神經(jīng)模糊控制在SAW壓力傳感器溫度補(bǔ)償中的應(yīng)用

0 引 言

聲表面波(SAW)技術(shù)是一門新興熱門研究課題之一，國內(nèi)外已有溫度、壓力、加速度等傳感器的相關(guān)報道。SAW壓力傳感器借助于它無以倫比的性能，諸如：1)數(shù)字號輸出;2)高靈敏度、高分辨力、抗干擾能力強(qiáng);3)易于大規(guī)模集成。正是由于這些自身的優(yōu)越性，它有著廣泛的應(yīng)用領(lǐng)域。但美中不足的是SAW壓力傳感器對環(huán)境的要求比較苛刻，SAW振蕩器輸出頻率信號隨著壓力、溫度、磁場等外界因素變化而變化，特別是溫度的影響是測量誤差的主要來源，為保證SAW壓力傳感器高準(zhǔn)確度和高靈敏度測量，必須進(jìn)行有效的溫度補(bǔ)償。本文將神經(jīng)網(wǎng)絡(luò)和模糊控制技術(shù)相結(jié)合，對SAW壓力傳感器進(jìn)行智能化溫度補(bǔ)償，通過此方法進(jìn)行的改進(jìn)，使SAW壓力傳感器能更好地應(yīng)用到工程領(lǐng)域。

1 溫度補(bǔ)償方案

在傳統(tǒng)的溫度補(bǔ)償中，例如：硬件補(bǔ)償和軟件補(bǔ)償2種方法。但存在著補(bǔ)償電路漂移、局部最優(yōu)、精度不夠等缺點(diǎn)，無法滿足SAW壓力傳感器補(bǔ)償要求。鑒于此種情況，本文采用了神經(jīng)模糊控制方法，對SAW壓力傳感器進(jìn)行智能溫度補(bǔ)償。

神經(jīng)模糊控制是一種用神經(jīng)網(wǎng)絡(luò)實現(xiàn)的模糊控制的方法。在形式結(jié)構(gòu)上是用多點(diǎn)網(wǎng)絡(luò)實現(xiàn)的模糊映射。而神經(jīng)網(wǎng)絡(luò)的非線性和可訓(xùn)練性說明它可以實現(xiàn)任何一種映射關(guān)系。因此，本文利用神經(jīng)網(wǎng)絡(luò)對知識的表達(dá)機(jī)理，通過學(xué)習(xí)訓(xùn)練，實現(xiàn)控制規(guī)則基記，從而實現(xiàn)模糊輸入-模糊輸出的映射。神經(jīng)模糊控制對SAW壓力傳感器溫度-壓力補(bǔ)償模型見圖1。

在SAW壓力傳感器后面接神經(jīng)模糊控制器，把傳感溫度T作為輸入，則神經(jīng)模糊控制器能直接輸出被測量。

2 實現(xiàn)控制規(guī)則的神經(jīng)網(wǎng)絡(luò)

在一般情況下，模糊控制的推理功能是在隸屬函數(shù)不變的條件下進(jìn)行的。在實際運(yùn)用當(dāng)中是隨時間的改變而改變的。為了彌補(bǔ)單一模糊控制技術(shù)這種不足，特采用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)功能進(jìn)行隸屬度的調(diào)節(jié)，實現(xiàn)自動調(diào)節(jié)功能，以適應(yīng)實際的需要。本文用含一個隱含層的三層前饋神經(jīng)網(wǎng)絡(luò)，模型如圖2。

其中，p為輸入矢量，R為輸入矢量維數(shù)，S1為隱含層神經(jīng)元個數(shù)，S2為輸出層神經(jīng)元個數(shù)，W1為隱含層神經(jīng)元權(quán)值矩陣，W2為輸出層權(quán)值矩陣，b1為隱含層神經(jīng)元閥值，b2為隱含層神經(jīng)元閥值，n1為隱含層輸入節(jié)點(diǎn)，n2為輸出層節(jié)點(diǎn)。f1為S型函數(shù)，f2為purelin型函數(shù)。神經(jīng)網(wǎng)絡(luò)算法是用于前饋多層網(wǎng)絡(luò)的學(xué)習(xí)算法。如果輸出不能得到期望的輸出，則轉(zhuǎn)入后向傳播。通過誤差的后向傳播調(diào)整各層之間的權(quán)系數(shù)。反復(fù)輸入樣本序列，直至權(quán)系數(shù)不在改變?yōu)橹梗敵稣`差在規(guī)定的范圍之內(nèi)。算法采用如下改進(jìn)：1)采用模擬退火法以克服局部最小;2)用奇函數(shù)作激勵函數(shù)和傳播過程中采用新誤差傳播因子完善該算法收斂性問題。

鑒于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程需要對所有權(quán)值和閥值進(jìn)行修正，是一種全局逼近神經(jīng)網(wǎng)絡(luò)，但訓(xùn)練速度較慢，不適用實時性較強(qiáng)場合，故采取了局部逼近網(wǎng)絡(luò)——徑向基網(wǎng)絡(luò)。算法訓(xùn)練關(guān)系式如下：

節(jié)點(diǎn)輸出為

式中a1為節(jié)點(diǎn)輸出;b為神經(jīng)元閥值;Wij為接點(diǎn)連接權(quán)值;f為傳遞函數(shù)。

權(quán)值修正

式中z為新學(xué)習(xí)因子;h為動量因子;Ej為計算誤差。

誤差計算

式中tPI為i節(jié)點(diǎn)期望輸出值;aPI為i節(jié)點(diǎn)計算輸出值。

由于神經(jīng)網(wǎng)絡(luò)的神經(jīng)元個數(shù)不確定性，經(jīng)大量數(shù)據(jù)的實驗驗證，本文選取輸入層有2個神經(jīng)元，隱含層有4個神經(jīng)元。輸出層只有1個神經(jīng)元。采用只有1個隱含層的三層網(wǎng)絡(luò)對控制基進(jìn)行學(xué)習(xí)記憶。把每條控制規(guī)則作為神經(jīng)網(wǎng)絡(luò)的樣本進(jìn)行訓(xùn)練學(xué)習(xí)，從而能實現(xiàn)這個規(guī)則基的神經(jīng)網(wǎng)絡(luò)權(quán)系數(shù)。

基于神經(jīng)網(wǎng)絡(luò)在推理方面不足，故借助于模糊控制強(qiáng)大的推理功能，提取有效的條件語句，進(jìn)而加快網(wǎng)絡(luò)的訓(xùn)練速度。選取偏差E和偏差變化率△E作為輸入和控制量U作為輸出。偏差E和偏差變化率△E的模糊量分別為大(L)，中(M)，小(S)，創(chuàng)立描述條件推理表格如表1。

橫行元素表示E的模糊量，豎行表示△E的模糊量，兩者交叉為控制量U的模糊量。根據(jù)表中數(shù)據(jù)，可知共有3×3種推理語句，采用推理法將條件語句表簡化得出以下4條語句：

將產(chǎn)生貢獻(xiàn)的語句選出，可能存在的個數(shù)為20，21，…，2n。這樣，減少了冗余的推理語句，有利于網(wǎng)絡(luò)訓(xùn)練速度的快速進(jìn)行。

3 仿真與應(yīng)用

現(xiàn)在礦井下事故頻繁發(fā)生，用AE聲發(fā)射預(yù)測瓦斯突發(fā)是非接觸測量一種趨勢，由于環(huán)境條件限制，用SAW壓力傳感器作為接收聲發(fā)射信號的傳感器，就必須保證測量信號的高準(zhǔn)確性和智能性特點(diǎn)，而用神經(jīng)模糊控制對溫度進(jìn)行了智能補(bǔ)償，加上先進(jìn)的封裝技術(shù)，可使SAW在實際的瓦斯預(yù)測測量中發(fā)揮巨大作用。通過實驗驗證，此種方法可行。在MATLAB6.0環(huán)境下進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和仿真，通過神經(jīng)網(wǎng)絡(luò)工具箱，編制相應(yīng)的仿真訓(xùn)練程序，實現(xiàn)仿真過程。在仿真時，隨機(jī)選取幾組頻率-溫度作為輸入，最后，進(jìn)行標(biāo)定壓力值和仿真結(jié)果的比較。仿真數(shù)據(jù)結(jié)果如表2。

實際中，溫度變化對SAW壓力傳感器的性能影響非常明顯，通過神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，訓(xùn)練的頻率和誤差在規(guī)定范圍內(nèi)，其最大誤差僅為1%，BP算法的仿真結(jié)果和實際測量值吻合。

4 結(jié)論

本文提出采用神經(jīng)迷糊控制技術(shù)對SAW壓力傳感器進(jìn)行有效的溫度補(bǔ)償，使SAW壓力傳感器在實際的應(yīng)用中能更加準(zhǔn)確地對被測對象進(jìn)行壓力測量，并且，采用神經(jīng)網(wǎng)絡(luò)構(gòu)成控制器，信息處理采用模糊量的近似推理，將神經(jīng)網(wǎng)絡(luò)技術(shù)和?？刂萍夹g(shù)相結(jié)合，實現(xiàn)SAW壓力傳感器溫度補(bǔ)償的智能化，為SAW壓力傳感器實際應(yīng)用奠定了基礎(chǔ)。