CN112034197A - 一种基于自适应算法的测量方法 - Google Patents
一种基于自适应算法的测量方法 Download PDFInfo
- Publication number
- CN112034197A CN112034197A CN202010870373.XA CN202010870373A CN112034197A CN 112034197 A CN112034197 A CN 112034197A CN 202010870373 A CN202010870373 A CN 202010870373A CN 112034197 A CN112034197 A CN 112034197A
- Authority
- CN
- China
- Prior art keywords
- layer
- self
- output
- adaptive algorithm
- neural network
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
- G01P3/42—Devices characterised by the use of electric or magnetic means
- G01P3/44—Devices characterised by the use of electric or magnetic means for measuring angular speed
- G01P3/48—Devices characterised by the use of electric or magnetic means for measuring angular speed by measuring frequency of generated current or voltage
- G01P3/481—Devices characterised by the use of electric or magnetic means for measuring angular speed by measuring frequency of generated current or voltage of pulse signals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
- G01P3/42—Devices characterised by the use of electric or magnetic means
- G01P3/50—Devices characterised by the use of electric or magnetic means for measuring linear speed
-
- 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
Abstract
本发明提供了一种基于自适应算法的轨道交通测量方法,包括:传感器采集输入信号;所述传感器内部采用可编程CPU芯片,通过基于BP神经网络的自适应算法对采样信号进行计算,自动修正所述采样信号的占空比和相位差,形成测量信息;所述测量信息,通过总线形式实时上传给上级系统。本发明对信息的处理具有自组织、自学习的特点且具有强大的非线性映射能力,可以实现自适应计算,从而达到测速偏差的补偿的效果;大大提高了采样信号占空比和相位差的误差精度要求;除方波输出外,还同时有总线输出,直接提供实时测量信息给上级系统。
Description
技术领域
本发明涉及检测技术领域,具体而言,涉及一种基于自适应算法的轨道交通测量方法。
背景技术
机车速度传感器的发展历程,经历了机械式、机电式、电子式、数字式、智能式的发展趋势。
现有轨道交通轨道交通领域尚无智能测量传感器应用。
现有轨道交通使用的速度传感器,占空比50%±10%,参阅附图图4示;相位差90°±25°,误差范围大,精度低;
现有轨道交通使用的速度传感器,只有方波脉冲输出,参阅附图图5所示。
发明内容
鉴于此,本发明一种基于自适应算法的轨道交通测量方法,采用基于BP神经网络的自适应算法对其进行计算,计算后可修正原始的输入误差,自动修正采样信号的占空比和相位差,提高信号稳定性一个数量级;速度传感器带有状态信息实时上传功能,通过总线直接传输实时测量信息。
本发明提供一种基于自适应算法的轨道交通测量方法,包括:
S1、传感器采集输入信号;
S2、所述传感器内部采用可编程CPU芯片,通过基于BP神经网络的自适应算法对采样信号进行计算,自动修正所述采样信号的占空比和相位差,以形成测量信息;
S3、所形成的测量信息通过总线形式实时上传给上级系统。
进一步地,所述BP神经网络的自适应算法,用于测量偏差修正和波形修正的补偿。
进一步地,所述BP神经网络的自适应算法,采用三层BP神经网络模型,由输入层、隐含层和输出层组成。
进一步地,所述BP神经网络的自适应算法,包括:
S21、正向输入计算:从所述输入层输入信号,根据公式对输入信号进行处理,由所述输出层输出信号;所述隐含层和输出层的输入、输出满足:
S22、误差反向传播:将输出层的输出值与期望输出值进行对比,根据误差大小反向修正权值和阈值,误差函数Ep与期望输出值yk和tk之间的关系及权值、阈值修正系数分别为:
式中η为学习速率系数,Δwjk、Δwij分别为隐含层到输出层和输入层到隐含层的权值修正系数,Δbk、Δbj分别为输出层和隐含层的阈值修正系数。
进一步地,所述测量信息,包括供电电压是否波动、是否受到振动影响、各个通道采集的信号偏差是否超过门限、CPU芯片是否经过重置。
进一步地,所述测量信息实时上传,传感器的接口部分采用模块化设计,通过替换不同通信模块实现多种有线和无线的通信方式;采用多种方式传输总线信号,包括RS485、CAN、MVB、Wifi、蓝牙。
与现有技术相比,本发明的有益效果在于:
基于BP神经网络的自适应算法,对信息的处理具有自组织、自学习的特点且具有强大的非线性映射能力,可以实现自适应计算,从而达到测速偏差的补偿的效果;大大提高了采样信号占空比和相位差的误差精度要求;除方波输出外,还同时有总线输出,直接提供实时测量信息给上级系统。
附图说明
通过阅读下文优选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。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。
在附图中:
图1为本发明的一种基于自适应算法的轨道交通测量方法的流程图;
图2为本发明BP神经网络的过程示意图;
图3为本发明实施例的算法流程图;
图4为现有速度传感器的波形占空比图;
图5为现有速度传感器的方波输出图;
图6为本发明实施例的波形占空比图;
图7为本发明实施例的波形相位差图;
图8为本发明实施例的BP神经网络模型示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和产品的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本公开范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
下面结合附图对本发明作进一步详细说明。
参阅附图图1所示,本发明提供一种基于自适应算法的轨道交通测量方法的流程。
S1,传感器采集输入信号;
传感器内部采用可编程的CPU芯片,采集输入信号后,采用基于BP神经网络的自适应算法对其进行速度计算,计算后可修正原始的输入误差,提高信号稳定性一个数量级;
S2,所述传感器内部采用可编程CPU芯片,通过基于BP神经网络的自适应算法对采样信号进行计算,自动修正所述采样信号的占空比和相位差,以形成测量信息;
BP神经网络算法是众多人工智能网络中使用最为广泛的一种算法,对信息的处理具有自组织、自学习的特点且具有强大的非线性映射能力,可以实现自适应计算传感器采集的速度值,从而达到测量偏差的补偿的效果。
本发明采用三层BP神经网络模型,可以逼近任意连续函数,是一种正向输入计算、误差反向传播的学习网络,由输入层、隐含层和输出层组成,参阅附图图8所示。
本发明实施例BP神经网络的自适应算法,包括:
S21、正向输入计算:
输入层有M个节点;隐含层为单层,有L个节点;输出层有N个节点。xi(i=1,2,…,M)为神经网络的输入,sj、aj分别为隐含层第j个节点的输入和输出,wij、bj分别为输入层到隐含层的权值和隐含层的阈值,pk、tk分别为输出层第k个节点的输入和输出,wjk、bk分别为隐含层到输出层的权值和输出层的阈值,f(x)为激发函数。隐含层和输出层的输入、输出满足:
从输入层输入信号,根据上式对输入信号进行处理,由输出层输出信号,这个过程为正向输入过程;
S22、误差反向传播:将输出层输出值与期望输出值进行对比,根据误差大小反向修正权值和阈值,这个过程为误差反向传播过程。误差函数Ep与期望输出值yk和tk之间的关系及权值、阈值修正系数分别为:
上式中η为学习速率系数,Δwjk、Δwij分别为隐含层到输出层和输入层到隐含层的权值修正系数,Δbk、Δbj分别为输出层和隐含层的阈值修正系数。这种正向输入计算、误差反向传播的过程不断地迭代进行,直到达到所要求的误差精度。将神经网络用于测量偏差修正和波形修正的补偿,将信号各项特征参数作为输入数据并将速度值和传感器状态参数作为输出数据,不断比较BP神经网络输出的速度值与期望值,当达到误差精度要求时终止训练,并以总线形式输出给上级系统。附图图2为本发明BP神经网络的过程示意图。
算法流程,参阅附图图3所示。
本发明实施例,占空比50%±0.5%,参阅附图图6所示;
相位差90°±0.5%,参阅附图图7所示;
除方波输出外,同时有总线输出(例如RS485,CAN,MVB,profibus等);
S3,所形成的测量信息通过总线形式实时上传给上级系统。
通过总线形式,除了将传感器测得的速度值、位移值和方向值传输给上级系统以外,同时将传感器的工作状态:供电电压是否波动、是否受到振动影响、各个通道采集的信号偏差是否超过门限、CPU芯片是否经过重置等信息传输给上级系统。
通道异常和正常的判定方式基于六个波形特征参数,参阅表1
表1
传感器的接口部分采用模块化设计,可以通过替换不同通信模块实现多种有线和无线的通信方式,多种方式传输总线信号:RS485、CAN、MVB、Wifi、蓝牙。
结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于自适应算法的轨道交通测量方法,其特征在于,包括:
S1、传感器采集输入信号;
S2、所述传感器内部采用可编程CPU芯片,通过基于BP神经网络的自适应算法对采样信号进行计算,自动修正所述采样信号的占空比和相位差,以形成测量信息;
S3、所形成的测量信息通过总线形式实时上传给上级系统。
2.根据权利要求1所述的测量方法,其特征在于,所述BP神经网络的自适应算法,用于测量偏差修正和波形修正的补偿。
3.根据权利要求1所述的测量方法,其特征在于,所述BP神经网络的自适应算法,采用三层BP神经网络模型,由输入层、隐含层和输出层组成。
5.根据权利要求1所述的测量方法,其特征在于,所述测量信息包括以下几种类型中的一种或几种:供电电压是否波动、是否受到振动影响、各个通道采集的信号偏差是否超过门限、CPU芯片是否经过重置。
6.根据权利要求1所述的测量方法,其特征在于,所述测量信息实时上传给上报系统的过程中,传感器的接口部分采用模块化设计,通过替换不同通信模块实现多种有线和无线的通信方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010870373.XA CN112034197A (zh) | 2020-08-26 | 2020-08-26 | 一种基于自适应算法的测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010870373.XA CN112034197A (zh) | 2020-08-26 | 2020-08-26 | 一种基于自适应算法的测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112034197A true CN112034197A (zh) | 2020-12-04 |
Family
ID=73581558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010870373.XA Pending CN112034197A (zh) | 2020-08-26 | 2020-08-26 | 一种基于自适应算法的测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112034197A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07218520A (ja) * | 1994-01-28 | 1995-08-18 | Toshiba Corp | 車両速度演算装置およびそれを用いた車両走行距離演算装置 |
CN104071143A (zh) * | 2014-07-10 | 2014-10-01 | 南京浦镇海泰制动设备有限公司 | 一种轨道车辆制动控制单元 |
CN108120451A (zh) * | 2017-12-21 | 2018-06-05 | 苏州大学 | 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统 |
CN108491404A (zh) * | 2018-01-22 | 2018-09-04 | 国电南瑞科技股份有限公司 | 一种基于bp神经网络的状态估计不良数据辨识方法 |
CN110018322A (zh) * | 2019-04-18 | 2019-07-16 | 北京先见智控科技有限公司 | 一种基于深度学习的转速检测方法及系统 |
CN111157766A (zh) * | 2020-01-20 | 2020-05-15 | 卡斯柯信号有限公司 | 一种具有自检功能的车辆测速装置及方法 |
CN111245313A (zh) * | 2020-03-16 | 2020-06-05 | 爱科赛智能科技(浙江)有限公司 | 一种基于遗传神经网络的无刷直流电机pid调速方法 |
-
2020
- 2020-08-26 CN CN202010870373.XA patent/CN112034197A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07218520A (ja) * | 1994-01-28 | 1995-08-18 | Toshiba Corp | 車両速度演算装置およびそれを用いた車両走行距離演算装置 |
CN104071143A (zh) * | 2014-07-10 | 2014-10-01 | 南京浦镇海泰制动设备有限公司 | 一种轨道车辆制动控制单元 |
CN108120451A (zh) * | 2017-12-21 | 2018-06-05 | 苏州大学 | 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统 |
CN108491404A (zh) * | 2018-01-22 | 2018-09-04 | 国电南瑞科技股份有限公司 | 一种基于bp神经网络的状态估计不良数据辨识方法 |
CN110018322A (zh) * | 2019-04-18 | 2019-07-16 | 北京先见智控科技有限公司 | 一种基于深度学习的转速检测方法及系统 |
CN111157766A (zh) * | 2020-01-20 | 2020-05-15 | 卡斯柯信号有限公司 | 一种具有自检功能的车辆测速装置及方法 |
CN111245313A (zh) * | 2020-03-16 | 2020-06-05 | 爱科赛智能科技(浙江)有限公司 | 一种基于遗传神经网络的无刷直流电机pid调速方法 |
Non-Patent Citations (3)
Title |
---|
刘波等: "弹性BP神经网络消除轮速传感器误差方法的研究", 《国防科技大学学报》 * |
张永怀等: "采用BP神经网络及其改进算法改善传感器特性", 《传感技术学报》 * |
李琴等: "改进BP网络及其在传感器非线性校正中的应用", 《计算机应用与软件》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bai et al. | Reliable data fusion of hierarchical wireless sensor networks with asynchronous measurement for greenhouse monitoring | |
Kung et al. | Adaptive speed control for induction motor drives using neural networks | |
AU2020327075B2 (en) | In-train air quality monitoring and ventilation control method and system | |
CN111417178B (zh) | 基于机器学习与边缘计算的工业互联网节能系统及方法 | |
CN110766132B (zh) | 一种基于物联网的果园产量智能预测系统 | |
CN103687000A (zh) | 一种无线传感器网络室内定位中基于rssi的测距优化方法 | |
CN110987068B (zh) | 一种多传感器综合控制系统数据融合方法 | |
CN112713881B (zh) | 一种基于边缘计算的同步时钟维持系统与方法 | |
CN102305890B (zh) | 一种柔性直流输电系统子模块的直流电压检测方法 | |
CN115052258B (zh) | 一种基于大数据和数字孪生的工业监控系统 | |
CN112180361A (zh) | 一种基于动态联邦滤波的车载雷达目标跟踪方法 | |
CN112034197A (zh) | 一种基于自适应算法的测量方法 | |
CN110119165B (zh) | 一种水产养殖池塘溶解氧检测装置 | |
CN102087311B (zh) | 一种提高电力互感器测量精度的方法 | |
Hongyan et al. | Internet time-delay prediction based on autoregressive and neural network model | |
Zhengxiang et al. | Transport volume forecast based on GRNN network | |
CN114505844B (zh) | 一种面向工业机器人的残余振动抑制系统及方法 | |
CN113490267B (zh) | 一种鲁棒稳定性的广义预控制方法 | |
CN104729642A (zh) | 一种基于can总线的轨道衡计量系统 | |
Xuhui et al. | The optimization of RSSI-neural network positioning algorithm | |
CN112504522B (zh) | 一种基于类脑计算的微压力传感器 | |
Guangzhong | Application of multi-sensor data fusion in greenhouse | |
CN209117007U (zh) | 一种高精度倾斜测量装置 | |
Vamsi et al. | Implentation of Pi controller for level process using non contact sensor | |
Morimoto et al. | Identification of cumulative fruit responses during the storage process using neural networks |
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: 20201204 |
|
RJ01 | Rejection of invention patent application after publication |