基于神经网络的热电偶非线性校正

2010-03-04 08:48:11来源: 仪器仪表学报

1 引言

  热电偶因其结构简单、易于制造和测温范围宽等优点而被广泛用于温度测量领域,但是热电偶非线性校正问题(也称线性化处理),严重影响了温度测量精度。国际、国内计算标准都给出了热电势 -温度 关系表,即热电偶分度表。其换算关系可以采用查表法,但这种方法在应用过程中显得很不方便,一种较好的办法可以利用神经网络技术建立起相应的数学模型,改善了热电偶的线性度。而神经网络具有强大的记忆容量、高速并行计算能力和非线性变换特性,能够随时进行再学习,可用来有效地校正系统的非线性。

2 热电偶非线性

  热电偶的类型、规格、结构品种繁多,几乎都存在严重的非线性问题,其输出信号与测量温度之间呈非线性关系。从而给测量结果带来误差。本文采用神经网络技术,对镍铬-镍硅热电偶(K型)进行了非线性校正。K型热电偶结构图如图1所示。

 

图1 热电偶结构图

  由热电偶测量被测温度t,输出相应的热电势E(t, 0)。对K型热电偶,当测温范围为0~200℃时,依据分度表中的热电势和温度值,利用最小二乘法原理可以拟合出如下的E-t关系式:


                      (1)

  式中,E是热电偶冷端温度为0C时的热电势,其中,
。式(1)表明E - t关系是非线性的。

3 基于BP网络进行热电偶的非线性校正

3.1 BP神经网络结构简介

  BP神经网络一般采用三层(输入层、隐层、输出层)网络结构,如图2所示。网络中隐层节点和输出节点(神经元)的输入为前一层网络输出的加权和。

图2 BP网络结构

3.2 制备学习、检验样本

  1)热电偶的标定:采用国际实用温标ITS-90及国标GB/T 2614-1990热电偶分度表中的给定数据,选取温度范围0~200C和其对应的热电势值作标定数据。

  2)训练样本、测试样本文件制作:温度范围选为0~200C,根据镍铬-镍硅热电偶(K型)分度表,选择温度为1,3,5,7……197,199,200℃对应的热电势为输入样本,相对应的温度作为输出样本,这样制作的样本作为训练样本,共101组;然后选择温度0,5,10,15……195,200C对应的热电势作为输入样本,相对应的温度作为输出样本,这样制作的样本作为测试样本,共41组。

3.3 BP网络学习流程图

  BP网络的学习流程如图2所示。

 

图3 BP网络训练过程及算法流程

3.4 神经网络训练仪介绍

  本文神经网络训练仪,进行热电偶的非线性校正。图4为BP神经网络训练仪面板,这个训练仪采用虚拟仪器编程语言CVI进行编写。

图4 BP神经网络训练仪面板

   BP网络训练仪的面板上具有以下几个模块:

模块1-训练样本文件路径:

  ①.输入样本文件路径”:在该文本框中输入训练样本的输入样本文件的路径。
  ②.“输出样本文件路径”:在该文本框中输入训练样本的期望输出样本文件的路径。

模块2-测试样本文件路径:

  ③.“输入样本文件路径”:在该文本框中输入测试样本中输入样本文件的路径。
  ④.“输出样本文件路径”:在该文本框中输入测试样本中期望输出样本文件的路径。

模块3-网络结构:

  ⑤.“隐层节点数”:设置BP网络隐层神经元数量;
  ⑥.“隐层响应函数”:选择BP网络隐层神经元的响应函数;
  ⑦.“输出层响应函数”:选择BP网络输出层神经元的响应函数;

模块4-训练条件:

 

3.5 BP网络训练

  1) 网络结构参数的初始化:隐层节点数选为6,隐层响应函数选为对数型sig函数,即logsig,输出层响应函数选为纯线性函数,即purelin。

  2) 网络训练参数的设置:训练开始前,分别输入训练样本文件和测试样本文件的路径,训练终止条件选为训练代数为1000。

  3) 网络训练:点击网络训练按钮“训练”,训练多次,并记录每次的测试均方差,以测试均方差最小的一组网络参数作为训练的最终结果,实验中记录的最小测试均方差为0.03963582。训练所得到的权值 和阈值 就是BP网络训练的结果。

3.6 非线性校正结果与分析

  1) 热电偶非线性校正模型:用BP神

  经网络建立的非线性校正模型结构可以用权值和阈值来表示,权值和阈值如下:

  输入层与隐层间权值:=[-30.473488 -38.820904 -1.644704-2.235481 0.099258 95.799098]

  输出层与隐层间权值:=[-20.979834 31.472969 -6.901741 1.78862 1014.294648 -254.668243]

  隐层阈值:=[-47.329741 -25.972066 12.099975 4.515939 -0.050021 86.879988]

  输出层阈值: =-234.662545

  这样很容易可以得出t - E关系:

  

  2) 非线性校正分析:用41组测试样本数据对建好的BP网络模型进行了测试,测试结果如表1所示。


表1理论温度值与测试结果温度值

 

  表中的理论值是分度表中的温度值。

  可以求出最大拟合偏差℃,则线性度为,具体线性度比较如表2所示。

 表2 神经网络训练前后性能比较

                                

  从以上结果可以看出,经过神经网络训练,热电偶在0~200℃测温范围内的非线性得到了明显改善。

4 结论

  本文采用基于虚拟仪器编程语言CVI编成的BP神经网络训练仪对K型镍铬-镍硅热电偶的非线性进行了校正,获得了非线性校正模型,校正前后非线性降低了一个数量级,实现热电偶的非线性校正。

关键字:热电偶  神经网络  非线性

编辑:金海 引用地址:http://www.eeworld.com.cn/mndz/2010/0304/article_2095.html
本网站转载的所有的文章、图片、音频视频文件等资料的版权归版权所有人所有,本站采用的非本站原创文章及图片等内容无法一一联系确认版权者。如果本网所选内容的文章作者及编辑认为其作品不宜公开自由传播,或不应无偿使用,请及时通过电子邮件或电话通知我们,以迅速采取适当措施,避免给双方造成不必要的经济损失。
论坛活动 E手掌握
微信扫一扫加关注
论坛活动 E手掌握
芯片资讯 锐利解读
微信扫一扫加关注
芯片资讯 锐利解读
推荐阅读
全部
热电偶
神经网络
非线性

小广播

独家专题更多

富士通铁电随机存储器FRAM主题展馆
富士通铁电随机存储器FRAM主题展馆
馆内包含了 纵览FRAM、独立FRAM存储器专区、FRAM内置LSI专区三大部分内容。 
走,跟Molex一起去看《中国电子消费品趋势》!
走,跟Molex一起去看《中国电子消费品趋势》!
 
带你走进LED王国——Microchip LED应用专题
带你走进LED王国——Microchip LED应用专题
 
电子工程世界版权所有 京ICP证060456号 京ICP备10001474号 电信业务审批[2006]字第258号函 京公海网安备110108001534 Copyright © 2005-2016 EEWORLD.com.cn, Inc. All rights reserved