|
1 引言 熱電偶因其結構簡單、易于制造和測溫范圍寬等優點而被廣泛用于溫度測量領域，但是熱電偶非線性校正問題(也稱線性化處理)，嚴重影響了溫度測量精度。國際、國內計算標準都給出了熱電勢 -溫度 關系表,即熱電偶分度表。其換算關系可以采用查表法，但這種方法在應用過程中顯得很不方便，一種較好的辦法可以利用神經網絡技術建立起相應的數學模型，改善了熱電偶的線性度。而神經網絡具有強大的記憶容量、高速并行計算能力和非線性變換特性，能夠隨時進行再學習，可用來有效地校正系統的非線性。 2 熱電偶非線性 熱電偶的類型、規格、結構品種繁多，幾乎都存在嚴重的非線性問題，其輸出信號與測量溫度之間呈非線性關系。從而給測量結果帶來誤差。本文采用神經網絡技術，對鎳鉻-鎳硅熱電偶(K型)進行了非線性校正。K型熱電偶結構圖如圖1所示。 圖1 熱電偶結構圖 由熱電偶測量被測溫度t，輸出相應的熱電勢E(t, 0)。對K型熱電偶，當測溫范圍為0～200℃時，依據分度表中的熱電勢和溫度值，利用最小二乘法原理可以擬合出如下的E-t關系式： 式中，E是熱電偶冷端溫度為0?C時的熱電勢，其中， ， ， 。式（1）表明E - t關系是非線性的。 3 基于BP網絡進行熱電偶的非線性校正 3.1 BP神經網絡結構簡介 BP神經網絡一般采用三層（輸入層、隱層、輸出層）網絡結構，如圖2所示。網絡中隱層節點和輸出節點（神經元）的輸入為前一層網絡輸出的加權和。 圖2 BP網絡結構 3.2 制備學習、檢驗樣本 1）熱電偶的標定：采用國際實用溫標ITS-90及國標GB/T 2614-1990熱電偶分度表中的給定數據，選取溫度范圍0"200?C和其對應的熱電勢值作標定數據。 2）訓練樣本、測試樣本文件制作：溫度范圍選為0"200?C，根據鎳鉻-鎳硅熱電偶(K型)分度表，選擇溫度為1，3，5，7……197，199，200℃對應的熱電勢為輸入樣本，相對應的溫度作為輸出樣本，這樣制作的樣本作為訓練樣本，共101組；然后選擇溫度0，5，10，15……195，200?C對應的熱電勢作為輸入樣本，相對應的溫度作為輸出樣本，這樣制作的樣本作為測試樣本，共41組。 3.3 BP網絡學習流程圖 BP網絡的學習流程如圖2所示。 圖3 BP網絡訓練過程及算法流程 3.4 神經網絡訓練儀介紹 本文神經網絡訓練儀，進行熱電偶的非線性校正。圖4為BP神經網絡訓練儀面板，這個訓練儀采用虛擬儀器編程語言CVI進行編寫。 圖4 BP神經網絡訓練儀面板 BP網絡訓練儀的面板上具有以下幾個模塊： 模塊1－訓練樣本文件路徑： ①．輸入樣本文件路徑”：在該文本框中輸入訓練樣本的輸入樣本文件的路徑。 ②.“輸出樣本文件路徑”：在該文本框中輸入訓練樣本的期望輸出樣本文件的路徑。 模塊2－測試樣本文件路徑： ③.“輸入樣本文件路徑”：在該文本框中輸入測試樣本中輸入樣本文件的路徑。 ④.“輸出樣本文件路徑”：在該文本框中輸入測試樣本中期望輸出樣本文件的路徑。 模塊3－網絡結構： ⑤.“隱層節點數”：設置BP網絡隱層神經元數量； ⑥.“隱層響應函數”：選擇BP網絡隱層神經元的響應函數； ⑦.“輸出層響應函數”：選擇BP網絡輸出層神經元的響應函數； 模塊4－訓練條件： 3.5 BP網絡訓練 1) 網絡結構參數的初始化：隱層節點數選為6，隱層響應函數選為對數型sig函數，即logsig，輸出層響應函數選為純線性函數，即purelin。 2) 網絡訓練參數的設置：訓練開始前，分別輸入訓練樣本文件和測試樣本文件的路徑，訓練終止條件選為訓練代數為1000。 3) 網絡訓練：點擊網絡訓練按鈕“訓練”，訓練多次，并記錄每次的測試均方差，以測試均方差最小的一組網絡參數作為訓練的最終結果，實驗中記錄的最小測試均方差為0.03963582。訓練所得到的權值 和閾值 就是BP網絡訓練的結果。 3.6 非線性校正結果與分析 1) 熱電偶非線性校正模型：用BP神 經網絡建立的非線性校正模型結構可以用權值和閾值來表示，權值和閾值如下： 輸入層與隱層間權值：=[-30.473488 -38.820904 -1.644704-2.235481 0.099258 95.799098] 輸出層與隱層間權值：=[-20.979834 31.472969 -6.901741 1.78862 1014.294648 -254.668243] 隱層閾值：=[-47.329741 -25.972066 12.099975 4.515939 -0.050021 86.879988] 輸出層閾值： =-234.662545 這樣很容易可以得出t? - E關系： 2) 非線性校正分析：用41組測試樣本數據對建好的BP網絡模型進行了測試，測試結果如表1所示。 表1理論溫度值與測試結果溫度值 表中的理論值是分度表中的溫度值。 可以求出最大擬合偏差 ℃，則線性度為 ，具體線性度比較如表2所示。 表2 神經網絡訓練前后性能比較 從以上結果可以看出，經過神經網絡訓練，熱電偶在0"200℃測溫范圍內的非線性得到了明顯改善。 4 結論 本文采用基于虛擬儀器編程語言CVI編成的BP神經網絡訓練儀對K型鎳鉻-鎳硅熱電偶的非線性進行了校正，獲得了非線性校正模型，校正前后非線性降低了一個數量級，實現熱電偶的非線性校正。 |
