刁少文 張棟 周毛等
摘 要:針對(duì)線性可變差動(dòng)變壓器(LVDT)檢測(cè)裝置的輸出信號(hào)的非線性問(wèn)題,本文建立了人工蜂群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對(duì)LVDT的非線性輸出進(jìn)行擬合。通過(guò)人工蜂群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,然后利用BP神經(jīng)網(wǎng)絡(luò)可擬合任意非線性函數(shù)的特性,對(duì)LVDT的非線性段進(jìn)行擬合預(yù)測(cè)。蜂群經(jīng)過(guò)多次的循環(huán)取得最優(yōu)解作為BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,經(jīng)過(guò)仿真實(shí)驗(yàn),在平均誤差在0.004V,平均誤差百分比為0.25%。
關(guān)鍵詞:LVDT;非線性;ABC-BP算法
DOI:10.16640/j.cnki.37-1222/t.2018.15.199
0 引 言
線性可變差動(dòng)變壓器(Linear Variable Differential Transformer,簡(jiǎn)稱LVDT),作為位移測(cè)量系統(tǒng)的重要組成部分,被廣泛的應(yīng)用于教學(xué)科研和工業(yè)生產(chǎn)中。傳感器輸出的電壓與位移量理論上呈線性關(guān)系,實(shí)際輸出在線性范圍的值稱為有效輸出,如超出范圍,輸出的線性度會(huì)漸漸衰減,呈現(xiàn)出非線性。
為解決LVDT輸出非線性問(wèn)題,國(guó)內(nèi)外研究人員從鐵芯材料、傳感器結(jié)構(gòu)及智能算法的優(yōu)化校正等方面去克服非線性問(wèn)題。BP神經(jīng)網(wǎng)絡(luò)在傳感器的非線性校正領(lǐng)域應(yīng)用較多,但其精度低、收斂速度慢的缺點(diǎn)也影響校正的效果。為了改善BP神經(jīng)網(wǎng)絡(luò)的缺點(diǎn),本文采用人工蜂群算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化,并對(duì)其進(jìn)行了軟件仿真。
1 LVDT工作原理
LVDT的其結(jié)構(gòu)示意圖如圖1所示,包含一個(gè)初級(jí)線圏、兩個(gè)次級(jí)線圏、可動(dòng)鐵芯、線圏骨架、連桿及殼體[1]。LVDT中的兩個(gè)次級(jí)線圈按差動(dòng)模式連接。在給初級(jí)線圏接通交流電時(shí),線圈產(chǎn)生互感作用,便在LVDT次級(jí)線圈中產(chǎn)生互感電壓。次級(jí)線圈A與次級(jí)線圈B的電壓差,即為L(zhǎng)VDT所輸出的電壓值,其輸出值與鐵芯的位移量基本呈線性關(guān)系。當(dāng)鐵芯位于次級(jí)線圈A和次級(jí)線圈B的中心位置時(shí),因?yàn)閮蓚€(gè)線圈的互感電壓等值反向,所以電壓輸出為零,故稱之為“零位”。
在LVDT工作時(shí),需要對(duì)其初級(jí)線圈接入交流激磁電壓,頻率 、幅值和功率是選擇激磁電壓時(shí)主要考慮的三個(gè)點(diǎn)。選擇較高的電壓幅值可以獲得較高的靈敏度 ,但是過(guò)高的電壓可能造成線圈發(fā)熱導(dǎo)致信號(hào)漂移、磁路飽和等 ,一般選擇 5 - 10V 。激磁電源一定要保證足夠的功率,否則過(guò)小的激磁功率將引起輸出的非線性,進(jìn)而影響測(cè)量的準(zhǔn)確性。
2 人工蜂群算法
人工蜂群算法(Artificial Bee Colony,ABC)是一種根據(jù)蜜蜂自組織模擬模型和群體智能為基礎(chǔ),所建立的人工智能啟發(fā)式算法[2]。蜂群通過(guò)不同的分工和相互的信息傳遞,協(xié)同完成采蜜的任務(wù)。1995年,Seely最先提出了蜂群的自組織模擬模型[3];2005年,土耳其科研人員Karaboga提出了模擬蜜蜂搜尋的方式來(lái)解決數(shù)值優(yōu)化問(wèn)題[4];同年,Teodorovic,根據(jù)蜜蜂繁殖機(jī)理提出了蜂群優(yōu)化算法[5]。
自然界中的蜂群總能較快地找到優(yōu)質(zhì)蜜源。蜂巢中的一部分蜜蜂作為采蜜蜂, 它們不斷并隨機(jī)地在蜂巢附近尋找蜜源[6]。蜜蜂群的實(shí)際的覓食行為如圖1所示,在整個(gè)的覓食行為中,可以將蜜蜂分為三類,偵查蜂、雇傭蜂和跟隨蜂[7]。一只在蜂箱中未被招募的蜜蜂可以成為偵查蜂,在其周圍自主的搜索蜜源(如圖2中S)或者通過(guò)搖擺舞成為被招募的蜜蜂,搜尋招募的蜜源1和蜜源2(如圖2中R)。在找到蜜源后,它便正式成為一只雇傭蜂,開(kāi)始往返于蜂箱與蜜源間采蜜(如圖2中EF2)[8]。雇傭蜂可以在采蜜前,在搖擺舞區(qū)域跳搖擺舞,招募其他未被招募的蜜蜂(如圖2中EF1),但是如果它放棄此前的蜜源,便成為了跟隨者(如圖2中UF)。
3 ABC-BP神經(jīng)網(wǎng)絡(luò)算法
蜂群采集的過(guò)程就是對(duì)待解問(wèn)題尋求最優(yōu)解的過(guò)程,蜜源就是問(wèn)題的可行解,蜜源中花蜜量就是適應(yīng)度函數(shù),含有最大花蜜量的蜜源就是問(wèn)題的最優(yōu)解。算法流程圖如圖3所示。
ABC優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法具體步驟如下:
(1)根據(jù)研究對(duì)象建立一個(gè)BP神經(jīng)網(wǎng)絡(luò)。
(2)初始化人工蜂群算法的相關(guān)參數(shù),蜂群數(shù)量(Nc),雇傭蜂數(shù)量(Ne),跟隨蜂數(shù)量(No),解的個(gè)數(shù)(Ns),最大極限次數(shù)(Limit),最大循環(huán)次數(shù)(MCN)其關(guān)系滿足式(1)。D維初始解Xn(n=1,2,……,Ns),初始解X1的值是在(-1,1)間隨機(jī)產(chǎn)生的。
4 Matlab仿真實(shí)驗(yàn)
本次實(shí)驗(yàn)通過(guò)微分筒作為位移輸入設(shè)備,使用FLUKE 8088A萬(wàn)用表進(jìn)行電壓采集,測(cè)得多組數(shù)據(jù)樣本。使用MATLAB(R2014a)作為仿真平臺(tái)進(jìn)行仿真實(shí)驗(yàn),實(shí)驗(yàn)數(shù)據(jù)覆蓋LVDT傳感器全部量程部分實(shí)驗(yàn)數(shù)據(jù)如表1所示。
首先創(chuàng)建BP神經(jīng)網(wǎng)路,由于擬合對(duì)象的輸入輸出為1對(duì)1形式,所以神經(jīng)網(wǎng)絡(luò)采用1-25-25-1的雙隱含BP神經(jīng)網(wǎng)絡(luò)。設(shè)置人工蜂群算法的參數(shù),本次實(shí)驗(yàn)所采用的參數(shù)如表2所示。
運(yùn)行仿真程序,在蜂群的第43次循環(huán)時(shí)整體適應(yīng)度為0.72。根據(jù)式(2)適應(yīng)度的值越趨近于1則越理想。
對(duì)ABC優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,最大訓(xùn)練次數(shù)設(shè)置為2000訓(xùn)練結(jié)果如圖4和圖5所示。
當(dāng)均方誤差(Mean Squared Error, MSE)設(shè)定為10-3時(shí),經(jīng)過(guò)ABC優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)僅僅經(jīng)過(guò)15次的訓(xùn)練,便可完成訓(xùn)練。當(dāng)MSE所設(shè)定為10-4時(shí),ABC-BP網(wǎng)絡(luò)經(jīng)過(guò)291次的訓(xùn)練,達(dá)成了訓(xùn)練目標(biāo)。
對(duì)試驗(yàn)結(jié)果進(jìn)行整理統(tǒng)計(jì),ABC-BP算法預(yù)測(cè)的輸出與實(shí)際輸出結(jié)果進(jìn)行比對(duì),其平均誤差為0.039V,平均誤差百分比0.25%。
5 結(jié)論
針對(duì)LVDT傳感器輸出中間、兩端非線性問(wèn)題,提出了基于人工蜂群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行非線性的擬合并進(jìn)行預(yù)測(cè)輸出。通過(guò)人工蜂群算法對(duì)神經(jīng)網(wǎng)絡(luò)初始權(quán)值閾值進(jìn)行優(yōu)化,結(jié)合神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性擬合能力,對(duì)LVDT非線性進(jìn)行校正。通過(guò)仿真結(jié)果,得出該方案對(duì)解決LVDT非線性問(wèn)題具有可行性,并且在一定程度上延長(zhǎng)了其測(cè)量范圍,為傳感器非線性校正提出了新的思路。
參考文獻(xiàn):
[1]劉志才.LVDT位移傳感器數(shù)字信號(hào)處理算法及電路研究[D].杭州:浙江大學(xué),2012.12-13.
[2]KARABOGA D,AKAY B.A survey:algorithms simulating bee swarm intelligence[J].Artificial Intelligence Review,2009, 31(14):61-85.
[3]SEELEY T D.The wisdom of the hive:the social physiology of honey bee colonies[M].Cambridge:Harvard University Press,1995.
[4]Karaboga D.An idea based on honey bee swarm for numerical optimization.Technical Report-TR06,Erciyes University, Engineering Faculty, Computer Engineering Department,2005.
[5]Teodorovic,D.,DellOrco,M.:Bee colony optimiza-tion-a cooperative learning approach to complex transportation problems[C].Proceedings of the 10th E-WGT Meeting,Poznan,(September2005):13-16.
[6]張超群,鄭建國(guó),王翔.蜂群算法研究綜述[J].計(jì)算機(jī)應(yīng)用研究, 2011,28(09):3201-3205.
[7]陳阿慧,李艷娟,郭繼峰.人工蜂群算法綜述[J].智能計(jì)算機(jī)與應(yīng)用,2014,4(06):20-24.
[8]SONMEZ M.Artificial bee colony algorithm for optimization of truss structures[J].Applied Soft Computing,2011,11(02):2406-
2418.
基金項(xiàng)目:山東省高等學(xué)??萍加?jì)劃(J14LN26)
作者簡(jiǎn)介:刁少文(1989-),男,黑龍江虎林人,碩士研究生在讀,主要研究方向?yàn)闄z測(cè)技術(shù)與儀表。