《基于rbf神经网络的多传感器融合系统标定》由会员分享，可在线阅读，更多相关《基于rbf神经网络的多传感器融合系统标定（4页珍藏版）》请在金锄头文库上搜索。
1、基于 RBF 神经网络的多传感器融合系统标定 王强军 石荣波 郑贝贝 （中航工业成都飞机工业（集团）有限责任公司，四川成都 610092） 摘 要：在多传感器融合系统中，不同的传感器对相同的激励产生不同的输出信号。为尽量 降低输出信号的误差， 研究多传感器融合系统的标定方法， 提出基于 RBF 神经网络同时标定 多传感器的技术，构建标定系统模型。以振动传感器为研究对象，提出了振动传感器标定的 实施方案。结果表明,基于 RBF 神经网络的多感器融合系统标定模型有效降低信号误差。 关键词：标定;多传感器融合;RBF;振动传感器 The Calibration of the Fusion Syste
2、m of Multi-sensor Based on RBF Neural Network WANG Qiangjun，SHI Rongbo，ZHENG Beibei (AVIC Chengdu Aircraft Industrial (Group) Co. Ltd., Chengdu Sichuan 610092,China) Abstract: In the fusion system of multi-sensor, different sensors emerge different output signal to the same stimulation. In order to
3、reduce output signals error, researching calibration method of multi-sensor fusion system, advancing the technology of simultaneously calibrate on more sensors, which based on RBF neural network, structuring calibration system model. Set vibration sensor as study object, bringing up implement scheme
4、 of vibration sensors calibration. Results indicating that, based on RBF neural network, signal error could be effectively reduced through the multi-sensor fusion system calibration model. Key Words: calibration; multi-sensor fusion; RBF; vibration sensor 0 引言 多传感器融合技术在工业领域中应用 十分广泛。 检测同一物理量的传感器被分布 在
5、不同的位置,这些传感器很难得到相同的 输出1。对传感器的标定工作是进行测量的 第一步也是非常关键的环节。 传感器测量结 果准确与否， 直接影响到测试结果的精度及 可靠性2。 在某数控机床各个部件的状态及故障 信息采集过程中，采用振动传感器、电流传 感器、压力传感器、流量传感器和温度传感 器获取相关信息3。为保证测量的准确性, 需要对传感器系统进行标定。 径向基函数神经网络4是一种高效的 前馈式神经网络， 它具有其他前向网络所不 具有的最佳逼近性能和全局最优特性， 并且 结构简单，训练速度快。同时，它也是一种 可以广泛应用于模式识别、 非线性函数逼近等领域的神经网络模型。 数控机床的故障诊断技术
6、应用了多传 感器融合技术， 但安装传感器后需要对传感 器系统进行标定，以达到预期精度要求。本 文论述了基于 RBF 神经网络多传感器融合 系统的标定。以振动传感器为研究对象，设 计了标定系统， 通过与静态工作台标定方案 结果对比，精度符合预期要求。 1 径向基神经网络 RBF 神经网络主要用于预测、识别、函数逼近等问题5。径向基函数具有优良的逼近特性。 RBF 网络族足够大， 它可以在一个紧集上一致逼近任何连续函数6。RBF 神经网络是一种特殊的 3 层前馈网,它具有非线性可分模式空间映射到线性可分状态空间的特性.RBF网络结构包括一个输入层、 一个隐层和一个输出层，输入层和隐层直接相连接，隐
7、层包含一系列径向基函数，通常为同一类型4。 1.1 RBF神经网络结构及数学模型 网络由输入到输出的映射是非线性的， 而网络对可调参数而言是线性的。 这样网络的权就可由线性方程组解出或用递推最小二乘法递推计算， 从而大大加快学习速度并避免局部极小问题。 如图 1 所示表示了一个多输入多输 出且具有p个隐层神经元的 RBF 网络模型结构图，有m个输入、n个输出。7 图 1 RBF 网络模型结构图 径向基函数可以写成8 ( )() =Ppppcxxg1 （1） 其 中NRx表 示 模 式 向 量 ， NPppRc=1是基函数中心，j是权系数，是选定的非线性基函数。式（1）可以看作是一个神经网络，输
8、出层有N个单元，输入模式向量x由此进入网络。隐层有P个单元，第p个单元的输入为ppcxh=，输出为( )ph。输出层有 1 个单元，输出为 ( )( ) =Pppphxg1 （2） 1.2 高斯函数 确定了 pc后， 可以选取高斯基函数来构造径向基函数： ( )( ) =Ppppxxg1 （3） 在式（3）中， ( )( )( ) =Ppqp p xRxRx1 （4） ( )=222exppp pcxxR（5） 参数p是第p个高斯函数( )xRp的 “宽度”或“平坦度” 。p越大，则以p为中心线等高线越稀疏，( )xRp越平坦，对其他( )xq的影响也就越大。 RBF 神经网络的基本思想是：用
9、径向基函数作为隐单元的基，构成隐含层空间，隐含层对输入矢量进行变换， 将低维的模式输入数据变换到高维空间内， 使得在低维空间内的线性不可分问题在高维空间内线性可分7。 2 多振动传感器标定技术 2.1 压电加速度传感器频率响应特性9 压电式加速度传感器可以简化成由集成质量 m、集成弹簧 k 和集中阻尼 c 组成的二阶单自由度系统。因此，当传感器承受振动加速 度0a时，则传感器传递函数表达式为 ( )22 021nnt sssax+= （6） 将上式改写成频率传递函数，形式如下： ()jjaxnnnt + =211220（7） 其振幅比和相位分别为 2220 211 + =nnnt ax（8）
10、=18012arctan2nn （9） 式中：tx质量块相对于传感器壳体位移的振幅； 0a加速度振幅； 振动体振动角频率； n传感器固有角频率； 相对阻尼系统； 质量块的位移滞后于加束祺的相位角。 因为质量块与传感器壳体之间的相对位移tx等于压电元件的变形量。因此，在压电元件的线性弹性范围内，有 tyxkF = （10） 式中：F作用在压电元件上的力； yk压电元件的弹性系数。 2.2 振动传感器标定系统 振动传感器的标定， 应该在应用场所环境中进行，为获取较高的标定精度，应将传感器及其配用的电缆、 放大器等测试系统一并进行标定。 多振动传感器标定系统如图 2 所示。 图 2 多传感器标定系统
11、 振动传感器为被标定对象， 标准振动源为产生标准振动频率的信号， 调理仪对振动传感器输出信号进行放大、滤波等处理，为使调理仪输出信号能进入 PC 机，需由信号转接板进行接口变换、低通滤波、降噪等处理，PC 机进行数据采集处理。 3 实验与数据处理 3.1 振动传感器的安装 振动传感器安装于数控机床 CINCINNATI V5-3000 立式加工中心中， 其中滚珠丝杠型号为 BNFN4512-5G0（THK） ，水平安装，一端轴向固定，一端支持，在 Y 轴丝杠方向安装多个振动传感器,单向振动传感器安装在丝杠支承座轴承上方测试丝杠的垂向振动、 两个三向加速度传感器加速度振动传感器分别安装在丝母座和
12、丝杠固定端轴承正上方。 所有振动传感器安装部位如表 1 所示。 分别在相应部位放入标准振动源，准备进行传感器标定。 表 1 传感器安装部位 1 X 左丝杠轴承座 6 X 后导轨三向 2 X 右丝杠轴承座 7 Y 左导轨三向 3 Y 前丝杠轴承座 8 Y 右导轨三向 4 Y 后丝杠轴承座 9 Y 丝母三向 5 X 前导轨三向 10 主轴三向振动 传感器参数为： 单向电压加速度计：INV9821 电压灵敏度（160HZ） ：5.07mV/ms-2 可用平率范围：0.5HZ5kHZ 安装谐振频率：25kHZ 检定条件：温度：25，湿度：50% 三向电压加速度计：INV9832 电压灵敏度（160HZ
13、） ： X：1.027 mV/ms-2 Y：1.022 mV/ms-2 Z：1.002mV/ms-2 频响：110kHZ 检测条件：温度：20，湿度：50% 3.2 信号传输与处理 振动信号经由传感器信号经 BK2365 电荷放大器放大后输入到 PCI-A/D 卡,采样频率5.12KHz，传输至工控机，并保存为 TXT 文档，共 22 列，每一列为传感器的一个通道。启动MATLAB 软件， 先对数据进行滤波、 FFT 等运算。将结果输送至 RBF 网络模型，进行曲线拟合。工作过程如图 3 所示。 其中 RBF 网络由神经网络工具箱中的newrb 函数来设计。利用迭代方法设计一径向基函数网络，每
14、次迭代一次就增加一个神经元， 直到误差平方和下降到目标误差以下或神经元个数达到最大值时迭代停止10。 图 3 数据传送与处理过程 4 结束语 本文多传感器标定系统利用 PC 机强大 的数据运算、处理功能，及 RBF 网络所具 有的最佳逼近性能和全局最优特性， 并且结 构简单，训练速度快，对分布式传感器系统 进行标定，节省了标定的时间及开支，具有 较强的工业应用价值。 参考文献 1 Hing Kai Chan, Senior Member. A Low-Cost Voltage-to-Current Calibration Technique for Multiple-Sensor System
15、sJ.IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT, 2010,59(1):73-77 2 谢石林,陈胜来,张希农等.传感器标定的神经网 络 杂 交 建 模 方 法 J. 机 械 工 程 学报,2010,46(22):6-14 3 高宏力,刘庆杰,黄柏权等.数控机床故障预测与健康管理系统关键技术J.计算机集成制造系统,2010,16(10):2217-2226 4 俞阿龙.基于 RBF 神经网络的热敏电阻温度传感 器 非 线 性 补 偿 方 法 J. 仪 器 仪 表 学报,2007,28(5):899-902 5 刘 进 军 .RBF 神 经 网 络 的 改 进 及 其 应 用D.2008 6 Simon Haykin.神经网络原理M.北京:机械工业出版社,2004.1 7 雷剑.基于支持向量机优化 RBF 神经网络的算法及应用研究D.2008 8 南东.RBF 和 MLP 神经网络逼
