基于GA優化LS -SVM的霍爾位移傳感器的溫度補償

王 娟， 盧文科， 左 鋒

(東華大學 信息科學與技術學院， 上海201620)

基于GA優化LS -SVM的霍爾位移傳感器的溫度補償

王 娟， 盧文科， 左 鋒

(東華大學 信息科學與技術學院， 上海201620)

由于霍爾位移傳感器輸出電壓隨溫度變化，所以需要對該傳感器進行溫度補償.首先采用遺傳算法(GA)優化的最小二乘支持向量機算法(LS-SVM)建立被測位移與霍爾位移傳感器系統的輸出電壓和溫度之間的函數關系，其次從該函數關系求出融合后的數據，最后從該數據求出溫度補償后零位溫度系數、靈敏度溫度系數和相對誤差.研究結果表明，溫度補償后零位溫度系數和靈敏度溫度系數均提高了一個數量級，相對誤差也得到了很大的改善，從而達到了對霍爾位移傳感器溫度補償的目的.

霍爾位移傳感器； 最小二乘支持向量機； 遺傳算法； 零位溫度系數； 靈敏度溫度系數

霍爾位移傳感器是根據霍爾效應制作的一種磁場傳感器，然而受到溫度、電源波動等環境因素的影響，使得傳感器的輸出不能正確地反映被測物理量，造成測量精度不高、穩定性差等問題.為了對傳感器溫度進行補償，常用的方法有兩種，即硬件補償方法和軟件補償方法，前者成本相應的比較高，而后者成本比較低.目前，軟件補償方法主要有回歸分析法、神經網絡技術與支持向量機等.在數據點較多時，采用回歸分析法易出現振蕩現象，導致形成病態或奇異的方程組，無法得到多項式系數；神經網絡算法存在陷入局部極小問題和學習算法的收斂速度慢的問題.本文采用遺傳算法優化最小二乘支持向量機的參數，并用改進后的算法來建立傳感器溫度補償的模型，一方面，支持向量機的參數選擇效率得到了提高，另一方面，縮短了優化時間并且測試樣本的回歸分析結果也是最優的.

1 霍爾位移傳感器位移測量原理

靜止載流體被放置在磁場中，若電流方向與磁場方向垂直，那么在載流體平行于電流與磁場方向的兩個側面上就會產生電勢為

UH=KHIHB

(1)

式中：UH為霍爾元件的輸出電壓；KH為霍爾片的靈敏度；IH為霍爾元件的控制電流；B為穿過霍爾元件的磁感應強度.

穿過霍爾元件的磁感應強度B與被測物體的位移量x成正比例關系，即

B=K1x

(2)

式中：K1為常數.

將式(2)代入式(1)中得：

UH=KHIHK1x=K2x

(3)

K2=KHIHK1

(4)

在不考慮溫度影響時，如果保持控制電流IH不變，使霍爾元件在一個均勻梯度的磁場中移動，則K2為常數，輸出電壓UH取決于被測物體在磁場中的位移量x.磁場梯度變化越均勻，霍爾元件輸出電壓與位移之間的非線性誤差就越小.

因為溫度對霍爾元件基片的載流子遷移率、電阻率和霍爾常數等都有影響，故霍爾元件的一些特性參數如輸出電壓、輸入電阻和輸出電阻等都會隨著工作溫度的變化而發生相應的變化，從而使霍爾傳感器產生溫度誤差.所以輸出電壓UH是關于位移量x和溫度t的函數，即：

UH=f(x，t)

(5)

可以用LM35型溫度傳感器監測霍爾傳感器的工作溫度，如圖1所示.

圖1 用溫度傳感器監測霍爾位移傳感器的工作溫度Fig.1 Temperature of Hall displacement sensor monitored by temperature sensor

LM35型溫度傳感器的輸出電壓為

Ut=Ktt

(6)

將式(6)代入式(5)得：

UH=g(x，Ut)

(7)

由式(7)可知，對霍爾位移傳感器進行溫度補償可以提高其測量精度.

2 采用遺傳算法優化的最小二乘支持

向量機原理分析

2.1 最小二乘支持向量機原理

網絡的兩個輸入量為Us和Ut，U(x)為霍爾位移傳感器系統的總輸出量，有U(x)=f(Us，Ut).由標定試驗獲得的幾組樣本記為{(Usi，Uti)，U(x)}， (i=1， 2， ...，n).總共n個樣本點： {xi，yi}(xi∈Rm，yi∈R)，m為輸入向量的維數，m=2.(Us，Ut)為輸入量xi，U(x)為期望輸出量yi.運用支持向量機算法來擬合輸入量x與輸出量y之間的關系，如式(8)所示.

(8)

最小二乘支持向量機是由標準支持向量機進行改進而得出的.標準支持向量機的線性不等式約束條件轉化成了線性等式約束條件，將系統輸出與擬合輸出的誤差平方和損失函數作為訓練集的經驗損失，從而使得標準支持向量機的求解問題等價于對一組線性方程組的求解，提高了求解問題的速度和收斂精度.

假設給定訓練樣本集

X={(x1，y1)， ...， (xn，yn)}，xi，yi∈R

樣本X用非線性函數φ(x)映射到高維空間，此時在這個高維空間中構造最優決策函數，如式(9)所示.

f(x)=ω·φ(x)+b

(9)

式中：φ(x)為特征函數；ω和b為待求的回歸參數，利用結構風險最小化原則，尋找ω和b.

標準支持向量機是求解式(10)的最小值問題.

(10)

式中：γ為懲罰因子，用于控制函數的擬合誤差，γ越大，擬合誤差越小，相應的訓練時間也就越長，但γ過大會導致過擬合；ξi為松弛因子.

最小二乘支持向量機把式(10)的最小值問題的約束條件轉化成了一組等式約束，即求解式(11)的最小值問題.

s.t.yi=φ(xi)·ω+b+ξi，i=1， 2， …，n

(11)

用拉格朗日法求解這個優化問題：

(12)

式中：αi(i=1， 2， …，n)為拉格朗日乘子.將L分別對ω，b，ξi，α求偏微分， 并令其為零， 得：

定義核函數k(xi，xj)=φ(xi)·φ(xj)，上述優化問題轉化為求解線性方程：

(14)

求解式(14)可得αi和b，從而得到最小二乘支持向量機的回歸方程為

(15)

2.2 最小二乘支持向量機參數優化

2.2.1 支持向量機的參數選擇問題

支持向量機是建立在統計學習理論上的一種學習算法，由不同的參數和核函數構造的支持向量機在性能上存在很大差異，而在參數和核函數的選擇上目前還沒有明確的理論依據.本文利用最小二乘支持向量機求解函數擬合問題也存在參數確定的問題.相關研究[5]表明，影響支持向量機特性的主要參數有懲罰因子和核函數的參數，其中可以通過調節懲罰因子來調整支持向量機的置信范圍和經驗風險的比例，而樣本數據在高維特征空間中分布的復雜度受核函數的參數影響較大，因此，需要選擇適當的核函數將數據映射到合適的特征空間，從而獲得泛化能力較好的支持向量機.目前優化最小二乘支持向量機參數的常用方法有遺傳算法、粒子群優化算法、網絡搜索和交叉驗證相結合法等.在眾多的最優化算法中，遺傳算法憑借其強大的全局搜索能力、并行性、高效性的優點得到了廣泛應用.因此，本文采用遺傳算法來優化最小二乘支持向量機的參數，該方法可提高支持向量機的參數選擇效率，得到的參數對測試樣本的回歸結果是最優的，從而避免了人為設定參數的不足，同時縮短了優化時間.

2.2.2 用遺傳算法優化最小二乘支持向量機參數

用遺傳算法優化最小二乘支持向量機參數的主要步驟如下：

(1) 初始化.如設置遺傳算法的初始種群規模、個體長度等.

(2) 對待優化的參數按照其設定的限定范圍進行二進制編碼，隨機產生初始種群.設置遺傳代數計數器t=0.

(3) 個體評價.計算種群中各個個體的適應度.這里將最小二乘支持向量機的回歸方程輸出值與期望值之間的誤差作為目標函數值， 即個體的適應度.

(4) 根據個體適應度的分布，按輪盤賭法從當前種群中選出個體進入下一代，通過染色體個體基因的復制、交叉、變異等操作創造新的個體，構成新的種群.

(5) 終止條件判斷.若遺傳代數t超過一定迭代次數，則以進化過程中所獲得的具有最大適應度個體作為最優解輸出，并終止計算，否則轉至步驟(3).

3 霍爾位移傳感器的溫度補償

3.1 標定試驗

在霍爾位移傳感器的表面放置一個溫度傳感器并放置在恒溫箱中，調節恒溫箱的溫度為19.46 ℃，不考慮控制電流的影響，等待10 min后溫度穩定，將測微頭分別調到各標定值，分別測得溫度傳感器和霍爾位移傳感器的輸出電壓Ut和Us.然后將溫度調節為24.57 ℃，待恒溫箱溫度達到預設值時，重復上述過程，依次記錄下霍爾位移傳感器系統的輸出電壓.測試結果如表1所示.

表1 傳感器試驗標定數據Table 1 Data of calibration experiment of the sensor

這里用零位溫度系數(α0)、靈敏度溫度系數(αs) 和相對誤差(δ)表示溫度對霍爾位移傳感器的精度影響.

(16)

(17)

(18)

式中：t1、t2為工作的上、下限溫度；UH0max、UH0min為工作溫度在t1與t2之間變化，位移x=0時，霍爾傳感器輸出電壓的最大值和最小值；UHkmax、UHkmin為工作溫度在t1與t2之間變化，位移x=1.8 mm時，霍爾傳感器輸出電壓的最大值和最小值；UFS為滿量程電壓輸出值；Δt=t2-t1為溫度變化范圍.

由表1中的數據計算可得：

(19)

(20)

(21)

3.2 Matlab實現溫度補償處理

表1中的一半數據(Us，Ut)作為學習樣本，全部的試驗數據作為測試樣本.

(1) 設置遺傳算法中的種群個數為50，進化最大迭代次數為200，交叉概率為0.25，變異概率為0.01， 采用實數編碼.

(2) 為了保證模型的精度及較強的泛化能力，設定適應度函數為

式中：yi為第i個學習樣本的實際值；f(xi)為第i個學習樣本的預測值.

(3) 利用遺傳算法計算得到的最小二乘支持向量機的參數γ=1 000和δ2=0.01代入到程序中，得到數據融合后輸出值x′以及偏差Δx，部分結果如表2所示.

表2 數據融合后的數據及誤差Table 2 Data and errors after data fusion

由表2中的數據計算可得：

6.80×10-4℃-1

(22)

2.69×10-4℃-1

(23)

0.68%

(24)

由數據融合處理前后對比可知：

(1) 零位溫度系數α0由7.08×10-3℃-1下降到6.80×10-4℃-1，即精度提高了一個數量級；

(2) 靈敏度溫度系數αs由2.51×10-3℃-1下降到2.69×10-4℃-1，即精度提高了一個數量級；

(3) 相對誤差由6.32%降低到0.68%，得到了很大改善.

4 硬件實現

將上述支持向量機的融合方程參數移植到單片機系統上，用溫度傳感器對霍爾傳感器工作溫度進行實時監測，按照工作溫度變化對該霍爾位移傳感器收集值進行修正，從而達到對該霍爾位移的實時溫度補償的效果，使得位移測試系統具有一定的自適應能力.具有溫度補償功能的霍爾位移傳感器測量系統的硬件電路結構框圖如圖2所示.

圖2 硬件電路結構框圖Fig.2 Structure diagram of the hardware circuit

5 結 語

本文利用遺傳算法對最小二乘支持向量機中的懲罰因子和核函數參數進行優化，采用此算法處理后霍爾位移傳感器測量系統的零位溫度系數、靈敏度溫度系數都提高了一個數量級，相對誤差也得到了很大的改善.由此可見，該算法對霍爾位移傳感器的溫度補償達到了比較好的效果.

[1] 劉君華.智能傳感器系統[M].西安：西安電子科技大學出版社，2004.

[2] 高茜.提高霍爾傳感器精確度的研究[J].沈陽電力高等專科學校學報，2002，4(1)：42-44.

[3] 常炳國，張聲良，劉君華.采用數據融合處理技術提高傳感器可靠性[J].西安交通大學學報，1998，32(12)：5-7.

[4] 雷英杰，張善文，李續武，等.MATLAB遺傳算法工具箱及其應用[M].西安：西安電子科技大學出版社，2005.

[5] 王興玲，李占斌.基于網格搜索的支持向量機核函數參數的確定[J].中國海洋大學學報，2005，35(5)：859-862.

[6] TANG X J， LIU J H. Research on dynamic characteristics of multi-sensor system in the case of cross-sensitivity[J]. Science in China Series E： Technological Sciences， 2005， 48(1)： 1-22.

[7] CARE W P， YEE S S. Calibration of nonlinear solid-state sensor arrays using multivariate regression models techniques[J]. Sensor and Actuators， B： Chemical， 1992， 9(2)： 113-122.

[8] HETSRONI G. Handbook of multiphase systems[M].New York： Hemisphere Publishing Corporation， McGraw-Hill Book Company， 1982.

[9] 王慶華.多傳感器智能控制系統的設計與實現[D].大連：大連理工大學計算機科學與技術學院，2007.

[10] 宋紹民，張忠賢.傳感器非線性的反擬合方法及校正實現[J].傳感器技術，2005，24(6)：32-36.

TemperatureCompensationofHallDisplacementSensorBasedonGAOptimizationLS-SVM

WANGJuan，LUWenke，ZUOFeng

(College of Information Science and Technology， Donghua University， Shanghai 201620， China)

Because the output voltage of Hall displacement sensor varies with temperature， this sensor is subjected to the temperature compensation. First， the functional relation among the measured displacement， the output voltage of the Hall displacement sensor and the temperature is established by the least squares support vector machine (LS-SVM)optimized with genetic algorithm(GA)， then the fusion data is solved finally from this functional relation， the zero temperature coefficient， the temperature sensitivity coefficient and the relative error after temperature compensation are obtained from the fusion data. Research results show that the zero temperature coefficient and the temperature sensitivity coefficients increase an order of magnitude after temperature compensation， and the relative error also gets very big improvement， so the purpose of the temperature compensation for the Hall displacement sensor is achieved.

Hall displacement sensor； least square support vector machine； genetic algorithm； zero temperature coefficient； temperature sensitivity coefficient

1671-0444(2017)05-0689-05

2016-05-17

王 娟(1990—)，女，安徽六安人，碩士研究生，研究方向為傳感器技術.E-mail：413657929@qq.com

盧文科(聯系人)，男，教授，E-mail：luwenke3@163.com

TP 86

A

(責任編輯：徐惠華)