模糊神经网络在衡器标定中的应用

摘要

铝电解企业的称重系统工作的环境温度在-20℃-80℃之间，高温和低温对传感器的影响比较大，而且是非线性的，即对于同一砝码在不同环境温度下称重系统的输出不同。因此，当环境温度变化较大时，必须考虑如何采取有效的措施，减少并补偿温度影响带来的误差，否则会因温度的变化而影响传感器数据采集的精度，尤其是在电子秤的长期使用当中，这个问题很突出。
　　 通常，电子称重系统的温度补偿措施有硬件补偿和软件补偿两种。硬件补偿措施就是采用硬件电路来消除温度带来的影响，但整个电路系统会存在漂移，且很难做到全额补偿。软件补偿又可分为数值分析和人工智能法，最小二乘曲线拟合法是最常用的基于数值分析的温度补偿方法，但它是基于梯度变化量的计算来求最优解的，容易进入局部最优，无法得到全局最优解。
　　 本文回顾了铝电解企业称重系统的历史现状，在此基础上，介绍并讨论了人工智能的方法——模糊神经网络来对其进行温度补偿。模糊神经网络是人工神经网络和模糊技术的综合。模糊神经网络是神经网络和模糊理论相结合的一种网络，它是在神经网络中引入了模糊算法或模糊权系数，是具有输入信号是模糊量的神经网络，是模糊理神经网络理论的基本出发点。将具有逻辑推理能力的模糊技术引入神经网络，使神经网络的节点和参数对应模糊系统的隶属度函数或推理过程，能拓宽神经网络处理信息的范围和能力。模糊系统与人工神经网络的有机结合，可有效地发挥各自的优势并弥补其不足，提高整个系统的表达能力和学习能力。将二者有机地结合起来，既考虑了称重数据的模糊性又考虑称重特征与称重结果的复杂关系。本课题以称重传感器当前所处的温度和内码值为基础，利用模糊神经网络的方法应用于称重系统，旨在提高称重系统的准确度和稳定性，使称重更加准确使结果更加具有精确性，为衡器的标定开辟了一条新方法。
　　 方法:称重传感器对应的内码值为p，传感器的输出量为m，该称重传感器受温度t的影响，所以输出量m为二元函数，即m=f(p，t)。将测量到的168组数据随机的分为学习样本和测试样本，将称重传感器工作在-14.1℃、-12.8℃、17℃、17.8℃、18.8℃、18.8℃、18.8℃、53.1℃、54.6℃、58.5℃和59.5℃下的12个标称点的共132对实验数据作为学习样本，将工作在-13.5℃、18.9℃和56.8℃下的12个标称点的共36组实验数据作为测试样本，测试模糊神经网络的泛化能力。
　　 结果:把模糊神经网络应用于电容式称重传感器的温度补偿处理中，使其在高温、常温、低温下成功的得到了使测试样本的误差小于0.205％的输出，二者的融合提高了称重系统输出的准确度，得到比较满意的结果，开辟了高温称重技术的又一新领域。方案可行说明模糊神经网络对于拟合任意非线性函数的能力很强，类似的工作都可以用模糊神经网络来解决。

目录

声明

摘要

1 绪论

1．1 课题背景及研究意义

1．1．1 课题研究背景

1．1．2 课题研究的意义

1．2 称重计量的国内外现状

1．3 本文章节组织

2 称重实验数据及特征数据提取方法

2．1 电子称重系统的使用环境

2．2 电容式称重传感器的结构与原理

2．3 电容式称重传感器的温度补偿

3 人工神经网络和BP算法

3．1 人工神经网络概述

3．1．1 人工神经元结构及功能

3．1．2 神经网络拓扑结构

3．1．3 前馈型神经网络的学习算法

3．2 BP神经网络

3．2．1 BP神经网络的结构和符号表示

3．2．2 BP神经网络的误差背传学习算法

3．3 BP神经网络设计基础

3．3．1 学习过程中数据的两种传递方向

3．3．2 训练集的选取

3．3．3 学习步长、动量常量及非线性函数的选取

3．3．4 隐层层数与隐层神经元数

3．3．5 学习样本的预处理和权重初始化选择

3．3．6 局域极小及跳出技术

3．3．7 推广性问题

3．4 人工神经网络在衡器标定中的应用

3．4．1 神经网络的输入结果

3．4．2 神经网络的仿真图

4 模糊神经网络

4．1 模糊逻辑技术

4．1．1 模糊集合的概念及其表示方法

4．1．2 确定隶属度函数的基本原则

4．1．3 隶属度函数的确定方法

4．2 神经网络与模糊逻辑的融合

4．3 基于模糊神经网络的BP算法

5 模糊BP神经网络用于衡器标定

5．1 模糊神经网络结构的设计

5．2 模糊神经网络的参数设定

5．3 模糊神经网络的构建和训练

5．4 测试样本的输出及仿真结果

5．4．1 测试样本的输入结果

5．4．2 模糊神经网络的仿真结果

5．4．3 人工神经网络和模糊神经网络输出结果分析

6 总结

参考文献

附录A 学习样本

附录B 测试样本

附录C 主程序

个人简历

在学期间学术论文发表情况

致谢