崔靜雅，呂惠民，程 賽

(西安理工大學應(yīng)用物理系，西安 710048)

壓力的測控在現(xiàn)代工業(yè)自控環(huán)境中廣泛應(yīng)用，涉及水利水電、鐵路交通、智能建筑、航空航天、軍工等眾多行業(yè)。隨著通訊技術(shù)和計算機技術(shù)的發(fā)展，智能壓力傳感器技術(shù)的發(fā)展相對滯后，呈現(xiàn)出“頭腦(計算機)發(fā)達，感覺(傳感器)遲鈍”的現(xiàn)象［1］。為了提高測量精度，如何抑制壓力傳感器對溫度的交叉敏感性是亟待解決的核心問題［2］。

壓力傳感器的工作原理已經(jīng)基本定型，通過發(fā)現(xiàn)新的特殊敏感材料［3］來提高性能已經(jīng)很困難。目前，國內(nèi)外常用的解決方法基本有兩種:一種是硬件法，但硬件電路大都存在電路復雜、精度低、成本高等缺點［4］;另一種是軟件法，此類方法是將微處理器與傳感器結(jié)合起來，利用豐富的軟件功能、結(jié)合一定的算法對參量進行數(shù)據(jù)融合，主要有回歸法、最小二階乘法、神經(jīng)網(wǎng)絡(luò)、小波等，其中神經(jīng)網(wǎng)絡(luò)具有層次性、聯(lián)想記憶和并行處理等優(yōu)點，應(yīng)用前景良好［5－6］。近幾年，相關(guān)文獻中多選用BP神經(jīng)網(wǎng)絡(luò)來提高壓力測量的精度［5，7－8］，但是忽略了溫度測量的準確，且收斂速度慢。本智能傳感器系統(tǒng)針對壓力和溫度相互交叉干擾的問題，利用BP神經(jīng)網(wǎng)絡(luò)的Levenberg-Marquardt算法提高了網(wǎng)絡(luò)收斂速率以及溫度和壓力兩個參量的測量精度，同時在μC/OS－Ⅱ操作平臺上，將 BP網(wǎng)絡(luò)融合算法嵌入到STM32F101C8微處理器中，實現(xiàn)顯示、報警、與PC機通信等功能，使功能更加完善。

1 智能壓力傳感器的硬件設(shè)計

硬件電路的系統(tǒng)方框圖如圖1所示。

圖1 硬件電路系統(tǒng)方框圖

1.1 測量單元

傳感器選用的是JCY－101型硅壓阻式壓力傳感器，其內(nèi)部電路是由四個壓敏電阻組成的全橋差動電路，如圖2所示。為了提高恒流特性，本設(shè)計采用反饋改進型的恒流源為其供電。測量過程使用“一橋二測”技術(shù)，其中，電橋B、D兩端輸出電壓UP為壓力參量的輸出信號;A、C兩端輸出電壓Ut為溫度參量的輸出信號［9］。

圖2 JCY－101型硅壓阻式壓力傳感器原理圖

1.2 主控制器STM32F101C8及其外圍電路

STM32F101其內(nèi)部使用高性能的ARM Cortex－M3 32位的RISC內(nèi)核，工作頻率為36 Hz，內(nèi)置高速存儲器，具有豐富的增強型外設(shè)。其工作電壓為2.0 V～3.6 V，為了提高轉(zhuǎn)換的精確度，ADC使用一個獨立的電源供電，過濾和屏蔽來自印刷電路板上的毛刺干擾。本設(shè)計中，將芯片的PA口的PA.4、PA.5、PA.6作為3路信號輸入用到其中一路輸入壓力信號，一路輸入溫度信號，一路接地，此接地電路可配合相應(yīng)的軟件來降低溫漂和系統(tǒng)誤差;實時時鐘采用12 MHz的時鐘晶振和32.768 kHz的低速外部晶振源;PA.8(USART1_TX)和PA.9(USART1_RX)外接一片MAX488進行電平轉(zhuǎn)換，進行與PC的串口通信，對采集到的有效的壓力和溫度信號實現(xiàn)遠程和實時監(jiān)測控制;4個按鍵開關(guān)分別接到STM32F101C8 的 PA.10、PA.11、PB.6、PB.7，作為預置壓力、調(diào)節(jié)上、下限，開始工作的輸入端;將采集到的實時數(shù)據(jù)、來自鍵盤的設(shè)定壓力值送入液晶顯示器CM12864顯示。

2 智能壓力傳感器的軟件設(shè)計

目前，商用的嵌入式操作系統(tǒng)開發(fā)成本昂貴且大部分不提供源代碼，并不適合小型系統(tǒng)的開發(fā)。而μC/OS－Ⅱ相對于其它操作系統(tǒng)具有源碼公開、移植性強、代碼可裁減等特點，比較適合用于儀用儀表的內(nèi)嵌微控制器?？紤]這些特點，選用μC/OS－Ⅱ作為嵌入式實時操作系統(tǒng)，克服了過去單任務(wù)順序機制，增強系統(tǒng)安全與穩(wěn)定性［10］。

在此智能傳感器系統(tǒng)中，微處理器啟動時，A/D轉(zhuǎn)換芯片等功能開始自檢。如有故障，顯示哪一原件出錯，以便操作人員及時處理;如正常，則對系統(tǒng)初始化。一切就緒后，采集目標參量，進行數(shù)據(jù)處理及BP融合，并將輸出結(jié)果顯示出來。同時與PC機通信，將測試結(jié)果送入 PC機，以得到更詳細的處理。

2.1 利用BP神經(jīng)網(wǎng)絡(luò)進行數(shù)據(jù)融合

JCY－101型壓力傳感器為兩功能傳感器，可以測量壓力和溫度兩個目標參量，但相互存在交叉敏感度。因此本系統(tǒng)采用BP神經(jīng)網(wǎng)絡(luò)對輸出信息進行數(shù)據(jù)融合處理，進而提高目標參量的測量精度。

(1)樣本庫的建立

在不同的溫度T(20，30，40，50，60，70 ℃)壓力P(0，1，2，3，4，5)×104Pa 下，對 CYJ－101 壓力傳感器的靜態(tài)輸入－輸出特性進行標定，得到36組二維實驗數(shù)據(jù)標定表。取20℃ ～70℃、0～5×104Pa范圍內(nèi)的30組數(shù)據(jù)作為訓練樣本，其余6組作為測試樣本。由于神經(jīng)網(wǎng)絡(luò)輸入輸出數(shù)值應(yīng)為歸一化數(shù)值，分別用式(1)和式(2)對樣本數(shù)據(jù)和目標數(shù)據(jù)進行歸一化處理，建立神經(jīng)網(wǎng)絡(luò)輸入輸出標準樣本庫［11］。

(2)BP網(wǎng)絡(luò)模型的建立

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡(luò)，針對通常BP網(wǎng)絡(luò)在使用中存在的收斂速度慢，容易陷于局部極小值等缺點，采用Levenberg-Marquardt算法對樣本數(shù)據(jù)進行融合［12］。設(shè)計一種包括輸入層、隱層、輸出層的3層網(wǎng)絡(luò)，輸入層和輸出層的2個節(jié)點分別對應(yīng)于壓力信號和溫度信號的輸入輸出，隱層節(jié)點數(shù)為6，兩層間的傳遞函數(shù)分別為雙曲正切S型函數(shù)tansig和純線性函數(shù)pureline。

輸入層X(XP，Xt)與隱層之間的權(quán)值矩陣為W1，閥值矩陣為b1，隱層和輸出層Y(Yp，Yt)之間的權(quán)值矩陣為W2，閥值矩陣為b2，則輸入層與輸出層之間的關(guān)系表達式為:

(3)BP網(wǎng)絡(luò)訓練

利用函數(shù)trainlm對BP網(wǎng)絡(luò)訓練［13］，得到權(quán)值和閾值的最優(yōu)值。當訓練誤差取0.000 01時，利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱構(gòu)建BP網(wǎng)絡(luò)，部分程序如下:

net=newff(minmax(p)，［6 2］，{‘tansig’，‘purelin’}，‘trainlm’);%創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)和定義訓練函數(shù)以及參數(shù)，隱層神經(jīng)元數(shù)量為6，輸出層數(shù)量為2

net.trainParam.goal=0.00001;%目標精度設(shè)置

net.trainParam.epochs=2000;%最大迭代次數(shù)

［net，tr］=train(net，p，t);% 訓練神經(jīng)網(wǎng)絡(luò)

y=sim(net，p);% 擬合檢驗

網(wǎng)絡(luò)的誤差曲線如圖3所示，由此圖可見，該網(wǎng)絡(luò)算法收斂速度快，只經(jīng)過了115次迭代便得到目標誤差要求。根據(jù)歐式范數(shù)理論，對原訓練樣本進行擬合檢驗，樣本逼近誤差為0.0203，網(wǎng)絡(luò)性能完全可以滿足控制要求。此外，為了檢驗構(gòu)建的神經(jīng)網(wǎng)絡(luò)具有廣泛性，用測試樣本對網(wǎng)絡(luò)進行評估，通過與目標值相比較，得到網(wǎng)絡(luò)誤差為0.0379，這表明神經(jīng)網(wǎng)絡(luò)具有廣泛的適應(yīng)能力和學習能力，構(gòu)建的BP網(wǎng)絡(luò)能很好的解決傳感器信號交叉敏感問題。

圖3 網(wǎng)絡(luò)的誤差曲線

2.2 μC/OS－Ⅱ的移植

在STM32F101C8上移植μC/OS－Ⅱ系統(tǒng)，移植的主要工作集中在OS_CPU.H、OS_CPU_A.ASM和OS_CPU_C.C這3個文件中，主要設(shè)計堆棧初始化、任務(wù)上下文切換、中斷掛接和數(shù)據(jù)類型定義幾個方面，這些均與STM32F101C8微處理器的ARM內(nèi)核硬件緊密相關(guān)［14］。

2.3 軟件開發(fā)流程

將訓練好的BP神經(jīng)網(wǎng)絡(luò)權(quán)值(W1、W2)和閾值(b1、b2)以適當?shù)臄?shù)組方式存入STM32F101C8處理器的Flash存儲器中，根據(jù)BP網(wǎng)絡(luò)的融合算法，編寫出基于C語言的BP網(wǎng)絡(luò)融合算法程序，程序在μC/OS－Ⅱ中以任務(wù)的方式運行，本系統(tǒng)由如圖4中8個任務(wù)來實現(xiàn)，優(yōu)先權(quán)(Prio)的設(shè)置由各任務(wù)的執(zhí)行順序以及對系統(tǒng)安全性影響的大小決定。

每個任務(wù)函數(shù)都是一個無限循環(huán)程序，并處于以下五種狀態(tài)［15］之一:休眠態(tài)、就緒態(tài)、運行態(tài)、掛起態(tài)和被中斷態(tài)。在無限循環(huán)中調(diào)用實現(xiàn)某些功能的應(yīng)用程序函數(shù)，然后按設(shè)計需求設(shè)置掛起方式和掛起時間。系統(tǒng)整體軟件流程圖如圖4所示，系統(tǒng)初始化后便建立各個運行任務(wù)，啟動多任務(wù)調(diào)度機制，在各個信號的協(xié)調(diào)下有序運行。

圖4 系統(tǒng)整體流程圖

3 測試結(jié)果分析

3.1 系統(tǒng)輸出值評估標準

為了研究BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合前后，壓力和溫度兩個目標參量的交叉干擾敏感度，分別用壓力信號溫度靈敏度系數(shù)、零點溫漂系數(shù)和溫度信號壓力靈敏度系數(shù)對系統(tǒng)進行評估。

(1)傳感器壓力信號的溫度靈敏度系數(shù)

式中:ΔT為工作溫度變化范圍;Y(FS)為傳感器壓力信號的滿量程輸出值;Δym為當溫度變化ΔT時，輸出值隨溫度漂移的最大值。當溫度在21.5℃ ～70℃范圍變化時，未經(jīng)過BP網(wǎng)絡(luò)融合的傳感器輸出Y(FS)=83.36 mV，Δym=83.36－73.28=10.8 mV，計算出 αs=2.49×10－3/℃。

(2)傳感器壓力信號的零點溫漂系數(shù)

式中:ΔT為工作溫度變化范圍;Ufs為傳感器壓力信號滿量程輸出值;ΔU0m為在工作溫度變化ΔT時，傳感器壓力信號的零點漂移最大值。同理，溫度在21.5℃～70℃范圍變化時，未經(jīng)過BP網(wǎng)絡(luò)融合的傳感器輸出Ufs=83.36 mV，ΔU0m=(－7.72)－(－13.84)=6.12 mV，則 α0=1.51×10－3/℃。

(3)傳感器溫度信號的壓力靈敏度系數(shù)

式中:ΔP為工作壓力變化范圍，取5×104Pa;Y(FS)為傳感器溫度信號滿量程輸出值;Δym為當壓力變化ΔP時，輸出值隨壓力漂移的最大值。未經(jīng)過BP網(wǎng)絡(luò)融合處理時，Y(FS)=86.12 mV，Δym=86.12－80.45=5.67 mV，則 αP=1.32×10－2/104Pa。

3.2 系統(tǒng)輸出結(jié)果及評估

經(jīng)BP神經(jīng)網(wǎng)絡(luò)融合、逆歸一化處理后，傳感器輸出值無需查表，節(jié)省了大量內(nèi)存，壓力信號和溫度信號輸出分別見表1、表2。根據(jù)式(4)，Y(FS)=5×104Pa，Δym=5.018－4.945=0.073×104Pa，則融合后傳感器壓力信號的溫度靈敏度系數(shù)αs=3.01×10－4/℃。根據(jù)式(5)，Ufs=5×104Pa，ΔU0m=0.006－0.003=0.003×104Pa，經(jīng)過BP網(wǎng)絡(luò)融合后的壓力信號零點溫漂系數(shù)α0=1.24×10－5/℃。由式(6)，Y(FS)=70 ℃，Δym=70.427－69.322=1.105℃，經(jīng)過BP網(wǎng)絡(luò)融合后溫度信號的壓力靈敏度系數(shù) αP=1.32×10－4/104Pa。

表1 壓力信號測試結(jié)果

表2 溫度信號測試結(jié)果

與未融合前相比，融合處理后的傳感器壓力信號溫度靈敏系數(shù)、零點溫漂系數(shù)和溫度信號壓力靈敏度系數(shù)降低明顯，均在一個數(shù)量級以上。這說明采用BP神經(jīng)網(wǎng)絡(luò)信息融合技術(shù)消除傳感器交叉敏感現(xiàn)象是十分有效的，達到了信息融合的要求。

4 結(jié)論

本智能傳感器系統(tǒng)針對壓力和溫度相互交叉干擾的問題，利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)提高了溫度和壓力兩個參量的測量精度，并給出了相應(yīng)的硬件結(jié)構(gòu)和軟件設(shè)計。實測結(jié)果顯示該傳感器能滿足多任務(wù)下的實時性要求，并具有更加精確、穩(wěn)定、可靠的性能。

(1)采用Levenberg-Marquardt算法構(gòu)建了BP神經(jīng)網(wǎng)絡(luò)模型，經(jīng)檢驗該網(wǎng)絡(luò)收斂速度快、精度高、具有較強的適應(yīng)能力和聯(lián)想能力。BP網(wǎng)絡(luò)融合后的輸出值無需查表，節(jié)省內(nèi)存空間。

(2)基于μC/OS－Ⅱ操作平臺上，將BP網(wǎng)絡(luò)融合算法嵌入到STM32F101C8微處理器中，并實現(xiàn)了顯示、報警、與PC機通信等功能。通過對融合前后壓力信號溫度靈敏度系數(shù)、零點溫漂系數(shù)和溫度信號壓力靈敏度系數(shù)相對比，該系統(tǒng)能完善地、精確地反映檢測對象，提高信息融合的質(zhì)量，滿足現(xiàn)代自動化設(shè)備需求。

［1］趙大慶，范錦鵬，吳敏生，等.模仿人體的智能傳感器設(shè)想［J］.傳感器技術(shù)，2002，21(8):17－22.

［2］張耀鋒，孫以材，刑曉輝.基于人工神經(jīng)網(wǎng)絡(luò)的壓力傳感器的溫度補償［J］.電子學報，2008，36(2):358－361.

［3］Futane N P，Roy Chowdhury S，RoyChaudhuri C，et al.Analog ASIC for Improved Temperature Drift Compensation of A High Sensitive Porous Silicon Pressure Sensor［J］.Analog Integrated Circuits and Signal Processing，2011，67(3):383－393.

［4］劉新月，呂增良，孫以材.壓力傳感器溫度漂移補償?shù)目刂齐娐吩O(shè)計［J］.傳感技術(shù)學報，2007，20(3):567－569.

［5］高峰，董海鷹，胡彥奎.基于BP神經(jīng)網(wǎng)絡(luò)的傳感器交叉敏感性抑制［J］.傳感器技術(shù)，2005，24(2):22－26.

［6］Du Z M，Jin X Q，Yang Y Y.Fault Diagnosis for Temperature，F(xiàn)low Rate and Pressure Sensors in VAV Systems Using Wavelet Neural Network［J］.Applied Energy，2009，86(9):1624－1631.

［7］Xiao Z，Ye S J，Zhong B，et al.BP Neural Network with Rough Set for Short Term Load Forecasting［J］.Expert Systems with Applications，2009，36(1):273－279.

［8］邵軍，劉君華，喬學光，等.利用BP神經(jīng)網(wǎng)絡(luò)提高光纖光柵壓力傳感器的選擇性［J］.傳感技術(shù)學報，2007，20(7):1531－1534.

［9］劉君華.智能傳感器系統(tǒng)［M］.西安:西安電子科技大學出版社，2010，221－224.

［10］邱寶梅，王建文.嵌入式機載攝影穩(wěn)定平臺的設(shè)計［J］.儀器儀表學報，2009，30(9):1981－1984.

［11］何平，潘國峰，孫以材，等.壓力傳感器溫度漂移補償?shù)腞BF網(wǎng)絡(luò)模型［J］.儀器儀表學報，2008，29(3):572－576.

［12］楊英，唐平，王越超，等.基于LMBP改進算法的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化［J］.計算機工程，2008，34(1):215－217.

［13］嚴潔，趙研，張俊利.基于BP神經(jīng)網(wǎng)絡(luò)的稱重傳感器靜態(tài)非線性誤差補償研究［J］.傳感技術(shù)學報，2008，6(21):1025－1028.

［14］王駿，葉瑞源.μC/OS－Ⅱ的優(yōu)化及在智能變送器中的應(yīng)用［J］.自動化儀表，2010，31(2):5－7.

［15］吳永明，羅海據(jù).μC/OS－Ⅱ系統(tǒng)中任務(wù)調(diào)度與監(jiān)控機制改進［J］.計算機工程，2009，35(12):266－268.