光纤光栅温度传感器应变补偿系统研究

光纤光栅温度传感器应变补偿系统研究 年月 第卷第期 重庆科技学院学报自然科学版 光纤光栅温度传感器应变补偿系统研究 樊晓宇 安徽科技学院机电与车辆工程学院,安徽凤阳 摘要:提出采用?证据理论融合的多传感器信息融合神经网络模型 方法 快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载 ,来解 决光纤光栅温度传感器的应 变补偿问题,即改善光纤光栅的交叉敏感现象。通过程序仿真和实验证实, 此方法可以实现对光纤光栅温度传感器 的应变补偿,达到光纤光栅温度传感器温度和应变的精确分离,其测量温度 误差约为~,同时有效地抑制了光纤 光栅传感器非线性的影响。 关键词:温度传感器;应变补偿系统;神经网络;一、证据理论 中图分类号: 文献标识码: 文章编号:??? 光纤布拉格光栅是温度传感器的基本部 ?证据理论与神经网络技术 件,光纤布拉格光栅的物理量是应变和温度,且在应 . ?证据理论 用中温度传感器的应变和温度变化同时存在, ?证据理论的证据合成规则,给未确定信息 导致一般的温度传感器系统难以检测出应变量与温 的合成提供了方法。?证据理论的合成法则为: 度各自的变化值,此现象称为光纤布拉格光栅交叉 设脱,和砚:是同一识别框架缈上的个信任函 敏感?。温度传感器的检测量和传感器的输 数,其基本概率分配分别为。和:,相应的焦元分 出信号之间呈非线性关系,存在一定的非线性误差, 别为。、:、?、&和。、曰:、?、,,为冲突因子, 在温度的精确检测中上述因素的影响不可忽视。本 它反映了证据理论中证据间冲突程度的大小。融合 文采用?证据理论和神经网络相结合的 后的基本概率分配为: ?证据理论融合的多传感器信息融合神经网 络模型来进行温度传感器应变交叉敏感的 ??哆 缈 补偿。 盟兰广一, 【 , :‘; 温度传感器交叉敏感现象 温度传感器的主要部分是光纤布拉格光 若,,和:完全冲突,则无法组合基本 栅,而光纤布拉格光栅的温度和应变的作用都会使 概率分配?;若?,则确定一个基本概率分 光纤光栅的折射率发生变化,而引起反射波长变 配。该合成法则的合成结果反映了同一识别框架中 化旧。这样,温度传感器将同时受到温度量和 几个不同证据间的联合支持程度。 应变量的影响。所以,当温度传感器检测环境 设个传感器,每个传感器有个测量周期,识 的温度与应变同时存在变化时,被测量的温度信号 别框架中有意义的识别有个。,:,?,。,每 和传感器的输出信号间存在一定的误差,在实际使 个传感器在各自测量周 期上获得的后验基本概率数 用中需要对传感器进行应变补偿,用于实现温度的 为。,,,?,,,?,;,,?, 精确检测。 凡;,,。 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 示第个传感器在第.『个测量周期对。 收稿日期:?? 基金项目:安徽科技学院青年基金项目 作者简介:樊晓宇一,男,博士,助教,研究方向为通信、传感系统优化设计, 信号与信息处理。 万方数据樊晓宇:光纤光栅温度传感器应变补偿系统研究 置?判据,在此基础上结合神经网络进行特 的后验可信任度分配。多传感器融合算法为:?计 征变量参数融合。最后,用融合的结果对神经 算每一个周期所有传感器获得的各个融合后验可信 任度分配;?基于可信任度分配计算总的融合后验 网络进行优化,获得?证据理论融合的多传感 可信任度分配;?根据具体应用,用?证据理论 器信息融合神经网络模型,将模型存入计算机, 用以处理温度传感器测量的温度值。采用受 组合证据后进行决策。本文在解决多传感器应变补 偿问题时,采用的是基本概率赋值决策。 应变量影响较小的温度传感器和受应变量 ?证据理论不足之处为:?证据理论通 影响较大的温度传感器来检测相同环境的 过归一化因子一。忽略了证据间的冲突,而当 温度,获得不同的温度和应变的个混合信号,通过 信息间的冲突明显时其融合的最后结果可能产生错 光/电转换器转换为电压信号和,经数据采集 误 。所以,本文将?证据理论与神经网络 卡送入计算机。然后,通过已学习好的融合模型进 相结合进行应用。 行优化,对应的目标环境温度值作为应变补偿系统 . 神经网络技术 的输出,即实现了温度信号的精确测量。通过此应 神经网络技术是误差反向传播,对连接权进 变补偿系统对温度信号进行检 测可得精确的温度 行学习的多层前向神经网络技术。神经网络具 值,系统的输出误差在允许范 围之内,有效地抑制了 有很强的非线性泛化和映射能力。神经网络 应变信号的非线性影响。 是用输入、输出样本进行学习,使网络达到给定的输 厂了 ,兰芝,,,:兰南亡温度传感器 入、输出映射函数关系?。神经网络算法分为 塑卜文?莲簿羞羞蓓纛茹 ’ 个阶段。第一阶段:由样本选取信息从输入层经隐 位 耦合器 含层逐层计算各单元的输出值并传向输出层。第二 乡 .........。:乙 阶段:若输出层没得到期望的输出值,则将误差信号 光,电 瀹冈瓣 沿原连接通道反向传播并修改各层神经元的连接权 可 值,达到期望目标。 信号处理 本文在对温度传感器应变的交叉敏感补 图系统硬件结构图 偿系统分析的基础上,将?证据理论与神经 网络相结合架构多传感器信息融合神经网络模 系统软件设计 型。同时,结合神经网络能自适应地发现 温度传感信息的内在特性,对温度传感数据进行正 . 多传感信息融合 确处理,具有处理传感信号非线性能力和并行处理 多传感器信息融合是通过分析确定特征变量, 能力的特征,来提高温度传感器系统的检测速 再比较参考模型指标来确定检测值。?证据理 度,为温度传感器的实时数据处理提供条件。 论具有良好的处理不确定信息的能力。采用? 所以,采用?证据理论融合的多传感器信息融 证据理论进行目标检测时,基本可信任度的分配要 合神经网络模型方法对温度传感器的应变 综合相关知识。卜。本文在提出?证据的基础 补偿系统进行研究。 上,采用神经网络来处理证据理论的基本可信 任度分配,通过对神经网络的学习,再利用其泛 应变补偿系统设计 化能力,可得到证据对各个待测目标环境温度的基 本可信任度分配,然后利用?证据理论进行信 ?证据理论多传感器信息融合神经网 息融合,即可得到最终的温度检测结果。 络模型的温度传感器应变补偿系统的硬件结 在信息融合检测系统的个传感器中,存一个 构如图所示。工作过程为:?证据理论信息融 待检测的目标对象。神经网络的输入量不能直 合主要通过分析确定特征的温度和应变变量,再比 接获得,需要用温度信号处理与特征提取技术从原 对参考模型指标来确定检测的温度值。神经网 络先进行网络学习,确定网络的各个特征参数。设 始数据中提取能反映其特 征的若干特征参数作为网? 万方数据樊晓宇:光纤光栅温度传感器应变补偿系统研究 络的输入。所以,个传感器的测量数据经过信号 融合模型构架与结果分析 处理后提取个特征参量,神经网络的结构采用 个输入端和个输出端,这样可将网络输出限定 设温度正为.?,瓦为.?,咒为 在区间内。首先提供样本数据给神经网络进行 。 .?,为. 学习,个传感器每检测一次,经过信号处理就可得 . 融合模型构架 到个特征参量,把这个特征参量作为输入,经过 应用神经网络对个温度传感器的检 神经网络的处理后就能得到个在区间上的数 测温度进行基本可信任度的分配。先用样本数值对 值。最后,把这些数值经过归一化处理,作为这个 神经网络进行学习,学习结果如图所示。 待识温度的基本可信任度分配。 神经网络学习精度为~,达到目标误差。将融合 . 神经网络的学习 模型中任一组个温度传感器的检测数据输 为神经网络的设计与学习提供了 入神经网络,在输出端得到基本可信任度分配, 。本补偿 专用工具箱,可根据需要调用相关程序【 如表所示。。、:、和分别表示检测样本温 系统采用神经网络的输入层函数使用线型函 度.?可能为正、疋、疋或的概率,而形表 数,对神经网络进行学习,根据网络的期望输 示模拟系统温度不确定的概率。按?合成规则 出,不断调整网络的连接权值和偏置,使网络的输出 将个温度传感器进行组合,可得到融合传感 误差在允许范围内。神经网络学习后在区间内 器关于目标环境温度检测的概率值为:。., 检测的任意值为网络输人,网络输出即为所得的温 .,.,.,中., 度值‘ 。 ?.,中.,中.,中., 补偿系统采用层神经网络,输入层设置 中.,中.,中.,?., 个节点,分别输入个温度传感器测得的温度 中。。.,中.,?.;?表示发生冲 转变成的电压信号和电压信号;隐含层设置 突的概率。若个温度传感器的证据冲突因 个节点;输出层设置个节点,即为系统的最后温度 子为,融合后的基本概率值为,、:、 电压信号的输出。系统设计的神经网络学习 ,和。算得冲突因子.。由式 速率取值为.,系统中采用的收敛精度为~。 可算得个温度传感器证据融合对目标环 神经网络通过学习后,得到网络误差曲线如 境温度的基本概率值为,.,: 图所示。神经网络的学习在次左右达到 .,.,., 系统的允许误差,温度误差大约为。数量级。因 .。可见,不确定性基本概率值形下降到 此,对于合理的参数,神经网络的收敛速度较快, .。检测结果表明,基本概率值:最大,最 网络误差较小。经过?证据理论融合的多传感 终目标环境温度的决策结果为:,即目标环境的温 器信息融合神经网络模型处理后的温度传 度值是.?。这个温度检测值与表中的单 感器的温度信号检测误差小于??,测量精度 一温度传感器的检测温度值一致,而与单一 较高。 温度传感器的检测温度值有些差异。这说明 经过?证据理论融合的多传感器信息融合 神经网络模型在目标环境温度检测精度方面比单一 温度传感器有较大提高。 表基本可信任度分配 图 神经网络学习过程的误差曲线图 万方数据樊晓宇:光纤光栅温度传感器应变补偿系统研究 叉敏感问题得到了很好的改善,补偿系统较好地抑制 .模型结果分析 了非线性的影响,检测效果明显改善,这有利于 应变补偿系统运行后,?证据理论融合的多 温度传感器在高精度测量中的实际应用。 传感器信息融合神经网络模型对个存在不同 应变值的环境温度进行次检测,最终得到补偿系 统输出温度值与实际标定的温度值的情况,如表 所示。同时,假定目标环境温度为?,将融合模 型的检测结果与单一温度传感器以及单一 温度传感器的检测结果进行比较,比较结果 如图所示。由表和图可见,融合模型对目标 环境温度在不同的应变值下进行检测,经过融合模 型的温度检、狈系统的输出值与在工作温度范围内的 标定值十分接近,测量精度为. ,比单一 温度传感器检测精度显著提高。 图补偿后的温度传感器输出特?隍曲线 表不同应变值下系统输出温度值与标定值的比较 结论 将?证据理论信息融合的多传感器融合 神经模型应用于温度传感器的应变交叉敏感 补偿问题上,发挥了神经网络的自适应能力和 ?证据理论不精确推理能力。对不同温度传 感器检测的同一目标环境温度数据进行融合,提高 了传感器系统的性能和温度与应变的分离精度,使 温度传感器的交叉敏感现象得到很好的改善, ??融合检测?检测 系统的温度测量精度显著提高。 一一检测 一一一.一: 。.一、 ?一气一 型 参考文献 廷 霞 赵勇.光纤光栅及其传感技术.北京:国防工业出版 社.:. , . ? ....,, 应变值/ :. 图 融合模型和单一模型检测温度值的比较 王洪发,王先义.?证据理论在多源数据融合中的应 用及改进.现代电子技术,,:一. .多传感器数据融合理论及应用.北 基于融合模型的温度传感器应变补偿系统 京:北京理工大学出版社,:. 的输出特性曲线如图所示。在工作温度范围内,融 高隽.人工神经网络原理及仿真实例.北京:机械工 合模型优化后的温度传感器在不同应变值和温 业出版社.:.. 度状态下的实际输出特性曲线与温度传感器的 张永怀,刘君华.采用神经网络及其改进算法改善 理想特性曲线十分接近,且与对应直线上的点相差很 传感器特性.传感技术学报,:?. 小。结果表明:采用融合模型的温度传感器应 陈登峰,嵇启春,张洪才.冲突证据的目标识别系统的研 变补偿系统能将温度和应变信号精确分离,的交 究.红外技术,,:?. ?】? 万方数据