称重传感器蠕变补偿的RBF网络模型

2013-09-27南京信息工程大学信息与控制学院南京210044

电子器件 2013年6期

(南京信息工程大学信息与控制学院，南京210044)

称重传感器的蠕变是影响精度的主要因素之一。针对传感器蠕变的实时性与非线性，建立了称重传感器蠕变补偿的RBF网络模型。设计硬件采集电路并采用低功耗处理器对传感器数据进行软件补偿。仿真结果表明，RBF神经网络具有很强的逼近非线性函数和自学习能力，能够对称重传感器的蠕变误差进行修正。补偿后的蠕变误差减小至0.005%以内，补偿效果明显。

称重传感器;蠕变;RBF网络;CC2530;ZigBee

随着现代传感器的发展，测控技术日趋成熟，对重量的测控逐渐成为生活与工业中不可缺少的一部分。称重传感器是称重系统的主要部件之一，其指标决定了称重结果的精度与稳定性［1］。目前高精密的电子天平一般采用磁悬浮式传感器，而低精度的电子天平采用的是低成本的电阻应变式传感器［2］。就市场应用范围来看，仍是以电阻应变式称重传感器居多。

影响称重传感器输出精度的因素有很多，其中蠕变是不可忽略的因素之一。已粘贴的应变片，温度保持恒定，在承受某一恒定的机械应变长时间作用下，应变片的指示会随时间的变化而变化，这种现象称为蠕变。一般来说，蠕变的方向与原来应变量变化的方向相反。当称重传感器的弹性体确定后，其蠕变值也就基本不变了［3］。传统调整和控制蠕变的做法是选用不同蠕变补偿性能的应变片，通过改变贴片位置来补偿蠕变［4］。若要生产高精度的传感器，这种蠕变的控制方法非常不现实，因为其工艺复杂，过程繁琐，容易造成大量返工［5］。

基于此，本文建立了称重传感器蠕变补偿的径向基函数RBF(Radical Basis Function)网络模型，设计了硬件采集电路对传感器数据进行软件补偿。通过仿真实验，补偿后的数据能有效克服蠕变带来的误差，使电阻应变式传感器的精度有较大提高。

1 称重系统采集电路设计

称重系统采集电路包括模数转换电路和处理器电路，硬件连接如图1所示。

图1 称重系统硬件连接图

整个硬件结构包括电源模块、称重传感器、A/D转换模块、CC2530处理器模块等。考虑到现代无线通信的便捷优势，系统采用带有低功耗8051内核的CC2530作为处理器。CC2530为TI公司生产的高性能2.4 GHz无线通信芯片，具有8Kbyte RAM和256 kbyte Flash只读存储器［6］。由其采集到的重量数据通过终端节点无线上传给协调器节点进行汇总，实现实时数据处理。

1.1 称重系统模数转换电路

称重传感器采用20 kg电阻应变传感器进行试验，输出灵敏度为2 mV/V，蠕变为0.02%FS，精度等级OIML R60 C3。虽然CC2530自带了12 bit AD转换器，为了更精确的检测并补偿蠕变，本次设计采用了国产24 bit模数转换器HX711，该芯片集成了包括稳压电源、片内时钟振荡器等其他同类型芯片所需要的外围电路。称重传感器输出的mV级差分信号先送至模数转换器HX711，经128倍增益放大及AD转换后再通过DOUT、SCLK两线与CC2530进行数据交换。传感器与HX711的连接如图2所示，其中，HX711的DOUT和PD_SCK口与CC2530的P1_0、P1_1连接。

图2 称重系统模数转换电路图

1.2 称重系统处理器电路

CC2530是适合IEEE802.15.4、ZigBee和RF4CE应用的一个真正的片上系统，性能稳定且功耗极低［7］，处理器及外围电路如图3所示。

图3 称重系统处理器及外围电路

为避免占用CC2530资源，影响传感器动态响应，采用DALLAS公司的低功耗时钟芯片DS1302记录蠕变时间，它通过SPI接口与CUP进行时钟通信［8］。本设计将 CC2530的 P2_0、P2_1口连接DS1302的SCLK和I/O口，当系统检测到有重量时，CC2530控制DS1302记录称重时间，对不同时间进行不同重量的蠕变补偿。

2 RBF神经网络算法

2.1 RBF网络模型

RBF神经网络属于前向神经网络类型，其与BP网络的主要不同点是在非线性映射上采用了不同的作用函数，分别为径向基函数和S型函数。前者的作用函数是局部的，后者的作用函数是全局的。RBF网络的结构与多层前向网络类似，是一种3层的前向网络。第1层为输人层，由信号源结点组成;第2层为隐藏层，节点数视所描述问题的需要而定，隐藏层中神经元的变换函数即为径向基函数。它是对中心点径向对称且衰减的非负非线性函数，该函数是局部响应函数;第3层为输出层，它对输入模式做出响应［9］。

在RBF神经网络中，由输入层、隐藏层和输出层构成的神经网络结构如图4所示。其中，输入层仅仅起到传输信号的作用，输入层和隐含层之间的连接权值为1。但输出层和隐含层的学习策略不同，所需完成的任务也不同。输出层是对线性权进行调整，采用的是线性优化策略，因而学习速度较快。而隐含层是对激活函数的参数进行调整，由于采用的是非线性优化策略，学习速度较慢。

图4 径向基神经网络结构图

2.2 自组织选取中心学习法

RBF神经网络学习算法需要求解3个参数:基函数的中心、方差和隐含层到输出层的权值。根据不同的径向基函数中心选取方法，RBF网络学习方法有多种。本文RBF神经网络学习法采用自组织选取中心，该方法分两步走:一是自组织学习阶段，求解隐含层基函数的中心与方差，此阶段为无师学习过程;二是有导师学习阶段，此阶段求出隐含层到输出层之间的权值。

无师学习是对所有样本的输入进行聚类，求得各隐层节点的RBF的中心ci［10］，本文采用k-均值聚类算法。首先给定各隐节点的初始中心ci(0)。计算欧式距离并求出最小距离的节点:

调整中心:

式中，β为学习速率，0＜β＜1。

最后计算节点r的距离为:

有导师学习也称为监督学习，当ci确定后，训练由隐层至输出层之间的权系值，它是一个线性方程组，这里采用LMS算法，对于本网络，权值调整算法为:

式中，α为常值，0＜α＜2。当 J(t)≤ε时，算法结束。

3 实验及结果分析

3.1 实验样本获取与网络学习

由于AD读数值x会随实际检测重量F以及检测时间t变化而变化，即x和F，t存在某一非线性关系:

反之，F可表示为

实验时，将称重系统数据采集节点与协调器接收节点相距100 m，所有硬件均置于常温下测试。实际检测重量F采用标准砝码，取0～20 kg 21个等间距离散测试点，时间t取0、5、10、30、1、5、10、15、30共9个时间点，组合产生189个AD读数值x。

从中随机选取150组输入输出数据组成训练集，39组作为网络测试集。把AD读数值x和时间t作为RBF网络的输入层节点，检测重量F作为RBF网络的输出层节点进行MATLAB仿真。表1为未经RBF补偿的AD读数值部分样本。

表1 未经RBF补偿的AD读数值部分样本

从表中可以看出，由Zigbee 协调器采集到的未经补偿的数据随检测时间的增加而减小，说明传感器产生了负蠕变。蠕变呈非线性关系且变化量逐渐变小，但均在传感器蠕变指标0. 02% 以内，由此看来，需要结合软件补偿来进一步改善传感器性能。

3.2 样本测试

为了更好地进行网络参数的调整，加快收敛速度，需要对原始测量数据进行归一化处理［11］。AD读数值x的归一化采用以下公式:

式中xin是样本数据中AD读数x，xmin表示样本数据中AD读数最小值，xmax表示样本数据中AD读数的最大值。时间t也采用和x相同的归一化方法。

经过网络的实际训练结果比较，径向基函数的扩展速度设置为最优值2.5时，预测误差较小，输出值与实际检测重量能很好的逼近，网络预测输出如图5所示。

图6表明，对于20 kg量程的传感器，预测误差可控制在0.5 g以内，较0.02%的蠕变误差降低到了0.005%以内。通过大量实验显示，基于RBF神经网络对传感器的蠕变补偿效果显著，输入输出的函数关系能够很好的逼近。此种方法使传感器的精度得到了提高，具有很高的应用价值。

图5 RBF网络预测输出

图6 RBF网络预测误差

4 结论

RBF神经网络具有很强的非线性映射能力，收敛速度快，无局部极小点［12］。实验表明，采用RBF神经网络能够对称重传感器的蠕变误差进行修正。补偿后的数据误差明显减小，并且精度得到提高。在实际应用中，蠕变误差的下降显示了RBF补偿算法的实用性，达到了比硬件补偿成本低，高效便捷的效果。

［1］杨进宝，汪鲁才.称重传感器非线性误差自适应补偿方法［J］.计算机工程与应用，2011，47(16):242-245.

［2］林浩顺.电阻应变式称重传感器蠕变补偿研究［J］.仪表技术，2005(3):84-85.

［3］尹霞，王东辉.称重传感器蠕变补偿算法研究［J］.安阳工学院学报，2009(4):4-5.

［4］马良程.应变电测与传感技术［M］.北京:中国计量出版社，1993:396-408.

［5］朱子健，陈仁文，张东.称重传感器蠕变的模糊补偿方法研究［J］.传感技术学报，2003，3(1):54-58.

［6］唐慧强，纪镪镪，孙伟.一种高精度湿度计节点的设计［J］.化工自动化及仪表，2013，40(1):63-66.

［7］程冬，丁保华，李威.基于片上系统CC2530的采煤机远程遥控装置设计［J］.矿山机械，2010，38(3):19-21.

［8］姚德法，张洪林.串行时钟芯片DS1302的原理与使用［J］.信息技术与信息化，2006(1):92-94.

［9］贺电.大型风电场短期功率预测研究［D］.北京交通大学，2011:37-38.

［10］徐丽娜.神经网络控制［M］.北京:电子工业出版社，2009:26-27.

［11］李国玉，孙以材，潘国峰，等.基于BP网络的压力传感器信息融合［J］.仪器仪表学报，2005，26(2):168-171.

［12］何平，潘国峰，孙以材，等.压力传感器温度漂移补偿的RBF网络模型［J］.仪器仪表学报，2008(3):572-576.

称重传感器蠕变补偿的RBF网络模型*

匡亮，张小瑞*，施珮，印晶

Creep Compensation for Load Cell Based on RBF Network*

KUANG Liang，ZHANG Xiaorui*，SHIPei，YIN Jing
(Institute of Information and Control，Nanjing University of Information Science and Technology，Nanjing210044，China)

Creep is one of themain factors affecting the accuracy of the load cell.According to the creep’s real-time and nonlinear property，the RBF(Radical Basis Function)networkmodelwas established for load cell.Hardware circuitwas designed and low power processor was used to compensate the sensor’s data.The simulation results show that RBF neural network has its self-learning function and its strong ability to approach a nonlinear function.It can correct the creep error of the load cell.The error reduces to 0.005%after compensation and the effect is obvious.

load cell;creep;RBF(Radical Basis Function)network;CC2530;ZigBee

10.3969/j.issn.1005－9490.2013.06.038

TP212 文献标识码:A 文章编号:1005－9490(2013)06－0924－04

项目来源:国家自然科学基金项目(61075068，61203316);江苏省高校自然科学研究基金项目(11KJB460006);大学生创新创业训练计划项目(201210300022，12CX023)

2013-04-16修改日期:2013-05-24

EEACC:7230;7320K;1295

匡亮(1989-)，男，汉族，南京信息工程大学硕士研究生，主要研究方向为物联网与智能仪器仪表，kuangliang. 89@163.com;