CN108332837A - 一种应用于电子秤的基于bp神经网络补偿温度增益方法 - Google Patents

一种应用于电子秤的基于bp神经网络补偿温度增益方法 Download PDF

Info

Publication number
CN108332837A
CN108332837A CN201711277422.3A CN201711277422A CN108332837A CN 108332837 A CN108332837 A CN 108332837A CN 201711277422 A CN201711277422 A CN 201711277422A CN 108332837 A CN108332837 A CN 108332837A
Authority
CN
China
Prior art keywords
neural network
network
output
electronic scale
temperature gain
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.)
Pending
Application number
CN201711277422.3A
Other languages
English (en)
Inventor
姜智
陈华辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chipsea Technologies Shenzhen Co Ltd
Original Assignee
Chipsea Technologies Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chipsea Technologies Shenzhen Co Ltd filed Critical Chipsea Technologies Shenzhen Co Ltd
Priority to CN201711277422.3A priority Critical patent/CN108332837A/zh
Publication of CN108332837A publication Critical patent/CN108332837A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G23/00—Auxiliary devices for weighing apparatus
    • G01G23/01—Testing or calibrating of weighing apparatus
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G23/00—Auxiliary devices for weighing apparatus
    • G01G23/48—Temperature-compensating arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Feedback Control In General (AREA)
  • Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)

Abstract

本发明公开了一种应用于电子秤的基于BP神经网络补偿温度增益方法，该方法包括步骤：101、建立称重传感器温度增益校正的神经网络模型；102、获得网络的学习训练样本数据；103、对样本数据进行预处理；104、对样本数进行网络训练；105、测试网络预测效果；106、将补偿公式写入单片机固件程序内。本发明能够利用神经网络方法对温度传感器进行校正，能够快速、准确实现称重传感器的温度补偿，不仅使补偿环节的精度达到测量允许误差范围内，而且对于没有训练的温度点具有预测补偿效果。

Description

一种应用于电子秤的基于BP神经网络补偿温度增益方法
技术领域
本发明属于电子秤技术领域，特别涉及触摸屏设备的保护装置及方法。
背景技术
在电子秤领域，传感器在实际工作中易受到周围环境因素的影响，例如温度、湿度、振动、电场、磁场等，尤其以温度对传感器的影响最为显著。温度变化会导致传感器额外的输出误差；温度还会使检测电路电子元器件的参数产生相应变化
对于这个问题通常做法是首先将称重传感器放置在特定的温度环境中，放置时间足够长，使其温度分布达到稳态，接着对称重传感器施力，通过改变传感器不同的稳态温度来分析研究称重传感器的非线性、灵敏度、零点输出以及满量程输出等技术指标的温度特性，然后通过在传感器的内部附加相关部件或程序达到温度补偿的目的。
利用硬件方法进行校正时会使电容检测电路复杂、调试麻烦、通用性差、精度有限，同时较多的元器件使得电路响应速度变慢，测量成本增加。
专利申请201710049060.6则公开了一种基于人工神经网络的超宽带低噪声放大器。包括控制电压产生模块和超宽带低噪声放大器模块，超宽带低噪声放大器模块包括由第二NMOS管M3和第二PMOS管M4构成的可变电阻，控制电压产生模块由传感器、数据选择器、输入数据处理单元、人工神经网络和输出数据处理单元组成，利用人工神经网络自身固有的非线性映射能力，使得该网络能够以高精度逼近非线性函数，从而产生对频率呈非线性关系的控制电压并加到第二NMOS管M3和第二PMOS管M4的栅极改变其可变电阻阻值，从而在保证带宽、增益以及优良匹配的条件下最大化的改善电路的噪声数据NF。该专利申请是通过人工神经网络来实现的非现行函数的学习，使得控制电压得以有效控制，如果将人工神经网络的方法应用到电子秤中，能够改善传感器的性能。
发明内容
基于此，因此本发明的首要目地是提供一种应用于电子秤的基于BP神经网络补偿温度增益方法，该方法能够利用神经网络方法对温度传感器进行校正，能够快速、准确实现称重传感器的温度补偿。
本发明的另一个目地在于提供一种应用于电子秤的基于BP神经网络补偿温度增益方法，该方法能够使补偿环节的精度达到测量允许误差范围内，且对于没有训练的温度点具有预测补偿效果。
为实现上述目的，本发明的技术方案为：
一种应用于电子秤的基于BP神经网络补偿温度增益方法，其特征在于该方法包括如下步骤：
101、建立称重传感器温度增益校正的神经网络模型；
神经网络模型由输入层、隐含层和输出层构成。选取输出电压u作为BP神经网络的输入层单元，此时BP神经网络是一个单输入单输出的网络结构。其中网络隐含层的和输出层的激励函数分别为tansig函数和purelin函数。为了使得输出目标与期望值误差最小，建立期望值与输出值的误差表达式。根据梯度下降算法，分别求v、w对E的梯度，可以求得网络输出层与隐含层各节点的权值调整量。
102、获得网络的学习训练样本数据；
所述样本数据，在称重实验时，要采集训练数据的温度下(0°～30°，单位间隔2°)，重力作用(根据高精度电子秤量程范围)使传感器发生形变，进而产生电压变化，利用电压的变化，单片机采集到相应AD值，通过显示电路显示出来得以获得。
103、对样本数据进行预处理；
由于采集的AD值很大，而tansig的有效范围是0-1之间，所以要对采集的训练数据进行归一化处理。
104、对样本数进行网络训练；
训练方法为：
(1)给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值和最大学习次数M；
(2)随机选取第k个输入样本及对应期望输出；
(3)计算隐含层各神经元的输入和输出；
(4)利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数；
(5)计算全局误差E，判断网络误差是否满足要求；当误差达到预设精度或学习次数大于设定的最大次数，则结束算法；否则，选取下一个学习样本及对应的期望输出，返回到第103步，进入下一轮学习。
105、测试网络预测效果；
输入没有训练时数据，检查是否在期望精度内。
106、将补偿公式写入单片机固件程序内。
将上述温度增益补偿的公式代入程序中，每当得到AD值后都要经过温度补偿公式输出，再得到输出重量。
本发明能够利用神经网络方法对温度传感器进行校正，能够快速、准确实现称重传感器的温度补偿，不仅使补偿环节的精度达到测量允许误差范围内，而且对于没有训练的温度点具有预测补偿效果。
附图说明
图1是本发明所实施的称重传感器的神经网络校正模型。
图2是本发明所实施称重传感器温度补偿原理图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明所实现的应用于电子秤的基于BP神经网络补偿温度增益方法，包括如下步骤：
1、建立称重传感器温度增益补偿的神经网络模型。图1所示，为本发明所实现的建立称重传感器温度增益补偿的神经网络模型，神经网络模型由输入层、隐含层和输出层构成。选取输出电压u作为BP神经网络的输入层单元，此时BP神经网络是一个单输入单输出的网络结构。其中网络隐含层的和输出层的激励函数分别为tansig函数和purelin函数。
图中：
(式1)中，隐含层神经元的个数n，Vij为连接输入层第i个节点和隐含层节点j的权重值，Wj为连接隐含层第j个节点和输出层节点的权重值，f1(x)为激励函数tansig，为了使得输出目标与期望值误差最小，建立期望值与输出值的误差表达式(式2)，如下：
(式2)中，e是误差信号，
根据梯度下降算法，分别求v、w对E的梯度，可以求得网络输出层与隐含层各节点的权值调整量为：
f1＝tansig (式4)
ΔWj＝η(d-o)yi (式6)
ΔVij＝η(d-o)wjf′(net)Xi (式7)
式中：η为学习速率，o＝f(u)为输出层神经元的输出，f1(x)为tansig函数表达式，netj为隐含层第j个节点神经元的输出，(式4)～(式7)构成了高精度电子秤温度增益校正的数学模型。
2.获得网络的学习训练样本数据。为了利用bp神经网络实现对高精度电子秤温度增益补偿，需要获得网络的学习训练样本。称重实验时，在要采集训练数据的温度下(0度～30度，单位间隔2度)，重力作用(根据高精度电子秤量程范围)使传感器发生形变，进而产生电压变化，利用电压的变化，单片机采集到相应AD值，通过显示电路显示出来得以获得。
3.对样本数据进行预处理，由于采集的AD值很大，而tansig的有效范围是0-1之间，所以要对采集的训练数据进行归一化处理。归一化采用下式：
其中，x0是原始数据，x是归一化后的数据。Xmin＝-1，Xmax＝1。
4.对样本数进行网络训练，(1)给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值和最大学习次数M。(2)随机选取第k个输入样本及对应期望输出。(3)计算隐含层各神经元的输入和输出。(4)利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数。(5)计算全局误差E，判断网络误差是否满足要求。当误差达到预设精度或学习次数大于设定的最大次数，则结束算法。否则，选取下一个学习样本及对应的期望输出，返回到第3步，进入下一轮学习。
5.测试网络预测效果。输入没有训练时数据，检查是否在期望精度内。
6.将补偿公式(式1)写入单片机固件程序内。如图2所示，将上述温度增益补偿的公式代入程序中，每当得到AD值后都要经过温度补偿公式输出，再得到输出重量。
因此，本发明能够利用神经网络方法对温度传感器进行校正，能够快速、准确实现称重传感器的温度补偿，不仅使补偿环节的精度达到测量允许误差范围内，而且对于没有训练的温度点具有预测补偿效果。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种应用于电子秤的基于BP神经网络补偿温度增益方法，其特征在于该方法包括如下步骤：
101、建立称重传感器温度增益校正的神经网络模型；
102、获得网络的学习训练样本数据；
103、对样本数据进行预处理；
104、对样本数进行网络训练；
105、测试网络预测效果；
106、将补偿公式写入单片机固件程序内。
2.如权利要求1所述的应用于电子秤的基于BP神经网络补偿温度增益方法，其特征在于所述步骤101中，神经网络模型由输入层、隐含层和输出层构成，选取输出电压u作为BP神经网络的输入层单元，此时BP神经网络是一个单输入单输出的网络结构，其中网络隐含层的和输出层的激励函数分别为tansig函数和purelin函数，为了使得输出目标与期望值误差最小，建立期望值与输出值的误差表达式，然后根据梯度下降算法，分别求v、w对E的梯度，求得网络输出层与隐含层各节点的权值调整量。
3.如权利要求1所述的应用于电子秤的基于BP神经网络补偿温度增益方法，其特征在于所述步骤102中，所述样本数据，在称重实验时，要采集训练数据的温度下，重力作用使传感器发生形变，进而产生电压变化，利用电压的变化，单片机采集到相应AD值，通过显示电路显示出来得以获得。
4.如权利要求3所述的应用于电子秤的基于BP神经网络补偿温度增益方法，其特征在于训练数据的温度为0°～30°，单位间隔2°。
5.如权利要求1所述的应用于电子秤的基于BP神经网络补偿温度增益方法，其特征在于所述步骤103中，要对采集的训练数据进行归一化处理。
6.如权利要求1所述的应用于电子秤的基于BP神经网络补偿温度增益方法，其特征在于所述步骤104中，网络训练方法为：
(1)给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值和最大学习次数M；
(2)随机选取第k个输入样本及对应期望输出；
(3)计算隐含层各神经元的输入和输出；
(4)利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数；
(5)计算全局误差E，判断网络误差是否满足要求；当误差达到预设精度或学习次数大于设定的最大次数，则结束算法；否则，选取下一个学习样本及对应的期望输出，返回到第103步，进入下一轮学习。
7.如权利要求1所述的应用于电子秤的基于BP神经网络补偿温度增益方法，其特征在于所述步骤105中，输入没有训练时数据，检查是否在期望精度内。
8.如权利要求1所述的应用于电子秤的基于BP神经网络补偿温度增益方法，其特征在于所述步骤106中，将上述温度增益补偿的公式代入程序中，每当得到AD值后都要经过温度补偿公式输出，再得到输出重量。
CN201711277422.3A 2017-12-06 2017-12-06 一种应用于电子秤的基于bp神经网络补偿温度增益方法 Pending CN108332837A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711277422.3A CN108332837A (zh) 2017-12-06 2017-12-06 一种应用于电子秤的基于bp神经网络补偿温度增益方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711277422.3A CN108332837A (zh) 2017-12-06 2017-12-06 一种应用于电子秤的基于bp神经网络补偿温度增益方法

Publications (1)

Publication Number Publication Date
CN108332837A true CN108332837A (zh) 2018-07-27

Family

ID=62923110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711277422.3A Pending CN108332837A (zh) 2017-12-06 2017-12-06 一种应用于电子秤的基于bp神经网络补偿温度增益方法

Country Status (1)

Country Link
CN (1) CN108332837A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109143053A (zh) * 2018-08-23 2019-01-04 国网河北省电力有限公司沧州供电分公司 温度补偿校验方法及终端设备
CN111272216A (zh) * 2020-01-16 2020-06-12 杭州麦乐克科技股份有限公司 一种基于bp神经网络的温湿度补偿方法及装置
CN111649815A (zh) * 2020-04-02 2020-09-11 深圳亿维锐创科技股份有限公司 一种基于动态连续称重智能补偿算法
CN112129386A (zh) * 2019-06-24 2020-12-25 梅特勒-托利多(常州)测量技术有限公司 称重设备和称重方法
CN112710377A (zh) * 2019-10-25 2021-04-27 梅特勒-托利多(常州)精密仪器有限公司 动态称重设备
CN112747813A (zh) * 2019-10-29 2021-05-04 杭州壬辰科技有限公司 一种零件自动称重计数系统及方法
CN112781644A (zh) * 2021-01-27 2021-05-11 天地（常州）自动化股份有限公司 基于神经网络技术的矿用传感器免调校方法
CN113820062A (zh) * 2021-09-30 2021-12-21 浙江大学 六维力传感器的温度补偿方法
CN114018379A (zh) * 2021-10-30 2022-02-08 浙江东鼎电子股份有限公司 基于计算机视觉的动态称重角差补偿方法
CN114543952A (zh) * 2022-01-06 2022-05-27 红云红河烟草(集团)有限责任公司 一种卷烟生产用电子皮带秤的误差自补偿方法
CN117804670A (zh) * 2024-02-28 2024-04-02 深圳市沃感科技有限公司 一种板式压力传感器的误差修正方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1190737A (zh) * 1996-12-05 1998-08-19 株式会社佐竹制作所 测力传感器式重量检测器用的温度补偿方法及其装置
CN1399122A (zh) * 2001-07-25 2003-02-26 郑州恒科实业有限公司 一种对应变式称重传感器进行温度补偿的方法
CN101013035A (zh) * 2007-02-08 2007-08-08 北京航空航天大学 一种基于神经网络进行温度补偿的光纤陀螺
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
CN104634425A (zh) * 2015-02-07 2015-05-20 马俊 一种具有温度补偿的电子秤
CN104992225A (zh) * 2015-06-19 2015-10-21 南京航空航天大学 一种大变形柔性体动态测量数据温度与湿度的补偿方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1190737A (zh) * 1996-12-05 1998-08-19 株式会社佐竹制作所 测力传感器式重量检测器用的温度补偿方法及其装置
CN1399122A (zh) * 2001-07-25 2003-02-26 郑州恒科实业有限公司 一种对应变式称重传感器进行温度补偿的方法
CN101013035A (zh) * 2007-02-08 2007-08-08 北京航空航天大学 一种基于神经网络进行温度补偿的光纤陀螺
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
CN104634425A (zh) * 2015-02-07 2015-05-20 马俊 一种具有温度补偿的电子秤
CN104992225A (zh) * 2015-06-19 2015-10-21 南京航空航天大学 一种大变形柔性体动态测量数据温度与湿度的补偿方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘君华等: "《智能传感器系统》", 31 May 2010 *
张江石等: "《行为安全管理中的数学模型及应用》", 28 February 2016 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109143053A (zh) * 2018-08-23 2019-01-04 国网河北省电力有限公司沧州供电分公司 温度补偿校验方法及终端设备
CN109143053B (zh) * 2018-08-23 2020-12-01 国网河北省电力有限公司沧州供电分公司 温度补偿校验方法及终端设备
CN112129386A (zh) * 2019-06-24 2020-12-25 梅特勒-托利多(常州)测量技术有限公司 称重设备和称重方法
CN112710377A (zh) * 2019-10-25 2021-04-27 梅特勒-托利多(常州)精密仪器有限公司 动态称重设备
CN112747813A (zh) * 2019-10-29 2021-05-04 杭州壬辰科技有限公司 一种零件自动称重计数系统及方法
CN111272216A (zh) * 2020-01-16 2020-06-12 杭州麦乐克科技股份有限公司 一种基于bp神经网络的温湿度补偿方法及装置
CN111649815A (zh) * 2020-04-02 2020-09-11 深圳亿维锐创科技股份有限公司 一种基于动态连续称重智能补偿算法
CN112781644A (zh) * 2021-01-27 2021-05-11 天地（常州）自动化股份有限公司 基于神经网络技术的矿用传感器免调校方法
CN113820062A (zh) * 2021-09-30 2021-12-21 浙江大学 六维力传感器的温度补偿方法
CN114018379A (zh) * 2021-10-30 2022-02-08 浙江东鼎电子股份有限公司 基于计算机视觉的动态称重角差补偿方法
CN114543952A (zh) * 2022-01-06 2022-05-27 红云红河烟草(集团)有限责任公司 一种卷烟生产用电子皮带秤的误差自补偿方法
CN117804670A (zh) * 2024-02-28 2024-04-02 深圳市沃感科技有限公司 一种板式压力传感器的误差修正方法及装置

Similar Documents

Publication Publication Date Title
CN108332837A (zh) 一种应用于电子秤的基于bp神经网络补偿温度增益方法
Franks et al. Multi-objective conditioning of a simple SVAT model
CN104992225B (zh) 一种大变形柔性体动态测量数据温度与湿度的补偿方法
Khan et al. Sensor calibration and compensation using artificial neural network
Santhosh et al. Online implementation of an adaptive calibration technique for displacement measurement using LVDT
Tyagi et al. A low cost portable temperature-moisture sensing unit with artificial neural network based signal conditioning for smart irrigation applications
CN105571666B (zh) 流量补偿方法及补偿装置、流量传感器
Zhong et al. An Intelligent Calculation Method of Volterra Time‐Domain Kernel Based on Time‐Delay Artificial Neural Network
Zhang et al. ANN-based data fusion for lumber moisture content sensors
CN115687854A (zh) 高精度土样参数测量方法及其系统
CN109974877A (zh) 一种温度传感器及芯片
CN103076035A (zh) 一种基于双支持向量机的传感器测量方法
CN111829638B (zh) 一种体重实时测量方法
Takimoto et al. Development of frequency measurement circuit for soil moisture content and electric conductivity measurement system with detection of soil transient response characteristics for on‐site measurement
CN114218792A (zh) 粘弹性材料力传感器动态补偿方法和系统
Dong et al. Application of Temperature Compensation Combined with Neural Network in Infrared Gas Sensor
Wei Sensor temperature compensation technique simulation based on BP neural network
Mazumder et al. Development of a computerized IV-tracing system for solar PV module testing
Peng et al. A novel pressure sensor calibration system based on a neural network
Ibrahim et al. Uncertainty and sensitivity analysis applied to a voltage series operational amplifier
Hunasekattte A Resistance-to-time convertor to enhance resistive sensitivity of embedded systems
Han et al. Multi-reservoir echo state network with sparse Bayesian learning
Wang et al. Evaluation of measurement uncertainty based on monte carlo method
Abdin et al. Performance evaluation of linearization strategies for a directly interfaced thermistor
Yan et al. Shock tube‐based calibration installation for dynamic pressure transducers and performance testing

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180727

RJ01 Rejection of invention patent application after publication