CN105987775A

CN105987775A - 一种基于bp神经网络的温度传感器非线性校正方法及系统

Info

Publication number: CN105987775A
Application number: CN201610589434.9A
Authority: CN
Inventors: 张海浪
Original assignee: Tianjin University Of Technology Central Information Institute
Current assignee: Tianjin University Of Technology Central Information Institute
Priority date: 2016-07-20
Filing date: 2016-07-20
Publication date: 2016-10-05

Abstract

本发明提供提供一种基于BP神经网络的温度传感器非线性校正方法及系统，包括单片机、锁存器、温度传感器、数码管和传感器，综合考虑了科技发展快于工业改革的客观问题，利用较为高效和流行的算法，即BP神经网络算法，进行温度值的非线性补偿。实现通过软件算法提高现有温度传感器的测量精度，以迎合市场需求，避免硬件设备的频繁更新，进而减少了企业生产成本投入以及设备维护投入。

Description

一种基于BP神经网络的温度传感器非线性校正方法及系统

技术领域

本发明属于传感器检测领域，涉及一种温度传感器非线性校正方法及系统，尤其涉及一种基于BP神经网络的温度传感器非线性校正方法及系统。

背景技术

工业自动化发展迅速、技术革新周期短、生产线面貌日新月异，无人化、大型密集化自动化生产线已经开始取代雇佣生产工人的传统生产线。传感器作为自动化生产线不可或缺的元素迅猛发展，其中尤以温度传感器的应用最为广泛。

当前大规模、超大规模生产方式下，温度传感器产品的测量精度往往存在差异，为提高测量精度，传统的方法是将待校正温度传感器和高精度标准温度传感器共同置于恒温箱内加热，待温度恒定后，记录二者的输出。在多个典型温度点重复此过程以获得多个测量值，而后采用线性拟合算法，将两个传感器的输出进行拟合，获得待校正温度传感器的校正公式。但由于传感器的非线性特性，这种方法往往难以生产出在全量程范围内都具有高精度测量等级的产品。

在当前电子信息技术飞速发展的基础上，利用单片机技术和数据处理技术，建立一种简单高效的温度传感器非线性校正方法，已经成为提高生产过程可靠性、降低生产成本的必然要求。

发明内容

为解决现有温度传感器校正方法的校正精度较低且成本高的缺陷，本发明提供一种基于BP神经网络的温度传感器非线性校正方法，单片机为基础，利用基于神经网络的非线性建模技术，用以提高其测量精度，降低成本。

本发明为解决上述问题采用如下的技术方案：

一种基于BP神经网络的温度传感器非线性校正方法，包括以下步骤：

S1、将神经网络校正算法及相关程序下载至单片机中；

S2、初始化神经网络基本参数；

S3、将待校正温度传感器与高精度标准温度传感器共同置于恒温箱内加热；

S4、温度传感器校正系统自动记录相应数据，待数据记录完成后，单片机利用芯片内的基于神经网络的校正算法，计算相关权值，并将结果通过单片机的SPI接口储存在存储芯片中。

进一步的，S4中，定义温度传感器处于稳态工况的公式为：

({Output}_{j} (k) - {Output}_{j} (k - 1)) < k_{{output}_{j}} * (m a x ({Output}_{j}) - \min ({Output}_{j})),

其中，Output_i(k)、Output_j(k-1)分别代表k时刻和k-1时刻对象第j个输出；分别代表阈值系数。

进一步的，S4中，当获取了足够数量的稳态数据后，系统启动基于神经网络的非线性校正算法，包括以下步骤：

M1、系统对神经网络进行初始化，设置神经网络结构、激活函数、隐节点数量与停止条件等；

M2、将采集的稳态数据划分为训练数据和检验数据；

M3、使用训练数据，利用BP算法，对神经网络进行训练；

M4、对训练好的神经网络，使用检验数据进行检验，检测网络的精度；

M5、减少隐节点数量，重复步骤M2—M4，直至达到校正精度与网络复杂程度的平衡。

进一步的，M3中，BP神经网络训练流程包括以下步骤：

N1、样本采集，采集样本数大于等于10，进行样本归一化；

N2、对权值和阈值初始化；

N3、进行运算和反馈；

N4、若误差未缩小到要求范围，在没达到训练最大次数时，再次进行运算和反馈；

N5、误差缩小到要求的范围，关闭BP神经网络训练；

N6、返回BP神经网络参数。

进一步的，N4中，误差未缩小到要求范围，且达到训练最大次数时，关闭BP神经网络训练。

进一步的，在主函数内循环检测采样硬件开关的状态，每次采样温度值均放入样本数组，并记录采样次数。当采样温度值达到10次，所记录的采样次数自动清零，同时启动BP神经网络训练函数，更新固有的BP神经网络模型。BP神经网络和温度值样本通过数组指针进行参数传递。

一种基于BP神经网络的温度传感器非线性校正系统，包括单片机、锁存器、温度传感器、数码管和传感器，所述单片机直接通过A/D采样获得温度参数。

进一步的，所述单片机采用ATmega16单片机，配有电可擦出的EEPROM储存芯片；

进一步的，所述温度传感器型号是DS18B20，测量的温度范围是-55℃到+125℃，所需电源为5V。

本发明的有益效果在于：提供一种基于BP神经网络的温度传感器非线性校正方法及系统，包括单片机、锁存器、温度传感器、数码管和传感器，综合考虑了科技发展快于工业改革的客观问题，利用较为高效和流行的算法，即BP神经网络算法，进行温度值的非线性补偿。实现通过软件算法提高现有温度传感器的测量精度，以迎合市场需求，避免硬件设备的频繁更新，进而减少了企业生产成本投入以及设备维护投入。

附图说明

为了更清楚地说明本发明具体实施方式，下面将对具体实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为温度传感器非线性校正方法的流程图；

图2为BP神经网络训练的流程图。

具体实施方式

如图1-2所示，本发明提供一种基于BP神经网络的温度传感器非线性校正方法及系统，硬件系统主要由最小系统、ATmega16单片机、74HC573八进制3态非反转透明锁存器、DS18B20温度传感器、数码管和LM35传感器组成，其中包含DC电源座、ISP通信口电路、12MHz外接晶振电路和复位电路其主要是为整个硬件系统功能实现提供基础支持，包括供电、复位和程序下载等功能。ATmega16单片机具有8位数据总线和16位地址总线，可以实现串口通讯，PA端口可以实现8路A/D转换功能，同时四个I/O端口具有强大的拉电流能力，无需外接驱动电路，配有电可擦出的EEPROM储存芯片；所述温度传感器型号是DS18B20，测量的温度范围是-55℃到+125℃，所需电源为5V，通过独有的读写时序进行数据传输，所有的I/O端口均可以用来读取温度传感器DS18B20的温度值，只是需要调用专门的读写程序即可，不必占用单片机通用的串行通讯口，有效地利用了单片机资源。

S1、将神经网络校正算法及相关程序下载至单片机中；

S2、初始化神经网络基本参数；

其中，BP神经网络训练流程，激活函数采用Sigmoid函数，包括以下步骤：

N1、样本采集，采集样本数大于等于10，进行样本归一化；

N2、对权值和阈值初始化；

N3、进行运算和反馈；

N5、误差缩小到要求的范围，关闭BP神经网络训练；

N6、返回BP神经网络参数。

进一步的，在主函数内循环检测采样硬件开关的状态，每次采样温度值均放入样本数组，并记录采样次数。当采样温度值达到10次，所记录的采样次数自动清零，同时启动BP神经网络训练函数，更新固有的BP神经网络模型。BP神经网络和温度值样本通过数组指针进行参数传递。循环采样温度值并且更新BP神经网络模型，大大简化了硬件电路的设计，同时保证了非线性拟合对于具体工业现场温度变化的适应能力。

S4中，定义温度传感器处于稳态工况的公式为：

({Output}_{j} (k) - {Output}_{j} (k - 1)) < k_{{output}_{j}} * (m a x ({Output}_{j}) - \min ({Output}_{j})),

S4中，当获取了足够数量的稳态数据后，系统启动基于神经网络的非线性校正算法，包括以下步骤：

M2、将采集的稳态数据划分为训练数据和检验数据；

M3、使用训练数据，利用BP算法，对神经网络进行训练；

M5、减少隐节点数量，重复步骤M2—M4，直至达到校正精度与网络复杂程度的平衡。在进行温度信号的采集时，分别选用精度较低的模拟量输出的温度传感器和精度较高的串口输出的温度传感器实现对温度的检测。通过单片机的A/D转换功能，将低精度的温度传感器测量的模拟量转换为电信号，将数据读入至单片机；再利用单片机I/O口将高精度温度传感器的串口温度数据读入单片机。

对温度传感器校正系统的仿真设计，使用的主要器件如表1所示：

表1器件

器件名称	数量
		ATmega16芯片	1片
74HC573锁存器	2片
		8段显示的数码管	2个
DS18B20	1个
		24C02	1个
温度传感器LM35	1个

根据使用到的单片机系统和主控芯片，将单片机的I/O端口进行地址分配。分配表如表所示。

表2 I/O地址分配

Table 4.2I/O Address assignment

将源程序调入仿真软件后，点击启动仿真的按钮，则仿真开始运行。

R1、温度测量环节。对于低精度的模拟量输出的温度传感器LM35，首先将它接入到带有A/D转换功能的I/O口，然后通过A/D转换将LM35所采集到的模拟量温度值转化为数字量数据存入单片机某个变量里；对于高精度的单总线数据输出的温度传感器DS18B20，也将它接入之前确定的I/O端口，然后通过调用单数据线传输数据的读写子程序，将DS18B20中温度缓存器里存放的数字量温度值，一位一位地读取即可。

R2、算法实现环节。在采样环节结束后进行训练，得到控制在一定精度范围内的BP神经网络参数。在EEPROM芯片24C02专门用来保存通过采样样本的学习而建立起来的BP神经网络的权值和阀值等参数。当低精度的温度传感器工作时，24C02将存储的参数通过串口传送给单片机，使低精度的温度传感器采样得到的值，通过已有的BP神经网络算法后，预测出一个接近于高精度温度传感器所测的值。

R3、显示环节。74HC573锁存器和数码管构成了校正系统的显示环节。在仿真过程中，由单片机发送位选的扫描信号，并且使能第一个74HC573，使位选信号进入第一个74HC573并保持同步输出，单片机再释放I/O端口，从相同I/O端口发送段选的显示信号，使能第二个74HC573，使其保持同步输出段选信号。这样就实现一个I/O端口来驱动显示电路,完成了温度测量值的显示。

最后进行系统调试，包括以下步骤：

T1、将C语言程序代码通过ISP下载线写入温度传感器校正系统的单片机后，拔掉ISP下载线。

T2、为校正系统插入DC5V电源，按下电源按钮，两路温度传感器的测量数值在数码管上得到显示。由于精度不同，显示值略有不同。

T3、按动采集开关10次，采集学习样本完成后，系统自动开始BP神经网络的训练。

T4、结束后，按下校正按钮，低精度温度传感器对应的数码管显示出和高精度温度传感器一样的温度值。

以上通过实施例对本发明的进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims

1.一种基于BP神经网络的温度传感器非线性校正方法，其特征在于：

S1、将神经网络校正算法及相关程序下载至单片机中；

S2、初始化神经网络基本参数；

2.根据权利要求1所述的一种基于BP神经网络的温度传感器非线性校正方法，其特征在于：S4中，定义温度传感器处于稳态工况的公式为：

3.根据权利要求1所述的一种基于BP神经网络的温度传感器非线性校正方法，其特征在于：S4中，当获取了足够数量的稳态数据后，系统启动基于神经网络的非线性校正算法，包括以下步骤：

M2、将采集的稳态数据划分为训练数据和检验数据；

M3、使用训练数据，利用BP算法，对神经网络进行训练；

4.根据权利要求3所述的一种基于BP神经网络的温度传感器非线性校正方法，其特征在于：M3中，BP神经网络训练流程包括以下步骤：

N1、样本采集，采集样本数大于等于10，进行样本归一化；

N2、对权值和阈值初始化；

N3、进行运算和反馈；

N5、误差缩小到要求的范围，关闭BP神经网络训练；

N6、返回BP神经网络参数。

5.根据权利要求4所述的一种基于BP神经网络的温度传感器非线性校正方法，其特征在于：N4中，误差未缩小到要求范围，且达到训练最大次数时，关闭BP神经网络训练。

6.根据权利要求3或4或5所述的一种基于BP神经网络的温度传感器非线性校正方法，其特征在于：在主函数内循环检测采样硬件开关的状态，每次采样温度值均放入样本数组，并记录采样次数。当采样温度值达到10次，所记录的采样次数自动清零，同时启动BP神经网络训练函数，更新固有的BP神经网络模型。BP神经网络和温度值样本通过数组指针进行参数传递。

7.一种基于BP神经网络的温度传感器非线性校正系统，其特征在于：包括单片机、锁存器、温度传感器、数码管和传感器，所述单片机直接通过A/D采样获得温度参数。

8.根据权利要求7所述的一种基于BP神经网络的温度传感器非线性校正系统，其特征在于：所述单片机采用ATmega16单片机，配有电可擦出的EEPROM储存芯片。

9.根据权利要求7所述的一种基于BP神经网络的温度传感器非线性校正系统，其特征在于：所述温度传感器型号是DS18B20，测量的温度范围是-55℃到+125℃，所需电源为5V。