基于BP網絡的智能壓力傳感器系統研究與設計*

崔靜雅，呂惠民，程 賽

(西安理工大學應用物理系，西安 710048)

壓力的測控在現代工業自控環境中廣泛應用，涉及水利水電、鐵路交通、智能建筑、航空航天、軍工等眾多行業。隨著通訊技術和計算機技術的發展，智能壓力傳感器技術的發展相對滯后，呈現出“頭腦(計算機)發達，感覺(傳感器)遲鈍”的現象［1］。為了提高測量精度，如何抑制壓力傳感器對溫度的交叉敏感性是亟待解決的核心問題［2］。

壓力傳感器的工作原理已經基本定型，通過發現新的特殊敏感材料［3］來提高性能已經很困難。目前，國內外常用的解決方法基本有兩種:一種是硬件法，但硬件電路大都存在電路復雜、精度低、成本高等缺點［4］;另一種是軟件法，此類方法是將微處理器與傳感器結合起來，利用豐富的軟件功能、結合一定的算法對參量進行數據融合，主要有回歸法、最小二階乘法、神經網絡、小波等，其中神經網絡具有層次性、聯想記憶和并行處理等優點，應用前景良好［5－6］。近幾年，相關文獻中多選用BP神經網絡來提高壓力測量的精度［5，7－8］，但是忽略了溫度測量的準確，且收斂速度慢。本智能傳感器系統針對壓力和溫度相互交叉干擾的問題，利用BP神經網絡的Levenberg-Marquardt算法提高了網絡收斂速率以及溫度和壓力兩個參量的測量精度，同時在μC/OS－Ⅱ操作平臺上，將 BP網絡融合算法嵌入到STM32F101C8微處理器中，實現顯示、報警、與PC機通信等功能，使功能更加完善。

1 智能壓力傳感器的硬件設計

硬件電路的系統方框圖如圖1所示。

圖1 硬件電路系統方框圖

1.1 測量單元

傳感器選用的是JCY－101型硅壓阻式壓力傳感器，其內部電路是由四個壓敏電阻組成的全橋差動電路，如圖2所示。為了提高恒流特性，本設計采用反饋改進型的恒流源為其供電。測量過程使用“一橋二測”技術，其中，電橋B、D兩端輸出電壓UP為壓力參量的輸出信號;A、C兩端輸出電壓Ut為溫度參量的輸出信號［9］。

圖2 JCY－101型硅壓阻式壓力傳感器原理圖

1.2 主控制器STM32F101C8及其外圍電路

STM32F101其內部使用高性能的ARM Cortex－M3 32位的RISC內核，工作頻率為36 Hz，內置高速存儲器，具有豐富的增強型外設。其工作電壓為2.0 V～3.6 V，為了提高轉換的精確度，ADC使用一個獨立的電源供電，過濾和屏蔽來自印刷電路板上的毛刺干擾。本設計中，將芯片的PA口的PA.4、PA.5、PA.6作為3路信號輸入用到其中一路輸入壓力信號，一路輸入溫度信號，一路接地，此接地電路可配合相應的軟件來降低溫漂和系統誤差;實時時鐘采用12 MHz的時鐘晶振和32.768 kHz的低速外部晶振源;PA.8(USART1_TX)和PA.9(USART1_RX)外接一片MAX488進行電平轉換，進行與PC的串口通信，對采集到的有效的壓力和溫度信號實現遠程和實時監測控制;4個按鍵開關分別接到STM32F101C8 的 PA.10、PA.11、PB.6、PB.7，作為預置壓力、調節上、下限，開始工作的輸入端;將采集到的實時數據、來自鍵盤的設定壓力值送入液晶顯示器CM12864顯示。

2 智能壓力傳感器的軟件設計

目前，商用的嵌入式操作系統開發成本昂貴且大部分不提供源代碼，并不適合小型系統的開發。而μC/OS－Ⅱ相對于其它操作系統具有源碼公開、移植性強、代碼可裁減等特點，比較適合用于儀用儀表的內嵌微控制器?？紤]這些特點，選用μC/OS－Ⅱ作為嵌入式實時操作系統，克服了過去單任務順序機制，增強系統安全與穩定性［10］。

在此智能傳感器系統中，微處理器啟動時，A/D轉換芯片等功能開始自檢。如有故障，顯示哪一原件出錯，以便操作人員及時處理;如正常，則對系統初始化。一切就緒后，采集目標參量，進行數據處理及BP融合，并將輸出結果顯示出來。同時與PC機通信，將測試結果送入 PC機，以得到更詳細的處理。

2.1 利用BP神經網絡進行數據融合

JCY－101型壓力傳感器為兩功能傳感器，可以測量壓力和溫度兩個目標參量，但相互存在交叉敏感度。因此本系統采用BP神經網絡對輸出信息進行數據融合處理，進而提高目標參量的測量精度。

(1)樣本庫的建立

在不同的溫度T(20，30，40，50，60，70 ℃)壓力P(0，1，2，3，4，5)×104Pa 下，對 CYJ－101 壓力傳感器的靜態輸入－輸出特性進行標定，得到36組二維實驗數據標定表。取20℃ ～70℃、0～5×104Pa范圍內的30組數據作為訓練樣本，其余6組作為測試樣本。由于神經網絡輸入輸出數值應為歸一化數值，分別用式(1)和式(2)對樣本數據和目標數據進行歸一化處理，建立神經網絡輸入輸出標準樣本庫［11］。

(2)BP網絡模型的建立

BP神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，針對通常BP網絡在使用中存在的收斂速度慢，容易陷于局部極小值等缺點，采用Levenberg-Marquardt算法對樣本數據進行融合［12］。設計一種包括輸入層、隱層、輸出層的3層網絡，輸入層和輸出層的2個節點分別對應于壓力信號和溫度信號的輸入輸出，隱層節點數為6，兩層間的傳遞函數分別為雙曲正切S型函數tansig和純線性函數pureline。

輸入層X(XP，Xt)與隱層之間的權值矩陣為W1，閥值矩陣為b1，隱層和輸出層Y(Yp，Yt)之間的權值矩陣為W2，閥值矩陣為b2，則輸入層與輸出層之間的關系表達式為:

(3)BP網絡訓練

利用函數trainlm對BP網絡訓練［13］，得到權值和閾值的最優值。當訓練誤差取0.000 01時，利用MATLAB神經網絡工具箱構建BP網絡，部分程序如下:

net=newff(minmax(p)，［6 2］，{‘tansig’，‘purelin’}，‘trainlm’);%創建BP神經網絡和定義訓練函數以及參數，隱層神經元數量為6，輸出層數量為2

net.trainParam.goal=0.00001;%目標精度設置

net.trainParam.epochs=2000;%最大迭代次數

［net，tr］=train(net，p，t);% 訓練神經網絡

y=sim(net，p);% 擬合檢驗

網絡的誤差曲線如圖3所示，由此圖可見，該網絡算法收斂速度快，只經過了115次迭代便得到目標誤差要求。根據歐式范數理論，對原訓練樣本進行擬合檢驗，樣本逼近誤差為0.0203，網絡性能完全可以滿足控制要求。此外，為了檢驗構建的神經網絡具有廣泛性，用測試樣本對網絡進行評估，通過與目標值相比較，得到網絡誤差為0.0379，這表明神經網絡具有廣泛的適應能力和學習能力，構建的BP網絡能很好的解決傳感器信號交叉敏感問題。

圖3 網絡的誤差曲線

2.2 μC/OS－Ⅱ的移植

在STM32F101C8上移植μC/OS－Ⅱ系統，移植的主要工作集中在OS_CPU.H、OS_CPU_A.ASM和OS_CPU_C.C這3個文件中，主要設計堆棧初始化、任務上下文切換、中斷掛接和數據類型定義幾個方面，這些均與STM32F101C8微處理器的ARM內核硬件緊密相關［14］。

2.3 軟件開發流程

將訓練好的BP神經網絡權值(W1、W2)和閾值(b1、b2)以適當的數組方式存入STM32F101C8處理器的Flash存儲器中，根據BP網絡的融合算法，編寫出基于C語言的BP網絡融合算法程序，程序在μC/OS－Ⅱ中以任務的方式運行，本系統由如圖4中8個任務來實現，優先權(Prio)的設置由各任務的執行順序以及對系統安全性影響的大小決定。

每個任務函數都是一個無限循環程序，并處于以下五種狀態［15］之一:休眠態、就緒態、運行態、掛起態和被中斷態。在無限循環中調用實現某些功能的應用程序函數，然后按設計需求設置掛起方式和掛起時間。系統整體軟件流程圖如圖4所示，系統初始化后便建立各個運行任務，啟動多任務調度機制，在各個信號的協調下有序運行。

圖4 系統整體流程圖

3 測試結果分析

3.1 系統輸出值評估標準

為了研究BP神經網絡數據融合前后，壓力和溫度兩個目標參量的交叉干擾敏感度，分別用壓力信號溫度靈敏度系數、零點溫漂系數和溫度信號壓力靈敏度系數對系統進行評估。

(1)傳感器壓力信號的溫度靈敏度系數

式中:ΔT為工作溫度變化范圍;Y(FS)為傳感器壓力信號的滿量程輸出值;Δym為當溫度變化ΔT時，輸出值隨溫度漂移的最大值。當溫度在21.5℃ ～70℃范圍變化時，未經過BP網絡融合的傳感器輸出Y(FS)=83.36 mV，Δym=83.36－73.28=10.8 mV，計算出 αs=2.49×10－3/℃。

(2)傳感器壓力信號的零點溫漂系數

式中:ΔT為工作溫度變化范圍;Ufs為傳感器壓力信號滿量程輸出值;ΔU0m為在工作溫度變化ΔT時，傳感器壓力信號的零點漂移最大值。同理，溫度在21.5℃～70℃范圍變化時，未經過BP網絡融合的傳感器輸出Ufs=83.36 mV，ΔU0m=(－7.72)－(－13.84)=6.12 mV，則 α0=1.51×10－3/℃。

(3)傳感器溫度信號的壓力靈敏度系數

式中:ΔP為工作壓力變化范圍，取5×104Pa;Y(FS)為傳感器溫度信號滿量程輸出值;Δym為當壓力變化ΔP時，輸出值隨壓力漂移的最大值。未經過BP網絡融合處理時，Y(FS)=86.12 mV，Δym=86.12－80.45=5.67 mV，則 αP=1.32×10－2/104Pa。

3.2 系統輸出結果及評估

經BP神經網絡融合、逆歸一化處理后，傳感器輸出值無需查表，節省了大量內存，壓力信號和溫度信號輸出分別見表1、表2。根據式(4)，Y(FS)=5×104Pa，Δym=5.018－4.945=0.073×104Pa，則融合后傳感器壓力信號的溫度靈敏度系數αs=3.01×10－4/℃。根據式(5)，Ufs=5×104Pa，ΔU0m=0.006－0.003=0.003×104Pa，經過BP網絡融合后的壓力信號零點溫漂系數α0=1.24×10－5/℃。由式(6)，Y(FS)=70 ℃，Δym=70.427－69.322=1.105℃，經過BP網絡融合后溫度信號的壓力靈敏度系數 αP=1.32×10－4/104Pa。

表1 壓力信號測試結果

表2 溫度信號測試結果

與未融合前相比，融合處理后的傳感器壓力信號溫度靈敏系數、零點溫漂系數和溫度信號壓力靈敏度系數降低明顯，均在一個數量級以上。這說明采用BP神經網絡信息融合技術消除傳感器交叉敏感現象是十分有效的，達到了信息融合的要求。

4 結論

本智能傳感器系統針對壓力和溫度相互交叉干擾的問題，利用BP神經網絡技術提高了溫度和壓力兩個參量的測量精度，并給出了相應的硬件結構和軟件設計。實測結果顯示該傳感器能滿足多任務下的實時性要求，并具有更加精確、穩定、可靠的性能。

(1)采用Levenberg-Marquardt算法構建了BP神經網絡模型，經檢驗該網絡收斂速度快、精度高、具有較強的適應能力和聯想能力。BP網絡融合后的輸出值無需查表，節省內存空間。

(2)基于μC/OS－Ⅱ操作平臺上，將BP網絡融合算法嵌入到STM32F101C8微處理器中，并實現了顯示、報警、與PC機通信等功能。通過對融合前后壓力信號溫度靈敏度系數、零點溫漂系數和溫度信號壓力靈敏度系數相對比，該系統能完善地、精確地反映檢測對象，提高信息融合的質量，滿足現代自動化設備需求。

［1］趙大慶，范錦鵬，吳敏生，等.模仿人體的智能傳感器設想［J］.傳感器技術，2002，21(8):17－22.

［2］張耀鋒，孫以材，刑曉輝.基于人工神經網絡的壓力傳感器的溫度補償［J］.電子學報，2008，36(2):358－361.

［3］Futane N P，Roy Chowdhury S，RoyChaudhuri C，et al.Analog ASIC for Improved Temperature Drift Compensation of A High Sensitive Porous Silicon Pressure Sensor［J］.Analog Integrated Circuits and Signal Processing，2011，67(3):383－393.

［4］劉新月，呂增良，孫以材.壓力傳感器溫度漂移補償的控制電路設計［J］.傳感技術學報，2007，20(3):567－569.

［5］高峰，董海鷹，胡彥奎.基于BP神經網絡的傳感器交叉敏感性抑制［J］.傳感器技術，2005，24(2):22－26.

［6］Du Z M，Jin X Q，Yang Y Y.Fault Diagnosis for Temperature，Flow Rate and Pressure Sensors in VAV Systems Using Wavelet Neural Network［J］.Applied Energy，2009，86(9):1624－1631.

［7］Xiao Z，Ye S J，Zhong B，et al.BP Neural Network with Rough Set for Short Term Load Forecasting［J］.Expert Systems with Applications，2009，36(1):273－279.

［8］邵軍，劉君華，喬學光，等.利用BP神經網絡提高光纖光柵壓力傳感器的選擇性［J］.傳感技術學報，2007，20(7):1531－1534.

［9］劉君華.智能傳感器系統［M］.西安:西安電子科技大學出版社，2010，221－224.

［10］邱寶梅，王建文.嵌入式機載攝影穩定平臺的設計［J］.儀器儀表學報，2009，30(9):1981－1984.

［11］何平，潘國峰，孫以材，等.壓力傳感器溫度漂移補償的RBF網絡模型［J］.儀器儀表學報，2008，29(3):572－576.

［12］楊英，唐平，王越超，等.基于LMBP改進算法的神經網絡結構優化［J］.計算機工程，2008，34(1):215－217.

［13］嚴潔，趙研，張俊利.基于BP神經網絡的稱重傳感器靜態非線性誤差補償研究［J］.傳感技術學報，2008，6(21):1025－1028.

［14］王駿，葉瑞源.μC/OS－Ⅱ的優化及在智能變送器中的應用［J］.自動化儀表，2010，31(2):5－7.

［15］吳永明，羅海據.μC/OS－Ⅱ系統中任務調度與監控機制改進［J］.計算機工程，2009，35(12):266－268.