良好的自学习、自适应和非线性映射能力。其中BP网络是目前应用最多的一种前馈网络,但BP网络存在收敛速度慢、容易陷入局部最小值等缺点。

　　针对上述问题,作者提出利用优化的BP网络———LMBP网络建立振弦传感器温度补偿模型,来提高传感器测量的精度和稳定性。

　　1　振弦传感器工作原理

　　非膜式振弦传感器一般由固定支座、激振线圈、钢弦等部分组成。可等效为两端固定绷紧的均匀弦,单线圈传感器的等效物理模型如图1所示。

　　两端固定且拉紧的振弦的固有频率f0的表达式

　　式中:f0为弦的基频; l为弦的有效长度; T为弦所受应力;ρ为弦材料的线密度。

　　对一个完工的振弦式传感器,其线密度ρ确定,若忽略有效长度l的变化,则只要测得弦的振动频率f就可以计算得到待测物理量T[^2]。

　　2　基于LMBP神经网络的振弦传感器温度补偿

　　BP算法由信息的正向传递与误差的反向传递两部分组成。在正向传递过程中,输入信息从输入层经隐层逐层计算,传向输出层,每一层神经元的状态只影响下一层神经元的状态。如果在输出层没有得到期望的输出,则计算输出层的误差变化值,然后转向反向传递,通过网络将误差信号沿原来的通路反传回来,修改各层神经元的权值直至达到期望目标。

　　2·1　LM算法

　　BP网络体现了前向网络最精华的部分。但是传统的BP网络存在收敛速度慢、容易陷入局部最小值等缺点。作者以传统BP网络为基础,利用Levenberg-Marquardt (简称LM)算法优化计算BP权值和阈值修正量。LM算法将梯度下降法和高斯-牛顿法相结合,实现了收敛速度与稳定性的统一。下面简要介绍LM算法^[3]:

　　设wt表示第t次迭代的权值,则修正后的wt+1次权值可用下式表示: