劉滔，韓華亭，焦楷哲，雷超

空軍工程大學(xué)防空反導(dǎo)學(xué)院，陜西西安 710051

現(xiàn)代工業(yè)生產(chǎn)要求實時并在線監(jiān)控，動態(tài)測試能夠滿足這種要求，因而其已成為現(xiàn)代測試生產(chǎn)的趨勢和主流。在動態(tài)測試中，傳感器的性能是整個測試系統(tǒng)的關(guān)鍵環(huán)節(jié)，但傳感器的響應(yīng)存在一定的滯后性，致使測試產(chǎn)生動態(tài)誤差，測試準確性及實時性大大降低［1］。

為改善傳感器的動態(tài)特性，軟硬兩方面都可進行改善。硬件方面可對傳感器的安裝等方面進行改進，或更換性能更好的傳感器，但是更換傳感器使生產(chǎn)成本增大。軟件方面采用數(shù)值方法，設(shè)計補償器，實現(xiàn)對動態(tài)誤差的修正［2］。隨著計算機技術(shù)的發(fā)展，傳感器的動態(tài)補償?shù)玫搅藦V泛應(yīng)用，如系統(tǒng)辨識法［3］、零極點匹配法［4］、反卷積分法［5］及神經(jīng)網(wǎng)絡(luò)為代表的智能補償法［6-7］等。

上述改善傳感器性能的方法，大多將其當(dāng)作線性動態(tài)系統(tǒng)進行補償，實際傳感器總是存在非線性，線性動態(tài)補償必然滿足不了實際傳感器補償?shù)囊?。文獻［8］用Hammerstein模型(H模型)描述傳感器，將傳感器分解為線性動態(tài)環(huán)節(jié)和非線性靜態(tài)環(huán)節(jié)，采用分別標定的方法求取其相對應(yīng)的校正環(huán)節(jié)和補償環(huán)節(jié)，并取得了較好的結(jié)果。

文中在研究傳感器H模型結(jié)構(gòu)的基礎(chǔ)上，設(shè)計了與之對應(yīng)的補償器，利用函數(shù)連接型神經(jīng)網(wǎng)絡(luò)(functional link artificial neural network，F(xiàn)LANN)思想，根據(jù)最小二乘方法定義目標函數(shù)，推導(dǎo)模型參數(shù)與目標函數(shù)之間的關(guān)系，以此求出網(wǎng)絡(luò)訓(xùn)練算法，實現(xiàn)對傳感器H模型的一步補償，這種方法補償模型結(jié)果唯一。

1 H模型的傳感器非線性動態(tài)補償原理

線性動態(tài)子系統(tǒng)H(s)和非線性靜態(tài)子系統(tǒng)N(·)2個部分串聯(lián)成H模型［9］。圖1是一個SISO系統(tǒng)的H模型，這類模型結(jié)構(gòu)簡單，易于辨識。其中u(k)為激勵信號，x(k)為中間狀態(tài)，既為靜態(tài)非線性系統(tǒng)的輸出，又為動態(tài)線性系統(tǒng)的輸入，在實際中無法觀測，ξ(k)為外界干擾，y(k)為輸出信號。SISO動態(tài)非線性H模型如圖1所示［9］。

圖1 SISO動態(tài)非線性H模型

高次多項式可以無限逼近靜態(tài)非線性環(huán)節(jié)，靜態(tài)非線性環(huán)節(jié)可表示為x(k)=N［u(k)］。線性動態(tài)環(huán)節(jié)的傳遞函數(shù)離散形式為［9］

傳感測試系統(tǒng)由非線性靜態(tài)環(huán)節(jié)和線性動態(tài)環(huán)節(jié)串聯(lián)而成，因H模型的補償器為相應(yīng)的子環(huán)節(jié)，其對應(yīng)的補償子環(huán)節(jié)順序如圖2所示［10-11］。

圖2 Hammerstein補償器結(jié)構(gòu)

圖2中，x'(k)為補償模型中間輸出，y'(k)為補償模型最終輸出，補償要使最終輸出y'(k)盡可能地復(fù)現(xiàn)傳感測試系統(tǒng)的輸入信號u'(k)。

2 H補償模型的FLANN算法

文中基于函數(shù)連接型神經(jīng)網(wǎng)絡(luò)算法的思想對傳感測試系統(tǒng)進行動態(tài)補償，采用傳感器的輸入輸出設(shè)計補償器，F(xiàn)LANN算法補償傳感器結(jié)構(gòu)如圖3。傳感器的輸入信號u(k)及其時延與傳感器輸出信號y(k)作為網(wǎng)絡(luò)輸入的訓(xùn)練樣本，通過調(diào)整補償網(wǎng)絡(luò)權(quán)值來達到動態(tài)補償?shù)哪康摹Ｑa償模型中間線性環(huán)節(jié)，隱含層節(jié)點

式中:n，m為多項式的階次，且 m≤ n。A=［－a1… －an］T、B=［b0b1… bm］T為補償模型線性動態(tài)環(huán)節(jié)的系數(shù)。

非線性動態(tài)補償環(huán)節(jié)，輸出層的結(jié)果可表達成

式中:D= ［d1d2… dl］T，di，i=1，2，…，l為多項式系數(shù)，X(k)=［x(k)x2(k) …xl(k)］T。

圖3 H補償模型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

通過這種特殊的網(wǎng)絡(luò)結(jié)構(gòu)，將網(wǎng)絡(luò)權(quán)值與補償模型參數(shù)等價起來，W不僅是網(wǎng)絡(luò)的權(quán)向量，而且是補償模型的參數(shù)向量，從而通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練，達到辨識補償模型參數(shù)。

根據(jù)輸入輸出數(shù)據(jù)求取補償模型時，具有相同輸入輸出特性的H補償模型參數(shù)存在無窮多解，因而H補償模型的參數(shù)W并不是唯一的，文獻［12］中假設(shè)線性動態(tài)環(huán)節(jié)的終態(tài)增益為1，因而文中假設(shè)補償環(huán)節(jié)的終態(tài)增益也為1，即

采用式(3)雖能夠使得補償模型結(jié)果唯一，但是并不能保證動態(tài)特性得到最好的改善。引入原系統(tǒng)輸入u(k)與補償模型的輸出y'(k)的偏差e(k)，每個時刻偏差組成偏差序列J，該序列可直接反應(yīng)H補償模型能使輸出信號復(fù)現(xiàn)輸入信號的能力，將輸出跟蹤輸入的均方差J作為補償模型的優(yōu)化目標函數(shù)，為方便計算，通常定義

3 H補償模型的FLANN訓(xùn)練算法

文中對H補償模型神經(jīng)網(wǎng)絡(luò)權(quán)系數(shù)W更新算法采用負梯度下降學(xué)習(xí)原理，以連續(xù)函數(shù)求偏導(dǎo)的方法，離散函數(shù)求導(dǎo)依此類推，根據(jù)目標函數(shù)J的定義，可推導(dǎo)其梯度

因為 e(k)=y'(k)－u(k)，代入式(4)，得

矩陣參數(shù)W中3個變量的偏導(dǎo)，先由y'(k)對隱含層權(quán)值的偏導(dǎo)根據(jù)式(2)計算:

網(wǎng)絡(luò)輸出y'(k)對輸入層權(quán)值參數(shù)的偏導(dǎo)根據(jù)復(fù)合推導(dǎo)原理進行推導(dǎo):

式中:ΔW(k)為每次訓(xùn)練中權(quán)系數(shù)W(k)的增量，根據(jù)式(5)，可得

4 非線性動態(tài)傳感器補償實驗

4.1 傳感器非線性動態(tài)補償仿真實驗

運用MATLAB進行仿真實驗驗證文中方法的有效性，對式(6)非線性動態(tài)系統(tǒng)進行補償仿真。仿真模型為

為使仿真實驗更加接近現(xiàn)實情況，該模型的輸入激勵u(k)采用實際采集到的階躍信號［12］，同時記錄傳感器仿真輸出信號 y(k)，采集數(shù)據(jù)的長度為200，采樣周期為10 ms，總采樣時間為2.5 s。補償神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)定輸入層、隱含層和輸出層神經(jīng)網(wǎng)絡(luò)個數(shù)分別為6、3和1。系統(tǒng)的單位階躍激勵響應(yīng)如圖4所示。

圖4 傳感器正弦仿真響應(yīng)

根據(jù)輸入輸出數(shù)據(jù)，用文中算法求出傳感器的補償模型，補償后傳感測試系統(tǒng)響應(yīng)如圖4中曲線3所示。從圖中可看出，補償后的曲線基本與輸入信號基本吻合。測試的目的在于傳感器輸出信號(可觀測記錄)真實地反映輸入信號(被測試信號)，補償前后傳感器輸出與輸入的誤差曲線如圖5。

圖5 補償前后跟蹤誤差曲線

補償前后的傳感器輸出誤差曲線如圖5。補償前，跟蹤誤差在100數(shù)量級上，補償后跟蹤誤差在10－2數(shù)量級上，經(jīng)補償后動態(tài)誤差大大減少，跟蹤精度提高了大約40倍。

4.2 實際加速度傳感器非線性動態(tài)補償

非線性動態(tài)測試實驗對象采用實際加速度(壓力)傳感器，因為正弦信號易于控制與測試，故實驗仍然以實際正弦信號作為激勵信號，取得傳感器的響應(yīng)并作為訓(xùn)練數(shù)據(jù)建立非線性動態(tài)補償器［13］。

為驗證非線性動態(tài)補償模型的有效性，需要驗證動態(tài)補償模型的補償效果，激勵信號采用沖擊信號。具體測試過程為:用小錘擊打傳感器，相當(dāng)于在加速度(壓力)傳感器上產(chǎn)生了一個階躍信號，同時記錄傳感器的激勵信號與響應(yīng)信號，采樣周期為10 ms，采樣長度為2.50 s，將采集的信號輸入到計算機中。補償神經(jīng)網(wǎng)絡(luò)訓(xùn)練設(shè)定輸入層、隱含層和輸出層神經(jīng)網(wǎng)絡(luò)個數(shù)分別為8、4和1。然后用上述非線性動態(tài)補償器對加速度(壓力)傳感器進行補償，圖6為補償實驗結(jié)果。

從圖6可以看出，補償后系統(tǒng)的動態(tài)性能得到很大改善，動態(tài)誤差明顯減少，補償后的曲線基本上與沖擊輸入曲線吻合。補償前后實際傳感器輸出與輸入的誤差曲線如圖7所示。

圖7 實際傳感器補償前后跟蹤誤差曲線

從圖7可以看出，補償使傳感器跟蹤誤差由數(shù)量級100降低到10－1，跟蹤精度提高了大約20倍，證明文中方法對加速(壓力)傳感器非線性動態(tài)補償是有效的。

在訓(xùn)練速度方面，補償模型網(wǎng)絡(luò)訓(xùn)練的目標函數(shù)J隨迭代次數(shù)的變化如圖8所示。

圖8 H補償模型神經(jīng)網(wǎng)絡(luò)收斂過程

如圖8所示，在訓(xùn)練初期，H補償模型神經(jīng)網(wǎng)絡(luò)收斂非常迅速，迭代到40步之后，網(wǎng)絡(luò)已基本收斂，均方差J已小于0.01，經(jīng)過800次迭代，均方差J不再減少，最終J=3.53×10－3。整個收斂過程耗費7 s，由此證明文中算法在收斂速度上是可行的。

5 結(jié)束語

文中利用FLANN的思想，同時結(jié)合非線性動態(tài)H模型補償?shù)脑?，提出了一種新型的非線性動態(tài)傳感器H模型神經(jīng)網(wǎng)絡(luò)補償方法。文中方法的優(yōu)點在于:1)只需進行一次非線性動態(tài)標定試驗，就可求出靜態(tài)和動態(tài)2個補償環(huán)節(jié)的參數(shù)。2)H補償模型以均方差J為優(yōu)化目標，使得辨識結(jié)果唯一。3)H補償模型神經(jīng)網(wǎng)絡(luò)能容易得到近似數(shù)據(jù)描述模型?？衫肰ogl快速算法、變學(xué)習(xí)速率法等改進網(wǎng)絡(luò)訓(xùn)練性能，以避免網(wǎng)絡(luò)陷入傳統(tǒng)神經(jīng)網(wǎng)絡(luò)局部極小值，這方面還可以進行下一步研究。

［1］湯曉君，劉君華.交叉敏感情況下多傳感器系統(tǒng)的動態(tài)特性研究［J］.中國科學(xué):E 輯，2005，35(1):85-105.

［2］徐科軍，陳榮保，張崇巍.自動檢測和儀表中的共性技術(shù)［M］.北京:清華大學(xué)出版社，2000:15-50.

［3］馮培悌.系統(tǒng)辨識［M］.杭州:浙江大學(xué)出版社，1999:28-52.

［4］SHESTAKOV A L.Dynamic error correction method［J］.IEEE Transactions on Instrumentation and Measurement，1996，45(1):250-255.

［5］DABOCZI T.Uncertainty of signal reconstruction in the case of jittery and noisy measurement［J］.IEEE Transactions on Instrumentation and Measurement，1998，47(5):1062-1066.

［6］吳健，趙德光，張志杰.基于神經(jīng)網(wǎng)絡(luò)的傳感器動態(tài)補償算法及DSP實現(xiàn)［J］.計算機測量與控制，2011，19(3):1239-1245.

［7］HU Mingqing，BONI A，PETRI D，et al.Dynamic compensation of nonlinear sensors by a learning-from-exam-ples approach［J］.IEEE Transaction on Instrumentation and Measurement，2008，57(8):1689-1694.

［8］徐科軍，朱志能，蘇建徽，等.傳感器動態(tài)非線性的一種補償方法［J］.儀器儀表學(xué)報，2002，23(3):278-282.

［9］黃正良，萬百五，韓崇昭.辨識Hammerstein模型的兩步法［J］.控制理論與應(yīng)用，1995，12(1):34-38.

［10］吳德會，基于最小二乘支持向量機的傳感器非線性動態(tài)補償［J］.儀器儀表學(xué)報，2007，28(6):1017-1022.

［11］WANG Qingchao，ZHANG Jianzhong.Wiener model identification and nonlinear model predictive control of pH neutralization process based on Laguerre filters and least squares support vector machines［J］.Journal of Zhejiang University，2011，12(1):25-35.

［12］吳德會.基于支持向量機的非線性動態(tài)系統(tǒng)辨識方法［J］.系統(tǒng)仿真學(xué)報，2007，19(14):3169-3171.

［13］劉滔.非線性動態(tài)傳感器系統(tǒng)的H模型神經(jīng)網(wǎng)絡(luò)辨識［J］.傳感技術(shù)學(xué)報，2013，26(10):1390-1395.