基于改进遗传神经网络的压力传感器温度补偿虚拟系统的研究.doc

《基于改进遗传神经网络的压力传感器温度补偿虚拟系统的研究.doc》由会员分享，可在线阅读，更多相关《基于改进遗传神经网络的压力传感器温度补偿虚拟系统的研究.doc（39页珍藏版）》请在沃文网上搜索。

1、北华航天工业学院毕业论文摘 要在工业生产中，监测和控制生产过程中经常需要使用压力传感器，并且日常生活中传感器也是各个电子控制单元的核心部件，是获取信息的工具，传感器的输出特性直接影响整个系统的性能，但该特性易受温度因素干扰，进而造成传感器监测、控制、测量精度降低，因此传感器温度补偿算法的研究对提高传感器的测量精度具有重要意义。随着人工智能特别是神经网络技术的发展，将实验数据与理论数据进行对比找到基于神经网络的压力传感器温度补偿算法的优缺点，使其更好的运用于实践中。固态压阻式传感器是利用半导体的压阻效应所制成的传感器, 其灵敏度将随温度的变化而变化, 导致输入输出特性存在非线性。表现为被测的目标

2、参量为零或保持恒定值时, 改变工作环境温度, 则传感器的零点或输出电压值均发生变化, 这将给测量目标参量带来误差。传统的温度补偿方法有: 恒流源供电法、电压正反馈补偿法、热敏电阻补偿法,但以上三种方法只能是灵敏度温度系数接近于零, 很难在较宽的温度范围内得到完全补偿。因此, 本文将人工神经网络和虚拟仪器相结合, 设计了压阻式压力传感器的温度补偿系统, 消除了温度影响同时也进行了零点及非线性补偿。关键词：压力传感器 神经网络技术 虚拟仪器 温度补偿系统 目 录第1章 绪论4 1.1课程设计的意义4 1.2课题背景4 1.3 国内外技术现状5第2章 神经网络6 2.1人工神经网络7 2.2人工神经

3、网络工作原理7 2.3研究内容9 2.4研究方向10 2.5BP神经网络10 2.6 BP神经网络的学习算法11 2.7神经网络的结构与训练12 2.8BP神经网络的局限性13第3章 压力传感器相关介绍14 3.1 简介14 3.2工作原理14 3.3基本要点15 3.4 性能参数15 3.5应变特点16 3.6常见故障17 3.7 八大发展趋势17第4章 虚拟补偿系统19 4.1虚拟仪器技术19 4.2虚拟仪器的优势20 4.3虚拟仪器系统的构成20 4.4虚拟仪器系统软面板的设计标准22 4.5 虚拟仪器系统的组建方案22 4.6补偿系统的基本原理24 4.7样本数据归一化处理24 4.8

4、 学习算法的图形化编程25第5章 系统设计与实现27 5.1程序流程图设计27 5.2 LabVIEW中对LabSQL的使用29 5.3数据运行及保存30 5.4界面设计31第6章 结论36致 谢37参考文献38 基于改进遗传神经网络的 压力传感器温度补偿虚拟系统的研究 第1章 绪论1.1课程设计的意义介绍了一体化虚拟温度传感器补偿仪,运用多传感器数据融合技术与神经网络技术,与虚拟仪器技术相结合创建了虚拟压阻式传感器的温度补偿系统.实验结果表明,该方法有效的抑制干扰因素,获得高稳定性测量结果。测试技术中将测试分为电参数的测量和非电参数的测量，电参数有：电压、电流、功率、频率、阻抗、波形等，这些

5、参量都是表征系统或设备性能的。非电参数有：机械量（如位移、速度、加速度、力、应力等）、化学量（如浓度、成分等）、生物量（霉、组织等）。在生活实践中，经常遇到的非电量的测量。现在非电量的测量大部分是用电测量的方法去完成的，其中的关键技术就是如何将非电量转化成电量，即传感器技术。从生产实践看，从人们日常的衣食住行到各种复杂的工程，都离不开传感器。例如，工厂自动化的柔性制造系统FMS、大型发电厂、飞机、武器指挥系统、雷达、宇宙飞船、海洋探测器、各种家用电器、生物工程等都依靠不同性质、不同个数的传感器来获取信息。毫不夸张的说，未来的社会是传感器的社会。1.2课题背景传感器是仪器仪表系统中的重要部件，也

6、是过程控制的重要环节，传感器的误差直接影响到整个系统的性能和测量精度，现代测控系统对传感器的精度、稳定性和工作条件提出了很高的要求，希望输入-输出特性成线性关系。然而，传感器的输入-输出特性总存在一定的非线性度。对传感器非线性校正的方法很多，总体上分为硬件和软件两种补偿方法。硬件补偿是采用适当的电子线路和元件进行校正，但硬件补偿很难做到全程补偿,而且会受到技术和电子漂移的影响，因此可靠性差、测量精度低，应用受到限制。近年来，随着计算机技术的发展，各种数据处理的软件方法应运而生，软件补偿措施受到人们的普遍关注，用神经网络方法进行传感器线性化处理的方法引人注目。传感器系统通常存在交叉灵敏度 ,其输

7、出不仅仅取决于目标输入量 ,而当其它非目标参量变化时，其输出值也随之变化。很多场合下，传感器的输出对温度变化比较敏感，其静态特性呈现出多元函数的特征。为了提高传感器相对温度波动的稳定性和重复性，可利用软件方法对传感器信号进行温度补偿。虚拟仪器是基于计算机的仪器，它实际上是一个按照仪器需求组织的数据采集系统。目前使用最广泛的编程语言是 LabVIEW，LabVIEW 是一种图形化的编程语言，被工业界、学术界和研究实验室所广泛接受，已成为一个标准的数据采集和仪器控制软件。将传感器和插入计算机的数据采集卡组成各种测量系统，以通用计算机硬件及操作系统为依托，实现各种物理量的测量功能 ,这种将计算机和仪

8、器密切结合的方式是目前仪器测量领域发展的一个重要方向。然而，对于由压力传感器和数据采集卡组成的压力测量系统，因为压力传感器的输入输出存在非线性，而且压力传感器容易受到工作环境温度影响，其零点、灵敏度均随环境温度的改变而改变；表现为被测压力为零或者保持不变时，改变工作环境的温度 ,则压力传感器的零点或输出电压值均发生变化 ,这会给实际测量结果带来误差。传统的温度补偿方法是引入热敏元件，根据温度状态修正测量电桥输出来抵消温度影响，比如串接负温度系数的热敏电阻、修改电桥增益等，该方法需要增加额外的补偿电路。当前越来越多的研究是应用人工神经网络进行温度补偿，LabVIEW环境下设计出虚拟压力传感器温度

9、补偿系统 ,该补偿系统经过由用户选择的学习样本进行网络训练后，能很好地抵消温度对压力测量结果的影响。1.3 国内外技术现状1.虚拟仪器的国内外研究现状 虚拟技术、计算机通讯技术和网络技术是信息技术最重要的组成部分。虚拟技术蕴含的巨大潜力，使发达国家趋之若鹜。20 世纪 80 年代首先在美国兴起和发展起来的虚拟仪器无疑是虚拟技术领域中的重要组成部分。在美国，虚拟仪器系统及其图形编程语言已作为各大学理工科学生的一门必修课程。美国斯坦福大学的机械工程系要求三、四年级的学生在实验时应用虚拟仪器进行数据采集和实验控制。因此它已成为发达国家研究开发的热点技术之一。计算机技术的迅猛发展极大推动了虚拟仪器技术

10、的发展。计算机具有仪器所需要的、最先进及性价比最好的显示与存储能力。目前，计算机在显示、数据处理与存储能力等方面一直按指数率提高并将继续高速发展。并且，随着众多虚拟仪器通用硬件产品厂家技术的日益更新，必将进一步提高虚拟仪器的性能和实用性。虚拟仪器技术目前在国际上已进入实用阶段，以美国国家仪器公司(NI 公司)为代表的一批厂商已经在市场上推出了基于虚拟仪器技术而设计的商品化仪器产品，而且出现了以 NI 公司开发的LabVIEW、LabWindows/CVI 为优秀代表的虚拟仪器软件开发平台，这些开发平台大大方便了工程技术人员的开发工作，从而更进一步促进了虚拟仪器的迅速普及和发展。在NI 公司之后

11、，著名的美国惠普(HP)公司紧紧跟上。该公司推出 HPVEE 编程系统可提供数十至数百种虚拟仪器的组建单元和整机，用户可用它组建或挑选自己所需的仪器。除此之外，世界上陆续有数百家公司，如 Tektronix 公司、Racal 公司等也相继推出了多种总线系统多达数百个品种的虚拟式仪器。2.神经网络发展历史1943年,心理学家W.S.McCulloch和数理逻辑学家W.Pitts建立了神经网络和数学模型，称为MP模型。他们通过MP模型提出了神经元的形式化数学描述和网络结构方法，证明了单个神经元能执行逻辑功能，从而开创了人工神经网络研究的时代11。60年代，人工神经网络的到了进一步发展，更完善的神经

12、网络模型被提出，其中包括感知器和自适应线性元件等。M.Minsky等仔细分析了以感知器为代表的神经网络系统的功能及局限后，于1969年出版了Perceptron一书，指出感知器不能解决高阶谓词问题。他们的论点极大地影响了神经网络的研究，加之当时串行计算机和人工智能所取得的成就，掩盖了发展新型计算机和人工智能新途径的必要性和迫切性，使人工神经网络的研究处于低潮。在此期间，一些人工神经网络的研究者仍然致力于这一研究，提出了适应谐振理论（ART网）、自组织映射、认知机网络，同时进行了神经网络数学理论的研究。以上研究为神经网络的研究和发展奠定了基础。1982年，美国加州工学院物理学家J.J.Hopfi

13、eld提出了Hopfield神经网格模型，引入了“计算能量”概念，给出了网络稳定性判断。 1984年，他又提出了连续时间Hopfield神经网络模型，为神经计算机的研究做了开拓性的工作，开创了神经网络用于联想记忆和优化计算的新途径，有力地推动了神经网络的研究，1985年，又有学者提出了波耳兹曼模型，在学习中采用统计热力学模拟退火技术，保证整个系统趋于全局稳定点。1986年进行认知微观结构地研究，提出了并行分布处理的理论。90年代初，又有脉冲耦合神经网络模型被提出。人工神经网络的研究受到了各个发达国家的重视，美国国会通过决议将1990年1月5日开始的十年定为“脑的十年”，国际研究组织号召它的成员

14、国将“脑的十年”变为全球行为。在日本的“真实世界计算（RWC）”项目中，人工智能的研究成了一个重要的组成部分。 第2章 神经网络2.1人工神经网络人工神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connection Model），它是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。神经网络是：思维学普遍认为，人类大脑的思维分为抽象（逻辑）思维、形象（直观）思维和灵感（顿悟）思维三种基本方式。逻辑性的思维是指

15、根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理；这一过程可以写成串行的指令，让计算机执行。然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生想法或解决问题的办法。这种思维方式的根本之点在于以下两点:1.信息是通过神经元上的兴奋模式分布储在网络上;2.信息处理是通过神经元之间同时相互作用的动态过程来完成的。 人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。2.2人工神经

16、网络工作原理多少年以来，人们从医学、生物学、生理学、哲学、信息学、计算机科学、认知学、组织协同学等各个角度企图认识并解答上述问题。在寻找上述问题答案的研究过程中，近年来逐渐形成了一个新兴的多学科交叉技术领域，称之为“神经网络”。神经网络的研究涉及众多学科领域，这些领域互相结合、相互渗透并相互推动。不同领域的科学家又从各自学科的兴趣与特色出发，提出不同的问题，从不同的角度进行研究。 人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。 所以网络学习的准则

17、应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。 如果输出为“0”(即结果错误)，则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此操作调整

18、，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够作出迅速、准确的判断和识别。一般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。 心理学家和认知科学家研究神经网络的目的在于探索人脑加工、储存和搜索信息的机制，弄清人脑功能的机理，建立人类认知过程的微结构理论。 生物学、医学、脑科学专家试图通过神经网络的研究推动脑科学向定量、精确和理论化体系发展，同时也寄希望于临床医学的新突破；信

19、息处理和计算机科学家研究这一问题的目的在于寻求新的途径以解决目前不能解决或解决起来有极大困难的大量问题，构造更加逼近人脑功能的新一代计算机。 人工神经网络是由大量的简单基本元件神经元相互联接而成的自适应非线性动态系统。每个神经元的结构和功能比较简单，但大量神经元组合产生的系统行为却非常复杂。 人工神经网络反映了人脑功能的若干基本特性，但并非生物系统的逼真描述，只是某种模仿、简化和抽象。 与数字计算机比较，人工神经网络在构成原理和功能特点等方面更加接近人脑，它不是按给定的程序一步一步地执行运算，而是能够自身适应环境、总结规律、完成某种运算、识别或过程控制。 人工神经元的研究起源于脑神经元学说。1

20、9世纪末，在生物、生理学领域，Waldeger等人创建了神经元学说。人们认识到复杂的神经系统是由数目繁多的神经元组合而成。大脑皮层包括有100亿个以上的神经元，每立方毫米约有数万个，它们互相联结形成神经网络，通过感觉器官和神经接受来自身体内外的各种信息，传递至中枢神经系统内，经过对信息的分析和综合，再通过运动神经发出控制信息，以此来实现机体与内外环境的联系，协调全身的各种机能活动。 神经元也和其他类型的细胞一样，包括有细胞膜、细胞质和细胞核。但是神经细胞的形态比较特殊，具有许多突起，因此又分为细胞体、轴突和树突三部分。细胞体内有细胞核，突起的作用是传递信息。树突是作为引入输入信号的突起，而轴突

21、是作为输出端的突起，它只有一个。 树突是细胞体的延伸部分，它由细胞体发出后逐渐变细，全长各部位都可与其他神经元的轴突末梢相互联系，形成所谓“突触”。在突触处两神经元并未连通，它只是发生信息传递功能的结合部，联系界面之间间隙约为（1550)10米。突触可分为兴奋性与抑制性两种类型，它相应于神经元之间耦合的极性。每个神经元的突触数目正常，最高可达10个。各神经元之间的连接强度和极性有所不同，并且都可调整、基于这一特性，人脑具有存储信息的功能。利用大量神经元相互联接组成人工神经网络可显示出人的大脑的某些特征。下面通过人工神经网络与通用的计算机工作特点来对比一下： 若从速度的角度出发，人脑神经元之间传

22、递信息的速度要远低于计算机，前者为毫秒量级，而后者的频率往往可达几百兆赫。但是，由于人脑是一个大规模并行与串行组合处理系统，因而，在许多问题上可以作出快速判断、决策和处理，其速度则远高于串行结构的普通计算机。人工神经网络的基本结构模仿人脑，具有并行处理特征，可以大大提高工作速度。 人脑存贮信息的特点为利用突触效能的变化来调整存贮内容，也即信息存贮在神经元之间连接强度的分布上，存贮区与计算机区合为一体。虽然人脑每日有大量神经细胞死亡 （平均每小时约一千个），但不影响大脑的正常思维活动。 普通计算机是具有相互独立的存贮器和运算器，知识存贮与数据运算互不相关，只有通过人编出的程序使之沟通，这种沟通不

23、能超越程序编制者的预想。元器件的局部损坏及程序中的微小错误都可能引起严重的失常。 人类大脑有很强的自适应与自组织特性，后天的学习与训练可以开发许多各具特色的活动功能。如盲人的听觉和触觉非常灵敏；聋哑人善于运用手势；训练有素的运动员可以表现出非凡的运动技巧等等。 普通计算机的功能取决于程序中给出的知识和能力。显然，对于智能活动要通过总结编制程序将十分困难。 人工神经网络也具有初步的自适应与自组织能力。在学习或训练过程中改变突触权重值，以适应周围环境的要求。同一网络因学习方式及内容不同可具有不同的功能。人工神经网络是一个具有学习能力的系统，可以发展知识，以致超过设计者原有的知识水平。通常，它的学习

24、训练方式可分为两种，一种是有监督或称有导师的学习，这时利用给定的样本标准进行分类或模仿；另一种是无监督学习或称无为导师学习，这时，只规定学习方式或某些规则，则具体的学习内容随系统所处环境 （即输入信号情况）而异，系统可以自动发现环境特征和规律性，具有更近似人脑的功能。 2.3研究内容神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。目前，主要的研究工作集中在以下几个方面： （1）生物原型研究从生理学、心理学、解剖学、脑科学、病理学等生物科学方面研究神经细胞、神经网络、神经系统的生物原型结构及其功能机理。 （2）建立理论模型根据生物原型的研究，建立神经元、神经网络的理论模型。其中包括概

25、念模型、知识模型、物理化学模型、数学模型等。 （3）网络模型与算法研究在理论模型研究的基础上构作具体的神经网络模型，以实现计算机模拟或准备制作硬件，包括网络学习算法的研究。这方面的工作也称为技术模型研究。 神经网络用到的算法就是向量乘法，并且广泛采用符号函数及其各种逼近。并行、容错、可以硬件实现以及自我学习特性，是神经网络的几个基本优点，也是神经网络计算方法与传统方法的区别所在。 （4）人工神经网络应用系统在网络模型与算法研究的基础上，利用人工神经网络组成实际的应用系统，例如，完成某种信号处理或模式识别的功能、构作专家系统、制成机器人等等。 2.4研究方向神经网络的研究可以分为理论研究和应用研

26、究两大方面。 理论研究可分为以下两类： 1、利用神经生理与认知科学研究人类思维以及智能机理。 2、利用神经基础理论的研究成果，用数理方法探索功能更加完善、性能更加优越的神经网络模型，深入研究网络算法和性能，如：稳定性、收敛性、容错性、鲁棒性等；开发新的网络数理理论，如：神经网络动力学、非线性神经场等。 应用研究可分为以下两类： 1、神经网络的软件模拟和硬件实现的研究。 2、神经网络在各个领域中应用的研究。这些领域主要包括： 模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等。随着神经网络理论本身以及相关理论、相关技术的不断发展，神经网络的应用定将更加深入。 2.5BP神经网络BP

27、(Back Propagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调

28、整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。BP神经网络模型BP网络模型包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。 （1）节点输出模型 隐节点输出模型：Oj=f(WijXi-qj) (2-1) 输出节点输出模型：Yk=f(TjkOj-qk) (2-2) f-非线形作用函数；q -神经单元阈值。 （2）作用函数模型 作用函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数，一般取为(0,1)内连续取值Sigmoid函数： f(x)=1/(1+e) （2-3） （3）误差计算模型 误差计算模型是反映神

29、经网络期望输出与计算输出之间误差大小的函数： Ep=1/2(tpi-Opi) (2-4) tpi- i节点的期望输出值；Opi-i节点计算输出值。 （4）自学习模型 神经网络的学习过程，即连接下层节点和上层节点之间的权重拒阵Wij的设定和误差修正过程。BP网络有师学习方式-需要设定期望值和无师学习方式-只需输入模式之分。自学习模型为 Wij(n+1)= h iOj+aWij(n) （2-5） h -学习因子；i-输出节点i的计算误差；Oj-输出节点j的计算输出；a-动量因子。2.6 BP神经网络的学习算法BP算法是一种有监督式的学习算法，其主要思想是：输入学习样本，使用反向传播算法对网络的权值

30、和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差。对压阻式压力传感器进行温度补偿, 可以在一定的工作温度范围内选定。表4-1列出了在20 65 间6个温度状态的静态标定数据, 同时在选用的压阻式压力传感器量程范围内选了5个标定值, 因此获得了30个标定数据。其中, 20个数据对网络进行训练, 10个数据作为网络校验样本数据。从表4-1的标定值可以看出, 在输入压力值不变的情况下，工作环境温度改变, 压力传感器的输出电压值也随之改变。2.7神经网络的结构与训练BP神经网络结构: 图2-1 BP神经网络结构基于该系

31、统采用3层BP神经网络, 输入层i= 1, 2, 共有2个节点, 分别输入压阻传感器和温度传感器的输出电压值Up 和Ut。隐层节点数j= 1, 2, 􀀁, ll 可在3 30范围内选择, 视补偿效果而定。输出层节点k= 1, 为一个节点, 表示输出压力值P t。( 1) 隐层第j个神经元的输入为: (2-6)其中: Wji是隐层第j个神经元到输入层第i 个神经元的连接权值。( 2) 隐层第j个神经元的输出为:(j=1,2,l) (2-7)( 3) 神经网络的输出为:Ot=(k=1) (2-8)其中: Wkj是输出层第k 个神经元到隐层第j个神经元的连接权值。( 4) 网络计算

32、输出值与传感器相应的标定值(也称期望值) 的均方误差E 为最小, 即:E=(Ot-) (2-9)式中,为给定的允许误差, 通常取为任意小的正实数。( 5) BP神经网络权值修正量为: (j=1,2,l,k=1) (2-10) (j=1,2,l,i=1,2).(2-11) 温度补偿系统BP神经网络Ot 和分别为归一化的网络输出的计算值与标定值; m 为样本序号; M 为样本总数;训练的样本数越多, 网络的计算结果Ot 的偏差越小。根据标定实验提供的学习样本, 采用BP算法学习修正网络的权值和阈值, 直到满足精度要求为止。训练后的神经网络仍不能使用, 必须使用附加样本进行性能验证, 如不能满足要求

33、,就需要重新训练网络, 所以神经网络的训练是一个反复的过程。2.8BP神经网络的局限性 BP网络还不是一个完善的神经网络，目前还存在着以下问题：(l)学习算法收敛的速度慢。有时一个十分简单的问题，往往也要学习几百次甚至上千上万次才有可能收敛;(2)局部极小问题，即不能保证收敛到全局最小点。从数学观点看来，误差反向传播采用梯度下降法，其学习过程是一个非线性优化过程，所以不可避免地会遇到优化过程中最常见的局部极小问题;(3)网络隐含层数及隐含层神经元节点数的选取尚无统一的理论指导，一般根据经验及多次尝试确定，因此预测结果受人为因素影响较大，给其应用带来不便。 第3章 压力传感器相关介绍3.1 简介

34、压力传感器是工业实践中最为常用的一种传感器，而我们通常使用的压力传感器主要是利用压电效应制造 而成的，这样的传感器也称为压电传感器。压电传感器中主要使用的压电材料包括有石英、酒石酸钾钠和磷酸二氢胺。其中石英（二氧化硅）是一种天然晶体，压电效应就是在这种晶体中发现的，在一定的温度范围之内，压电性质一直存在，但温度超过这个范围之后，压电性质完全消失（这个高温就是所谓的“居里点”）。由于随着应力的变化电场变化微小（也就说压电系数比较低），所以石英逐渐被其他的压电晶体所替代。而酒石酸钾钠具有很大的压电灵敏度和压电系数，但是它只能在室温和湿度比较低的环境下才能够应用。磷酸二氢胺属于人造晶体，能够承受高温

35、和相当高的湿度，所以 已经得到了广泛的应用。在现在压电效应也应用在多晶体上，比如现在的压电陶瓷，包括钛酸钡压电陶瓷、PZT、铌酸盐系压电陶瓷、铌镁酸铅压电陶瓷等等。 压电效应是压电传感器的主要工作原理，压电传感器不能用于静态测量，因为经过外力作用后的电荷，只有在回路具有无限大的输入阻抗时才得到保存。实际的情况不是这样的，所以这决定了压电传感器只能够测量动态的应力。 压电传感器主要应用在加速度、压力和力等的测量中。压电式加速度传感器是一种常用的加速度计。它具有结构简单、体积小、重量轻、使用寿命长等优异的特点。压电式加速度传感器在飞机、汽车、船舶、桥梁和建筑的振动和冲击测量中已经得到了广泛的应用，

36、特别是航空和宇航领域中更有它的特殊地位。压电式传感器也可以用来测量发动机内部燃烧压力的测量与真空度的测量。也可以用于军事工业，例如用它来测量枪炮子弹在膛中击发的一瞬间的膛压的变化和炮口的冲击波压力。它既可以用来测量大的压力，也可以用来测量微小的压力。 压电式传感器也广泛应用在生物医学测量中，比如说心室导管式微音器就是由压电传感器制成的，因为测量动态压力是如此普遍，所以压电传感器的应用就非常广。 除了压电传感器之外，还有利用压阻效应制造出来的压阻传感器，利用应变效应的应变式传感器等，这些不同的压力传感器利用不同的效应和不同的材料，在不同的场合能够发挥它们独特的用途。3.2工作原理半导体压电阻半导

37、体压电阻抗扩散压力传感器是在薄片表面形成半导体变形压力，通过外力（压力）使薄片变形而产生压电阻抗效果，从而使阻抗的变化转换成电信号。 静电容量型压力传感器静电容量型压力传感器，是将玻璃的固定极和硅的可动极相对而形成电容，将通过外力（压力）使可动极变形所产生的静电容量的变化转换成电气信号。 （E8Y的动作原理便是静电容量方式，其他机种采用半导体方式）。3.3基本要点一、正确安装通常高温熔体压力传感器的损坏都是由于其安装位置不恰当而引起的，如果将传感器强行安装在过小的孔或形状不规则的孔中，就有可能造成传感器的震动膜受到冲击而损坏，选择合适的工具加工安装孔，有利于控制安装孔的尺寸，另外，合适的安装扭

38、矩有利于形成良好的密封，但是如果安装扭矩过高就容易引起高温熔体压力传感器的滑脱，为防止这种现象发生，通常在传感器安装之前在其螺纹部分上涂抹防脱化合物。 二、检查安装孔的尺寸如果安装孔的尺寸不合适，高温熔体压力传感器在安装过程中，其螺纹部分就很容易受到磨损，这不仅会影响设备的密封性能，而且使传感器不能充分发挥作用，甚至还可能产生安全隐患。只有合适的安装孔才能够避免螺纹的磨损(螺纹工业标准1/2-20UNF2B)，通常可以采用安装孔测量仪对安装孔进行检测，以做出适当的调整。3.4 性能参数压力传感器的种类繁多，其性能也有较大的差异，如何选择较为适用的传感器，做到经济、合理。 1. 额定压力范围 额

39、定压力范围是满足标准规定值的压力范围。也就是在最高和最低温度之间，传感器输出符合规定工作特性的压力范围。在实际应用时传感器所测压力在该范围之内。 2. 最大压力范围 最大压力范围是指传感器能长时间承受的最大压力，且不引起输出特性永久性改变。特别是半导体压力传感器，为提高线性和温度特性，一般都大幅度减小额定压力范围。因此，即使在额定压力以上连续使用也不会被损坏。一般最大压力是额定压力最高值的23倍。 3. 损坏压力 损坏压力是指能够加工在传感器上且不使传感器元件或传感器外壳损坏的最大压力。 4. 线性度 线性度是指在工作压力范围内，传感器输出与压力之间直线关系的最大偏离。 5.压力迟滞 为在室温

40、下及工作压力范围内，从最小工作压力和最大工作压力趋近某一压力时，传感器输出之差。 6.温度范围 压力传感器的温度范围分为补偿温度范围和工作温度范围。补偿温度范围是由于施加了温度补偿，精度进入额定范围内的温度范围。工作温度范围是保证压力传感器能正常工作的温度范围。3.5应变特点压力传感器的测量范围比电感式传感器大一倍，它不仅能检测金属目标，而且还能检测电介质，如纸、玻璃、木材和塑料等，甚至可以通过墙壁或纸壳进行检测。由于人体在低频下相当于电导体，因此也出现了用于人的颤抖测量和防盗报警。 在测量构件应变时，直接将应变片黏贴在构件上即可，但若要测量力、压力、加速度等信号，应先将这些物理量转变成应变，

41、然后用应变片测量，比直接测量时多了一个转换过程，完成这种转换过程的原件通常称为弹性原件，因此，应变式传感器通常由弹性敏感原件和应变计两部分构成。 弹性敏感原件是传感器的核心部件，要求弹性原件弹性储能高，通常表示为弹性材料储存变形功而不发生永久变形的能力。压力传感器具有良好的机械加工和热处理性能，具有较强的抗压强度。受温度影响小等特性，正确选择弹性敏感原件及应变计桥路是提高应变式传感器的重要途径： 1、测量范围光精度高测力传感器可测0.01-1000000N的力，精度可达到0.05%FS以上;压力传感器可测0.1-1000000的压力，精度可达到0.1%FS。 2、性能稳定可靠，使用寿命长如称重

42、式机械杠杆称，由于杠杆、刀口等部分互相摩擦产生损耗和变形，欲长期保持其精度是相当困难的，采用电阻应变式称重传感器制成的电子泵、汽车衡、轨道衡等，能在恶劣的环境条件下长期稳定工作。 3、频率响应特性极好压力传感器一般电阻应变计响应时间为0.01MS，半导体应变计可达到0.001MS如能在弹性原件上采取措施则由他们构成的应变式传感器可测几十千赫甚至上百千赫的动态过程。3.6常见故障 压力传感器容易出现的故障主要有以下几种： 第一种是压力上去，变送器输也上不去。此种情况，先应检查压力接口是否漏气或者被堵住，如果确认不是，检查接线方式和检查电源，如电源正常则进行简单加压看输出是否变化，或者察看传感器零

43、位是否有输出，若无变化则传感器已损坏，可能是仪表损坏或者整个系统的其他环节的问题； 第二种是加压变送器输出不变化，再加压变送器输出突然变化，泄压变送器零位回不去，很有可能是压力传感器密封圈的问题。常见的是由于密封圈规格原因，传感器拧紧之后密封圈被压缩到传感器引压口里面堵塞传感器，加压时压力介质进不去，但在压力大时突然冲开密封圈，压力传感器受到压力而变化。排除这种故障的最佳方法是将传感器卸下，直接察看零位是否正常，若零位正常可更换密封圈再试； 第三种是变送器输出信号不稳。这种故障有肯是压力源的问题。压力源本身是一个不稳定的压力，很有可能是仪表或压力传感器抗干扰能力不强、传感器本身振动很厉害和传感

44、器故障；第四种是变送器与指针式压力表对照偏差大。出现偏差是正常的现象，确认正常的偏差范围即可； 最后一种易出现的故障是微差压变送器安装位置对零位输出的影响。微差压变送器由于其测量范围很小，变送器中传感元件会影响到微差压变送器的输出。安装时应使变送器的压力敏感件轴向垂直于重力方向，安装固定后调整变送器零位到标准值。3.7 八大发展趋势一、压力传感器产业化发展模式：要加速形成从传感器研究开发到大生产一条龙的产业化发展模式，走自主创新和国际合作相结合的跨越式发展道路，使我国成为世界传感器的生产大国。 二、传感器产品结构向全面、协调、持续发展。产品品种要向高技术、高附加值倾斜，尤其要填补“空白”品种。

45、 三、企业生产规模（年生产能力）向规模经济或适宜规模经济发展，量大面广的通用传感器的生产规模将以年亿只计，一些中档传感器的生产规模将以年产1000万只（含以上）计；而一些高档传感器和专用压力传感器的生产规模将以年产几十万只几百万只计。 四、生产格局向专业化发展。专业化生产的内涵为：1.生产传感器门类少而精；2.专门生产某一应用领域需要的某一类传感器系列产品，以获得较高的市场占有率；3.各传感器企业的专业化合作生产。 五、传感器大生产技术向自动化发展。传感器的门类、品种繁多，所用的敏感材料各异，决定了传感器制造技术的多样性和复杂性，综观当前传感器工艺线的概况，多数工艺已实现单机自动化，但距离生产

46、过程全自动化尚存在诸多困难，有待今后广泛采用CAD、CAM及先进的自动化装备和工业机器人，予以突破。 六、压力传感器企业的重点技术改造应加强从依赖引进技术向引进技术的消化吸收与自主创新的方向转移。 七、企业经营要加快从国内市场为主向国内与国外两个市场相结合的国际化方向跨越发展。 八、企业结构将向“大、中、小并举”、“集团化、专业化生产共存”的格局发展。 第4章 虚拟补偿系统4.1虚拟仪器技术虚拟仪器技术就是利用高性能的模块化硬件，结合高效灵活的软件来完成各种测试、测量和自动化的应用。自1986年问世以来，世界各国的工程师和科学家们都已将NI LabVIEW图形化开发工具用于产品设计周期的各个环节，从而改善了产品质量、缩短了产品投放市场的时间，并提高了产品开发和生产效率。使用集成化的虚拟仪器环境与现实世界的信号相连，分析数据以获取实用信息，共享信息成果，有助于在较大范围内提高生产效率。虚拟仪器提供的各种工具能满足我们任何项目需要。20年来，无论是初学乍用的新手还是经验丰富的程序开发人员，虚拟仪器（Virtual Instrument）在