人工神經網絡在電渦流傳感器非線性補償中的應用研究

摘 要：電渦流傳感器輸入/輸出特性曲線具有很強的非線性，為保證儀表輸入/輸出的線性化關系，必須對電渦流傳感進行非線性補償。采用RBF網絡對電渦流傳感器進行非線性補償，并將補償結果與擬合函數法(最小二乘法)進行比較。結果表明：神經網絡產生的補償曲線更順滑，預測性更強，補償后的傳感器線性度更好。

關鍵詞：RBF神經網絡；電渦流傳感器；非線性補償；擬合函數

中圖分類號：TP212 文獻標識碼：A

文章編號：1004-373X(2008)10-190-02

Application of ANN in Electric Eddy Sensor Nonlinear Compensation

ZHANG Yuanmin，WANG Hongling

(College of Electrical and Information Engineering，Xuchang University，Xuchang，461000，China)

Abstract：characteristic curve of the eddy current sensor is serious nonlinear.The nonlinear errors of the eddy current sensor must be compensated in order to ensure the instrument′s linearity.The RBF network is adopted and the result is compared with that from the fitting function method.The comparative result indicates that the compensation curve of adopting BRF network is more smoother，the forecast character is more higher and the sensor′s linearity is better.

Keywords：RBF neural network;electric eddy sensor;nonliner compensation;fitting function

電渦流傳感器具有靈敏度高、抗干擾能力強、非接觸等特點，在缺陷檢測、狀態檢測和位移量檢測中得到了廣泛應用。在位移量的檢測中，一般希望儀表的刻度方程是線性方程，以保證儀表在整個測量范圍內靈敏度相同。但傳感器輸出特性大都為非線性，并且常受各種環境參數影響，為保證測量儀表的輸出與輸入之間的線性關系，同時保證傳感器的測量值非常地接近真實值，則需要對傳感器進行非線性補償。

1 非線性特性及其補償

電渦流傳感利用被測量體和探頭之間的磁場能量耦合（電磁感應）實現對被測體的檢測。隨著檢測距離的增大，被測體與探頭間的互感減小，這種互感的變化是非線性的。他會引起探頭線圈電阻和感抗值隨檢測距離的非線性變化；同時，環境參數會使電子器件產生漂移，也會引起測量值與真實值之間的非線性。

改進后傳感器的補償原理如圖1所示。

圖1 改進后的電渦流傳感非線性補償原理

設傳感器輸入為x，t，輸出為u，u=f(x，t)為非線性關系。若在傳感器后串聯一補償環節，使y=g(u)=Kx，就實現了傳感器的非線性補償。

從上述的補償原理可看出，函數g為函數f的反函數的1/K，所以f決定著g。經前面分析可知，改進后傳感器的非線性因素有很多，程度也較復雜，不宜采用硬件補償法。

擬合函數補償法是對實際測量值采用函數擬合法（通常為最小二乘法）推算出傳感器輸入/輸出關系。然后，再對真實值進行選定函數的數值計算獲得測量結果。

但是利用最小二乘法需要以下2個假定：

（1） 所有輸入量的各個給定值均無誤差；

（2） 最好的擬合直線為能使各點同特性曲線偏差的平方和為最小。實際上在對傳感器進行標定時各輸入量是不可能沒有誤差的；另外，當傳感器的輸出特性曲線接近于直線時或能通過適當的變量代換，把變量之間的非線性關系化為線性關系時，通常總是利用直線擬合的辦法實現輸出輸入關系的線性化。這樣，同時也造成了計算結果的不準確。

神經網絡是一個具有高度非線性的超大規模連續時間動力系統，其特征為連續時間非線性動力、網絡的全局作用、大規模并行分布處理及高度的魯棒性和學習聯想能力。實際上是一個超大規模非線性連續時間自適應信息處理系統。

用神經網絡進行非線性補償原理如下：上述假定傳感器模型為u=f(x，t)，其中x為被測物理量，t=(t1，t2，…，tk)為k個環境參數，若對不同的t，u均為x的單值函數，則有x=f－1(u，t)。補償環節的輸出為y=g(u，t)，令g(u，t)=f－1(u，t)，可得y=g(u，t)=f－1(u，t)=x，則補償環節的輸出y與被測物理量x成線性關系，且與各環境因素參數t無關。因此只要使補償環節g(u，t)=f－1(u，t)，即可實現傳感器的非線性補償。通常傳感器模型的反函數f－1(u，t)比較復雜，難以用數學公式來描述，但可通過實驗測得傳感器數據集{xi;ti;ui∈Rk+2;i=0，1，…，n}，ti=(t1i，t2i，…，tki)T。以實驗數據集的ui和ti作為輸入樣本，對應的xi作為輸入樣本，對神經網絡進行訓練，使神經網絡調節各個權值以自動實現f－1(u，t)。已經證明，前向神經網絡可以處理系統內在的難以解析的規律性，能夠逼近任意的非線性函數。

最小二乘法和神經網絡補償法均可用于傳感器的非線性補償，本文著重討論基于RBF（徑向基網絡）的非線性補償方法，并將補償結果與最小二乘法補償法得到的結果加以對比，以說明神經網絡補償法的優越性。

2 BRF網絡非線性補償及其結果分析

采用RBF網絡的網絡結構（即圖1中的補償環節）如圖2所示，網絡結構為1-14-1。根據上述的非線性補償原理，采用改進后電渦流傳感器等效感抗作為RBF網絡的輸入，傳感器測量的真實值作為網絡的輸出。

圖2 RBF網絡結構圖

利用輸入/輸出數據對BRF網絡進行訓練，設置訓練次數為3 000次，訓練誤差為0.000 1。在訓練結束后，利用訓練后的BRF網絡對傳感器進行非線索性補償。將訓練樣本作為測試樣本帶入網絡和擬合的函數，得出的結果如表1所示。

由表1可以看出，采用RBF網絡得到的測試值與真實值間的非線性均誤差遠小于采用最小二乘法進行補償[CM(22*2]得到的非線性誤差，即RBF網絡的補償精度要遠遠高于[CM)]最小二乘法的補償精度。另外，將此方法用于另外幾種型號的電渦流傳感器的非線性補償上得出的結果也證明神經網絡的補償精度遠遠高于最小二乘法，說明神經網絡補償法具有很強的泛化能力。

3 結 語

由于電渦流傳感器輸入/輸出特性具有非線性，為了保證測量儀表的輸入與輸出之間具有線性關系，就必須對電渦流傳感器進行非線性補償。本文主要采用BRF神經網絡對電渦流傳感器進行非線性補償，并與最小二乘法補償法進行了比較。對比結果說明，RBF網絡在很大程度上提高了電渦流傳感器的線性度，并且補償曲線更順滑，預測性更強，補償后的傳感器線性度更好。實例分析表明，神經網絡在非線性補償和提高準確度方面的優點，是最小二乘法所無法比擬的。

參 考 文 獻

［1］董長虹.Matlab神經網絡與應用[M].北京：國防工業出版社，2005.

［2］劉剛.基于神經網絡的智能傳感器的數據處理［J］.傳感器技術，2004，23(8):52-54.

［3］白宗文.分形插值法在傳感器數據處理中的應用［J］.現代電子技術，2007，30(7):34-35.

［4］飛思科技.神經網絡理論與Matlab 7實現[M].北京：電子工業出版社，2005.

［5］薛亞琴.電渦流傳感器特性曲線擬合的新方法［J］.傳感器技術，2003(22)7:42-44.

作者簡介 張元敏 男，1963年出生，副教授。主要研究方向為電氣自動化。

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。