CN102507062B - 基于神经网络模型bp算法的嵌入式矿压检测方法 - Google Patents
基于神经网络模型bp算法的嵌入式矿压检测方法 Download PDFInfo
- Publication number
- CN102507062B CN102507062B CN 201110344945 CN201110344945A CN102507062B CN 102507062 B CN102507062 B CN 102507062B CN 201110344945 CN201110344945 CN 201110344945 CN 201110344945 A CN201110344945 A CN 201110344945A CN 102507062 B CN102507062 B CN 102507062B
- Authority
- CN
- China
- Prior art keywords
- vibrating wire
- neural network
- detected
- pressure
- pressure sensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Measuring Fluid Pressure (AREA)
Abstract
本发明公开了一种基于神经网络模型BP算法的嵌入式矿压检测方法法,首先根据根据待检测区域的地域情况,采用多个振弦式压力传感器进行测量;然后ARM7处理器根据系统任务个数建立相应的进程;最后在建立的任务中打开定时器,输出一个固定在某一频率范围内的脉冲,经过驱动激振电路,产生一个能对振弦式压力传感器内部振弦起振的信号,同时使用ARM7处理器对振弦式压力传感器返回的脉冲信号进行频率测量,计算得到压力值,最后,利用温度传感器采集振弦周围区域的温度,采用BP算法建立神经网络模型,利用神经网络模型对得到的各组压力数据及采集的温度数据进行学习,并根据神经网络模型找出压力随温度的变化规律,对振弦式传感器进行温度补偿。
Description
技术领域
本发明涉及矿压检测方法领域,具体为一种基于神经网络模型BP算法的嵌入式矿压检测方法。
背景技术
随着科学技术的不断提高,近年来煤矿的开采规模不断扩大,开采的深度不断加大,矿山压力所显现的灾害也愈加明显,如顶板冒落、冲击矿压、巷道变形等频繁发生,这些灾害都造成了重大损失,严重危害了生命安全并影响了煤矿生产。对于矿山的各种压力进行实时监测,能有效的预防重大事故的发生,具有重大的意义。如果能建立一个系统、全面的矿山压力实时监测系统,就可以对煤矿安全生产进行有效监控,并有效地预防和减少安全生产事故的发生。矿山压力实时监测技术及设备的开发,是坍塌事故的重要防线和保障措施。
目前国内外都已经发展了人工智能化检测,如采用单片机控制的振弦式压力传感器的方法来检测,在仪器的测量精度和范围等方面有了较大的提高,但这类仪器的主要问题是易受干扰,实时性、检测精度不够好,以及单台设备的大量布点而导致整个监测系统的造价过高,限制了其应用范围。
发明内容
本发明的目的是提供一种基于神经网络模型BP算法的嵌入式矿压检测方法,以解决现有技术检测方法易受干扰,实时性差,精度低的问题。
为了达到上述目的,本发明所采用的技术方案为:
基于神经网络模型BP算法的嵌入式矿压检测方法,其特征在于:基于uC/OS嵌入式技术,采用多路振弦式压力传感器检测待检测区域的压力大小,并采用内嵌uC/OS操作系统的ARM7处理器对多路振弦式压力传感器进行实时监测,然后在ARM7处理器中采用神经网络BP算法对振弦式压力传感器采集的待检测区域的压力数据进行温度补偿,包括以下步骤:
(1)根据待检测区域的地域情况,采用多个振弦式压力传感器分别检测不同待检测区域的压力大小,同时每个振弦式压力传感器附近分别配置温度传感器进行温度测量;
(2)在所述ARM7处理器中,内嵌uC/OS操作系统,并在操作系统中创建多个系统任务,用来实时管理系统各个模块功能的实现,其中包括振弦式压力传感器与CPU的通信任务;
(3)在步骤(2)中所创建的振弦式压力传感器与CPU的通信任务中,控制CPU输出一个固定在某一频率范围内的脉冲信号,所述脉冲信号经过电流驱动放大电路,从而再进入激振电路产生一个能对振弦式压力传感器内部振弦起振的信号并输出至振弦式压力传感器;然后通过ARM7处理器对振弦式压力传感器起振并采集待检测区域压力后返回的脉冲信号进行频率测量,通过振弦式压力传感器返回的脉冲信号中振弦达到共振时的频率和参考频率,以计算出此时振弦式压力传感器所对应测量的待检测区域的压力大小,所述待检测区域的压力大小通过如下公式计算出来:
F1=K(f1 2-f0 2),
式中F1为振弦式压力传感器中振弦的张力,即为待检测区域的压力大小,K为振弦式压力传感器的灵敏系数,f1为张力变化后的振弦式压力传感器振弦达到共振时的自振频率;f0为振弦式压力传感器振弦的参考频率,为振弦式压力传感器本身的系数;
(4)采用温度传感器采集各自对应的振弦式压力传感器振弦周围区域的温度数据,在ARM7处理器中采用BP算法建立神经网络模型,结合用神经网络模型对步骤(3)计算得到的待检测区域的压力数据以及各个温度传感器采集的温度数据进行学习,并根据神经网络模型找出待检测区域压力随温度的变化规律,最后对步骤(3)中计算得到的待检测区域的压力F1进行温度补偿,补偿公式如下:
F2=F1+a,
其中F2为修正后的待检测区域的压力大小,F1为步骤(3)计算得到的待检测区域的压力,a为压力修正系数。
所述的基于神经网络模型BP算法的嵌入式矿压检测方法,其特征在于:所述温度传感器为单总线数字温度传感器,振弦式压力传感器的频率数据、温度传感器实时采集的数据分别送入ARM7处理器中进行处理并显示。
所述的基于神经网络模型BP算法的嵌入式矿压检测方法,其特征在于:所述ARM7处理器中采用内嵌的uC/OS操作系统进行多任务实时管理。
所述的基于神经网络模型BP算法的嵌入式矿压检测方法,其特征在于:所述ARM7处理器通过BP算法设计神经网络模型,由ARM7处理器采集得到的振弦式压力传感器的频率计算得到的待检测区域的压力值和温度传感器采集的温度值进行自动补偿算法计算,对待检测区域的压力大小进行实时补偿。
本发明首先根据根据待检测区域的地域情况,如综采工作面支架工作阻力监测、围岩顶板运移监测、锚杆锚索载荷监测和煤岩体应力监测等,选用不同的振弦式压力传感器;然后根据系统任务个数建立相应的进程,充分考虑到uC/OS操作系统建立任务个数的饱和性的同时,扩大了检测范围;最后在建立的振弦式压力传感器与CPU的通信任务中,控制CPU输出一个固定在某一频率范围内的脉冲信号,并经过电流驱动放大电路,从而再进入激振电路,产生一个能对振弦式压力传感器内部振弦起振的信号,同时使用ARM7处理器对振弦式压力传感器返回的脉冲信号进行频率测量,根据振弦达到共振时的频率,通过公式计算出此时待检测区域的压力大小;然后ARM7处理器得到温度传感器采集的振弦附近的温度,再通过BP算法设计神经网络模型,把由ARM7处理器采集到的振弦式压力传感器频率数据计算得到的待检测区域的压力值和温度传感器采集的温度值进行自动补偿算法计算,对计算得到的待检测区域的压力大小进行实时补偿,更加保证了系统测量的准确度。
本发明从ARM7处理器检测压力值的软件结构进行考虑,充分发挥嵌入式实时操作系统以及通过BP算法设计神经网络模型的温度补偿算法的优点。
本发明方法简单易行,便于实现,设备安装简单,使用寿命长,同时ARM7处理器检测传感器的是频率信号,从根本上就可以消除干扰的影响;采用ARM内嵌uC/OS操作系统进行多任务实时管理,通过BP算法设计神经网络模型对温度进行补偿,从而大大提高了测量的准确度。
附图说明
图1为本发明所采用的检测装置系统框图。
图2为本发明矿压预测原理框图。
图3为本发明内嵌uC/OS操作系统的ARM7处理器建立神经网络模型的系统框图。
具体实施方式
如图1所示。本发明系统采用先进的支持实时仿真和嵌入式跟踪的32/16位的ARM7TDMI-STM CPU的处理器作为系统的核心处理器,一方面采集振弦式压力传感器和温度传感器的数据,通过内部的算法进行计算,得出补偿过的压力数据;另一方面将压力数据传送给计算机。其中多路选择开关的作用是分时选择单个振弦式压力传感器,以保证系统资源的合理利用以及增多传感器个数以加大区域监测范围,井上监测主机采用以太网完成和本地检测辅助与本地数据库服务器的数据通讯;本地数据库服务器为远程客户终端提供WEB游览器服务,以方便实现管理人员随时随地及时了解当前压力监测数据。
1、嵌入式任务建立及资源分配
使用uC/OS操作系统完成任务时,首先要建立任务,根据每个任务的使用堆栈内存情况以及优先级的高低从而建立相应的任务,合理的管理任务及分配资源是任务初始化的核心,如下所示:
根据实际情况需求,本发明创建的任务Task0是本发明通过多路选择开关选择振弦式压力传感器并开启计数器、定时器采用捕获模式测量频率大小,从而计算出采集的压力值,所以本发明选用最高优先级,且定义任务Task0StkLengh的堆栈长度为128;Task1是对数字温度传感器的采集,优先级低于Task0,由于任务量小从而定义任务Task1StkLengh的堆栈长度为64;
Task2是针对Task0和Task任务采集的数据通过本任务设计BP算法的神经网络模型,对采集的数据进行预测和温度补偿,最终计算出高精度的压力数据,由于本模块是本发明核心部件且计算量大,从而本发明对Task2StkLengh的堆栈长度为300;最后,通过Task3来管理网口数据的传输,此任务优先级最低,Task3StkLengh的堆栈长度为200。
2.神经网络模型
BP算法的基本原理是根据希望的输出和实际的网络输出之间的误差平方和最小的原则来调整网络的权值,它主要由信息的正向传递和误差的反向传播组成。在正向传播过程中,输入信息从输入层经隐含层逐层计算传向输出层,每一层神经元的状态只影响下一层神经元的状态,若在输出层没有得到期望的输出,则计算输出层的误差变化值,然后通过网络将误差信号沿原来的连接通路反传回来修改各层神经元的权值,直至达到期望目标值。
方法如下:以含有两个隐层的BP网络为例,设系统输入层有M个输入信号,其中每一个信号都可由m表示;同理,第一隐层有I个神经元,单个用i表示;第二隐层有J个神经元,单个用j表示;输出层有P个输出神经元,单个用p表示。且输入层到第一层的权值为ωmi,阈值为θj;第一层到第二层的权值为ωij,阈值为θk;第一层到输出层的权值为ωjp,阈值为θ1。
假设系统网络的学习样本集为:
X=[X1,X2,L,XK]
如下,对任何一个学习样本Xk的实际输出为yk,且期望输出为dk。
Xk=(Xk1,Xk2,L,Xkm)T,(k=1,2L,n)
yk=(yk1,yk2,L,ykp)T
dk=(dk1,dk2,L,dkp)T
综上所述可以得出信号在正向传播过程中的各层神经元输出如下:
则输出层第p个神经元误差ekp和所有学习样本输入一次后总均方误差EA分别为:
在误差反传过程中,逐层修改连接权值,设学习的步长为η,则可以计算出第二隐层与输出层之间权值修正量Δωjp及隐层I与隐层J间的权值修正量Δωij分别为:
最后,可以计算出输入层与第一隐层任一节点权值修正量为:
如图2所示,输入和输出层节点数由具体问题决定,对时间序列预测问题,输入层节点数等于所开窗口大小。对于矿压监测系统中的重要指标温度和压力,有理由认为近期数据比远期数据对未来的影响更大,因此为了对时刻t+n的数据进行预测,从时刻t到t+n-1的近期历史数据就形成了当前窗口,其中n就是窗口大小,即输入层节点数。又由于只限于一维时间序列,故仅需要一个输出层节点来表示第t+n时刻的预测值。
3.神经网络的ARM7实现
理论上,神经网络的实现应该是无限精度的。在实际中提出了有限精度问题,即在神经网络的具体实现中,达到要求的输出精度,必需的网络精度如何选择,这些问题在神经网络的设计与实现中决定着网络的规模、速度、容量和成本。如果网络输入和传递函数输出是同样有限精度,就可以实现乘法器的复用,所以传递函数、乘法器和加法器同时做有限精度运算,采用ARM7内嵌uC/OS操作系统能很好的解决资源分配和任务管理方面,有效的提高算法效率及结果精度。
如图3所示。整个系统按功能可以分成五个部分:接口模块、控制模块、温度补偿模块和BP算法模块组成和计算机处理系统。
控制模块完成了传输状态信息的返回、算法模块的初始化及调度问题。使整个系统有条不紊的进行工作。BP算法模块是系统的核心,它直接实现了BP神经网络的功能,它包括神经元的运算以及神经网络的子模块。温度补偿模块直接对采集的压力数据进行补偿有效的提高测量精度。所有的采集数据均在该模块进行处理,其性能反映了整个设计的优劣。接口模块完成计算机与神经网络之间的数据的传输。传输函数的实现,通过ARM7内嵌uC/OS操作系统建立任务运行。
Claims (2)
1.基于神经网络模型BP算法的嵌入式矿压检测方法,其特征在于:包括以下步骤:
(1)根据待检测区域的地域情况,采用多个振弦式压力传感器分别检测不同待检测区域的压力大小,同时每个振弦式压力传感器附近分别配置温度传感器进行温度测量;
(2)在ARM7处理器中,内嵌uC/OS操作系统,并在操作系统中创建多个系统任务,用来实时管理系统各个模块功能的实现,其中包括振弦式压力传感器与CPU的通信任务;
(3)在步骤(2)中所创建的振弦式压力传感器与CPU的通信任务中,控制CPU输出一个固定在某一频率范围内的脉冲信号,所述脉冲信号经过电流驱动放大电路,从而再进入激振电路产生一个能对振弦式压力传感器内部振弦起振的信号并输出至振弦式压力传感器;然后通过ARM7处理器对振弦式压力传感器起振并采集待检测区域压力后返回的脉冲信号进行频率测量,通过振弦式压力传感器返回的脉冲信号中振弦达到共振时的频率和参考频率,以计算出此时振弦式压力传感器所对应测量的待检测区域的压力大小,所述待检测区域的压力大小通过如下公式计算出来:
F1=K(f1 2-f0 2),
式中F1为振弦式压力传感器中振弦的张力,即为待检测区域的压力大小,K为振弦式压力传感器的灵敏系数,f1为张力变化后的振弦式压力传感器振弦达到共振时的自振频率;f0为振弦式压力传感器振弦的参考频率,为振弦式压力传感器本身的系数;
(4)采用温度传感器采集各自对应的振弦式压力传感器振弦周围区域的温度数据,在ARM7处理器中采用BP算法建立神经网络模型,结合用神经网络模型对步骤(3)计算得到的待检测区域的压力数据以及各个温度传感器采集的温度数据进行学习,并根据神经网络模型找出待检测区域压力随温度的变化规律,最后对步骤(3)中计算得到的待检测区域的压力F1进行温度补偿,补偿公式如下:
F2=F1+a,
其中F2为修正后的待检测区域的压力大小,F1为步骤(3)计算得到的待检测区域的压力,a为压力修正系数。
2.根据权利要求1所述的基于神经网络模型BP算法的嵌入式矿压检测方法,其特征在于:所述温度传感器为单总线数字温度传感器,振弦式压力传感器的频率数据、温度传感器实时采集的数据分别送入ARM7处理器中进行处理并显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110344945 CN102507062B (zh) | 2011-11-04 | 2011-11-04 | 基于神经网络模型bp算法的嵌入式矿压检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110344945 CN102507062B (zh) | 2011-11-04 | 2011-11-04 | 基于神经网络模型bp算法的嵌入式矿压检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102507062A CN102507062A (zh) | 2012-06-20 |
CN102507062B true CN102507062B (zh) | 2013-10-02 |
Family
ID=46219169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110344945 Expired - Fee Related CN102507062B (zh) | 2011-11-04 | 2011-11-04 | 基于神经网络模型bp算法的嵌入式矿压检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102507062B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110806280A (zh) * | 2018-08-06 | 2020-02-18 | 南京沃天科技有限公司 | 一种基于bp神经网络的传感器温度补偿系统及方法 |
CN110309956B (zh) * | 2019-06-17 | 2023-03-24 | 淮阴师范学院 | 基于内部等效参数的光伏组件剩余寿命预测方法 |
CN111027687B (zh) * | 2019-12-29 | 2023-01-10 | 鄂尔多斯市伊化矿业资源有限责任公司 | 煤矿工作面回采期间矿压预测治理方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5554273A (en) * | 1995-07-26 | 1996-09-10 | Praxair Technology, Inc. | Neural network compensation for sensors |
CN1546982A (zh) * | 2003-12-08 | 2004-11-17 | 中国铝业股份有限公司 | 一种氧化铝生产过程中苛性比值与溶出率在线检测方法 |
US7433853B2 (en) * | 2004-07-12 | 2008-10-07 | Cardiac Pacemakers, Inc. | Expert system for patient medical information analysis |
CN201331406Y (zh) * | 2008-12-02 | 2009-10-21 | 西安中星测控有限公司 | 智能型压力变送器 |
-
2011
- 2011-11-04 CN CN 201110344945 patent/CN102507062B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102507062A (zh) | 2012-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104062677B (zh) | 一种多功能综合集成高精度智能微震监测系统 | |
CN104316108B (zh) | 山地环境500kV输电塔在线监测系统构建及分析方法 | |
CN103398860B (zh) | 一种基于位移传感器的海洋平台安全监测方法 | |
CN102023010B (zh) | 基于mems的小波域多传感器信息融合系统及融合方法 | |
CN102901560A (zh) | 一种海洋导管架平台结构安全综合监测系统 | |
CN104246516A (zh) | 一种确定车辆加速度的方法及装置 | |
CN102507062B (zh) | 基于神经网络模型bp算法的嵌入式矿压检测方法 | |
CN113255209B (zh) | 一种齿轮箱轴承剩余寿命的预测方法 | |
CN102299948A (zh) | 振动环境下建筑结构层间位移的无线检测系统及方法 | |
CN103208032A (zh) | 一种基于小波和混沌优化lssvm的周期来压预测方法 | |
CN110780347A (zh) | 基于循环神经网络的地震破坏力预测装置及方法 | |
AU2022399667A1 (en) | Method and apparatus for inversion of crustal structure of passive continental margin based on subsidence in stratigraphic record | |
CN114693114A (zh) | 地下空间结构的监测方法、装置、计算机设备及存储介质 | |
CN104634400A (zh) | 一种挖掘机自动数斗测油耗的系统及方法 | |
CN106092097A (zh) | 空间活动轨迹生成方法、装置 | |
CN103513279B (zh) | 一种基于地震波波动方程的照明分析计算方法及计算装置 | |
US11635538B2 (en) | Equivalent linear velocity for first arrival picking of seismic refraction | |
CN203012944U (zh) | 远程振弦式传感器微功耗测读系统 | |
CN116481449A (zh) | 围岩变形的确定方法、装置和围岩变形检测系统 | |
CN114511149B (zh) | 一种分层分布式气象预测平台、方法、介质及设备 | |
CN106033126B (zh) | 一种油气单元勘探程度的定量划分方法 | |
Salem et al. | Automated monitoring and assessment of productivity in earthmoving projects | |
CN115618928A (zh) | 一种边坡位移预测方法、装置和电子设备 | |
CN106574979B (zh) | 实时原位地下成像 | |
CN113188448A (zh) | 一种三维可视化滑坡体位移在线监测系统及监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20131002 Termination date: 20171104 |