CN106767763A - 一种平面姿态测量传感器的环境补偿装置与方法 - Google Patents

Abstract

提出了平面姿态测量传感器的环境补偿装置与方法，所述装置包括：数据采集模块，用于预先采集多组不同数据样本，构造和输出第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}和第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}，还用于实时采集和输出第一实时数据(U_xr,U_tr,U_rhr,U_br)和第二实时数据(U_yr,U_tr,U_rhr,U_br)；处理器模块，其在执行时使用第一/第二数据样本集对第一/第二RBF神经网络进行训练、获取训练好的第一/第二RBF神经网络，且被配置用于在执行时使用训练好的第一/第二RBF神经网络来获取针对第一/第二实时数据中的X轴/Y轴实时倾角值U_xr/U_yr的当前补偿量Δθ_xr/Δθ_yr并对其进行补偿，从而获得经补偿的X轴/Y倾角值U_xc/U_yc并输出。所述装置与方法在环境因素变化时仍然具有很高的测量精度。

Description

一种平面姿态测量传感器的环境补偿装置与方法

技术领域

本发明涉及对物体相对于某一平面的姿态进行检测的领域，特别是涉及一种平面姿态测量传感器的环境补偿装置与方法。

背景技术

平面姿态测量传感器广泛应用于航空、航天、军事以及建筑等领域。传统的平面姿态测量传感器在环境不是很恶劣的场合，测量的精度可以满足要求。但是在环境比较恶劣的场合，传感器在测量精度、稳定性以及使用寿命等方面却大打折扣。

影响平面姿态测量传感器测量精度的主要是环境因素，这些环境因素包括温度、湿度和气压，这三个方面对电子元器件参数的影响很大，一旦电子元器件的参数受到了影响，那么，平面姿态测量传感器的测量精度肯定会大大降低。

因此，需要提供在上述环境因素变化时仍然具有很高的测量精度的平面姿态测量传感器。

发明内容

至少为了解决上述问题，本发明提出了以下技术方案。

根据本发明的第一种平面姿态测量传感器的环境补偿装置，包括：

数据采集模块，用于预先采集包含平面姿态测量传感器的X轴倾角值U_x和Y轴倾角值U_y、温度传感器的温度值U_t、湿度传感器的湿度值U_rh、气压传感器的气压值U_b、平面姿态测量传感器的X轴倾角值U_x的补偿量Δθ_x和Y轴倾角值U_y的补偿量Δθ_y的多组不同数据样本，将这多组不同数据样本构造成第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}和第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}，且输出该第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}和第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}，

还用于实时采集包含平面姿态测量传感器的X轴实时倾角值U_xr、温度传感器的实时温度值U_tr、湿度传感器的实时湿度值U_rhr、气压传感器的实时气压值U_br的第一实时数据(U_xr,U_tr,U_rhr,U_br)，以及包含平面姿态测量传感器的Y轴实时倾角值U_yr、温度传感器的实时温度值U_tr、湿度传感器的实时湿度值U_rhr、气压传感器的实时气压值U_br的第二实时数据(U_yr,U_tr,U_rhr,U_br)，且输出该第一实时数据(U_xr,U_tr,U_rhr,U_br)和第二实时数据(U_yr,U_tr,U_rhr,U_br)；

处理器模块，其与数据采集模块连接，该处理器模块被配置用于，在执行时使用第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}对第一RBF神经网络进行训练、获取训练好的第一RBF神经网络参数，且被配置用于在执行时使用训练好的第一RBF神经网络参数来获取针对第一实时数据(U_xr,U_tr,U_rhr,U_br)中的X轴实时倾角值U_xr的当前补偿量Δθ_xr并对其进行补偿，从而获得经补偿的X轴倾角值U_xc并输出，

还被配置用于在执行时使用第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}对第二RBF神经网络进行训练、获取训练好的第二RBF神经网络参数，且还被配置用于在执行时使用训练好的第二RBF神经网络参数来获取针对第二实时数据(U_yr,U_tr,U_rhr,U_br)中的Y轴实时倾角值U_yr的当前补偿量Δθ_yr并对其进行补偿，从而获得经补偿的Y轴倾角值U_yc并输出。

根据本发明的第二种平面姿态测量传感器的环境补偿装置，包括：

数据采集模块，用于预先采集包含平面姿态测量传感器的X轴倾角值U_x和Y轴倾角值U_y、温度传感器的温度值U_t、湿度传感器的湿度值U_rh、气压传感器的气压值U_b、平面姿态测量传感器的X轴倾角值U_x的补偿量Δθ_x和Y轴倾角值U_y的补偿量Δθ_y的多组不同数据样本，将这多组不同数据样本构造成第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}和第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}，且输出该第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}和第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}，

还用于实时采集包含平面姿态测量传感器的X轴实时倾角值U_xr、温度传感器的实时温度值U_tr、湿度传感器的实时湿度值U_rhr、气压传感器的实时气压值U_br的第一实时数据(U_xr,U_tr,U_rhr,U_br)，以及包含平面姿态测量传感器的Y轴实时倾角值U_yr、温度传感器的实时温度值U_tr、湿度传感器的实时湿度值U_rhr、气压传感器的实时气压值U_br的第二实时数据(U_yr,U_tr,U_rhr,U_br)，且输出该第一实时数据(U_xr,U_tr,U_rhr,U_br)和第二实时数据(U_yr,U_tr,U_rhr,U_br)；

X轴倾角补偿模块，其与数据采集模块连接，用于使用第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}对第一RBF神经网络进行训练、获取训练好的第一RBF神经网络参数，

还用于使用训练好的第一RBF神经网络参数来获取针对第一实时数据(U_xr,U_tr,U_rhr,U_br)中的X轴实时倾角值U_xr的当前补偿量Δθ_xr并对其进行补偿，从而获得经补偿的X轴倾角值U_xc并输出；

Y轴倾角补偿模块，其与数据采集模块连接，用于使用第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}对第二RBF神经网络进行训练、获取训练好的第二RBF神经网络参数，

还用于使用训练好的第二RBF神经网络参数来获取针对第二实时数据(U_yr,U_tr,U_rhr,U_br)中的Y轴实时倾角值U_yr的当前补偿量Δθ_yr并对其进行补偿，从而获得经补偿的Y轴倾角值U_yc并输出。

根据本发明的平面姿态测量传感器的环境补偿方法，由上文所述的两种环境补偿装置实现，包括以下步骤：

步骤1：数据采集模块预先采集包含平面姿态测量传感器的X轴倾角值U_x和Y轴倾角值U_y、温度传感器的温度值U_t、湿度传感器的湿度值U_rh、气压传感器的气压值U_b、平面姿态测量传感器的X轴倾角值U_x的补偿量Δθ_x和Y轴倾角值U_y的补偿量Δθ_y的多组不同数据样本，将这多组不同数据样本构造成第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}和第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}，且输出该第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}和第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}；

步骤2：X轴倾角补偿模块使用第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}对第一RBF神经网络进行训练、获取训练好的第一RBF神经网络参数，Y轴倾角补偿模块使用第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}对第二RBF神经网络进行训练、获取训练好的第二RBF神经网络参数；

步骤3：数据采集模块实时采集包含平面姿态测量传感器的X轴实时倾角值U_xr、温度传感器的实时温度值U_tr、湿度传感器的实时湿度值U_rhr、气压传感器的实时气压值U_br的第一实时数据(U_xr,U_tr,U_rhr,U_br)，以及包含平面姿态测量传感器的Y轴实时倾角值U_yr、温度传感器的实时温度值U_tr、湿度传感器的实时湿度值U_rhr、气压传感器的实时气压值U_br的第二实时数据(U_yr,U_tr,U_rhr,U_br)，且输出该第一实时数据(U_xr,U_tr,U_rhr,U_br)和第二实时数据(U_yr,U_tr,U_rhr,U_br)；

步骤4：X轴倾角补偿模块使用训练好的第一RBF神经网络参数来获取针对第一实时数据(U_xr,U_tr,U_rhr,U_br)中的X轴实时倾角值U_xr的当前补偿量Δθ_xr并对其进行补偿，从而获得经补偿的X轴倾角值U_xc，以及，Y轴倾角补偿模块使用训练好的第二RBF神经网络参数来获取针对第二实时数据(U_yr,U_tr,U_rhr,U_br)中的Y轴实时倾角值U_yr的当前补偿量Δθ_yr并对其进行补偿，从而获得经补偿的Y轴倾角值U_yc。

通过引入温度、湿度和气压的实时检测，本发明的上述技术方案适用于工作环境非常恶劣的场合，提高了传感器的测量精度；提高了传感器的稳定性，延长了使用寿命；制造成本低，体积小，安装方便，便于维护。

附图说明

通过阅读下文具体实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出具体实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1是根据本发明的第一种平面姿态测量传感器的环境补偿装置的示意框图。

图2是根据本发明的第二种平面姿态测量传感器的环境补偿装置的示意框图。

图3是根据本发明的平面姿态测量传感器的环境补偿方法的示意流程图。

图4是根据本发明的第一种平面姿态测量传感器的环境补偿装置的一个具体实施例的示意框图。

图5是本发明的环境补偿装置所使用的倾角传感器模块的安装方式的示意图。

图6是本发明的环境补偿方法的一个示例性实施例的示意图。

图7是可以应用本发明的环境补偿装置的塔式起重机的示意图。

图8是结合本发明的环境补偿装置的监测系统的示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

针对传统的倾角传感器(即，平面姿态测量传感器)在恶劣环境下测量不准确的不足，本发明提出了平面姿态测量传感器的环境补偿装置与方法。本发明的基本构思是，用单片机(即，处理器)处理平面姿态测量传感器、温度传感器、湿度传感器、气压传感器收集到的信号，经过对各路信号的分析比较处理后通过数码管进行显示或者通过通讯总线将相关信息发送给上位机，实现在恶劣环境条件下精准测量物体相对于某一平面处于何种姿态。

下面将结合附图分别介绍本发明所提出的平面姿态测量传感器的环境补偿装置和方法。

图1是根据本发明的第一种平面姿态测量传感器的环境补偿装置的示意框图。

如图1所示，第一种平面姿态测量传感器的环境补偿装置包括数据采集模块和处理器模块。

图1中的数据采集模块，用于采集环境检测数据。例如，具体包括以下环境检测数据的采集。

数据采集模块预先采集包含平面姿态测量传感器的X轴倾角值U_x和Y轴倾角值U_y、温度传感器的温度值U_t、湿度传感器的湿度值U_rh、气压传感器的气压值U_b、平面姿态测量传感器的X轴倾角值U_x的补偿量Δθ_x和Y轴倾角值U_y的补偿量Δθ_y的多组不同数据样本，将这多组不同数据样本构造成第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}和第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}且输出该第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}和第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}；还用于实时采集包含平面姿态测量传感器的X轴实时倾角值U_xr、温度传感器的实时温度值U_tr、湿度传感器的实时湿度值U_rhr、气压传感器的实时气压值U_br的第一实时数据(U_xr,U_tr,U_rhr,U_br)，以及包含平面姿态测量传感器的Y轴实时倾角值U_yr、温度传感器的实时温度值U_tr、湿度传感器的实时湿度值U_rhr、气压传感器的实时气压值U_br的第二实时数据(U_yr,U_tr,U_rhr,U_br)，且输出该第一实时数据(U_xr,U_tr,U_rhr,U_br)和第二实时数据(U_yr,U_tr,U_rhr,U_br)。

例如，数据采集模块可以包括倾角传感器模块SCA100T-D02、温度传感器模块、湿度传感器模块和气压传感器模块。

倾角传感器模块SCA100T-D02是基于3D-MEMS的高精度双轴倾角传感器芯片，具有高分辨率，低噪声，承受高达20kg的机械冲击力，工作温度为-40℃至+125℃，自带偏移量校准误差，非常适合在恶劣的环境条件下使用，可以实时采集相对于倾角传感器模块的安装平面的X轴倾角值U_x和Y轴倾角值U_y。另外，温度传感器使用的是DS18B20芯片，湿度传感器使用的是DHT11芯片，气压传感器使用的是BMP180芯片，这三个模块可以实时采集外界环境的温度、湿度和气压数据U_tr、U_rhr、U_br。

如图1所示，处理器模块与数据采集模块连接，该处理器模块被配置用于，在执行时使用第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}对第一RBF神经网络进行训练、获取训练好的第一RBF神经网络参数，且被配置用于在执行时使用训练好的第一RBF神经网络参数来获取针对第一实时数据(U_xr,U_tr,U_rhr,U_br)中的X轴实时倾角值U_xr的当前补偿量Δθ_xr并对其进行补偿，从而获得经补偿的X轴倾角值U_xc并输出；还被配置用于在执行时使用第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}对第二RBF神经网络进行训练、获取训练好的第二RBF神经网络参数，且还被配置用于在执行时使用训练好的第二RBF神经网络参数来获取针对第二实时数据(U_yr,U_tr,U_rhr,U_br)中的Y轴实时倾角值U_yr的当前补偿量Δθ_yr并对其进行补偿，从而获得经补偿的Y轴倾角值U_yc并输出。

例如，处理器模块可以采用中央处理器STM32芯片。

图2是根据本发明的第二种平面姿态测量传感器的环境补偿装置的示意框图。

如图2所示，第二种平面姿态测量传感器的环境补偿装置包括数据采集模块、X轴倾角补偿模块和Y轴倾角补偿模块。

图2中的数据采集模块，用于采集环境检测数据。例如，具体包括以下环境检测数据的采集。

数据采集模块预先采集包含平面姿态测量传感器的X轴倾角值U_x和Y轴倾角值U_y、温度传感器的温度值U_t、湿度传感器的湿度值U_rh、气压传感器的气压值U_b、平面姿态测量传感器的X轴倾角值U_x的补偿量Δθ_x和Y轴倾角值U_y的补偿量Δθ_y的多组不同数据样本，将这多组不同数据样本构造成第一数据样本集{U_x,U_t,U_rh,U_n,Δθ_x}和第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}，且输出该第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}和第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}；还用于实时采集包含平面姿态测量传感器的X轴实时倾角值U_xr、温度传感器的实时温度值U_tr、湿度传感器的实时湿度值U_rhr、气压传感器的实时气压值U_br的第一实时数据(U_xr,U_tr,U_rhr,U_br)，以及包含平面姿态测量传感器的Y轴实时倾角值U_yr、温度传感器的实时温度值U_tr、湿度传感器的实时湿度值U_rhr、气压传感器的实时气压值U_br的第二实时数据(U_yr,U_tr,U_rhr,U_br)，且输出该第一实时数据(U_xr,U_tr,U_rhr,U_br)和第二实时数据(U_yr,U_tr,U_rhr,U_br)。

如图2所示，X轴倾角补偿模块与数据采集模块连接，用于使用第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}对第一RBF神经网络进行训练、获取训练好的第一RBF神经网络参数；还用于使用训练好的第一RBF神经网络参数来获取针对第一实时数据(U_xr,U_tr,U_rhr,U_br)中的X轴实时倾角值U_xr的当前补偿量Δθ_xr并对其进行补偿，从而获得经补偿的X轴倾角值U_xc并输出。

如图2所示，Y轴倾角补偿模块也与数据采集模块连接，用于使用第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}对第二RBF神经网络进行训练、获取训练好的第二RBF神经网络参数；还用于使用训练好的第二RBF神经网络参数来获取针对第二实时数据(U_yr,U_tr,U_rhr,U_br)中的Y轴实时倾角值U_yr的当前补偿量Δθ_yr并对其进行补偿，从而获得经补偿的Y轴倾角值U_yc并输出。

图3是根据本发明的平面姿态测量传感器的环境补偿方法的示意流程图。该环境补偿方法可以结合上文所述的两种环境补偿装置使用。

如图3所示，根据本发明的平面姿态测量传感器的环境补偿方法包括以下步骤：

步骤1：数据采集模块预先采集包含平面姿态测量传感器的X轴倾角值U_x和Y轴倾角值U_y、温度传感器的温度值U_t、湿度传感器的湿度值U_rh、气压传感器的气压值U_b、平面姿态测量传感器的X轴倾角值U_x的补偿量Δθ_x和Y轴倾角值U_y的补偿量Δθ_y的多组不同数据样本，将这多组不同数据样本构造成第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}和第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}，且输出该第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}和第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}。

例如，可以采用以下方法来采集样本集。

做1000组实验，将倾角传感器的输出值U，温度U_t，湿度U_rh和气压U_b作为模型的输入，实验数据作为模型的样本集。首先进行实验环境的搭建，将姿态测量装置按照正确的方法安装在精密电控旋转台上，并将其放入带有温度控制、湿度控制和气压控制的实验箱内。精密电控旋转台的分辨率为0.00001°，该实验箱调温范围为-60-150℃，湿度调节范围为10％-95％RH，气压调节范围20-120kPa。实验过程中，将实验箱温度从-10℃调节到+60℃，每隔10℃进行一次温度测量；将湿度从40％RH调节到80％RH，每隔10％RH进行一次湿度测量；将气压从50kPa调节到90kPa，每隔10kPa进行一次气压测量。电控旋转台带动倾角传感器按30°为间隔旋转一周，并记录每个位置上传感器在X轴和Y轴上的输出U_x和U_y，在每次调节温度、湿度和气压的时候，实验箱要稳定0.5h，以保证实验箱内各个位置参数的一致性。通过实验，一共测出1000组数据作为RBF神经网络的样本集。

其中，按照图5中的正确安装方式安装好倾角传感器模块SCA100T-D2之后，按照上文所述的方法改变被测物体的姿态。此时，倾角传感器模块将X轴和Y轴的倾角值传递给AD转换模块AD7705，AD7705再将两轴的模拟信号转换成数字信号传递给STM32，温度传感器、湿度传感器和气压传感器将被测物体周围的环境参数传递给STM32，同时记录真实Δθ_y。

步骤2：X轴倾角补偿模块使用第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}对第一RBF神经网络进行训练、获取训练好的第一RBF神经网络参数；Y轴倾角补偿模块使用第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}对第二RBF神经网络进行训练、获取训练好的第二RBF神经网络参数。

例如，可以采用以下方法来基于上面采集的样本集来训练第一RBF神经网络和第二RBF神经网络。

求高斯径向基函数的中心t_i和方差σ_i，隐含层到输出层的连接权值w_ij。

对于高斯径向基函数的中心t_i采用K-均值聚类的方法求取，在样本集中随机选取I个训练样本作为聚类中心t_i(0)(i＝1,…,I)进行迭代，根据相似度准则将数据对象分配到最接近的t_i(0)，从而形成一类，然后以该类的平均向量作为新的聚类中心，重新分配数据对象，如此反复，直至每个类中的数据与每个聚类中心做差的平方和最小，得到高斯径向基函数的中心t_i(n)，n为迭代次数。

在高斯径向基函数的中心t_i求出后，为了避免径向基函数太尖或太平，方差可以通过式(1)求解：

其中，d_％ax为I个聚类中心之间距离的最大值，I为所选取的聚类中心的个数。

第i个隐含层神经元至第j个输出层之间的连接权值w_ij基于上面所求得的高斯径向基函数的中心t_i和方差σ_i用最小二乘法直接计算得到。

在适用于第一RBF神经网络和适用于第二RBF神经网络的这些参数求出(即，最终得到了训练好的第一RBF神经网络和第二RBF神经网络)之后，就可以根据下文中的式(2)和式(3)获得X轴倾角值或Y轴倾角当前的补偿量。

适用于第一RBF神经网络的训练好的上述参数使得使用第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}中的各个第一数据样本的X轴倾角值U_x、温度传感器的温度值U_t、湿度传感器的湿度值U_rh、气压传感器的气压值U_b作为经训练后的第一RBF神经网络的输入时的该第一RBF神经网络的输出逼近第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}中的各个第一数据样本中的平面姿态测量传感器的X轴倾角值U_x的补偿量Δθ_x)。

适用于第二RBF神经网络的训练好的上述参数使得使用第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}中的各个第二数据样本的Y轴倾角值U_y、温度传感器的温度值U_t、湿度传感器的湿度值U_rh、气压传感器的气压值U_b作为经训练后的第二RBF神经网络的输入时的该第二RBF神经网络的输出逼近第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}中的各个第二数据样本中的平面姿态测量传感器的Y轴倾角值U_y的补偿量Δθ_y)。

需要了解的是，经过发明人的多次实验，当径向基函数的分布密度设置为0.5，训练次数设置为25次时，能够保证算法较快的收敛速度，训练结果可以将误差补偿精度提高2个数量级(即，误差百分比下降2个数量级)。

式(2)是隐含层神经元所使用的高斯径向基函数，是输入层和隐含层之间的转换函数，

其中，t_i为高斯函数的中心，σ_i为方差，X_k为任一训练样本，即X_k＝[x_k1,…x_k％…x_kM]。

隐含层到输出层的转换函数使用如式(3)所示的线性函数，

其中w_ij表示的是隐含层第i个神经元与输出层第j个神经元的连接权值。

上述训练过程实现了对式(4)表示的曲线的最佳逼近。

其中，Δθ_x，Δθ_y分别表示X轴角度的补偿量和Y轴角度的补偿量，U_x、U_y表示倾角传感器补偿前的X轴和Y轴的输出量，U_t表示温度传感器的输出量，U_rh表示湿度传感器的输出量，U_b表示气压传感器的输出量，f和g表示输入量与补偿量之间的映射关系。

这种映射关系是一种非线性的映射关系，若要用现有的数学工具准确找到四元函数的映射关系难度非常大，并且补偿效果也欠佳。找到一种能够以较高精度逼近这种映射关系，并且运算速度快的补偿算法是研究的重点。

经过比较分析发现，首先，RBF神经网络由输入层、隐含层和输出层构成，由输入层到隐含层主要完成的是非线性变换，从隐含层到输出层主要完成的是线性变换。其次，RBF神经网络是一种性能优良的前向无反馈网络，不仅学习速度快，而且能够克服局部极小问题，已经广泛应用于实时控制、数据分类等方面。因此，基于径向基函数RBF的神经网络算法来进行函数逼近是最佳选择。

步骤3：数据采集模块实时采集包含平面姿态测量传感器的X轴实时倾角值U_xr、温度传感器的实时温度值U_tr、湿度传感器的实时湿度值U_rhr、气压传感器的实时气压值U_br的第一实时数据(U_xr,U_tr,U_rhr,U_br)，以及包含平面姿态测量传感器的Y轴实时倾角值U_yr、温度传感器的实时温度值U_tr、湿度传感器的实时湿度值U_rhr、气压传感器的实时气压值U_br的第二实时数据(U_yr,U_tr,U_rhr,U_br)且输出该第一实时数据(U_xr,U_tr,U_rhr,U_br)和第二实时数据(U_yr,U_tr,U_rhr,U_br)。

此时，倾角传感器模块将X轴和Y轴的倾角值传递给AD转换模块AD7705，AD7705再将两轴的模拟信号转换成数字信号传递给STM32，温度传感器、湿度传感器和气压传感器将被测物体周围的环境参数传递给STM32，此时不知道真实Δθ_y。

步骤4：X轴倾角补偿模块使用训练好的第一RBF神经网络参数来获取针对第一实时数据(U_xr,U_tr,U_rhr,U_br)中的X轴实时倾角值U_xr的当前补偿量Δθ_xr并对其进行补偿，从而获得经补偿的X轴倾角值U_xc；以及，Y轴倾角补偿模块使用训练好的第二RBF神经网络参数来获取针对第二实时数据(U_yr,U_tr,U_rhr,U_br)中的Y轴实时倾角值U_yr的当前补偿量Δθ_yr并对其进行补偿，从而获得经补偿的Y轴倾角值U_yc。

将第一实时数据(U_xr,U_tr,U_rhr,U_br)输入训练好的第一RBF神经网络，就可以根据式(2)和式(3)获得X轴倾角值当前的补偿量Δθ_xr，并对其进行补偿，从而获得经补偿的X轴倾角值U_xc。

将第二实时数据(U_yr,U_tr,U_rhr,U_br)输入训练好的第二RBF神经网络，就可以根据式(2)和式(3)获得Y轴倾角当前的补偿量Δθ_yr，并对其进行补偿，从而获得经补偿的Y轴倾角值U_yc。

为了使本领域的技术人员更清楚地理解本发明，下面将给出更具体的实施例。

图4是根据本发明的第一种平面姿态测量传感器的环境补偿装置的一个具体实施例的示意框图。

如图4所示，该环境补偿装置主要由9部分组成，分别是电源模块、倾角传感器模块SCA100T-D02、AD转换模块AD7705、基准电压模块、中央处理器STM32、温度传感器模块、湿度传感器模块、气压传感器模块和通讯模块。如上文所述，数据采集模块可以包括温度传感器模块、湿度传感器模块、气压传感器模块。

图4中的AD转换模块使用是AD7705芯片，该芯片是可编程的完整16位的高精度AD转换芯片，具有高分辨率，动态范围宽，自校准，抗噪声能力强以及低功耗等特点，这些优良的特性能够保证该环境补偿装置的测量精度。另外，温度传感器使用的是DS18B20芯片，湿度传感器使用的是DHT11芯片，气压传感器使用的是BMP180芯片，这三个模块可以实时的将外界环境的温度、湿度和气压数据传递到中央处理器STM32中，在STM32中通过相应的补偿算法进行姿态测量数据的校正；测量和校正后的最终数据可以通过通讯接口传递到上位机中。

需要注意的是，在使用该装置之前，要掌握倾角传感器模块SCA100T-D02的正确安装方法，不正确的安装会导致测量角度误差大。倾角传感器模块可以水平安装，也可以垂直安装，但是在安装的时候，主要注意两点，要保证“两面”和“两线”的正确安装。“两面”是指倾角传感器的安装面与被测物体的安装面必须紧密、平整、稳定，如果安装面不平容易造成传感器测量角度产生误差，最终可能会产生不可预料的损失。“两线”是指传感器的轴线与被测面的轴线平行，两轴线不能有夹角产生。

图5是本发明的环境补偿装置所使用的倾角传感器模块的安装方式的示意图。图5的上部是“两面”安装的示意图，左侧为错误安装方式，右侧为正确安装方式。图5的下部是“两线”安装的示意图，左侧为错误安装方式，右侧为正确安装方式。

图4中的中央处理器STM32对各个传感器所采集的信息(即，数据)进行处理。STM32是姿态信号(即，倾角传感器模块SCA100T-D02所测量的倾角数据)、温度信号(即，温度传感器模块所测量的温度数据)、湿度信号(即，湿度传感器模块所测量的湿度数据)和气压信号(即，气压传感器模块所测量的气压数据)的处理中心。

图6是本发明的环境补偿方法的一个示例性实施例的示意图。

如图6所示，本发明的环境补偿方法的示例性实施例包括以下步骤：

图4所示的装置上电后，倾角传感器模块SCA100T-D02、AD转换模块、温度传感器模块、湿度传感器模块和气压传感器模块进行初始化。

倾角测量模块(即，倾角传感器模块)将被测物体的姿态参数传递给AD转换模块AD7705，当AD7705转换结束后通过SPI总线将数据传递给环境补偿器(即，STM32)；此时，温度传感器模块、湿度传感器模块和气压传感器模块也在实时的采集周围的温度、湿度和气压，并将这三个参数(即，数据)也传递给环境补偿器，环境补偿器采集到这四个参数后，进行运算，最后将得到的结果通过通讯接口发送到上位机或者其他系统中，从而结束环境补偿过程(对应于上文中的步骤3和步骤4)。

图7是可以应用本发明的环境补偿装置的塔式起重机的示意图。在图7中给出了倾角传感器的安装位置和状态监测位置(即，上文所述的处理器模块的位置)，如图7所示，二者可以是分离的。

随着建筑业的发展，如图7所示的塔式起重机(塔吊)得到了普遍的应用，但其高空作业特点导致倾翻事故时有发生，容易造成人员伤亡和财产损失。发生倾翻事故的原因有很多，比如塔吊在吊装过程中斜拉斜拽、吊装过程中挂住脚手架或重物捆扎不牢、重物突然卸载使塔机后倾力突然增大等。

目前，塔吊上安装的安全限位装置主要有重量限位器、起重力矩限位器、幅度限位器等，虽然塔机上安装有安全限位装置，但检查不到某些隐患，在特定情况下使得危险因素加剧，最终导致塔身倾角过大引起塔机倾翻。所以，在塔吊上安装一个性能优异的姿态测量装置就可以有效地检测塔身在使用之前及使用过程中倾角的大小，当倾角大于某一临界状态时及时报警可以有效的预防塔机倾翻事故的发生。但是塔吊长年累月的在室外工作，经常会有工作环境十分恶劣的时候，要保证姿态测量装置在这种特殊的工作环境下也能保证测量精度高、通信可靠、抵抗环境影响。

考虑到根据本发明的上述装置和方法采用RBF神经网络算法对角度传感器进行环境补偿，使得测量精度可以提高两个数量级；在环境恶劣的情况下，该装置仍然保证测量的精度；该装置安装方法简单、抗干扰能力强、体积小、维护方便，能够大大减轻工作人员的负担。因此，本发明所研制的带有环境补偿的姿态测量装置完全可以满足塔吊的使用要求，可以大大提高塔吊的安全系数。

需要注意的是，如上文结合图5所描述的，要按照正确安装方式来安装姿态测量模块(即，倾角传感器模块)。姿态测量装置的安装位置见图7并且要将其安装在塔吊的主肢上。另外，为了减少数据传输距离所带来的影响，安装位置要尽量靠近检测站；在现场安装的时候，要注意‘两线’和‘两面’的正确位置。

图8是结合本发明的环境补偿装置的监测系统的示意图。图8示出了环境补偿装置可以将补偿后的测量数据发送给监测系统(即，监测站)，当测量的角度不在允许的范围内时，监测系统发出警告提醒工作人员采取相应的措施来消除隐患。

可选择地，环境补偿装置可以也采用高性能、低成本、低功耗的单片机来进行数据的采集处理。本发明中的温度传感器、湿度传感器和气压传感器都可以采用单总线的数据传输方式，从而能够快速地将所测得的数据传输给单片机；另外，对于角度测量部分采用外置的高精度、高速AD转换芯片，该芯片将倾角传感器传输出来的模拟量实时转换成单片机可以处理的数字量，当角度信号、温度信号、湿度信号和气压信号采集过来后，单片机内部通过RBF神经网络算法自学习进行相应的补偿，再将补偿后的数据通过通信总线传输到监测站中。当测量的角度不在允许的范围内时，监测系统发出警告提醒工作人员采取相应的措施来消除隐患。

通过上述步骤，可以有效检测塔吊相对于地面的角度。更为特别的是，即使在温度、湿度和气压变化很大的情况下，该装置也能够保证测量的精度，从而能够防止塔吊发生倾倒事故。实际应用表明，该装置不仅能够快速、高效地完成塔吊倾斜角度的测量，而且还具有测量操作简单、设备维护成本低等优点。

根据本发明的上述技术方案，具有以下有益效果：

首先，通过引入温度检测、湿度检测和气压检测，实时地把这三个参数通过总线传输到处理器中。处理器根据这些参数的变化，对姿态测量传感器的输出的倾角值做出相应的补偿，输出更精确的倾角值。

其次，本发明的倾角测量模块采用3D-MEMS传感器，能够在信号传输前放大信号以提高信号水平，减少干扰和传输的噪声；因为其内部集成了补偿电路，可降低由温度或者由应变等因素引起的误差，具有一定的自校准和自诊断能力。

第三，该装置可以补偿温度、湿度和气压对测量结果带来的影响，即使在环境恶劣，但又要求有较高测量精度的场合也可以放心使用。

第四，该装置集成度很高，结构紧凑，测量过程简单、快捷，可以在很大程度上降低操作的难度，减轻了工作人员的负担。

以上所述，仅为本发明示例性的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (3)

1.一种平面姿态测量传感器的环境补偿装置，其特征在于，包括：

数据采集模块，用于预先采集包含平面姿态测量传感器的X轴倾角值U_x和Y轴倾角值U_y、温度传感器的温度值U_t、湿度传感器的湿度值U_rh、气压传感器的气压值U_b、平面姿态测量传感器的X轴倾角值U_x的补偿量Δθ_x和Y轴倾角值U_y的补偿量Δθ_y的多组不同数据样本，将这多组不同数据样本构造成第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}和第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}且输出该第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}和第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}，

还用于实时采集包含平面姿态测量传感器的X轴实时倾角值U_xr、温度传感器的实时温度值U_tr、湿度传感器的实时湿度值U_rhr、气压传感器的实时气压值U_br的第一实时数据(U_xr,U_tr,U_rhr,U_br)，以及包含平面姿态测量传感器的Y轴实时倾角值U_yr、温度传感器的实时温度值U_tr、湿度传感器的实时湿度值U_rhr、气压传感器的实时气压值U_br的第二实时数据(U_yr,U_tr,U_rhr,U_br)，且输出该第一实时数据(U_xr,U_tr,U_rhr,U_br)和第二实时数据(U_yr,U_tr,U_rhr,U_br)；

处理器模块，其与所述数据采集模块连接，该处理器模块被配置用于，在执行时使用所述第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}对第一RBF神经网络进行训练、获取训练好的第一RBF神经网络参数，且被配置用于在执行时使用训练好的第一RBF神经网络参数来获取针对第一实时数据(U_xr,U_tr,U_rhr,U_br)中的X轴实时倾角值U_xr的当前补偿量Δθ_xr并对其进行补偿，从而获得经补偿的X轴倾角值U_xc并输出，

还被配置用于在执行时使用第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}对第二RBF神经网络进行训练、获取训练好的第二RBF神经网络参数，且还被配置用于在执行时使用训练好的第二RBF神经网络参数来获取针对第二实时数据(U_yr,U_tr,U_rhr,U_br)中的Y轴实时倾角值U_yr的当前补偿量Δθ_yr并对其进行补偿，从而获得经补偿的Y轴倾角值U_yc并输出。

2.一种平面姿态测量传感器的环境补偿装置，其特征在于，包括：

数据采集模块，用于预先采集包含平面姿态测量传感器的X轴倾角值U_x和Y轴倾角值U_y、温度传感器的温度值U_t、湿度传感器的湿度值U_rh、气压传感器的气压值U_b、平面姿态测量传感器的X轴倾角值U_x的补偿量Δθ_x和Y轴倾角值U_y的补偿量Δθ_y的多组不同数据样本，将这多组不同数据样本构造成第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}和第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}且输出该第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}和第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}，

还用于实时采集包含平面姿态测量传感器的X轴实时倾角值U_xr、温度传感器的实时温度值U_tr、湿度传感器的实时湿度值U_rhr、气压传感器的实时气压值U_br的第一实时数据(U_xr,U_tr,U_rhr,U_br)，以及包含平面姿态测量传感器的Y轴实时倾角值U_yr、温度传感器的实时温度值U_tr、湿度传感器的实时湿度值U_rhr、气压传感器的实时气压值U_br的第二实时数据(U_yr,U_tr,U_rhr,U_br)，且输出该第一实时数据(U_xr,U_tr,U_rhr,U_br)和第二实时数据(U_yr,U_tr,U_rhr,U_br)；

X轴倾角补偿模块，其与所述数据采集模块连接，用于使用第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}对第一RBF神经网络进行训练、获取训练好的第一RBF神经网络参数，

还用于使用训练好的第一RBF神经网络参数来获取针对第一实时数据(U_xr,U_tr,U_rhr,U_br)中的X轴实时倾角值U_xr的当前补偿量Δθ_xr并对其进行补偿，从而获得经补偿的X轴倾角值U_xc并输出；

Y轴倾角补偿模块，其与所述数据采集模块连接，用于使用第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}对第二RBF神经网络进行训练、获取训练好的第二RBF神经网络参数，

还用于使用训练好的第二RBF神经网络参数来获取针对第二实时数据(U_yr,U_tr,U_rhr,U_br)中的Y轴实时倾角值U_yr的当前补偿量Δθ_yr并对其进行补偿，从而获得经补偿的Y轴倾角值U_yc并输出。

3.一种平面姿态测量传感器的环境补偿方法，其特征在于，由权利要求1或2所述的环境补偿装置实现，包括以下步骤：

步骤1：数据采集模块预先采集包含平面姿态测量传感器的X轴倾角值U_x和Y轴倾角值U_y、温度传感器的温度值U_t、湿度传感器的湿度值U_rh、气压传感器的气压值U_b、平面姿态测量传感器的X轴倾角值U_x的补偿量Δθ_x和Y轴倾角值U_y的补偿量Δθ_y的多组不同数据样本，将这多组不同数据样本构造成第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}和第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}且输出该第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}和第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}；

步骤2：X轴倾角补偿模块使用第一数据样本集{U_x,U_t,U_rh,U_b,Δθ_x}对第一RBF神经网络进行训练、获取训练好的第一RBF神经网络参数，Y轴倾角补偿模块使用第二数据样本集{U_y,U_t,U_rh,U_b,Δθ_y}对第二RBF神经网络进行训练、获取训练好的第二RBF神经网络参数；

步骤3：数据采集模块实时采集包含平面姿态测量传感器的X轴实时倾角值U_xr、温度传感器的实时温度值U_tr、湿度传感器的实时湿度值U_rhr、气压传感器的实时气压值U_br的第一实时数据(U_xr,U_tr,U_rhr,U_br)，以及包含平面姿态测量传感器的Y轴实时倾角值U_yr、温度传感器的实时温度值U_tr、湿度传感器的实时湿度值U_rhr、气压传感器的实时气压值U_br的第二实时数据(U_yr,U_tr,U_rhr,U_br)，且输出该第一实时数据(U_xr,U_tr,U_rhr,U_br)和第二实时数据(U_yr,U_tr,U_rhr,U_br)；

步骤4：X轴倾角补偿模块使用训练好的第一RBF神经网络参数来获取针对第一实时数据(U_xr,U_tr,U_rhr,U_br)中的X轴实时倾角值U_xr的当前补偿量Δθ_xr并对其进行补偿，从而获得经补偿的X轴倾角值U_xc，以及，Y轴倾角补偿模块使用训练好的第二RBF神经网络参数来获取针对第二实时数据(U_yr,U_tr,U_rhr,U_br)中的Y轴实时倾角值U_yr的当前补偿量Δθ_yr并对其进行补偿，从而获得经补偿的Y轴倾角值U_yc。