基于改进型 ANFIS 的磁致伸缩液位传感器温度补偿

基于改进型 ANFIS 的磁致伸缩液位传感器温度补偿
作者：谢苗；刘治翔；毛君





       磁致伸缩液位传感器是一种新型的、高精度、高灵敏度、可用于传统液位传感器不能满足要求的工业场合，其广泛应用于航空航天、石油化工等工业领域，本文研究的磁致伸缩液位传感器应用于航空发动机滑油喷嘴流量试验器的计量系统中，因此其测量精度，对环境的适应性以及抗干扰能力更为重要。依据上述问题，本文建立基于改进型自适应神经模糊推理系统的磁致伸缩液位传感器的温度补偿方法。该系统采用附加动量算法不断修正自适应神经模糊推理系统中的前题参数以避免采用梯度下降算法时易陷入局部极小，训练速度较慢等缺点，提高系统的忽略网络中微小变化的能力。结合理论分析与试验研究，对该种温度补偿方法进行了相关测试和分析。

1、传感器误差分析

1.1磁致伸缩液位传感器工作原理

       根据磁体的磁致伸缩原理设计出磁致伸缩液位传感器，由不会被磁化的不锈钢波导管、波导丝、内部装有磁铁的浮球以及电子信号处理装置等组成。

       传感器工作时，装在传感器最上端的电子信号处理装置首先会将一个电流脉冲信号发送给磁致伸缩波导丝上，电脉冲会产生一个环形磁场，以光速传播，导波管会因为由电流脉冲信号产生的环形磁场遇到浮球内的磁铁时相互叠加而产生波导扭曲，并且会因此产生一个应变脉冲的超声波，超声波以一个固定的速率在波导管中向两端传播，当一端超声波遇到末端的衰减阻尼器时能量会被吸收，另一端超声波传到电子信号处理装置的接收器时会被转化为电流脉冲信号并被计时器采集，这样通过超声波的速度乘以发射电流脉冲与接收电流脉冲的时间差即可得到浮球的位置。

1.2 温度对传感器内部晶振的影响

       通过对传感器工作原理了解可知，浮子的位置是由测量时的激励脉冲与返回脉冲的时间决定的，因此时钟晶振是决定传感器稳定性以及测量精度的重要因素，然而在被测液位温度变化较大时，晶振会产生温度漂移，随之带来的传感器测量的误差，可以使用温度漂移系数来表示晶振的温度漂移:

Ntm = kNtb ( 1)式中: Ntm为在 t ℃，进行测量时的脉冲数; Ntb为在标定温度下，进行测量时的脉冲数; k 为晶振的温度漂移系数。

1.3 温度对回波速率的影响

       磁致伸缩液位传感器的本质是使用时间值表示液位值，磁致扭转弹性波的回波速率为:vb = ;槡Gb /ρb式中: ρb 为波导丝的密度 Gb 为波导丝的弹性模量。可以看出，回波速率与波导材料的密度、应力、弹性模量等参数有关，而这些参数会随着温度变化产生明显的改变，因此上述回波速率公式适用于恒温下，温度变化不大的测量场合。

1．4 温度对磁致伸缩液位传感器浮子的影响

       究的传感器的被测液体是航空滑油，其密度会随着温度变化而变化，通过实际的实验测量，二者变化曲线类似于抛物线，而密度的变化会使得同一个物体侵入该液体体积发生改变。由磁致伸缩液位传感器的工作原理得知传感器是通过浮球侵入液体从而反应出相对于的液位，温度的变化势必影响传感器浮球侵入液体的体积，从而影响传感器测量的准确性，特别对于温差较大的系统，其误差有可能超过系统的要求。因此在温度变化较大的系统必须消除温度对磁致伸缩液位传感器的影响。

       设温度变化前，滑油密度为 ρ，浮球排开滑油的体积为 V，温度变化后，滑油密度为 ρ'，浮球排开滑油的体积为 V'，g 为重力加速度，Δρ 为温度变化前后滑油密度的变化量，ΔV 为温度变化前后浮球排开滑油体积的变化量。

       可见，滑油密度的改变会改变浮球浸入滑油的高度，浸入滑油的高度改变势必使得液位读数发生改变，使得测量产生了误差。通过上述对温度影响磁致伸缩液位传感器测量精度的分析可知，温度会对多种因素产生影响，因此使用硬件设计不易于对多种影响因素进行修正，可以通过使用结合智能算法的软件修正方式对其补偿。

2、改进型ANFIS

2.1典型自适应神经模糊推理系统

       典型的自适应神经模糊推理系统结构，通常分为 5 层网络，包括两个输入层，两个规则层与一个输出层。系统中带有参数的自适应节点用方形节点表示，不带参数的固定节点由圆形节点表示。使用混合学习算法来不断修正前题参数和结论参数即为自适应神经模糊推理系统的核心思想。使用时须要先将一初始值赋给前题参数，并通过使用递推最小二乘估计算法得到结论参数，然后使用梯度下降法将系统误差反向向前传播，即从第 5 层向第 1 层传播，从而修正前题参数。

2．2 改进型自适应神经模糊推理系统

       由于梯度下降算法具有容易陷入局部极小，训练速度较慢等缺点，因此对 ANFIS 进行改进，采用附加动量算法来不断修正 ANFIS 的前题参数，这样就可以将在误差曲面中，由目标误差变化产生的影响和在梯度中目标误差的作用同时进行考虑，它的作用类似于低通滤波器，使得自适应神经模糊推理系统对微弱的、可忽略的变化进行过滤，即使系统具有跳过误差曲线局部极小值的能力。使用附加动量法进行修正的实质就是通过一个动量因子来传递最后一次前题参数变化的影响。当该动量因子 λ = 0 时，为传统的 ANFIS 算法，即前题参数仅受梯度下降法影响; 当该动量因子 λ = 1 时，将新的前题参数变化设置为最后一次前题参数的变化，忽略倒由梯度下降法参数的变化部分。这样通过增加动量项，使得前题参数的调节趋向误差曲面底部平均方向变化，当进入误差曲面底部平坦区域时，Δci( n+1) ≈Δci( n) ，从而有效防止出现 Δci = 0，这样有利于网络从误差曲面的局部极小值中跳出。由附加动量法设计准则可知，当出现修正的前题参数导致误差产生较大增长，以及当新的误差变化率相对于原值超过了已经设定的最大误差变化率时，则不能采用新的前题参数，避免网络进入较大的误差曲面。

3、温度补偿实验研究

3.1温度补偿前实验分析

       本文研究的液位标定温度补偿试验所使用的标定测试装置组成。所研究的传感器为在航空滑油喷嘴流量试验器上用于计量的 JLM 磁致伸缩液位传感器，其量程范围为 0 到 700 mm，非线性度为 0．1%，被测液体为 HP－8A 型航空滑油，滑油的温度范围为 20 ℃ ～ 70 ℃，温度传感器为 WBJ /ＲPB23ZNd 型温度变送器，温度测量量程为 0 ～ 150 ℃，数据采集系统为西门子 S7 － 300 的模拟量采集模块 SM331，其具有 15 位的分辨率。被测试的传感器安装在油桶中，被加热至适当温度的滑油通过滑油喷嘴喷出，进入油桶，油桶与标有刻度的游标连通，油桶中滑油的实际液位通过游标读出，磁致伸缩液位传感器和温度传感器的测量值通过数据采集系统采集处理传至上位机。由于该种滑油主要工作温度为( 60±5) ℃，所以仅对 20 ℃ ～ 70 ℃范围内，温度对传感器精度的影响进行研究和修正。

       通过对温度补偿前实验数据进行分析可以看出，在相同实际液位高度下，不同温度测量时间的测量液位值会随着温度升高而增大。通过实验数据得到了传感器进行温度补偿前的传感器工作曲线可以看出在同一温度下，实际液位越高，温度漂移现象越明显，说明液位值越高受到温度的影响越大。在低液位区域，传感器输出的线性度比高液位区域略好。温度补偿前的测量误差曲线，在相同温度下，液位值越高，测量时受到温度影响越大，测量误差越大。在 70．2 ℃ 时，传感器在600 mm 液位测量时会因为温度影响而产生 18．5%左右的误差。

3．2 温度补偿后实验分析

       温度补偿原理实际液位高度 Hr与实际温度 Tr 共同决定了磁致伸缩液位传感器输出的液位高度 Ho，即传感器输出是关于 Hr 和 Tr 的函数: Ho = f( Hr，Tr ) 。为了消除温度 Tr 对传感器的影响，将温度输出 To 与实际液位高度 Hr 作为ANFIS 的输入，将用于作为训练样本的实验数据对温度补偿的 ANFIS 进行训练，通过训练学习，系统能够将输入的实际液位高度 Hr、温度 To、传感器输出高度 Ho 建立非线性映射，通过对参数不断优化使得系统输出 Hc 最终逼近实际液位高度 Hr，最后通过测试数据对 ANFIS 输出的液位高度进行测试。

       使用 ANFIS 进行温度补偿的程序框图如图 7所示。使用温度范围在 20 ℃ ～ 70 ℃，液位范围在100 mm ～ 600 mm 的未经过温度补偿的实验数据作为 ANFIS 的训练样本，为了消除量纲不同对计算的产生的影响对采集的数据进行归一化处理。

       隶属函数选取为三角函数，设定 a、b、c 参数的学习率为 0．01; 允许误差为 1×10－4。隶属函数个数将决定 ANFIS 训练结果的质量，因此需要选取合适的隶属函数个数。通过仿真研究可知，增大隶属函数个数可以减小误差，但会增加计算量，经过比较属函数个数选为 7 时的训练效果相对较好。使用梯度下降算法作为误差反向传播算法时，设置目标误差为 1×10－4，通过 301 步迭代运算可以达到误差要求，而使用动量附加算法作为误差反向传播算法时，设置目标误差为 1×10－4，通过 174 步迭代运算可以达到误差要求。

       通过温度补偿后的实验数据得到传感器的工作曲线，补偿后传感器的输出基本不会受到温度影响，线性度非常好。温度补偿后的测量误差曲线如图 9 所示，可以看出通过使用改进型 ANFIS 温度补偿后，在 20 ℃ ～ 70 ℃ 温度范围内，100 mm ～600 mm液位范围内的测量误差均低于 0．88%。

为比较改进型 ANFIS 温度补偿系统的优势，建立基于 PSO-LSSVM 模型和基于 BP 神经网络的温度补偿模型，并利用同样的数据样本对网络进行训练。对 PSO-LSSVM 模型设置进化代数为 100，种群规模为 40，c1 = c2 = 2．5; 对 BP 神经网络模型选择隐含层的单元数为 11，选择 Sigmoid 函数为隐含层函数，Pureline 线性函数为输出层计算函数 trainlm 为训练函数，设置最大训练次数为 1500。

       通过将温度补偿实验数据与未补偿的实验数据相比较，可以看出 3 种补偿方法均可以在一定程度上有效补偿温度对传感器产生的影响。对比表 3 种不同补偿方法的效果，可以看出使用了基于 BP 神经网络的补偿方法的相对误差最大为 3． 65%，平均为 3． 12%，使用了 PSO-LSSVM补偿方法的相对误差最大为 2．18%，平均为 1．92%，而改进型 ANFIS 方法的相对误差最大为 0．88%，平均为 0．65%，远小于另外两种补偿方法。这说明使用了改进型 ANFIS 的温度补偿方法能够有效消除温度对磁致伸缩液位传感器的影响。

4 结论

①介绍了磁致伸缩液位传感器的工作原理，对由于被测液体温度变化而产生的误差机理进行了分析。

②针对传感器的温度补偿，对自适应神经模糊推理系统进行改进，采用附加动量算法不断修正自适应神经模糊推理系统中的前题参数以避免采用梯度下降算法时易陷入局部极小，训练速度较慢等缺点，提高系统的忽略网络中微小变化的能力。

③将改进型 ANFIS 温度补偿方法进行实际测试，并于基于 BP 神经网络和基于 PSO-LSSVM 模型的温度补偿方法进行比较，改进型 ANFIS 温度补偿性能优于 BP 神经网络和基于 PSO-LSSVM 模型的温度补偿方法，具有很强的泛化能力。








本文章转自爱学术（aixueshu.com），如有侵权，请联系删除