CN111505543B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111505543B
CN111505543B CN202010189952.8A CN202010189952A CN111505543B CN 111505543 B CN111505543 B CN 111505543B CN 202010189952 A CN202010189952 A CN 202010189952A CN 111505543 B CN111505543 B CN 111505543B
Authority
CN
China
Prior art keywords
neural network
recurrent neural
network
sensor
output signal
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.)
Active
Application number
CN202010189952.8A
Other languages
English (en)
Other versions
CN111505543A (zh
Inventor
于浩
常文治
杜非
毕建刚
袁帅
许渊
弓艳朋
杨圆
王广真
付德慧
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.)
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
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 China Electric Power Research Institute Co Ltd CEPRI filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN202010189952.8A priority Critical patent/CN111505543B/zh
Publication of CN111505543A publication Critical patent/CN111505543A/zh
Application granted granted Critical
Publication of CN111505543B publication Critical patent/CN111505543B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/02—Measuring direction or magnitude of magnetic fields or magnetic flux
    • G01R33/06—Measuring direction or magnitude of magnetic fields or magnetic flux using galvano-magnetic devices
    • G01R33/09—Magnetoresistive devices
    • G01R33/093—Magnetoresistive devices using multilayer structures, e.g. giant magnetoresistance sensors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/02—Measuring direction or magnitude of magnetic fields or magnetic flux
    • G01R33/10—Plotting field distribution ; Measuring field distribution
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Measuring Magnetic Variables (AREA)

Abstract

本发明公开了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，其中方法包括：将给定磁场信号施加给传感器，采集传感器的输出信号；建立循环神经网络，确定网络结构；循环神经网络的输入量为传感器的输出信号；循环神经网络的输出量为补偿后的传感器的输出信号；对循环神经网络的网络参数进行初始化，通过训练数据对循环神经网络进行训练，将循环神经网络输出量的预测值与目标值作差，获取作差结果；利用梯度下降法对网络参数进行调整，按预设的最大迭代次数通过训练数据对循环神经网络进行训练；当作差结果达到阈值标准或对循环神经网络进行训练达到最大迭代次数时，确定当前网络参数的循环神经网络为训练好的循环神经网络。

Description

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
技术领域
本发明涉及测量技术领域，更具体地，涉及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。
背景技术
巨磁阻器，包括巨磁电阻(Giant Magnetoresistance,GMR)和TMR(TunnelMagnetoResistance)器件，广泛用于现代工业和电子产品中以感应磁场强度来测量电流、位置、方向等物理参数。但是由于GMR、TMR都不可避免地存在不同程度的磁滞，大大降低了测量精度。磁滞现象是导致磁传感器非线性化的主要原因，严重影响了磁传感器的测量精度。实际上，大部分传感器都存在着磁滞现象，所以可扩展为“迟滞”。所以，很早就已经开始了对磁滞的建模工作，而磁滞建模又是磁滞补偿的基本前提。所以滞补偿是高精度定量磁场测量的前提。
目前，针对巨磁阻传感器的磁滞补偿方法有很多，例如：
1)1935年，德国物理学家F.Preisach提出一个标量磁滞模型，即Preisach模型，该模型成为之后几十年磁学界研究的焦点问题，并得到了进一步的改进和发展。
2)另一种重要的磁滞模型为Jiles,D.C.和Atherton,D.L.于1984年提出的JA模型，该模型基于磁畴壁运动及能量平衡原理，描述了不可逆微分磁化率和可逆微分磁化率的微分方程，得到铁磁质的磁化强度与磁场强度的关系，而后又提出了JA模型各个参数，1994年Jiles,D.C.又在原有模型的基础上，提出了动态JA模型，描述了不同频率的磁化磁场下的磁化曲线的数值估计方法。
3)可在GMR传感器上增加了偏置磁场，使其工作在线性区间，避免了磁滞行程，但是这种方法也损失了GMR的测量量程；
4)可基于可控电流脉冲的磁滞补偿方法，将能够产生达到传感器饱和磁场的线圈，嵌入到传感器中，产生正负饱和脉冲磁场，使传感器的响应曲线始终固定在外环，从而利用拟合好的模型进行磁滞补偿，彻底消除了磁滞曲线中无法定位的小环路，摆脱了对历史状态的依赖。但是这种方法需要对磁传感器进行改造，而产生的脉冲磁场不仅消耗能量，还需要额外的控制电路，而且反复地使磁传感器达到饱和区间，大大缩短了磁传感器的使用寿命和可靠性，同时复杂的时序在高频磁场的检测中大大受限。
现有技术均使用确定的模型对磁传感器的磁滞进行描述，由于模型参数的辨识始终是一个复杂的过程，因此难以实现对模型参数的确认。
因此，需要一种技术，以实现基于循环神经网络对动态磁滞进行补偿的方法。
发明内容
本发明技术方案提供一种基于长短时记忆网络对动态磁滞进行补偿的方法及系统，以解决如何基于长短时记忆网络对动态磁滞进行补偿的问题。
为了解决上述问题，本发明提供了一种基于循环神经网络对动态磁滞进行补偿的方法，所述方法包括：
将给定磁场信号施加给传感器，采集所述传感器的输出信号；
建立循环神经网络，确定所述循环神经网络的网络结构；所述循环神经网络的输入量为所述传感器的输出信号，所述输出信号为包括输出信号当前值与多个输出信号历史值的序列；所述循环神经网络的输出量为补偿后的所述传感器的输出信号；
对所述循环神经网络的网络参数进行初始化，通过训练数据对所述循环神经网络进行训练，将所述循环神经网络输出量的预测值与目标值作差，获取作差结果；利用梯度下降法对所述网络参数进行调整，按预设的最大迭代次数通过训练数据对所述循环神经网络进行训练，减少所述循环神经网络输出量的预测值与目标值的作差结果；
当所述作差结果达到阈值标准或对所述循环神经网络进行训练达到最大迭代次数时，确定当前网络参数的循环神经网络为训练好的循环神经网络。
优选地，所述给定磁场信号包括：随机频率、随机幅值、随机相位的混频信号。
优选地，包括：基于时间的BP算法通过训练数据对所述循环神经网络进行训练。
优选地，还包括：通过训练好的循环神经网络对传感器的动态磁滞进行补偿。
优选地，所述采集所述传感器的输出信号，包括：所述传感器输出模拟电压信号，将所述模拟电压信号转化为数字输出信号。
基于本发明的另一方面，本发明提供一种基于循环神经网络对动态磁滞进行补偿的系统，所述系统包括：
采集单元，用于将给定磁场信号施加给传感器，采集所述传感器的输出信号；
建立单元，用于建立循环神经网络，确定所述循环神经网络的网络结构；所述循环神经网络的输入量为所述传感器的输出信号，所述输出信号为包括输出信号当前值与多个输出信号历史值的序列；所述循环神经网络的输出量为补偿后的所述传感器的输出信号；
训练单元，用于对所述循环神经网络的网络参数进行初始化，通过训练数据对所述循环神经网络进行训练，将所述循环神经网络输出量的预测值与目标值作差，获取作差结果；利用梯度下降法对所述网络参数进行调整，按预设的最大迭代次数通过训练数据对所述循环神经网络进行训练，减少所述循环神经网络输出量的预测值与目标值的作差结果；
结果单元，用于当所述作差结果达到阈值标准或对所述循环神经网络进行训练达到最大迭代次数时，确定当前网络参数的循环神经网络为训练好的循环神经网络。
优选地，所述给定磁场信号包括：随机频率、随机幅值、随机相位的混频信号。
优选地，所述训练单元还用于：基于时间的BP算法通过训练数据对所述循环神经网络进行训练。
优选地，还包括应用单元，用于通过训练好的循环神经网络对传感器的动态磁滞进行补偿。
优选地，所述采集所述传感器的输出信号，包括：所述传感器输出模拟电压信号，将所述模拟电压信号转化为数字输出信号。
本发明技术方案提供一种基于长短时记忆网络对动态磁滞进行补偿的方法及系统，其中方法包括：将给定磁场信号施加给传感器，采集传感器的输出信号；建立长短时记忆网络，确定长短时记忆网络的网络结构；长短时记忆网络的输入量为输出信号，输出信号为包括输出信号当前值与多个输出信号历史值的序列；长短时记忆网络的输出量为补偿后的传感器的输出信号；对长短时记忆网络的网络参数进行初始化，通过训练数据对长短时记忆网络进行训练，将长短时记忆网络输出量的预测值与目标值作差，获取作差结果；利用梯度下降法对网络参数进行调整，按预设的最大迭代次数通过训练数据对长短时记忆网络进行训练，减少长短时记忆网络输出量的预测值与目标值的作差结果；当作差结果达到阈值标准或对长短时记忆网络进行训练达到最大迭代次数时，确定当前网络参数的长短时记忆网络为训练好的长短时记忆网络。本发明技术方案能够对时间序列进行有效拟合的循环神经网络(Recurrent Neural Network，RNN)，更加适合对依赖历史数据的动态磁滞曲线的拟合。巨磁阻动态磁滞特性是与历史数据密切相关的时间序列。而由于循环神经网络能够有效处理和预测时间序列数据，恰恰能够对依赖历史数据的磁滞回线实现有效拟合，从而实现磁滞补偿。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明优选实施方式的一种基于循环神经网络对动态磁滞进行补偿的方法流程图；
图2为根据本发明优选实施方式的一种基于循环神经网络的TMR动态磁滞补偿算法流程图；
图3为根据本发明优选实施方式的LSTM磁滞补偿效果；
图4为根据本发明优选实施方式的循环神经网络对动态磁滞进行补偿的方法(a)为测试集与网络输出，(b)为补偿前磁滞回线，(c)为网络输出误差，(d)为补偿后磁滞回线；以及
图5为根据本发明优选实施方式的一种基于循环神经网络对动态磁滞进行补偿的系统结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明优选实施方式的一种基于循环神经网络对动态磁滞进行补偿的方法流程图。磁滞曲线尤其是动态磁滞曲线对历史状态敏感，尤其是在磁场变化方向发生转变时，输出的信号会产沿不同路径对被测磁场进行跟随。本发明实施方式拟使用循环神经网络(RNN)进行动态磁滞补偿。除此之外，该方法又同时补偿了TMR传感器器件之间线性度与灵敏度的差异，得到较好的测量一致性。长短时记忆网络(Long Short-Term Memory，LSTM)可以认为是常规RNN的改进结构，有效解决了常规RNN误差反向传播时的梯度爆炸和梯度消失问题。本发明实施方式中，可以使用长短时记忆网络LSTM来代替常规循环神经网络RNN。
如图1所示，本发明实施方式提供一种基于循环神经网络对动态磁滞进行补偿的方法，方法包括：
优选地，在步骤101：将给定磁场信号施加给传感器，采集传感器的输出信号。优选地，给定磁场信号包括：随机频率、随机幅值、随机相位的混频信号。优选地，采集传感器的输出信号，包括：传感器输出模拟电压信号，将模拟电压信号转化为数字输出信号。
本发明首先收集样本数据，利用自动化TMR性能测试系统，该系统是基于亥姆霍兹线圈和LabVIEW的，产生一个参考直流或交流磁场，作为激励给传感器TMR器件，然后对传感器TMR器件的输出信号进行同步采集。采集的数据类型为随机频率、随机幅值、随机相位的混频信号(Radom Frequency Signal，RFS)。
优选地，在步骤102：建立循环神经网络，确定循环神经网络的网络结构；循环神经网络的输入量为传感器的输出信号，输出信号为包括输出信号当前值与多个输出信号历史值的序列；循环神经网络的输出量为补偿后的传感器的输出信号。
本发明构建长短时记忆网络LSTM前向网络，确定网络结构及输入输出模型，网络结构为包含维度为输入层，隐含层和输出层，网络输入量为经过采样之后传感器输出信号的当前值与历史值组成的序列，输出量即为补偿后的传感器输出信号。
优选地，在步骤103：对循环神经网络的网络参数进行初始化，通过训练数据对循环神经网络进行训练，将循环神经网络输出量的预测值与目标值作差，获取作差结果；利用梯度下降法对网络参数进行调整，按预设的最大迭代次数通过训练数据对循环神经网络进行训练，减少循环神经网络输出量的预测值与目标值的作差结果。优选地，包括：基于时间的BP算法通过训练数据对循环神经网络进行训练。
本发明对LSTM网络训练，利用基于时间的BP算法，将网络的预测值与目标值作差，构造目标函数，然后求得目标函数对每一个参数的偏导，利用梯度下降法，使网络参数不断向减小预测误差的方向调整。
优选地，在步骤104：当作差结果达到阈值标准或对循环神经网络进行训练达到最大迭代次数时，确定当前网络参数的循环神经网络为训练好的循环神经网络。
优选地，还包括：通过训练好的循环神经网络对传感器的动态磁滞进行补偿。
本发明对补偿效果进行验证，将测试数据输入给网络，进行前向计算，显示并比较每个网络的磁滞补偿结果，计算非线性度指标。
本发明使用如下方法进行补偿效果评价：
Figure BDA0002415521170000071
磁滞曲线尤其是动态磁滞曲线对历史状态敏感，尤其是在磁场变化方向发生转变时，输出的信号会产沿不同路径对被测磁场进行跟随。所以本发明拟使用循环神经网络(RNN)进行动态磁滞补偿。除此之外，该方法又同时补偿了TMR器件之间线性度与灵敏度的差异，得到较好的测量一致性。
本发明实施方式，对于RFS信号，LSTM可以实现91％以上的磁滞补偿效果，同时LSTM网络易于训练，收敛性好，可以嵌入至单片机、DSP或FPGA等嵌入式系统中进行实时磁滞补偿。
本发明传感器经过磁滞测量系统测试后，在计算机上使用LSTM或RNN对其磁滞进行补偿，得到低非线性度的响应曲线，同时也得到训练后的网络参数，那么在应用传感器时，即可将网络参数输入至能够实现LSTM、RNN前向传播算法的微控制器、LabVIEW等，从而实现对TMR传感器的磁滞补偿，同时也实现了对传感器的校准工作。
本发明实施方式选用某型号TMR传感器为补偿对象，利用自动化TMR性能测试系统，可得出如图3所示的磁滞回线，可以看到，最大磁滞为1Oe，而且传感器响应曲线呈明显非线性。本项发明可实现对其动态磁滞补偿，包括以下步骤：
1)收集样本数据，利用自动化TMR性能测试系统，该系统基于亥姆霍兹线圈和LabVIEW的，产生一个参考直流或交流磁场，作为激励给TMR器件，然后对TMR器件的输出信号进行同步采集。将输入给TMR传感器的磁场信号(也就是亥姆霍兹线圈采样电阻的两端电压信号)Vr的时间序列和对应的TMR传感器的输出信号Vtmr的时间序列作为训练集。采集的样本数据如图4(a)所示，同时在图4(b)中展示了传感器对该输入信号的磁滞回线，非线性度高达8.34％FS。
2)构建长短时记忆网络，即LSTM前向网络，前向网络应用在传感器的正常运行状态，如图2所示，磁场经过TMR传感器后输出模拟电压信号，然后经过AD转换器输出离散的数字信号，将该数字信号序列输入给LSTM前向网络，即循环神经网络。LSTM前向网络结构为包含维度为N的输入层，输入量为经过采样之后传感器输出信号的当前值与N个历史值组成的序列，1层维度为128的隐含层，维度为1的输出层，输出量即为补偿后的传感器输出信号，激活函数为tanh函数，128，LSTM训练序列长度为20。
3)LSTM网络训练，过程如图2中参数训练状态所示，首先读取训练数据，并对训练数据进行归一化处理，然后根据输入层的结构将数据格式化，再对数据进行分割，然后用随机数将网络参数进行初始化；第二步就开始训练过程，将样本输入给网络，然后根据网络的前向传播算法计算网络输出值，从而根据实际输出值计算误差，在利用梯度下降法调整网络参数，循环此过程直到所有训练样本训练结束，同时记录每次训练的MSE值，如果达到最大迭代次数，则完成训练。本实例中学习率设为0.0001；训练方法为Adam算法。
4)效果验证，由图4(c)可以看出，网络输出误差控制在0.15％以内，效果理想，而且相对误差分布较均匀。由图4(d)展示的补偿后的磁滞回线可以看出，虽然整体呈直线分布，但包络线较宽，磁滞明显，非线性度由补偿前的12％降至0.986％。相比RNN-AM-RFS情况，LSTM的效果具有很大提升，说明对于TMR的动态磁滞特性，相比ANN和RNN，LSTM具有优秀的拟合能力，能够在单一频率的训练集情况下，仍然能够对动态磁滞误差进行补偿，具有重要的应用价值。
对于接近实际情况的RFS信号，LSTM也可以实现91％以上的补偿效果，同时LSTM网络易于训练，收敛性好，可以嵌入至单片机、DSP或FPGA等嵌入式系统中进行实时磁滞补偿。在磁滞补偿的过程中，也实现了对TMR传感器各项性能指标的标定，保证了TMR传感器的一致性。
本发明实施方式使用自动化测试系统进行巨磁阻传感器的磁滞特性采集。本发明采集的数据为随机频率、随机幅值、随机相位的混频信号(Radom Frequency Signal，RFS)，通过LSTM算法进行动态磁滞补偿，LSTM模型的输入为经过采样之后传感器输出信号的当前值与N个历史值组成的序列，输出为补偿后的传感器输出信号。
图5为根据本发明优选实施方式的一种基于循环神经网络对动态磁滞进行补偿的系统结构图。如图5所示，本发明提供一种基于循环神经网络对动态磁滞进行补偿的系统，系统包括：
采集单元501，用于将给定磁场信号施加给传感器，采集传感器的输出信号。优选地，给定磁场信号包括：随机频率、随机幅值、随机相位的混频信号。优选地，采集传感器的输出信号，包括：传感器输出模拟电压信号，将模拟电压信号转化为数字输出信号。
本发明首先收集样本数据，利用自动化TMR性能测试系统，该系统是基于亥姆霍兹线圈和LabVIEW的，产生一个参考直流或交流磁场，作为激励给传感器TMR器件，然后对传感器TMR器件的输出信号进行同步采集。采集的数据类型为随机频率、随机幅值、随机相位的混频信号(Radom Frequency Signal，RFS)。
建立单元502，用于建立循环神经网络，确定循环神经网络的网络结构；循环神经网络的输入量为传感器的输出信号，输出信号为包括输出信号当前值与多个输出信号历史值的序列；循环神经网络的输出量为补偿后的传感器的输出信号。
本发明构建长短时记忆网络LSTM前向网络，确定网络结构及输入输出模型，网络结构为包含维度为输入层，隐含层和输出层，网络输入量为经过采样之后传感器输出信号的当前值与历史值组成的序列，输出量即为补偿后的传感器输出信号。
训练单元503，用于对循环神经网络的网络参数进行初始化，通过训练数据对循环神经网络进行训练，将循环神经网络输出量的预测值与目标值作差，获取作差结果；利用梯度下降法对网络参数进行调整，按预设的最大迭代次数通过训练数据对循环神经网络进行训练，减少循环神经网络输出量的预测值与目标值的作差结果。优选地，训练单元503还用于：基于时间的BP算法通过训练数据对循环神经网络进行训练。
本发明对LSTM网络训练，利用基于时间的BP算法，将网络的预测值与目标值作差，构造目标函数，然后求得目标函数对每一个参数的偏导，利用梯度下降法，使网络参数不断向减小预测误差的方向调整。
结果单元504，用于当作差结果达到阈值标准或对循环神经网络进行训练达到最大迭代次数时，确定当前网络参数的循环神经网络为训练好的循环神经网络。
优选地，系统还包括应用单元，用于通过训练好的循环神经网络对传感器的动态磁滞进行补偿。
本发明对补偿效果进行验证，将测试数据输入给网络，进行前向计算，显示并比较每个网络的磁滞补偿结果，计算非线性度指标。
本发明使用如下方法进行补偿效果评价：
Figure BDA0002415521170000101
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个//该[装置、组件等]”都被开放地解释为装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。

Claims (8)

1.一种基于循环神经网络对动态磁滞进行补偿的方法，所述方法包括：
将给定磁场信号施加给传感器，采集所述传感器的输出信号；
建立循环神经网络，确定所述循环神经网络的网络结构；所述循环神经网络的输入量为所述传感器的输出信号，所述输出信号为包括输出信号当前值与多个输出信号历史值的序列；所述循环神经网络的输出量为补偿后的所述传感器的输出信号；所述循环神经网络为长短时记忆网络LSTM前向网络，所述长短时记忆网络LSTM前向网络包含输入层，隐含层和输出层，所述输入层的输入量为经过采样之后传感器输出信号的当前值与历史值组成的序列，所述输出层的输出量即为补偿后的传感器输出信号；
对所述循环神经网络的网络参数进行初始化，通过训练数据对所述循环神经网络进行训练，将所述循环神经网络输出量的预测值与目标值作差，获取作差结果；利用梯度下降法对所述网络参数进行调整，按预设的最大迭代次数通过训练数据对所述循环神经网络进行训练，减少所述循环神经网络输出量的预测值与目标值的作差结果，包括：基于时间的BP算法通过训练数据对所述循环神经网络进行训练；
当所述作差结果达到阈值标准或对所述循环神经网络进行训练达到最大迭代次数时，确定当前网络参数的循环神经网络为训练好的循环神经网络。
2.根据权利要求1所述的方法，所述给定磁场信号包括：随机频率、随机幅值、随机相位的混频信号。
3.根据权利要求1所述的方法，还包括：通过训练好的循环神经网络对传感器的动态磁滞进行补偿。
4.根据权利要求1所述的方法，所述采集所述传感器的输出信号，包括：所述传感器输出模拟电压信号，将所述模拟电压信号转化为数字输出信号。
5.一种基于循环神经网络对动态磁滞进行补偿的系统，所述系统包括：
采集单元，用于将给定磁场信号施加给传感器，采集所述传感器的输出信号；
建立单元，用于建立循环神经网络，确定所述循环神经网络的网络结构；所述循环神经网络的输入量为所述传感器的输出信号，所述输出信号为包括输出信号当前值与多个输出信号历史值的序列；所述循环神经网络的输出量为补偿后的所述传感器的输出信号；所述循环神经网络为长短时记忆网络LSTM前向网络，所述长短时记忆网络LSTM前向网络包含输入层，隐含层和输出层，所述输入层的输入量为经过采样之后传感器输出信号的当前值与历史值组成的序列，所述输出层的输出量即为补偿后的传感器输出信号；
训练单元，用于对所述循环神经网络的网络参数进行初始化，通过训练数据对所述循环神经网络进行训练，将所述循环神经网络输出量的预测值与目标值作差，获取作差结果；利用梯度下降法对所述网络参数进行调整，按预设的最大迭代次数通过训练数据对所述循环神经网络进行训练，减少所述循环神经网络输出量的预测值与目标值的作差结果，包括：基于时间的BP算法通过训练数据对所述循环神经网络进行训练；
结果单元，用于当所述作差结果达到阈值标准或对所述循环神经网络进行训练达到最大迭代次数时，确定当前网络参数的循环神经网络为训练好的循环神经网络。
6.根据权利要求5所述的系统，所述给定磁场信号包括：随机频率、随机幅值、随机相位的混频信号。
7.根据权利要求5所述的系统，还包括应用单元，用于通过训练好的循环神经网络对传感器的动态磁滞进行补偿。
8.根据权利要求5所述的系统，所述采集所述传感器的输出信号，包括：所述传感器输出模拟电压信号，将所述模拟电压信号转化为数字输出信号。
CN202010189952.8A 2020-03-18 2020-03-18 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 Active CN111505543B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010189952.8A CN111505543B (zh) 2020-03-18 2020-03-18 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010189952.8A CN111505543B (zh) 2020-03-18 2020-03-18 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

Publications (2)

Publication Number Publication Date
CN111505543A CN111505543A (zh) 2020-08-07
CN111505543B true CN111505543B (zh) 2023-02-28

Family

ID=71874287

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010189952.8A Active CN111505543B (zh) 2020-03-18 2020-03-18 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

Country Status (1)

Country Link
CN (1) CN111505543B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906915B (zh) * 2021-01-22 2024-03-22 江苏安狮智能技术有限公司 一种基于深度学习的轨交系统故障诊断方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1794116A (zh) * 2005-12-22 2006-06-28 桂林电子工业学院 基于神经网络的迟滞特性建模方法
EP2299339A1 (en) * 2009-09-16 2011-03-23 BAE Systems PLC Compensating for hysteresis
US9435708B1 (en) * 2015-06-16 2016-09-06 Magcanica, Inc. Devices and methods to enhance accuracy of magnetoelastic torque sensors
CN109931678A (zh) * 2019-03-13 2019-06-25 中国计量大学 基于深度学习lstm的空调故障诊断方法
CN110749337A (zh) * 2019-10-11 2020-02-04 南京航空航天大学 一种基于深度神经网络的mimu误差补偿方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1794116A (zh) * 2005-12-22 2006-06-28 桂林电子工业学院 基于神经网络的迟滞特性建模方法
EP2299339A1 (en) * 2009-09-16 2011-03-23 BAE Systems PLC Compensating for hysteresis
US9435708B1 (en) * 2015-06-16 2016-09-06 Magcanica, Inc. Devices and methods to enhance accuracy of magnetoelastic torque sensors
CN109931678A (zh) * 2019-03-13 2019-06-25 中国计量大学 基于深度学习lstm的空调故障诊断方法
CN110749337A (zh) * 2019-10-11 2020-02-04 南京航空航天大学 一种基于深度神经网络的mimu误差补偿方法

Also Published As

Publication number Publication date
CN111505543A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
US10001530B2 (en) Reading circuit with automatic offset compensation for a magnetic-field sensor, and related reading method with automatic offset compensation
KR950005890B1 (ko) 카테테르 팁의 혈압용 트랜스듀서를 온도보상하는 장치 및 방법
CN108007334B (zh) 一种电阻应变测量仪的阶跃响应特性测量方法及装置
US11204374B2 (en) Current sensor, and manufacturing method for current sensor
US5898304A (en) Sensor arrangement including a neural network and detection method using same
CN109791178A (zh) 用于智能传感器应用的装置和方法
US9035648B2 (en) Magnetic sensor characterization
Santhosh et al. A smart displacement measuring technique using linear variable displacement transducer
CN111505543B (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
GB2324609A (en) System of determining a magnetic characteristic of a sample of material
CN113252960A (zh) 一种适用于直流配电网电流传感器的外磁场干扰抑制方法
Pereira et al. A temperature-compensated system for magnetic field measurements based on artificial neural networks
AU757131B2 (en) Integrating magnetic sensor
US20230014749A1 (en) Metal detector having transmitter with active magnetic compensation
CN109799472B (zh) 一种基于深度学习的磁共振涡流补偿方法
Atmanand et al. A microcontroller-based quasi-balanced bridge for the measurement of L, C and R
CN110967660A (zh) 一种用于检测电流互感器的方法及系统
Delooze et al. Sub-nano tesla resolution differential magnetic field sensor utilizing asymmetrical magnetoimpedance in multilayer films
Marszałek et al. A new method of inductive sensors impedance measurement applied to the identification of vehicle parameters
CN113296045A (zh) 基于传感阵列的微型电流传感器的误差校正方法
Kuojun et al. A fast baseline and trigger level calibration method in digital oscilloscope
CN114646790B (zh) 一种基于巨磁电阻效应的电流测量装置
CN113933598B (zh) 针对集成电路电流不失真的磁芯损耗确定方法及装置
SU1114938A1 (ru) Способ измерени механических напр жений в ферромагнитных объектах
Schuina et al. GMR sensors and neural networks applied to the contactless measurement of direct electrical currents

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
GR01 Patent grant
GR01 Patent grant