1、一种基于人工神经网络的不同类型的热电偶的高精度温度测量系统的设计一种基于人工神经网络的不同类型的热电偶的高精度温度测量系统的设计K. Danisman a,*, I. Dalkiran a, F.V. Celebi b土耳其Erciyes大学 电气电子工程系摘要：许多类型的传感器在本质上是非线性的，需要一个输出是线性的。如果线性近似是可以接受的，对于一个给定的精度水平，噪声和测量误差总是存在的。因此，曲线拟合技术通常需要平均这些影响。该传感器的输入输出特性估计问题不断解决使用软件技术。本文介绍了一种非线性估计的实验方法，测试和基于人工神经网络的不同类型的热电偶校准（ANN）算法集成在一个虚拟仪
2、器（VI）。人工神经网络和数据采集板设计的信号调理单元进行数据优化和收集实验数据，分别。在训练和ANN的试验阶段，Wavetek 9100校准装置是用来获取实验数据。人工神经网络的训练成功完成后，它将被作为一个从热电偶的输出电压计算温度神经器。关键词：人工神经网络；温度测量；热电偶；线性化1.背景简介 传感器作为许多仪器电路的基本要素。他们被应用在各种工业场所，如航空、汽车和更多的地方。传感器，在一般情况下，采取一定输入的形式（温度、压力、高度等）和转换，通过读出电路，转换成可以解释的读数。然而，许多类型的传感器是非线性的，输出要求是线性理想的。有许多不同的传感器可以进行温度测量其中热电偶是最
3、常用的。由于他们的低成本成为工业应用的首选，运行范围宽、响应时间快，热电偶也有与温度有关的输出，这些让其脱颖而出，传感器建模和线性化技术是必要的。为解决线性传感器的问题，一般有两种方法；第一个需要非线性模拟电路，采用数值计算方法，计算机的微处理器或计算机。模拟电路经常用于改善线路AR度传感器的特性，这意味着额外的模拟硬件和典型问题，特别是模拟电路，如温度漂移、增益和O设置错误。使用二次相遇传感器的非线性方法，可以通过算术运算补偿，如果一个精确的传感器模型是有效的（多项式的直接计算），或与多辛娜的使用查表。多项式的直接计算方法更准确，但需要较长的时间进行计算，而查找表的方法，虽然速度更快，但不是
4、很准确。近年来，人工神经网络中的应用已经出现在仪器仪表和测量领域，这是一个有前途的研究领域。它提供了一个神经网络方法用来解决复杂的问题，特别是非线性系统建模问题，网络本身是一个复杂的非线性系统。这是非常有用的当感兴趣的区域是完全非线性的包括用于训练的实验数据。一个人工神经网络最强大的用途是函数逼近（曲线拟合）。与常规数值插值现象相比，基于人工神经网络插值研究提供较低的插值误差。 我们在这里提出一个基于高精度的温度测量系统的上的人工神经网络方法的建议。虽然基于人工神经网络的传感器线性化模型已经提出，一个单一的人工神经网络模型具有不同的经营特点二热电偶。此外，校准数据是由该9100标获得神经网络的
5、训练和测试阶段所必需的离子单元。系统的硬件和软件部分被集成在一个虚拟仪器系统运行和校准。人工神经网络是匹配的校准数据提供所需的最终误差。校准和人工神经网络模型的数据之间的均方误差最小化的结构，层数和数量的神经元的结构，数量。2.系统硬件 热电偶产生的电压正比于结点温度而冷端温度恒定。为了能准确测量寒冷结温必须知道。图1（a）显示的是温度测量系统在运行阶段通过人工神经网络设计框图。它由三个不同的热电偶（E型、J型和K型）放置在理想的温度，包括信号调理电路采用16位模数转换器（ADC）和输入/输出接口与计算机的接口。这个设计了信号调理电路的可编程增益仪表放大器（PGA204BP）以1、10的增益，
6、100和1000，一个16位的ADC（AD976A），一个AD595单片热电偶放大器R冷结补偿，可作为独立的摄氏温度计和一四通道模拟多路复用器（ADG529A），选择所需的热电偶或摄氏温度T输出。该AD976A是高速、低功耗16位A/D转换器，采用5 V单电源供电。这一部分包含一个逐次逼近，开关电容ADC、一个内部2.5伏和一个高速并行接口。该系统的精度直接取决于步长的ADC。一个10 V输入，一个是305 LSB的AD976A LV。当AD595作为摄氏温计，热电偶被省略，和微分输入并联在一起共同作用。在这种模式下，AD595产生电压为10 mV / LC和它的输出是用于冷比例因子交界处的温
7、度数据，所编写的软件。AD595的一些重要特性工作温度范围55到125 LC；温度稳定度：0.05 LC / LC和敏感效率：10毫伏/ LC。PGA204BP输出信号数字化的AD976A，其输出连接到I/O接口卡和转移到个人电脑中，进行数据处理与优化实施。图1.测量系统框图：（一）操作阶段，（二）校准阶段 建立人工神经网络的权值和偏差，在校准阶段（ANN训练阶段），Wavetek 9100校准装置，具有精度0.006% + 4.16 LV在0320MV范围内，连接到一个模拟多路复用器终端产生嵌合热电偶电压如图1（b）。在操作阶段（图1（1），为了使冷端补偿，采用了从摄氏温度计输出的数据。人工
8、神经网络的输出值被转移的环境温度由摄氏温度计得出。然后这个值显示为热电偶温度。 所开发的虚拟仪器是用来获取神经网络训练阶段的数据，并显示操作阶段的计算温度。图2显示的VI前面板的主要特点以及本仪器的主要工作是：灵活地选择热偶的类型，显示温度和相应的输出电压，从状态采集电路的数据收集在校准阶段和实际操作中的相变温度的冷端补偿。软件控制该系统的操作和校准阶段。图2. 虚拟仪器前面板3.人工神经网络 人工神经网络是受生物启发设而计的程序，模拟人类的大脑处理信息的方式。他们通过经验而不是编程来进行训练和学习，。一个人工神经网络简单处理元素Y互连，或神经元可调重量，构成了神经结构和组织的层次。每个神经元
9、有输入加权，求和激活函数和输出。人工神经网络的整体性能取决于人工神经元的操作，学习规则和网络体系结构。杜环训练（学习），神经元之间的权重调整，根据一些标准（平均平方误差之间的目标输出和测量值的所有训练集落低于预定的阈值）或允许的最大数量的时代达到。训练是一个费时的过程，经过训练的神经网络采用以往看不到的训练中的数据测试。 总纲发展蓝图是最简单和最常用的神经网络结构。他们包括输入，输出和一个或多个隐藏层与预定数量的神经元。在输入神经元T层仅作为卜ERS分配输入信号xi隐藏层中的神经元。隐藏层中的每个神经元都总结出了其输入信号，在对其进行加权后进行加权各连接wji从输入层和输出YJ计算作为一个函数
10、f和，即XYJF wjixi；1在人工神经网络体系结构中使用的激活函数之一。 训练一个神经网络由调整网络权值的学习算法不同。学习算法提供了dwji（T）在神经元i和j之间的连接的权重，提姆根据以下公式计算权重：wjiT1wjiTdwjiT1：2 在文献中有许多可用的学习算法。该算法用于训练人工神经网络研究Levenberg Marquardt（LM），Goldfarb ShannoBroyden弗莱彻（BFGS），贝叶斯正则化（BR），共轭梯度（CGS），和韧性的反向传播算法（RP）。下面简要说明这些算法。采用马夸特（LM）方法：LM算法设计方法二阶训练速度不计算他西安矩阵。该方法结合了高斯最
11、好的特点牛顿技术和最速下降法，但避免了许多的局限性。Goldfarb ShannoBroydon -弗莱彻（BFGS）方法：该方法利用来自黑森的拟牛顿更新更新公式。它需要的近似Hessian矩阵的存储和钼每一次迭代中的再计算比共轭梯度算法，但通常收敛于迭代少。贝叶斯正则化（BR）法：这种方法是将损坏修改quardt训练算法产生一个良好的广义网络。它最大限度地减少了线性组合的平方误差和权重。该算法可以训练任何网络，只要它的重量，输入，一个二、激活函数具有派生函数。共轭梯度法（CGS）：该算法是一个二阶方法，制约着每一步的方向是共轭方向所有以前的步骤。这一限制简化计算中大是因为它不再需要存储或计算
12、Hessian矩阵及其逆。有多个版本的CGS（波拉克里比埃，弗莱彻李维斯，和鲍威尔Beale）。弗莱彻稀土它的版本的CGS是本文中使用。弹性BP（RP）方法：该方法的目的是消除有害E方面的偏导数的大小。唯一的衍生工具是用来确定重量更新的方向；导数的大小有无等。的重量变化的大小是由一个单独的更新值确定。3.1.神经化在本文中，多层感知器（MLP）神经网络结构作为神经元。该技术包括人工神经网络相对热电偶温度，当热电偶式和热电偶的输出电压作为输入。 图3. 用于温度计算的神经网络模型用于计算温度如图3所示的神经电路模型。实验数据来自热电偶数据表进行调查。这些数据表重新为特定的结温制备（通常为0个信用
13、证）。人工神经网络是以两个不同套240热电偶温度为每个热电偶是200和1000的LC是在校准之间获得均匀分布的训练相。然而，随着训练集的最终网络的性能不是一个无偏估计的性能可能输入的宇宙，和一个独立的测试集所需的T评估培训后的网络性能。因此，60热电偶温度为每个热电偶，均匀分布200和1000 LC之间的其他数据集，使用在测试过程中。 输入和输出数据的元组规范1和1之间的训练前。后二不同学习算法的多次试验和二不同的网络配置，发现T他最合适的网络配置是2 8 9 1与LM算法。这意味着神经元的数量是八的第一隐层和九第二隐层，分别为伊利。输入和输出层的线性激活函数和隐层具有双曲正切Sigmoid函
14、数。培训的时代数是1000。这是我重要的要注意，太小，太大的隐层神经元数目取决于大量因素的标准，如网络的类型、特点和类型的训练集的应用。这个T在今天仍然是美国人工智能研究者特别关注的。4.结果与讨论训练和五地不同的学习算法，LM，BR，CFG桩的使用测试所开发的人工神经网络模型，RP和高炉煤气与简单的结构，获得更好的性能和更快的收敛速度。表1显示了用于分析的网络配置上述完整的学习算法的误差。当神经网络模型的性能进行比较对方，从模型的训练与LM算法得到了训练和测试的最佳结果。训练均方误差（MSE）网络的LM算法是1.210 9。试验误差（MSE）为E型，J和K型热电偶2.510 4 3.2 10
15、 4 7.7 104的LM算法，分别。因为它清楚地看到从表1，下一个解决方案，这是氯奥瑟LM是BR算法得到的。这里提出的神经模型，表1平均平方误差（MSE）的人工神经网络模型与二组温度计算的学习算法训练得到的ANN modelsMSE inMSE in test (LC)trained withtrainingEJK(LC)LM1.2 10 92.5 10 43.2 10 47.7 10 4BR1.4 10 92.8 10 43.9 10 48.6 10 4BFG1.3 10 71.1 10 21.9 10 20.1CGF4.6 10 66.72.31.2RP1.5 10 56.62.96.5
16、最坏的结果，得到了这个特定的应用程序的反相方法。 图4.人工神经网络的训练与两种不同类型的热电偶LM算法的百分比测量误差图4代表网络的训练与LM三种热电偶类型比例试验误差。因为它清楚地看到从图4，最大百分比误差变低了05%。平均百分比误差大于200和200 LC之间的温度0.1%，原因是在这个范围内都有很强的非线性thermocou。然而，这是显而易见的最佳配合范围为200至200个信用证，训练数据集的数量必须增加。归一化误差收敛曲线在学习算法用于分析1000期图5所示。对于模拟的神经网络模型，人工神经网络的训练，以减少误差。随着学习的进行，平均平方误差逐步减小，最终达到一个稳定状态的最小值如图5所示。 图5.学习（收敛）的人工神经网络的特点5.结论在本文中，基于神经网络模型的温度测量提出了高精度透射电子显微镜技术。MLP神经网络的训练过程在这项研究中成功地进行了使用LM算法，给出了最好的结果其他学习算法。使用人工神经网络技术，增益和偏移误差信号调理电路自动被取消。所描述的方法不同与热电偶，考虑的主要因素是具有大面积的应用基于传感器的测量系统的非线性。该技术对未来现场仪表和测量研究具有潜在的意义。
