利用LS-SVM回歸算法辨識(shí)模型參數(shù)實(shí)現(xiàn)傳感器非線性校正的研究

引 言

在傳感器非線性校正領(lǐng)域，國(guó)內(nèi)外許多學(xué)者提出多種方法，并得到廣泛應(yīng)用，傳統(tǒng)方法歸納起來(lái)可分兩類：一類是公式法，即以實(shí)驗(yàn)數(shù)據(jù)為基礎(chǔ)，用最小二乘等系統(tǒng)辨識(shí)方法求取擬合曲線參數(shù)，建立校正曲線的解析表達(dá)式;另一類是表格法，以查表為手段，通過(guò)分段線性化來(lái)逼近傳感器的非線性特性曲線。

近些年來(lái)，隨著神經(jīng)網(wǎng)絡(luò)的發(fā)展，又有不少學(xué)者利用神經(jīng)網(wǎng)絡(luò)的非線性回歸能力，擬合傳感器輸出與輸入的非線性關(guān)系，建立傳感器傳輸特性的逆模型，從而使傳感器亦即神經(jīng)網(wǎng)絡(luò)構(gòu)成的系統(tǒng)線性化。但是，該方法也存在一定的局限性，主要表現(xiàn)在：1）神經(jīng)網(wǎng)絡(luò)存在局部極小和過(guò)學(xué)習(xí)問(wèn)題，易影響網(wǎng)絡(luò)的泛化能力，因此，對(duì)樣本的數(shù)量和質(zhì)量依賴強(qiáng);2）網(wǎng)絡(luò)訓(xùn)練結(jié)果與網(wǎng)絡(luò)初值、樣本次序等有關(guān)，所建逆模型不具備唯一性;3）一般不能給出非線性校正環(huán)節(jié)（逆模型）的數(shù)學(xué)解析表達(dá)式。

本文在前人研究的基礎(chǔ)上，將現(xiàn)代方法與傳統(tǒng)方法相結(jié)合，提出一種利用最小二乘支持向量機(jī)（least squares support vector machine，LS-SVM）的回歸算法/辨識(shí)傳感器非線性逆模型的新方法，最后，通過(guò)鉑銠30-鉑銠6熱電偶（B型）非線性校正實(shí)例，驗(yàn)證了上述結(jié)論。

1、傳感器非線性校正原理

大多數(shù)傳感系統(tǒng)都可用y=f（x），x∈（ξa，ξb）表示，其中，y表示傳感系統(tǒng)的輸出，x表示傳感系統(tǒng)的輸入，ξa，ξb為輸入信號(hào)的范圍。y信號(hào)可經(jīng)過(guò)電子設(shè)備進(jìn)行測(cè)量，但通常是根據(jù)測(cè)得的y信號(hào)求得未知的變量x，即表示為x=f-1（y）。但在實(shí)際應(yīng)用過(guò)程中，絕大多數(shù)傳感器傳遞函數(shù)為非線性函數(shù)。

為了消除或補(bǔ)償傳感系統(tǒng)的非線性特性，可使其輸出y，通過(guò)一個(gè)補(bǔ)償環(huán)節(jié)，如圖1所示。該模型的特性函數(shù)為u=g（y），其中，u為非線性補(bǔ)償后的輸出，它與輸入信號(hào)x呈線性關(guān)系，并使得補(bǔ)償后的傳感器具有理想特性。很明顯，函數(shù)g（·）也是一個(gè)非線性函數(shù)，若其輸入-輸出關(guān)系恰好為傳感器傳輸特性的逆映射，那么，就能夠使補(bǔ)償結(jié)果u在數(shù)值上與被測(cè)物理量一致。

實(shí)際上，熱電偶在整個(gè)測(cè)量范圍的非線性關(guān)系可用分度表表示，但是，在實(shí)際進(jìn)行非線性校正時(shí)，構(gòu)建補(bǔ)償環(huán)節(jié)需要的是溫度對(duì)熱電動(dòng)勢(shì)的分度函數(shù)關(guān)系t（E），即需要根據(jù)熱電動(dòng)勢(shì)來(lái)反求相應(yīng)的溫度值。可用一個(gè)冪級(jí)數(shù)多項(xiàng)式來(lái)擬合溫度對(duì)熱電動(dòng)勢(shì)的非線性關(guān)系，并作為傳感器非線性補(bǔ)償器的數(shù)學(xué)模型，這樣，不但便于計(jì)算，同時(shí)，也具有通用性。很明顯，多項(xiàng)式的次數(shù)越高，擬合的精度也就越高，非線性校正的效果也越理想;當(dāng)然，進(jìn)行線性化校正時(shí)的計(jì)算量也隨之上升，因此，在實(shí)際應(yīng)用時(shí)應(yīng)權(quán)衡考慮。

不妨設(shè)補(bǔ)償器分度函數(shù)具有如下形式

從上述分析來(lái)看，對(duì)傳感器非線性進(jìn)行校正的關(guān)鍵在于：構(gòu)建如式（2）或式（3）所示的補(bǔ)償器模型，對(duì)其進(jìn)行辨識(shí)，并求取參數(shù)ω與6。因此，可采用系統(tǒng)辨識(shí)方法構(gòu)造溫度傳感器非線性補(bǔ)償環(huán)節(jié)（逆模型），具體步驟如下：

2、 LS-SVM系統(tǒng)辨識(shí)原理

3 、實(shí)際傳感器校正實(shí)驗(yàn)

鉑銠30-鉑銠6熱電偶（B型）在0～1 820℃范圍內(nèi)的輸入-輸出特性如圖3所示，在低溫段有較嚴(yán)重的非線性，直接影響測(cè)量精度，有必要增加非線性補(bǔ)償環(huán)節(jié)進(jìn)行校正使其線性化。

將該數(shù)學(xué)模型串聯(lián)在鉑銠30-鉑銠6熱電偶（B型）的輸出端，可構(gòu)成具有非線性自校正功能的傳感器系統(tǒng)，通過(guò)該校正模型之后，使熱電偶系統(tǒng)的線性度由校正之前的0.2123降為0.0353，系統(tǒng)的輸入-輸出特性如圖4所示。

值得注意的是，鉑銠30-鉑銠6熱電偶（B型）在整個(gè)測(cè)試范圍中的傳輸特性曲線并不是單調(diào)遞增的。由于在0～100℃段，傳感器的分度函數(shù)呈現(xiàn)U型分布，例如：與輸出熱電動(dòng)勢(shì)E=0 mV對(duì)應(yīng)的測(cè)試溫度可能是0℃，也可能是40℃。所以，在低溫段，該傳感器傳遞函數(shù)的反函數(shù)是不存在的，影響了該部分非線性校正的效果;但在中高溫段（400～1800℃）傳感器輸出的具有明顯的單調(diào)特性，因此，在該溫度段用逆模型進(jìn)行校正取得了相當(dāng)理想效果。圖4所示的實(shí)際校正結(jié)果也表明：除低溫段外，傳感器系統(tǒng)的校正值與真實(shí)值非常接近。

4、 結(jié)束語(yǔ)

通過(guò)構(gòu)建傳遞函數(shù)的逆模型可實(shí)現(xiàn)傳感器的非線性校正，提高傳感器的測(cè)量精度。本文針對(duì)實(shí)際問(wèn)題，建立冪級(jí)數(shù)多項(xiàng)式補(bǔ)償模型，并利用LS-SVM的回歸算法辨識(shí)模型參數(shù)，實(shí)現(xiàn)傳感器的非線性校正。

本文方法是現(xiàn)代技術(shù)（人工智能）和傳統(tǒng)方法（最小二乘法）的一種結(jié)合，與神經(jīng)網(wǎng)絡(luò)為代表的人工智能方法不同，本文方法并沒(méi)有利用非線性學(xué)習(xí)能力逼近模型的輸入-輸出特性;而是利用LS-SVM線性回歸算法進(jìn)行模型參數(shù)辨識(shí)，因此，可給出補(bǔ)償器模型的解析形式數(shù)學(xué)表達(dá)式。最后，實(shí)際鉑銠30-鉑銠6熱電偶（B型）非線性校正實(shí)例驗(yàn)證了本文方法的可行性。

責(zé)任編輯：gt