CN109102068A - 遗传算法rbf神经网络在涡流传感器非线性补偿中的应用 - Google Patents

遗传算法rbf神经网络在涡流传感器非线性补偿中的应用 Download PDF

Info

Publication number
CN109102068A
CN109102068A CN201810780496.7A CN201810780496A CN109102068A CN 109102068 A CN109102068 A CN 109102068A CN 201810780496 A CN201810780496 A CN 201810780496A CN 109102068 A CN109102068 A CN 109102068A
Authority
CN
China
Prior art keywords
current sensor
eddy current
rbf neural
network
parameter
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
CN201810780496.7A
Other languages
English (en)
Inventor
俞阿龙
戴金桥
孙红兵
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.)
Huaiyin Normal University
Original Assignee
Huaiyin Normal University
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 Huaiyin Normal University filed Critical Huaiyin Normal University
Priority to CN201810780496.7A priority Critical patent/CN109102068A/zh
Publication of CN109102068A publication Critical patent/CN109102068A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Measurement Of Length, Angles, Or The Like Using Electric Or Magnetic Means (AREA)

Abstract

遗传算法RBF神经网络在涡流传感器非线性补偿中的应用，它涉及一种涡流传感器技术领域。用RBF神经网络建立涡流传感器非线性补偿模型，称为RBF神经网络逆模型，设涡流传感器的输入为δ，涡流传感器输出频率f，f＝g(δ)为非线性关系，在涡流传感器后串联一个补偿环节，使y＝g1(f)＝kδ，那么就实现了涡流传感器的非线性补偿，当k＝1时，y＝δ＝g1(f)称为涡流传感器的逆模型，将涡流传感器输出频率f作为RBF神经网络的输入训练样本。采用上述技术方案后，本发明有益效果为：具有很强的泛化能力和有高的精度，能同时优化网络结构和参数，具有全局寻优能力，补偿精度高，网络训练速度快、能实现在线软补偿。

Description

遗传算法RBF神经网络在涡流传感器非线性补偿中的应用
技术领域
本发明涉及涡流传感器技术领域，具体涉及一种遗传算法RBF神经网络在涡流传感器非线性补偿中的应用。
背景技术
涡流传感器是一种能将机械位移、振幅等参量转换成电信号输出的非电量电测装置。它具有结构简单、灵敏度高、适用性强、易于进行非接触测量、不损伤被测工件表面等优点，在工业领域中得到了较为广泛的应用。它的基本用途是基于其位移输出特性，即输出信号的某些特征反映了位移输入量的大小。在利用涡流传感器进行测量时,存在输入和输出之间的非线性关系,为了保证一定的测量精度及便于在测控系统中应用，必须对其进行非线性补偿。目前常用补偿方法有硬件补偿法和软件法，但由于涡流传感器严重的非线性，用硬件电路补偿时，电路复杂，补偿精度也不高。在微机化的智能仪器和控制系统中，常用软件代替硬件进行非线性补偿，并已得到了广泛的应用。
发明内容
本发明的目的在于针对现有技术的缺陷和不足，提供一种遗传算法RBF神经网络在涡流传感器非线性补偿中的应用，具有很强的泛化能力和有高的精度，能同时优化网络结构和参数，具有全局寻优能力，补偿精度高、鲁棒性好、网络训练速度快、能实现在线软补偿；补偿后具有良好的线性，最大非线性误差在0.5％范围内，提高了测量的准确度。
为实现上述目的，本发明采用以下技术方案是：它包含如下步骤：
步骤1、用RBF神经网络建立涡流传感器非线性补偿模型，称为RBF神经网络逆模型，设涡流传感器的输入为δ，涡流传感器输出频率f，f＝g(δ)为非线性关系，在涡流传感器后串联一个补偿环节，使y＝g1(f)＝kδ，那么就实现了涡流传感器的非线性补偿，当k＝1时，y＝δ＝g1(f)称为涡流传感器的逆模型，将涡流传感器输出频率f作为RBF神经网络的输入训练样本，与涡流传感器输入对应的线性化位移(kδ)作为RBF神经网络的输出训练样本；
步骤2、运用遗传算法优化RBF神经网络的结构和参数，将RBF神经网络的拓扑结构、连接权重、阈值、隐节点中心参数和宽度参数看成一个整体，编码为染色体，选择适当规模的种群，通过遗传迭代逐渐优化，求得网络参数和隐节点数同时优化的结果。基于RBF神经网络的结构特点，对给定的涡流传感器非线性补偿问题，其输入与输出关系是确定的，优化拓扑结构只需确定隐层节点数，神经网络的结构和参数采用二级递阶染色体结构描述，其中控制基因表示隐层节点。
所述遗传算法优化为采用适应度函数：
控制基因用二进制编码，参数基因采用实数编码，群体规模取100，同时对RBF神经网络参数和拓扑结构进行优化，式中——网络对应第i个输入样本对应的网络输出，yi是其希望输出，m1是总的学习样本数，N是隐节点数，R是网络输入节点数，a、b、d是常系数；
按轮盘赌法进行优质个体的选择，对控制基因串采用单点交叉，参数基因的交叉操作采用线性组合方式，即将两个基因串对应交叉位的值相组合生成新的基因串，对控制基因，变异操作以一定的概率对变异位进行反运算，对参数基因，采用偏置变异，以一定的概率给变异位基因加一个从偏置区域中随机选取的数值。
所述RBF神经网络是一种特殊的三层前向网络，它具有非线性可分的模式空间映射到线性可分状态空间的特性，它在逼近能力、分类能力和学习速度等方面均优于BP神经网络；它包括一个输入层、一个隐层和一个输出层，输入层和隐层直接连接，隐层包含一系列径向基函数，取常用的高斯型函数，将RBF网络用高斯型函数表示为：
Φ(x)＝exp{-||x-ci||βi 2}i＝1，2，…，N
y＝WΦ(x)。
所述RBF网络用高斯型函数式中i表示第i个隐含神经元，i＝1，2，…，N，隐含神经元个数为N，x表示网络的输入向量，ci表示第i个隐元的高斯分布曲线的作用中心，βi>0为第i个隐元的宽度，y为输出向量，Φ＝[φ1，φ2，…，φN]T为隐层输出向量，W为权值向量。
本发明的工作原理：用RBF神经网络建立涡流传感器非线性补偿模型，称为RBF神经网络逆模型，设涡流传感器的输入为δ，涡流传感器输出频率f，f＝g(δ)为非线性关系，在涡流传感器后串联一个补偿环节，使y＝g1(f)＝kδ，那么就实现了涡流传感器的非线性补偿，当k＝1时，y＝δ＝g1(f)称为涡流传感器的逆模型，将涡流传感器输出频率f作为RBF神经网络的输入训练样本，与涡流传感器输入对应的线性化位移(kδ)作为RBF神经网络的输出训练样本；采用遗传算法优化RBF神经网络的结构和参数，将RBF神经网络的拓扑结构、连接权重、阈值、隐节点中心参数和宽度参数看成一个整体，编码为染色体，选择适当规模的种群，通过遗传迭代逐渐优化，求得网络参数和隐节点数同时优化的结果。
采用上述技术方案后，本发明有益效果为：具有很强的泛化能力和有高的精度，能同时优化网络结构和参数，具有全局寻优能力，补偿精度高、鲁棒性好、网络训练速度快、能实现在线软补偿；补偿后具有良好的线性，最大非线性误差在0.5％范围内，提高了测量的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的流程示意框图；
图2是本发明中传感器与补偿环节的连接示意图；
图3是本发明中RBF神经网络的结构示意图；
图4是本发明中涡流传感器实验系统的结构示意图；
图5是本发明中涡流传感器的工作原理示意图；
图6是本发明中涡流传感器的输入输出测量的数据示意图；
图7是本发明中RBF网络补偿与理想补偿的曲线示意图；
图8是本发明中涡流传感器输入与输出关系的曲线示意图。
具体实施方式
参看图1-图8所示，本具体实施方式采用的技术方案是：它包含如下步骤：
步骤1、用RBF神经网络建立涡流传感器非线性补偿模型，称为RBF神经网络逆模型，设涡流传感器的输入为δ，涡流传感器输出频率f，f＝g(δ)为非线性关系，在涡流传感器后串联一个补偿环节，使y＝g1(f)＝kδ，那么就实现了涡流传感器的非线性补偿，当k＝1时，y＝δ＝g1(f)称为涡流传感器的逆模型，将涡流传感器输出频率f作为RBF神经网络的输入训练样本，与涡流传感器输入对应的线性化位移(kδ)作为RBF神经网络的输出训练样本；
步骤2、运用遗传算法优化RBF神经网络的结构和参数，将RBF神经网络的拓扑结构、连接权重、阈值、隐节点中心参数和宽度参数看成一个整体，编码为染色体，选择适当规模的种群，通过遗传迭代逐渐优化，求得网络参数和隐节点数同时优化的结果。基于RBF神经网络的结构特点，对给定的涡流传感器非线性补偿问题，其输入与输出关系是确定的，优化拓扑结构只需确定隐层节点数，神经网络的结构和参数采用二级递阶染色体结构描述，其中控制基因表示隐层节点。
所述遗传算法优化为采用适应度函数：
控制基因用二进制编码，参数基因采用实数编码，群体规模取100，同时对RBF神经网络参数和拓扑结构进行优化，式中——网络对应第i个输入样本对应的网络输出，yi是其希望输出，m1是总的学习样本数，N是隐节点数，R是网络输入节点数，a、b、d是常系数；
按轮盘赌法进行优质个体的选择，对控制基因串采用单点交叉，参数基因的交叉操作采用线性组合方式，即将两个基因串对应交叉位的值相组合生成新的基因串，对控制基因，变异操作以一定的概率对变异位进行反运算，对参数基因，采用偏置变异，以一定的概率给变异位基因加一个从偏置区域中随机选取的数值。
所述RBF神经网络是一种特殊的三层前向网络，它具有非线性可分的模式空间映射到线性可分状态空间的特性，它在逼近能力、分类能力和学习速度等方面均优于BP神经网络；它包括一个输入层、一个隐层和一个输出层，输入层和隐层直接连接，隐层包含一系列径向基函数，取常用的高斯型函数，将RBF网络用高斯型函数表示为：
y＝WΦ(x)。
所述RBF网络用高斯型函数式中i表示第i个隐含神经元，i＝1，2，…，N，隐含神经元个数为N，x表示网络的输入向量，ci表示第i个隐元的高斯分布曲线的作用中心，βi>0为第i个隐元的宽度，y为输出向量，Φ＝[φ1，φ2，…，φN]T为隐层输出向量，W为权值向量。
涡流传感器由测头、变换器组成，涡流传感器连接在一个LC集成振荡器中，当传感器所测参数δ发生变化时，由于测头线圈等效电感L变化，必将使振荡器输出信号的频率值改变，从而把位移信号δ转化为微机可直接接收、识别的频率信号f，其优点在于能实现“一步数字化”，中间不需要进行A/D转换，传感器输出频率信号在传输时抗干扰能力强，能较好克服电路参数变化的影响，而使传感器具有良好的稳定性以及较高的分辨率，但由于数字式涡流传感器自身工作原理以及后置转换电路两方面的原因，其频率输出信号与被测位移信号之间存在非线性关系，为了提高传感器的测量精度，扩大其测量范围，必须对其进行线性化处理。
为了获得微小位移信号，采用了机械放大杆并配合使用杠杆千分尺的形式，通过旋转转盘来探测数字式涡流传感器的位移输入信号与其频率输出信号之间的关系，其中，放大杆放大倍数为10:1，标准工件为45#钢材料的镜面试件，测头线圈共350匝，采用Ф0.05mm的漆包铜线绕制，内径为5mm，外径为7mm。
涡流传感器的实验数据，其中，δ为传感器输入位移量，f为其输出频率量，将传感器的30个输入输出测量数据归一化后作为网络的训练样本，用RBF神经网络建立涡流传感器非线性补偿模型取训练网络的初始隐节点数为35，种群规模为100，交叉概率为0.5，变异概率为0.002，经过220次遗传迭代，误差函数值：
把一些不属于训练集的样本输入到经训练后的网络进行检验,得到神经网络的预测结果与实际实验值相近(误差不大于0.5％)，可知输入与输出呈良好的线性关系。
本发明的工作原理：用RBF神经网络建立涡流传感器非线性补偿模型，称为RBF神经网络逆模型，设涡流传感器的输入为δ，涡流传感器输出频率f，f＝g(δ)为非线性关系，在涡流传感器后串联一个补偿环节，使y＝g1(f)＝kδ，那么就实现了涡流传感器的非线性补偿，当k＝1时，y＝δ＝g1(f)称为涡流传感器的逆模型，将涡流传感器输出频率f作为RBF神经网络的输入训练样本，与涡流传感器输入对应的线性化位移(kδ)作为RBF神经网络的输出训练样本；采用遗传算法优化RBF神经网络的结构和参数，将RBF神经网络的拓扑结构、连接权重、阈值、隐节点中心参数和宽度参数看成一个整体，编码为染色体，选择适当规模的种群，通过遗传迭代逐渐优化，求得网络参数和隐节点数同时优化的结果。
采用上述技术方案后，本发明有益效果为：具有很强的泛化能力和有高的精度，能同时优化网络结构和参数，具有全局寻优能力，补偿精度高、鲁棒性好、网络训练速度快、能实现在线软补偿；补偿后具有良好的线性，最大非线性误差在0.5％范围内，提高了测量的准确度。
以上所述，仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其它修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.遗传算法RBF神经网络在涡流传感器非线性补偿中的应用，其特征在于它包含如下步骤：
步骤1、用RBF神经网络建立涡流传感器非线性补偿模型，称为RBF神经网络逆模型，设涡流传感器的输入为δ，涡流传感器输出频率f，f＝g(δ)为非线性关系，在涡流传感器后串联一个补偿环节，使y＝g1(f)＝kδ，那么就实现了涡流传感器的非线性补偿，当k＝1时，y＝δ＝g1(f)称为涡流传感器的逆模型，将涡流传感器输出频率f作为RBF神经网络的输入训练样本，与涡流传感器输入对应的线性化位移(kδ)作为RBF神经网络的输出训练样本；
步骤2、运用遗传算法优化RBF神经网络的结构和参数，将RBF神经网络的拓扑结构、连接权重、阈值、隐节点中心参数和宽度参数看成一个整体，编码为染色体，选择适当规模的种群，通过遗传迭代逐渐优化，求得网络参数和隐节点数同时优化的结果。
2.根据权利要求1所述的遗传算法RBF神经网络在涡流传感器非线性补偿中的应用，其特征在于：所述遗传算法优化为采用适应度函数：
控制基因用二进制编码，参数基因采用实数编码，群体规模取100，同时对RBF神经网络参数和拓扑结构进行优化，式中——网络对应第i个输入样本对应的网络输出，yi是其希望输出，m1是总的学习样本数，N是隐节点数，R是网络输入节点数，a、b、d是常系数；
按轮盘赌法进行优质个体的选择，对控制基因串采用单点交叉，参数基因的交叉操作采用线性组合方式，即将两个基因串对应交叉位的值相组合生成新的基因串，对控制基因，变异操作以一定的概率对变异位进行反运算，对参数基因，采用偏置变异，以一定的概率给变异位基因加一个从偏置区域中随机选取的数值。
3.根据权利要求1所述的遗传算法RBF神经网络在涡流传感器非线性补偿中的应用，其特征在于：所述RBF神经网络是一种特殊的三层前向网络，它具有非线性可分的模式空间映射到线性可分状态空间的特性，它在逼近能力、分类能力和学习速度等方面均优于BP神经网络；它包括一个输入层、一个隐层和一个输出层，输入层和隐层直接连接，隐层包含一系列径向基函数，取常用的高斯型函数，将RBF网络用高斯型函数表示为：
y＝WΦ(x)。
4.根据权利要求3所述的遗传算法RBF神经网络在涡流传感器非线性补偿中的应用，其特征在于：所述RBF网络用高斯型函数式中i表示第i个隐含神经元，i＝1，2，…，N，隐含神经元个数为N，x表示网络的输入向量，ci表示第i个隐元的高斯分布曲线的作用中心，βi>0为第i个隐元的宽度，y为输出向量，Φ＝[φ1，φ2，…，φN]T为隐层输出向量，W为权值向量。
CN201810780496.7A 2018-07-17 2018-07-17 遗传算法rbf神经网络在涡流传感器非线性补偿中的应用 Pending CN109102068A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810780496.7A CN109102068A (zh) 2018-07-17 2018-07-17 遗传算法rbf神经网络在涡流传感器非线性补偿中的应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810780496.7A CN109102068A (zh) 2018-07-17 2018-07-17 遗传算法rbf神经网络在涡流传感器非线性补偿中的应用

Publications (1)

Publication Number Publication Date
CN109102068A true CN109102068A (zh) 2018-12-28

Family

ID=64846396

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810780496.7A Pending CN109102068A (zh) 2018-07-17 2018-07-17 遗传算法rbf神经网络在涡流传感器非线性补偿中的应用

Country Status (1)

Country Link
CN (1) CN109102068A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109799472A (zh) * 2019-03-08 2019-05-24 沈阳工业大学 一种基于深度学习的磁共振涡流补偿方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
俞阿龙: "基于遗传算法的RBF神经网络在涡流传感器非线性补偿中应用 ", 《电子器件》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109799472A (zh) * 2019-03-08 2019-05-24 沈阳工业大学 一种基于深度学习的磁共振涡流补偿方法
CN109799472B (zh) * 2019-03-08 2022-06-28 沈阳工业大学 一种基于深度学习的磁共振涡流补偿方法

Similar Documents

Publication Publication Date Title
CN109828304B (zh) 一种基于深度学习的利用地震数据预测岩性序列模型的方法
CN114235111B (zh) 一种基于模型优化的超声波水表流量校准方法
CN110097014A (zh) 一种基于测量轨迹的量子比特读取信号处理方法
CN110346005B (zh) 基于深度学习的科里奥利质量流量计数字信号处理方法
Verma et al. Porosity and permeability estimation using neural network approach from well log data
CN111397755A (zh) 一种温度测量仪绝对误差的修正方法
CN111336935A (zh) 一种基于改进混合优化算法的纳米薄膜参数反演计算方法
CN106092273A (zh) 液位检测方法及液位传感器
CN109102068A (zh) 遗传算法rbf神经网络在涡流传感器非线性补偿中的应用
CN115267295B (zh) 一种磁通门电流传感器的确定方法及系统
CN113609749A (zh) 适用于多场景的基于磁场信号的电流计算方法
Pereira et al. A temperature-compensated system for magnetic field measurements based on artificial neural networks
CN110472315A (zh) 基于ersa算法的结构参数识别方法
CN111077355B (zh) 基于自由能模型的gmm-fbg交流电流传感器
CN109871937A (zh) 一种基于rbf神经网络的铝型材机械性能预测方法
CN114114126B (zh) 低磁导率磁粉芯电流互感器的数字校准方法及系统
CN116415458A (zh) 一种基于数字孪生的tmr电流传感器阵列布置方法
CN116148517A (zh) 输电导线参数反演方法、装置及电子设备
Yi et al. An improved intelligent calibration method for vortex flowmeter
CN114491735A (zh) 一种偏压连拱隧道可靠性评价方法
CN113803060A (zh) 用于随钻电磁波电阻率转换曲线刻度的修正方法及装置
CN106767952A (zh) 一种电感式位移传感器的干扰消除方法
Hacizade Calibration of the Pressure Gage via GA and LSM Based Combined Calibration Method
CN111505543A (zh) 一种基于循环神经网络对动态磁滞进行补偿的方法及系统
Fayzullayevich et al. Research of magnetic circuits magnetoelastic sensors efforts with the method for creating equivalent circuits

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: 20181228

RJ01 Rejection of invention patent application after publication