昆山市拓恒機(jī)電有限公司
馮先生 137-7635-6532
E-mail: kstuoheng@126.com
江蘇省昆山市經(jīng)濟(jì)技術(shù)開(kāi)發(fā)區(qū)
金沙江南路16號(hào)3號(hào)廠房
1 引言
電子平臺(tái)秤用于貿(mào)易結(jié)算的成品計(jì)量，保證電子平臺(tái)秤的稱(chēng)重?cái)?shù)據(jù)準(zhǔn)確性，減少計(jì)量異議的發(fā)生是一項(xiàng)重要的工作。電子平臺(tái)秤是以數(shù)字顯示重量的電子式測(cè)量?jī)x表。它是由稱(chēng)重傳感器、A/D轉(zhuǎn)換集成電路、運(yùn)算放大器、智能單片機(jī)、顯示驅(qū)動(dòng)和顯示電路、鍵盤(pán)電路、多功能接口電路、交流/直流/充電/蓄電/穩(wěn)壓電路等部分組成。通過(guò)檢查傳感器輸出信號(hào)值是否于標(biāo)準(zhǔn)內(nèi)是判斷電子平臺(tái)秤儀表不歸零和稱(chēng)重量不準(zhǔn)等主要因素。數(shù)字傳感器能夠?qū)崿F(xiàn)自動(dòng)采集數(shù)據(jù)并可以預(yù)處理、存儲(chǔ)和記憶，具有標(biāo)記的唯一性，以便對(duì)傳感器的故障診斷。利用Matlab軟件建立神經(jīng)網(wǎng)絡(luò)故障診斷的模型作為一種識(shí)別故障有效的方法
2 BP神經(jīng)網(wǎng)絡(luò)
BP神經(jīng)網(wǎng)絡(luò)模型是人工神經(jīng)網(wǎng)絡(luò)的重要模型之一。BP算法主要是運(yùn)用一些學(xué)習(xí)規(guī)則來(lái)調(diào)整神經(jīng)元之間的連接權(quán)值，在學(xué)習(xí)過(guò)程中，學(xué)習(xí)規(guī)則和網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)無(wú)變化的。然而，一個(gè)神經(jīng)網(wǎng)絡(luò)的信息處理功能不僅取決于神經(jīng)元之間的連接強(qiáng)度，而且與網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu) (神經(jīng)元的連接方式) 、神經(jīng)元的輸入輸出特性和神經(jīng)元的閾值有關(guān)。首先，對(duì)實(shí)驗(yàn)結(jié)果數(shù)據(jù)進(jìn)行預(yù)處理，其次利用模式識(shí)別算法進(jìn)行訓(xùn)練和分類(lèi)，最后通過(guò)訓(xùn)練或者學(xué)習(xí)分類(lèi)得到的判據(jù)對(duì)未知樣本進(jìn)行判別或計(jì)算機(jī)預(yù)報(bào)
圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖 下載原圖
人工神經(jīng)網(wǎng)絡(luò)模型中各個(gè)參數(shù)的確定：
1) 輸入層節(jié)點(diǎn)數(shù)的確定：特征參數(shù)組成了特征向量，特征向量可作為網(wǎng)絡(luò)輸入。所以選取特征參數(shù)的正確與否直接影響到網(wǎng)絡(luò)的性能。樣本分為校正集和預(yù)測(cè)集。
2) 隱層節(jié)點(diǎn)數(shù)的確定：在一定程度上，隱層節(jié)點(diǎn)數(shù)的增加，使計(jì)算的更加復(fù)雜，網(wǎng)絡(luò)訓(xùn)練收斂的速度會(huì)降低，網(wǎng)絡(luò)的推廣本領(lǐng)也會(huì)隨之變得差，因此需通過(guò)問(wèn)題的規(guī)模正確地選擇隱層的單元數(shù)。隱層節(jié)點(diǎn)數(shù)用下公式求出：
其中m是輸入節(jié)點(diǎn)的數(shù)目，n是輸出節(jié)點(diǎn)的數(shù)目，隱層節(jié)點(diǎn)數(shù)目根據(jù)上述公式計(jì)算出初始值，再利用逐步增長(zhǎng)法進(jìn)行修改，直到得到一個(gè)合適值為止。通過(guò)改變隱層節(jié)點(diǎn)數(shù)目來(lái)確定判別模型分類(lèi)結(jié)果的好壞。
3) 輸出層節(jié)點(diǎn)數(shù)的確定：網(wǎng)絡(luò)的輸出向量，一般指的是一個(gè)具體的問(wèn)題目標(biāo)結(jié)果。
3 實(shí)驗(yàn)方法及結(jié)果分析
表1 實(shí)驗(yàn)數(shù)據(jù)分布情況 下載原表
3.1 實(shí)驗(yàn)方法
本實(shí)驗(yàn)選用一臺(tái)數(shù)字式傳感器電子平臺(tái)秤進(jìn)行實(shí)驗(yàn)，理想狀態(tài)下，電子平臺(tái)秤四個(gè)傳感器輸出碼值相差在50-100之間。首先，該電子平臺(tái)秤處于無(wú)稱(chēng)重的狀態(tài)下進(jìn)行實(shí)驗(yàn)。將電子平臺(tái)秤的四個(gè)傳感器分為四種情況進(jìn)行實(shí)驗(yàn)，第一種情況四個(gè)傳感器都處于正常工作狀態(tài)下取四個(gè)數(shù)字傳感器的輸出碼值；第二種情況四個(gè)傳感器中一個(gè)傳感器輸出碼值出現(xiàn)異常；第三種情況是四個(gè)傳感器中其中兩個(gè)傳感器輸出碼值出現(xiàn)異常；第四種情況是四個(gè)傳感器中三個(gè)傳感器輸出碼值出現(xiàn)異常。四個(gè)傳感器均正常情況下，儀表輸出數(shù)據(jù)為零，如其中某一個(gè)或多個(gè)傳感器出現(xiàn)故障，則儀表會(huì)顯示一個(gè)正或負(fù)的余數(shù)值?，F(xiàn)將四種情況下傳感器輸出碼值作為輸入數(shù)據(jù)建立識(shí)別模型，運(yùn)用二進(jìn)制碼0和1表示四個(gè)傳感器的輸出，可根據(jù)輸出結(jié)果來(lái)判斷傳感器工作狀態(tài)是否異常。該實(shí)驗(yàn)分別取四種情況下各15傳感器輸出碼值數(shù)據(jù)，利用60組數(shù)據(jù)進(jìn)行建模。具體實(shí)驗(yàn)數(shù)據(jù)分布情況見(jiàn)表1，其中C1、C2、C3、C4代表四個(gè)傳感器。
3.2 結(jié)果與分析
樣本以3:1的比例分為校正集和預(yù)測(cè)集，本實(shí)驗(yàn)將60組數(shù)字式傳感器輸出碼值分成校正集40組和預(yù)測(cè)集20組。網(wǎng)絡(luò)的輸出點(diǎn)為傳感器輸出四種狀態(tài)，分別表示為11, 10, 01, 00四個(gè)數(shù)字代碼進(jìn)行編碼。各個(gè)代碼分別代表為四個(gè)傳感器均正常為正常、四個(gè)傳感器中一個(gè)出現(xiàn)故障為異常1、四個(gè)傳感器中兩個(gè)出現(xiàn)故障為異常2和四個(gè)傳感器中三個(gè)出現(xiàn)故障為異常3。為了保證數(shù)據(jù)的一致性，因此在建模之前將所有數(shù)據(jù)經(jīng)過(guò)數(shù)據(jù)歸一化處理，再選擇網(wǎng)絡(luò)輸入層和隱含層的傳遞函數(shù)tansig，輸出層傳遞函數(shù)為traingdx函數(shù)，訓(xùn)練目標(biāo)設(shè)為1x10-4，網(wǎng)絡(luò)的學(xué)習(xí)速率為0.05，設(shè)定的訓(xùn)練迭代次數(shù)為5000次。運(yùn)用matlab軟件來(lái)建立人工神經(jīng)網(wǎng)絡(luò)的模型。事實(shí)上，隱層節(jié)點(diǎn)數(shù)的多少?zèng)Q定著B(niǎo)P神經(jīng)網(wǎng)絡(luò)的復(fù)雜性。因此，必須選擇最佳的隱層節(jié)點(diǎn)數(shù)，才能使網(wǎng)絡(luò)模型效果最優(yōu)。本文通過(guò)改變不同隱層節(jié)點(diǎn)數(shù)來(lái)比較網(wǎng)絡(luò)模型的優(yōu)劣，不同節(jié)點(diǎn)數(shù)與訓(xùn)練集和校正集的正確率關(guān)系見(jiàn)表2。傳感器故障識(shí)別神經(jīng)網(wǎng)絡(luò)模型見(jiàn)圖2。
圖2 傳感器故障識(shí)別BP神經(jīng)網(wǎng)絡(luò)模型 下載原圖
從上述表2中可以看出，分別選取隱層節(jié)點(diǎn)數(shù)5、10、15、20、25和30進(jìn)行網(wǎng)絡(luò)訓(xùn)練，結(jié)果顯示當(dāng)隱層節(jié)點(diǎn)數(shù)為10個(gè)時(shí)，模型達(dá)到最好效果，訓(xùn)練集和預(yù)測(cè)集正確率均達(dá)到100%，四種工作狀態(tài)下的傳感器能夠準(zhǔn)確地被識(shí)別開(kāi)來(lái)，根據(jù)識(shí)別結(jié)果大體可以判斷故障出現(xiàn)的原因，如出現(xiàn)異常1情況，則可以判斷該故障時(shí)由于傳感器自身問(wèn)題產(chǎn)生，如果出現(xiàn)異常2情況可以判斷可能是由于傳感器自身問(wèn)題或是秤體出現(xiàn)傾斜等情況產(chǎn)生。因此，可以證明了人工神經(jīng)網(wǎng)絡(luò)分析建立的識(shí)別模型可以應(yīng)用于識(shí)別數(shù)字式傳感器故障的一種方式，并且達(dá)到理想的效果。
表2 不同隱層節(jié)點(diǎn)數(shù)對(duì)應(yīng)訓(xùn)練集和校正集的正確率 下載原表
4 結(jié)束語(yǔ)
稱(chēng)重傳感器是電子平臺(tái)秤重要組成部分，它的好壞直接影響著電子平臺(tái)秤的稱(chēng)重結(jié)果的準(zhǔn)確性。在電子平臺(tái)秤運(yùn)行過(guò)程中，準(zhǔn)確診斷故障原因，可提高電子平臺(tái)秤的準(zhǔn)確性和可靠性。本文采用人工神經(jīng)網(wǎng)絡(luò)方法建立了數(shù)字式傳感器故障鑒別的模型, 該模型對(duì)傳感器故障識(shí)別正確率可達(dá)到100%，故障識(shí)別準(zhǔn)確率高，可以作為一種便于在實(shí)際中推廣應(yīng)用的診斷數(shù)字式傳感器的方法。
