• 易迪拓培训,专注于微波、射频、天线设计工程师的培养
首页 > 测试测量 > 技术文章 > 基于神经网络的热电偶非线性校正

基于神经网络的热电偶非线性校正

录入:edatop.com    点击:

1 引言

  热电偶因其结构简单、易于制造和测温范围宽等优点而被广泛用于温度测量领域,但是热电偶非线性校正问题(也称线性化处理),严重影响了温度测量精度。国际、国内计算标准都给出了热电势 -温度 关系表,即热电偶分度表。其换算关系可以采用查表法,但这种方法在应用过程中显得很不方便,一种较好的办法可以利用神经网络技术建立起相应的数学模型,改善了热电偶的线性度。而神经网络具有强大的记忆容量、高速并行计算能力和非线性变换特性,能够随时进行再学习,可用来有效地校正系统的非线性。

2 热电偶非线性

  热电偶的类型、规格、结构品种繁多,几乎都存在严重的非线性问题,其输出信号与测量温度之间呈非线性关系。从而给测量结果带来误差。本文采用神经网络技术,对镍铬-镍硅热电偶(K型)进行了非线性校正。K型热电偶结构图如图1所示。

                                 

                                   图1 热电偶结构图

  由热电偶测量被测温度t,输出相应的热电势E(t, 0)。对K型热电偶,当测温范围为0~200℃时,依据分度表中的热电势和温度值,利用最小二乘法原理可以拟合出如下的E-t关系式:


                      (1)

  式中,E是热电偶冷端温度为0C时的热电势,其中,
。式(1)表明E - t关系是非线性的。

3 基于BP网络进行热电偶的非线性校正

3.1 BP神经网络结构简介

  BP神经网络一般采用三层(输入层、隐层、输出层)网络结构,如图2所示。网络中隐层节点和输出节点(神经元)的输入为前一层网络输出的加权和。

图2 BP网络结构

3.2 制备学习、检验样本

  1)热电偶的标定:采用国际实用温标ITS-90及国标GB/T 2614-1990热电偶分度表中的给定数据,选取温度范围0~200C和其对应的热电势值作标定数据。

  2)训练样本、测试样本文件制作:温度范围选为0~200C,根据镍铬-镍硅热电偶(K型)分度表,选择温度为1,3,5,7……197,199,200℃对应的热电势为输入样本,相对应的温度作为输出样本,这样制作的样本作为训练样本,共101组;然后选择温度0,5,10,15……195,200C对应的热电势作为输入样本,相对应的温度作为输出样本,这样制作的样本作为测试样本,共41组。

3.3 BP网络学习流程图

  BP网络的学习流程如图2所示。

                             

                              图3 BP网络训练过程及算法流程

3.4 神经网络训练仪介绍

  本文神经网络训练仪,进行热电偶的非线性校正。图4为BP神经网络训练仪面板,这个训练仪采用虚拟仪器编程语言CVI进行编写。

                         

                             图4 BP神经网络训练仪面板

   BP网络训练仪的面板上具有以下几个模块:

模块1-训练样本文件路径:

  ①.输入样本文件路径”:在该文本框中输入训练样本的输入样本文件的路径。
  ②.“输出样本文件路径”:在该文本框中输入训练样本的期望输出样本文件的路径。

模块2-测试样本文件路径:

  ③.“输入样本文件路径”:在该文本框中输入测试样本中输入样本文件的路径。
  ④.“输出样本文件路径”:在该文本框中输入测试样本中期望输出样本文件的路径。

模块3-网络结构:

  ⑤.“隐层节点数”:设置BP网络隐层神经元数量;
  ⑥.“隐层响应函数”:选择BP网络隐层神经元的响应函数;
  ⑦.“输出层响应函数”:选择BP网络输出层神经元的响应函数;

模块4-训练条件:

 

3.5 BP网络训练

  1) 网络结构参数的初始化:隐层节点数选为6,隐层响应函数选为对数型sig函数,即logsig,输出层响应函数选为纯线性函数,即purelin。

  2) 网络训练参数的设置:训练开始前,分别输入训练样本文件和测试样本文件的路径,训练终止条件选为训练代数为1000。

  3) 网络训练:点击网络训练按钮“训练”,训练多次,并记录每次的测试均方差,以测试均方差最小的一组网络参数作为训练的最终结果,实验中记录的最小测试均方差为0.03963582。训练所得到的权值 和阈值 就是BP网络训练的结果。

3.6 非线性校正结果与分析

  1) 热电偶非线性校正模型:用BP神

  经网络建立的非线性校正模型结构可以用权值和阈值来表示,权值和阈值如下:

  输入层与隐层间权值:=[-30.473488 -38.820904 -1.644704-2.235481 0.099258 95.799098]
  输出层与隐层间权值:=[-20.979834 31.472969 -6.901741 1.78862 1014.294648 -254.668243]
  隐层阈值:=[-47.329741 -25.972066 12.099975 4.515939 -0.050021 86.879988]
  输出层阈值: =-234.662545

  这样很容易可以得出t - E关系:

  

  2) 非线性校正分析:用41组测试样本数据对建好的BP网络模型进行了测试,测试结果如表1所示。


                    表1理论温度值与测试结果温度值

                    
  表中的理论值是分度表中的温度值。

  可以求出最大拟合偏差℃,则线性度为,具体线性度比较如表2所示。

                          表2 神经网络训练前后性能比较

                                
  从以上结果可以看出,经过神经网络训练,热电偶在0~200℃测温范围内的非线性得到了明显改善。

4 结论

  本文采用基于虚拟仪器编程语言CVI编成的BP神经网络训练仪对K型镍铬-镍硅热电偶的非线性进行了校正,获得了非线性校正模型,校正前后非线性降低了一个数量级,实现热电偶的非线性校正。

点击浏览:矢量网络分析仪、频谱仪、示波器,使用操作培训教程

上一篇:基于人工免疫网络和AR模型的聚类与预测算法
下一篇:一种利用超声散射测量材料内部微裂纹分形参数的新方法

微波射频测量操作培训课程详情>>
射频和天线工程师培训课程详情>>

  网站地图