摘 要：力傳感器的健康狀態(tài)監(jiān)測(cè)是保證力傳感器安全可靠運(yùn)行的重要手段。選取力傳感器的總精度作為健康狀態(tài)的評(píng)估指標(biāo)。由于總精度計(jì)算復(fù)雜，通過提取簡(jiǎn)單的特征信號(hào)，采用3種神經(jīng)網(wǎng)絡(luò)對(duì)力傳感器的總精度進(jìn)行估測(cè)，并進(jìn)行對(duì)比驗(yàn)證。實(shí)驗(yàn)結(jié)果表明：以神經(jīng)網(wǎng)絡(luò)對(duì)力傳感器的總精度進(jìn)行估測(cè)的方法來監(jiān)測(cè)其健康狀態(tài)可行，為力傳感器健康狀態(tài)監(jiān)測(cè)提供了一條新途徑。

關(guān)鍵詞：力傳感器；健康狀態(tài)監(jiān)測(cè)；總精度；神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP277.2; TH165.3" 文獻(xiàn)標(biāo)志碼：B" 文章編號(hào)：1671-5276（2024）05-0247-04

Research on Health Monitoring of Force Sensor Based on Neutral Network

Abstract：The health monitoring of force sensor is an important means to ensure the safe and reliable operation of force sensor. The total accuracy of the force sensor is selected as the health evaluation index. Due to the complexity of the calculation of the total precision， three kinds of neural networks are applied to estimate the total precision of the force sensor by extracting the simple characteristic signals. The experimental results verify the feasibility of using neural network to estimate the total accuracy of force sensor for health status monitoring， which provides a new way to monitor the health status of force sensor.

Keywords：force sensor；health monitoring；total precision；neural networks

0 引言

作為產(chǎn)品的感官，力傳感器起著監(jiān)測(cè)、測(cè)量周圍事物變化的重要作用，是機(jī)電一體中重要的組成部分之一。力傳感器在車輛、艦船、兵器、材料試驗(yàn)等諸多領(lǐng)域被廣泛使用。在實(shí)際的工程測(cè)試中［1］，需要使用大量的、種類不同的力傳感器。由于力傳感器的工作環(huán)境中存在高溫、水汽、腐蝕、振動(dòng)等現(xiàn)象，會(huì)使傳感器精度下降，長期工作在這種環(huán)境中會(huì)降低其可靠性，造成經(jīng)濟(jì)損失。所以需要對(duì)傳感器健康工作狀態(tài)進(jìn)行實(shí)時(shí)自檢，做到及時(shí)預(yù)報(bào)，方能有效預(yù)防和解決故障問題，防患于未然。

對(duì)于傳感器的健康評(píng)估，學(xué)者們進(jìn)行了許多研究與分析。王路瑤等［2］提出采用長短期記憶網(wǎng)絡(luò)（LSTM）對(duì)空調(diào)系統(tǒng)中溫度傳感器進(jìn)行健康監(jiān)測(cè)。夏金輝等［3］利用解析冗余的方法對(duì)整流器傳感器進(jìn)行故障分析。但這些方法往往只能在故障發(fā)生后檢測(cè)到故障信號(hào)，無法監(jiān)測(cè)傳感器未發(fā)生故障或未達(dá)到故障閾值時(shí)的狀態(tài)。對(duì)此劉志成等［4］利用以小波濾波通過傳感器輸出數(shù)據(jù)的有效度指數(shù)作為性能指標(biāo)，在線監(jiān)測(cè)傳感器健康狀態(tài)。張紅等［5］也通過免疫算法預(yù)測(cè)傳感器輸出時(shí)間序列評(píng)估測(cè)距傳感器性能，但通過傳感器輸出時(shí)間序列進(jìn)行性能評(píng)估會(huì)被噪聲信號(hào)等干擾，影響評(píng)估精度。

針對(duì)上述問題，本文選用傳感器的總精度作為其健康評(píng)估指標(biāo)，基于總精度計(jì)算復(fù)雜的特點(diǎn)，采取利用神經(jīng)網(wǎng)絡(luò)的方法對(duì)其進(jìn)行估算。該方法能夠?qū)崟r(shí)評(píng)估傳感器的健康狀態(tài)，并可以降低干擾信號(hào)的影響。

1 力傳感器健康特征參數(shù)

1.1 總精度的概念

為能綜合評(píng)價(jià)一臺(tái)傳感器的優(yōu)劣，需要一個(gè)能反映各單項(xiàng)性能指標(biāo)的綜合指標(biāo)。一般把這個(gè)指標(biāo)稱為總精度或總不確定度。總精度規(guī)定為系統(tǒng)誤差加隨機(jī)誤差，其中遲滯誤差與非線性誤差為系統(tǒng)誤差，重復(fù)性誤差為隨機(jī)誤差。常用的總精度計(jì)算方法有方和根法與代數(shù)和法，一般來說方和根法偏小，代數(shù)和法偏大，本文采取方和根法計(jì)算傳感器的總精度，如式（1）所示。

作為傳感器的健康指標(biāo)，傳感器的總精度具有全面、直觀等特點(diǎn)。雖然以總精度作為傳感器健康狀態(tài)參數(shù)優(yōu)勢(shì)明顯，但由于其計(jì)算過于復(fù)雜，目前的傳感器健康監(jiān)測(cè)方法中，主要采用對(duì)傳感器的輸出時(shí)序信號(hào)進(jìn)行總精度處理的應(yīng)用較少。

1.2 總精度的計(jì)算

圖1為傳感器的誤差曲線示意圖，其中的參數(shù)用于參與傳感器性能參數(shù)的計(jì)算。

遲滯誤差指正反行程平均校準(zhǔn)特性的最大差值；非線性誤差是傳感器的實(shí)際平均輸出特性曲線在量程內(nèi)與理論直線的最大偏差；重復(fù)性誤差可以定義為此隨機(jī)誤差在一定置信概率下的極限值。3種誤差均以額定輸出θf的百分比表示如下：

總精度一般被作為綜合評(píng)價(jià)一臺(tái)傳感器優(yōu)劣的性能指標(biāo)，其反映的是傳感器實(shí)際輸出在一定置信概率下對(duì)其理論特性的偏離皆不超過一個(gè)范圍。相比較傳感器的各個(gè)單項(xiàng)性能指標(biāo)，總精度可以更加全面地反映傳感器各個(gè)方面的偏移程度，更直觀地體現(xiàn)當(dāng)前傳感器是否處于正常的工作狀態(tài)。

2 神經(jīng)網(wǎng)絡(luò)模型

2.1 LSTM神經(jīng)網(wǎng)絡(luò)

針對(duì)RNN在反向傳播中存在梯度消失，且對(duì)較長序列很難將前面的信息傳遞到最后的問題，長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（long short-term memory，LSTM）改進(jìn)了RNN的結(jié)構(gòu)，不僅具有RNN中的隱藏層加入機(jī)制，還設(shè)置了門控機(jī)制，讓信息能在序列中連續(xù)傳遞下去，從而實(shí)現(xiàn)長短記憶的作用，如圖2所示。

LSTM要通過3個(gè)控制門：輸入門、遺忘門、輸出門對(duì)信息進(jìn)行調(diào)節(jié)。輸入門用于更新信息傳輸路徑；遺忘門決定應(yīng)該丟棄或保留哪些信息；輸出門用來確定下一個(gè)隱藏狀態(tài)的值。

it=σ（wi·Xt+Wi·ht－1+bi）（5）

ct=（wc·Xt+Wc·ht－1+bc）（6）

ft=σ（wf·Xt+Wf·ht－1+bf）（7）

ot=σ（wo·Xt+Wo·ht－1+bo）（8）

2.2 GRU神經(jīng)網(wǎng)絡(luò)

LSTM神經(jīng)網(wǎng)絡(luò)改善了RNN長期記憶不足的問題，但其隱藏層結(jié)構(gòu)過于復(fù)雜，樣本訓(xùn)練需要花費(fèi)的時(shí)間過長。CHO等［6］基于LSTM神經(jīng)網(wǎng)絡(luò)，提出了門控循環(huán)單元（gated recurrent unit， GRU），其樣本訓(xùn)練的效率更高，如圖3所示。

GRU兩個(gè)門分別為重置門和更新門。重置門rt和上一個(gè)隱藏狀態(tài)按元素乘積，如果r1為 0，則上一個(gè)隱藏狀態(tài)被丟棄，僅使用當(dāng)前的輸入。如果rt=1，上一時(shí)刻的隱含狀態(tài)將被保留同時(shí)作為輸入。更新門zt控制過去隱藏狀態(tài)和當(dāng)前候選隱藏狀態(tài)信息的組合，當(dāng)zt=1 時(shí)，當(dāng)前隱藏狀態(tài)被丟棄，過去的隱藏狀態(tài)通過時(shí)間的保存?zhèn)鬟f到當(dāng)前時(shí)刻。

因此門控循環(huán)機(jī)制很好地解決了梯度消失現(xiàn)象，同時(shí)能更好地捕捉時(shí)間序列數(shù)據(jù)中間隔較大的相互依存關(guān)系。

zt=σ（Wz·［ht－1，xt］+br）（9）

ht1=tanh（W·［rtht－1，xt］+bn）（10）

ht=（1－zt）ht－1+ztht1（11）

3 實(shí)驗(yàn)與分析

3.1 研究對(duì)象

圖4為本文研究對(duì)象DYLY-103式力傳感器示意圖，類型為等截面梁式力傳感器。其中核心器件為電阻應(yīng)變片。電阻應(yīng)變片由敏感柵材料制成，靈敏系數(shù)和電阻率穩(wěn)定且機(jī)械強(qiáng)度高。當(dāng)受到機(jī)械形變時(shí)，其電阻值隨后會(huì)發(fā)生變化，通過調(diào)理電路檢測(cè)電阻變化量就可以將壓力信號(hào)轉(zhuǎn)化成電信號(hào)。

3.2 實(shí)驗(yàn)系統(tǒng)設(shè)計(jì)

圖5所示為實(shí)驗(yàn)硬件，主要分為加載裝置、力傳感器以及數(shù)據(jù)采集卡、信號(hào)調(diào)理模塊。傳感器固定在底座上，加載臺(tái)經(jīng)過連桿對(duì)傳感器進(jìn)行壓力加載。力加載裝置控制臺(tái)及軟件如圖6及圖7所示，通過軟件寫入正弦力的幅值、頻率以及循環(huán)次數(shù)，就可以控制加載臺(tái)產(chǎn)生對(duì)應(yīng)的正弦力。實(shí)驗(yàn)環(huán)境對(duì)力加載的干擾噪聲很小，可以達(dá)到20dB以下。實(shí)驗(yàn)分兩組，分別在30℃、50℃的條件下進(jìn)行。實(shí)驗(yàn)選擇載荷信號(hào)的頻率均為4Hz的正弦力，其中力的最小值為0.2kN，最大值為3kN，每組疲勞實(shí)驗(yàn)加載了25萬個(gè)正弦載荷。

每間隔1 000次正弦采樣次數(shù)，分別計(jì)算力傳感器的靈敏度、零漂，計(jì)算其滿量程輸出電壓值，得到一組時(shí)間序列，并計(jì)算力傳感器的誤差參數(shù)，求得總精度的時(shí)間序列。

3.3 實(shí)驗(yàn)內(nèi)容

傳感器健康狀態(tài)監(jiān)測(cè)最直觀的方法就是監(jiān)測(cè)傳感器的總精度。首先結(jié)合傳感器、調(diào)理電路以及采集卡的精度確定一個(gè)閾值，若總精度沒有超過閾值，則傳感器正常工作，反之則說明傳感器處于異常狀態(tài)。但總精度的計(jì)算過程較復(fù)雜，所以采用傳感器的靈敏度、零漂以及滿量程輸出作為神經(jīng)網(wǎng)絡(luò)的輸入，將對(duì)應(yīng)時(shí)刻傳感器總精度作為輸出。將25萬次加載數(shù)據(jù)每隔1 000點(diǎn)取一個(gè)時(shí)刻，共250個(gè)時(shí)刻的數(shù)據(jù)序列依次操作，并按照訓(xùn)練集與測(cè)試集為7∶3的比例劃分。訓(xùn)練集維度為（175，1，3），測(cè)試集維度為（75，1，3）。網(wǎng)絡(luò)訓(xùn)練流程如圖8所示。

實(shí)驗(yàn)通過Matlab搭建神經(jīng)網(wǎng)絡(luò)訓(xùn)練實(shí)現(xiàn)。將傳感器的滿量程輸出、傳感器的靈敏度及零漂作為模型的輸入，3組實(shí)驗(yàn)分別用GRU、LSTM以及BP神經(jīng)網(wǎng)絡(luò)對(duì)30℃、50℃的傳感器健康狀態(tài)從第176個(gè)點(diǎn)開始進(jìn)行預(yù)測(cè)。其中，網(wǎng)絡(luò)的激活函數(shù)σ均為sigmoid函數(shù)，神經(jīng)網(wǎng)絡(luò)模型的隱藏層均為100，迭代次數(shù)均為200，學(xué)習(xí)率為0.005。傳感器預(yù)測(cè)結(jié)果對(duì)比及預(yù)測(cè)誤差如圖9—圖12所示。

3.4 實(shí)驗(yàn)結(jié)果分析

不同溫度下傳感器誤差如表1所示。經(jīng)過對(duì)比發(fā)現(xiàn)， GRU網(wǎng)絡(luò)的訓(xùn)練時(shí)間比LSTM網(wǎng)絡(luò)普遍減少了50%左右的同時(shí)，GRU網(wǎng)絡(luò)的訓(xùn)練誤差比LSTM網(wǎng)絡(luò)高了10%左右。而對(duì)比沒有記憶功能的BP神經(jīng)網(wǎng)絡(luò)，GRU失去訓(xùn)練時(shí)間的優(yōu)勢(shì)，但在預(yù)測(cè)結(jié)果上會(huì)更勝一籌。

4 結(jié)語

本文通過采集正弦力加載下的傳感器輸出信號(hào)，計(jì)算出力傳感器的額定輸出、靈敏度等參數(shù)，計(jì)算遲滯、非線性和重復(fù)性誤差并合成力傳感器的總精度；通過神經(jīng)網(wǎng)絡(luò)對(duì)力傳感器的總精度進(jìn)行預(yù)測(cè)。總精度可以有效、直觀地對(duì)力傳感器的健康狀態(tài)進(jìn)行評(píng)估，實(shí)現(xiàn)對(duì)其健康狀態(tài)的監(jiān)測(cè)。通過神經(jīng)網(wǎng)絡(luò)對(duì)總精度進(jìn)行估測(cè)從而使監(jiān)測(cè)力傳感器健康狀態(tài)的方法具有實(shí)際意義。

參考文獻(xiàn)：

［1］ 崔宏敏，陳寶成，崔光浩，等. 振動(dòng)環(huán)境下壓力傳感器失效機(jī)理分析［J］. 振動(dòng)與沖擊，2017，36（2）：207-211.

［2］ 王路瑤，吳斌，杜志敏，等. 基于長短期記憶神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)中心空調(diào)系統(tǒng)傳感器故障診斷［J］. 化工學(xué)報(bào)，2018，69（S2）：252-259.

［3］ 夏金輝，郭源博，張曉華. 單相脈寬調(diào)制整流器傳感器故障診斷與容錯(cuò)控制［J］. 電工技術(shù)學(xué)報(bào)，2017，32（20）：160-170.

［4］ 劉志成，陳祥光，李兵，等. 傳感器性能實(shí)時(shí)評(píng)估方法［J］. 數(shù)據(jù)采集與處理，2007，22（2）：161-165.

［5］ 張紅，石峰豪，陳蘇坤. 基于免疫算法的暖通空調(diào)系統(tǒng)傳感器故障診斷研究［J］. 機(jī)械制造與自動(dòng)化，2022，51（2）：214-217.

［6］ CHO K，VAN MERRIENBOER B，GLEHRE ，et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation［J］. Computer Science，2014，6（3）：1-15.