基于神经网络的郎之万型换能器谐振频率检测方法

摘要

本发明涉及一种基于神经网络的郎之万型换能器谐振频率检测方法，首先采用换能器特征测量模块提取影响换能器谐振频率的主要影响因素，然后将主要影响因素输入神经网络检测模块，由神经网络检测模块通过神经网络的计算输出对应的谐振频率，然后，通过少量的不同规格的换能器进行组合，作为神经网络训练的样本数据，同时采用粒子群优化算法优化神经网络的参数，进一步提升网络的输出谐振频率的精度。该方法具备成本低，效率高，精度高的特点，可在换能器谐振频率发生变化时及时检测出此时的谐振频率。

说明书

技术领域

本发明涉及一种换能器谐振频率检测方法，尤其是一种郎之万型换能器谐振频率检测方法

背景技术

超声换能器是在超声频率范围内将交变的电信号转换成声信号或者将声信号转换为电信号的能量转换器件，控制电源施加合适的激励频率使换能器整体发生共振，此时换能器的振幅将会显著提升，振动相对稳定，能量转换效率也达到最高。换能器发生共振时的频率称为换能器的谐振频率，在理想状态下，使换能器发生共振的条件是外界施加的激励频率等于换能器的固有频率。

在实际使用中，使换能器发生共振时的谐振频率会受很多特征量(材料，尺寸，电压等)的变化而发生变化。首先，在换能器的生产过程中，不同规格的换能器的材料、尺寸等特征(自身特征)不同，换能器的谐振频率不同。其次，在换能器的使用场景中，档位(电压)，温度等外界特征的变化，也会影响换能器的谐振频率。通常情况下，为了获取换能器的谐振频率，加工制造的换能器会通过成本高，精度低，效率低实验室测量的方法得到，需要昂贵的实验设备和实验条件。超声换能器的结构如图1所示，包括预紧螺栓、后盖板L1、压电陶瓷晶堆L2、前盖板L3、变幅杆过渡段L4、前盖板L5、预紧螺栓的直径D1和前盖板L5的直径D2。

目前在市场上超声电源和换能器基本都是一对一配置,更换不同谐振频率的换能器,超声波电源无法识别新换能器的串联谐振频率且做到动态匹配；对于换能器串联谐振频率的理论研究也仅仅是限于静态的参数研究和测量,这样的研究不适用于超声波电源的自适应调节,大大地限制了超声波电源的使用范围。所以,测量换能器的谐振频率显得尤为重要。

发明内容

为解决现有技术存在的问题，本发明提出一种基于神经网络的郎之万型换能器谐振频率检测方法。

本发明的技术方案是：一种基于神经网络的郎之万型换能器谐振频率检测方法，首先采用换能器特征测量模块提取影响换能器谐振频率的主要影响因素，然后将主要影响因素输入神经网络检测模块，由神经网络检测模块通过神经网络的计算输出对应的谐振频率，然后，通过少量的不同规格的换能器进行组合，作为神经网络训练的样本数据，同时采用粒子群优化算法优化神经网络的参数，进一步提升网络的输出谐振频率的精度。

进一步，所述换能器特征测量模块包括换能器外形测量模块和工作环境测量模块，用于换能器主要影响因素分析和提取以及换能器特征测量。

进一步，所述换能器主要影响因素分析和提取包括提取换能器6项主要影响特征，分别为：前盖板L3、前盖板L5和后盖板L1的长度以及安装预紧力F1、装配预紧力F2和激励电压U，并将该6种主要影响特征作为神经网络的输入。

进一步，所述换能器特征测量具体方法是：针对提取的换能器主要影响因素作为变量进行加工，根据换能器6个主要影响因素分别加工3组换能器，得到3的6次方个样本数据，该样本数据用来训练神经网络模型，神经网络模型训练完毕后即可使用换能器特征测量模块对同类换能器进行检测，通过测量换能器特征从而快速输出对应的谐振频率。

进一步，所述神经网络计算模块采用基于BP神经网络谐振频率检测模型的基本结构，该基本结构包含输入层、隐藏层和输出层，其中，所述输入层接收换能器主要影响因素的外界信息，并传给中间的内部信息处理层，又传递到输出层，完成正向传播过程。

进一步，如果得到的结果跟想要的结果不同的时候，此时把误差跟前边正向学习相反的方向递进，权值的改正经过梯度下降方式。

进一步，所述粒子群优化算法优化神经网络采用粒子群算法，建立基于PSO-BPNN的谐振频率检测模型，将所述换能器特征测量模块提取的换能器特征主要影响因素作为神经网络的输入，针对每种特征分别加工3个不同尺寸的换能器，针对安装预紧力F1、装配预紧力F2和激励电压U三种特征分别设定三组不同的大小，随机抽取100组样本数据作为神经网络的训练集，抽取50组样本作为测试集。

本发明的有益效果是：

1.本发明通过前期研究和分析确定了影响换能器谐振频率的主要影响因素，深入分析了影响因素和换能器谐振频率的关系。

2.本发明通过一种新颖的方法间接检测换能器的谐振频率，通过测量郎之万换能器的结构尺寸和外界施加条件(电压，预紧力等)，然后输入到训练好的神经网络模型中，从而输出对应的谐振频率值。

3.本发明前期只需针对主要影响因素加工三种不同规格的换能器零部件，然后进行组装，可得到729个样本数据作为神经网络的训练，测试数据。成本低。对于材料相同的换能器可以通用，无需再加工样本。

4.本发明可以在换能器使用过程中对其谐振频率进行预判，例如，当换能器两端电压改变时，神经网络可以快速输出此时的谐振频率，从而及时调整激励频率，保持换能器稳定共振。具有效率高，精度高的特点。

综上，该方法具备成本低，效率高，精度高的特点，可在换能器谐振频率发生变化时及时检测出此时的谐振频率。

附图说明

图1是换能器结构示意图；

图2是换能器特征测量模块示意图；

图3是神经网络流程框图；

图4是基于神经网络的郎之万型换能器谐振频率检测方法原理及流程图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如图4所示，本发明的基于神经网络的郎之万型换能器谐振频率检测方法，首先采用换能器特征测量模块提取影响换能器谐振频率的主要影响因素，然后将主要影响因素输入神经网络检测模块，由神经网络检测模块通过神经网络的计算输出对应的谐振频率，然后，通过少量的不同规格的换能器进行组合，作为神经网络训练的样本数据，同时采用粒子群优化算法优化神经网络的参数，进一步提升网络的输出谐振频率的精度。

本发明的基于神经网络的郎之万型换能器谐振频率检测方法，主要采用两大模块：

1.换能器特征(影响因素)测量模块

换能器特征(影响因素)测量模块构成如图2所示，该模块主要实现两个功能：

(1)换能器主要影响因素分析和提取

通过理论分析可知，换能器的谐振频率与换能器的每段长度(L1、L2、L3、L4、L5)，大小端直径(D1、D2)，以及材料密度(ρ1、ρ2)等特征有关。上述特征均为换能器自身特征，影响换能器在未使用状态下的谐振频率。在换能器的实际使用场景中，换能器两端施加电压U以及安装预紧力F2和装配预紧力F1的不同也会影响换能器的谐振频率。

因为影响因素很多，所以将影响因素分别进行仿真分析，可以得到每种影响因素对谐振频率的影响程度，从中提取主要的影响因素作为神经网络的输入，能够减少神经网络输入层的维度，提高神经网络的输出精度，同时加快网络收敛速度。

通过仿真分析得到如下结果，9种换能器特征量的变化会使谐振频率发生变化，但谐振频率的变化趋势和程度不同，在给定的变量区间内，谐振频率的变化幅度最高可达Δ322Hz，并且变化均是非线性的。换能器发生共振的条件是激励频率＝谐振频率，谐振频率的变化越大，与激励频率差距越大，共振效果就会越差。

换能器的6种自身特征量(L1、L3、L4、L5、D1、D2、)中，换能器长度的变化(L1、L3、L4、L5)对谐振频率的影响大，而径向直径变化(D1、D2)对谐振频率的影响低，在4mm的变化区间内，谐振频率的变化分别为Δ19Hz、Δ12Hz。

换能器的3种外界特征量(F1、F2、U)对换能器的谐振频率均有较大影响，其中装配预紧力F1和安装预紧力F2对谐振频率的影响趋势越来越弱。激励电压U对谐振频率的影响趋势接近一条直线，激励电压越大，谐振频率越低。

9种特征均与谐振频率存在强相关性，但L4、D1、D2三个特征对谐振频率的影响不明显，故排除。所以提取6项主要特征，分别为：前盖板L3、前盖板L5和后盖板L1的长度以及安装预紧力F1、装配预紧力F2和激励电压U。将以上6种特征作为神经网络的输入。

(2)换能器特征(影响因素)测量

针对提取的换能器主要影响因素作为变量进行加工，针对6个主要影响因素分别加工3组，即可得到3的6次方个样本数据。样本数据可以用来训练神经网络模型。模型训练完毕后即可使用换能器特征(影响因素)测量模块对同类换能器进行检测，通过测量换能器特征(影响因素)从而快速输出对应的谐振频率。

2.神经网络计算模块

基于BP神经网络谐振频率检测模型的基本结构包含输入层、隐藏层和输出层。输入层接收外界信息(换能器主要影响因素)，传给中间的内部信息处理层，又传递到输出层(谐振频率)，完成正向传播过程。如果得到的结果跟想要的结果不同的时候，此时把误差跟前边正向学习相反的方向递进，权值的改正经过梯度下降方式。

但是传统的神经网络存在一些问题。在网络训练和预测中，权重和阈值是随机产生的。随着系统阶数或未知阶数的增加，快速增长的网络结构使收敛速度变慢，并可能陷入局部极小收敛，从而导致预测结果不理想。粒子群算法(PSO)出现于1990年，以操作简单、精度高、收敛快而著称，主要用于应对工业设计中的优化问题，故引入PSO算法优化神经网络参数，建立基于PSO-BPNN的谐振频率检测模型。其流程如图3所示。

将“换能器特征(影响因素)测量模块”提取的主要影响因素作为神经网络的输入，针对每种特征分别加工3个不同尺寸的零件，针对安装预紧力F1、装配预紧力F2和激励电压U三种特征分别设定三组不同的大小。那么将可以组成上千不同谐振频率的换能器。随机抽取100组样本数据作为神经网络的训练集，抽取50组样本作为测试集。PSO-BPNN其它的部分参数取值如表一：

表一PSO-BPNN参数取值

本发明提出的基于神经网络的换能器谐振频率检测方法是针对郎之万换能器这一种型号的，如果需要检测更多型号的换能器，则需要考虑更多型号的换能器影响因素，加入更多的变量，使检测方法的应用范围更为广泛。

本发明建立的PSO-BPNN算法具有较高的检测精度，使用少量的训练数据即可是算法输出值精度由于普通的BP神经网络，RBF神经网络等。可在本发明的大框架内，对算法部分进行继续优化，或者建立更好的算法来进行频率检测，进一步提高频率检测的输出精度。