超声波测距离在汽车上的应用【带CAD图纸设计说明书】
收藏
资源目录
压缩包内文档预览：(预览前20页/共64页)
编号：41182212
类型：共享资源
大小：1.84MB
格式：ZIP
上传时间：2020-01-14
上传人：QQ24****1780
认证信息
个人认证
王**（实名认证）
浙江
IP属地：浙江
50
积分
- 关 键 词：
-
带CAD图纸设计说明书
超声波
测距
汽车
应用
CAD
图纸
设计
说明书
- 资源描述：
-
超声波测距离在汽车上的应用【带CAD图纸设计说明书】,带CAD图纸设计说明书,超声波,测距,汽车,应用,CAD,图纸,设计,说明书
- 内容简介：
-
毕业设计说明书题 目：超声波测距离在汽车上的应用目 录摘 要IXAbstractX第一章 绪论11.1课题背景11.2国内汽车倒车雷达预警系统的现状11.3本课题研究内容2第二章 超声波倒车雷达测量仪的测量原理32.1超声波32.1.1超声波概念及特点32.1.2超声波传播速度32.1.3超声波频率32.2超声波传感器42.3超声波倒车雷达测量原理5第三章 系统硬件设计73.1硬件电路整体结构说明73.2电源设计73.2.1 复位电路设计83.3超声波发射电路93.3.1 MSP430单片机93.3.2发射电路方案选择103.4超声波接收电路123.4.1运算放大器NE5532简介133.4.2 LM567及锁相环电路133.4.3光电隔离电路及光耦6N136153.5 温度补偿电路163.5.1数字温度传感器DS18B20163.5.2 DSl8B20工作过程及时序203.5.3 DS18B20与单片机接口电路223.6 LCD显示电路233.6.1 LCD模块LCM12864H233.6.2 LCM12864H与单片机接口电路243.7 语音提示电路25第四章 系统软件设计284.1系统软件整体结构284.2超声波发射接收程序284.3温度测量程序294.3.1温度测量程序流程图304.4液晶显示程序314.5声音提示程序31第五章 系统误差分析33第六章 总结34参考文献35附录1：总电路图36附录2：翻译37超声波测距离在汽车上的应用摘 要本文探讨了超声波测距离在汽车上的应用问题，也就是我们常说的倒车雷达，即一种汽车倒车雷达测量预警系统，该系统在常见的汽车倒车预警装置的基础上采用计算机控制技术和超声波测距技术，通过显示障碍物与汽车的距离并根据其距离远近实时发出报警，解除了驾驶员泊车和起动车辆时前后左右探视所引起的困扰，提高了驾驶安全性。本文在研究汽车倒车雷达测量预警系统过程中,运用理论分析，电路设计和计算机仿真等研究手段,完成了倒车雷达预警系统硬件和软件的设计。该系统分为测距模块、系统控制模块和显示报警模块，并分别对其进行方案分析，构建了倒车雷达测量预警系统的构架和设计方案。在硬件电路中详细阐述了运用单片机技术实现的倒车雷达预警系统的测距原理，分析了以MSP430单片机为主控单元的系统硬件和软件设计,并对该系统进行了试验和误差分析，给出了本系统的稳定性指标。试验结果显示，该系统对室内有限距离的距离测量具有较高的精度，实现了倒车提示和距离报警功能。关键词：超声波；倒车雷达；温度补偿；MSP430；距离测量Ultrasonic distance measurement in automotiveapplicationsAbstractThis article treats of ultrasonic pacing out distances in cars in which the application, we often say that a radar, reversing the car into reverse in the early warning radar system, in common the car into reverse warning apparatus on the basis of computer controlled by technology and ultrasound range of technical and obstacles to show the distance, according to its distance from far and near real-time a call the police, from parking and start when the vehicle and visit the trouble of driving security. Based on the research vehicle reversing early warning radar system process, the use of theoretical analysis, design and computer simulation, and other research tools, completed a reverse early warning radar system hardware and software design. Ranging module into the system, the system control module and display alarm module, respectively, and their program of construction of a reversing early warning radar system of systems architecture and design programs in the hardware circuit in detail the use of the SCM technology Visual reversing range early warning radar system to achieve the principle of a MSP430 MCU control unit for the system hardware and software design, and the system was tested and error analysis, given the stability of the system indicators The results show that the system of limited indoor range of distance measurement with higher precision, to achieve a prompt and distance, reversing alarm function.Keywords：Ultrasound；reversing radar； temperature compensation；MSP430；distance measurement59第一章 绪论1.1课题背景随着中国经济的持续增长和汽车价格的持续下降，越来越多的家庭拥有自己的汽车。在享受汽车给我们带来的便利同时，由于倒车而产生的问题也日益突出。一方面汽车的数量逐年增加，公路、街道、停车场和车库拥挤不堪，可转动的空间越来越少；另一方面，新司机及非专职司机越来越多，因倒车引起的纠纷越来越多，车辆之间、车辆与人、车辆与墙壁等障碍物之间的碰撞时有发生。在2009年汽车事故的发生比例中，倒车引起的事故占28%，倒车己成为令人们头痛的一项任务，即使是经验丰富的司机也在抱怨倒车是件费力费神的事。驾驶者只能依赖后视镜观察后方障碍物，后视镜受其位置的限制，视野狭窄、清晰度差，根本无法达到倒车过程中后视的目的。其二是倒车时驾驶者同时要兼顾车辆前方、两侧的情况，必须扭身回头观察车辆后面的情况，体力和脑力消耗过大，易产生不安全因素。其三，倒车是一个复杂的工程，它依赖于驾驶者的驾驶经验、驾驶技巧及反应灵敏程度，任意环节出问题都导致驾驶员无法快速准确地完成倒车任务。解决汽车的倒车难问题目前有两种思路：一是寄希望于汽车自动驾驶技术及其配套设施的日益成熟，目前这项技术只用于少量高档豪华车上，短期内未能全面推广应用；第二是采用简单的汽车倒车预警系统，但是传统的汽车倒车预警系统的功能简单，驾驶员仍然需要通过后视镜去判断车后的物体，以及通过估计汽车和车后障碍物的距离完成倒车任务。本文研究的汽车倒车预警系统属于第二种思路，它在常见的汽车倒车预警装置的基础上进行改进，能在很大程度地解决倒车难题，同时也为汽车自动驾驶的研究应用奠定基础。1.2国内汽车倒车雷达预警系统的现状随着我国汽车产业的高速发展，近两三年我国开始进入私家车时代，交通事故发生的频率也在增加，为提高汽车运行的安全性。倒车雷达预警系统不仅深受驾驶员的青睐，也逐渐成为汽车电子产业中新的增长点。尤其是近两年来，倒车雷达成了商家的电子新爱，众多生产防盗器的厂家纷纷涉足倒车雷达，处在我国汽车电子行业环境的繁荣背景下倒车雷达已渐渐形成一个较大的行业，而且已呈现出一派激烈竞争的态势。倒车雷达系统经历了三个阶段，六代的技术改良。从早期的倒车防撞仪，只能测试车后有限范围的障碍物，并发出警报，发展到根据距离远近程度分段报警，前两个阶段的倒车雷达一般采用专用集成电路，功能较简单。随着人们对汽车驾驶辅助系统易用性要求的提高，以及单片机价格不断下降和汽车电子系统网络化发展的要求，新型的倒车雷达都是以单片机为核心的智能测距传感系统。要求倒车雷达连续测距并显示障碍物距离，并采用不同间歇鸣叫频率的声音报警提示距离，让驾驶员全神贯注地注视场景。汽车电子系统网络化发展还要求作为驾驶辅助系统子系统的倒车雷达具有通信功能，能够把数据发送到汽车总线上。如最为先进的倒车雷达系统为智能可视倒车雷达系统，它在车尾部装上针孔摄像头，倒车时可以在显示屏上显示车后的真实图像。在前段时间上市的由东风日产汽车有限公司乘用车公司推出的全新一代蓝鸟至尊，最引人注目的是它配备倒车影像显示和卫星导航系统，这两项配置在同级别的轿车上可谓绝无仅有，有效提升了蓝鸟的档次。直接将高级别汽车的智能化从概念引入了应用。在驾驶者挂入倒挡时，中控台上的液晶显示屏会自动切换画面，将车尾摄像头拍下的环境状况展示在驾驶者眼前，最大程度的方便泊车，这项功能在夜间尤其具有价值。而它的卫星导航系统，使日产成为继丰田之后又一个将导航定位系统引入国内的厂家。1.3本课题研究内容本文采用脉冲回波法，选用TI公司的MSP430高速低功耗单片机作为整个测量系统的核心部件，并运用DS18B20数字温度传感器进行温度补偿，加以用液晶显示模块和声音提示模块，能够直观的显示出测量内容，设计出了结构简单、成本较低，功能完善，性能稳定的硬件结构和较为合理的系统软件，并对硬件和软件进行了相关的测试。软件编程采用通用性较强的C语言，基于程序设计功能模块化的思想，设计出了超声波发射和接收程序模块，温度测量程序模块和液晶显示程序模块。第二章 超声波倒车雷达测量仪的测量原理2.1超声波2.1.1超声波概念及特点超声波是一种振动频率高于声波的机械波，是机械振动在媒介中的传播过程，由换能晶片在电压的激励下发生振动产生的，它具有频率高、波长短、绕射现象小，特别是方向性好、能够成为射线而定向传播等特点。超声波对液体、固体的穿透本领很大，尤其是在阳光不透明的固体中，它可穿透几十米的深度。超声波是人耳听觉范围值以上的振动，频率范围在 10kHz 到 1THz 之间，常用频率大约在 10kHz 到 10MHz之间。超声波的波型分纵波、横波、瑞利波和表面波。超声波按传播方式可分为纵波和横波。纵波的传播方向与质点的振动方向一致，纵波可以在气液和固体中传播。横波的传播方向垂直于质点的振动方向横波只能在固体中传播。超声波的物理性质有：反射与折射、衰减与吸收、叠加与干涉等。2.1.2超声波传播速度由于超声波也是一种声波，超声波在传播介质中的传播的速度和介质的特性有关。理论上，在13的海水里，声音的传播速度是1500m/s。在25的空气中传播的速度是344m/s，在温度为0时的速度是334m/s。超声波的传输速度和声波一样，超声波在空气中传播时，空气的温度、大气压力、湿度等都对超声波的声速有影响，其中温度对速度的影响最大。超声波在空气中传播时，传输速度和温度的关系可以由公式（2-1）来表示： （2-1）在测量过程中，如果温度变化不大，则可以认为声速是不变的。如果对测量精度要求较高，为了减小误差，避免因环境温度变化而带来的偏差，必须对环境温度进行检测，通过温度补偿的方法对声速进行校正，以实现能够精确测量。2.1.3超声波频率超声波在传播过程中，衰减系数与声波介质以及频率的关系为 （2-2）其中，a为衰减系数，b为介质常数，f为振动频率。在空气中，。其物理意义为，声波在空气中传播，由于空气运动摩擦的原因，能量被吸收损耗。由公式（2-2）可知，超声波的频率越高，衰减也就越大，其传播的距离也就越短。传播到空气中的超声波强度随距离的变化成比例地减弱，这是因为衍射现象所导致的在地球表面上的扩散损失，也是因为介质吸收能量产生的吸收损失。如图2-1所示，超声波的频率越高，衰减率就越高，波的传播距离也就越短。图2-1 声压在不同距离下的衰减特性超声波传感器的工作频率是测距系统的主要参数，它直接影响超声波的扩散和吸收损耗，障碍物反射损失，背景噪声，并直接决定传感器的尺寸。对于不同占空比的超声波，其发送接收效率不同，一般50%的占空比频率为40KHz左右的超声波在空气中传播的效率最佳。2.2超声波传感器超声波传感器是利用超声波的特性研制而成的传感器。目前超声波传感器大致可以分为两类：一类是用电气方式产生的超声波，一类是用机械方式产生的超声波。电气方式包括压电型、磁致伸缩型和电动型等；机械方式有加尔统笛型、液哨型和气流旋笛型等。它们所产生的超声波的频率、功率和声波特性各不相同，因而用途也各不相同。在超声波测距的应用中，最为常用的是压电型传感器。压电型超声波传感器的工作原理：它是借助压电晶体的谐振来工作的，即陶瓷的压电效应。超声波传感器习惯上称为超声换能器，或者超声探头。其结构原理如图2-2所示 。图2-2 超声波传感器内部结构超声波传感器有两块压电晶片和一块共振板。当它的两电极板加脉冲信号(触发脉冲)，若其频率等于晶片的固有频率时，压电晶片就会发生共振，并带动共振板振动，电能转换为机械能，此现象称为逆压电效应。机械能以波动的方式向外辐射传播，产生超声波。相反，电极间未加电压，则当共振板接收到回波信号时，将压迫两压电晶片振动，从而将机械能转换为电信号，这现象称为压电效应，此时的传感器就成了超声波接收器。压电型超声波传感器结构如图2-3所示，一个复合式振动器被灵活地固定在底座上。该复合式振动器是谐振器以及由一个金属片和一个压电陶瓷片组成的双压电晶片元件振动器的一个结合体。谐振器呈喇叭形谐振器金属片喇叭形，目的是能有效地辐射由于振动而产生的超声波，并且压电陶瓷可以有效地使超声波聚集在振动器的中央部位。图2-3 压电型超声波传感器结构图2.3超声波倒车雷达测量原理通常，超声波发生器内部结构有两个压电晶片和一个共振板。当它的两级外加脉冲信号，其频率等于压电晶片的固有振荡频率时， 压电晶片将会发生共振, 并带动共振板振动，便产生超声波。在超声波探测电路中，发射端输出一系列脉冲方波，其宽度为发射超声波与接收超声波的时间间隔，被测物距越远，脉冲宽度越大，输出脉冲个数与被测距离成正比。超声波测距的方法有多种，如相位检测法、声波幅值检测法和往返时间检测法等。相位检测法虽然精度高，但检测范围有限；声波幅值检测法易受反射波的影响，精度不高。本文硬件设计采用超声波往返时间检测法，其测量原理图如图2-4 所示。 图2-4超声波测距原理图传感器发出40KHz 超声波, 但并不是单独发射一个脉冲,而是一串的几个脉冲, 并对测量逻辑电路提供一个短脉冲，开始计时,超声波接收器接收到遇到障碍而返回的脉冲串前端, 同样也对测量逻辑电路提供一个短脉冲,计时结束,这就得到了超声波运行时间间隔t(s), 结合空气中超声波传播速度v(m/s),根据运动定律, 我们便得到所要测量的目标距离S(m) :S=Vt/2 (2-3)然而，超声波在空气中传播的速度V 和空气的温度有关。温度补偿：在理想气体中, 超声波传播速度可表述为: (2-4)其中, 为气体的比热值, R 为气体常数, T 为热力学温度, 为气体的分子量。由(2-4)可知:声速与热力学温度的平方根成正比, 温度越高声速越大。实验表明, 实用的温度值经验公式为: (2-5)对于T 值, 可使用温度传感器采集并送给单片机进行计算。第三章 系统硬件设计3.1硬件电路整体结构说明超声波倒车雷达测量系统框图如图3-1。液晶显示、报警 MSP430F147单片机温度检测超声波发射端及驱动电路超声波接收端及放大锁相电路图3-1 超声波液位测量系统框图系统主要由五个部分组成：单片机控制部分，液晶显示、报警部分，温度检测部分，超声波发射部分和超声波接收部分。单片机控制部分用来产生40kHz的方波，并测量出超声波从发射到接收所传播的时间，驱动液晶显示模块，采集温度测量部分的温度信息以及进行数据的处理。温度测量部分用来测量环境温度，对温度进行补偿，来减少环境温度变化对测量精度的影响。LCD部分用来显示测量的结果，即可以显示出距离。发射部分由单片机产生的40KHz方波信号作为控制信号，控制驱动电路使超声波传感器发射出超声波。超声波接收部分则负责对超声波接收传感器产生的电信号进行滤波放大，经过检波电路，产生接收中断信号，使单片机能够计算出超声波发射到接收所消耗的时间。3.2电源设计在本系统中，使用到了多种电源，有+24V，12V，+5V，+3.3V及+3V。超声波发射驱动电路使用到的是+24V，运算放大器NE5532使用的电源是12V，光耦6N136及集成锁相环路解码器LM567使用的是+5V的电源，声音提示芯片ISD4004使用的是+3V的电源，而单片机MSP430F147和LCD模块LCM12864H使用的是+3.3V。由于本课题设计的对象不是便携式产品，使用的电源是汽车电瓶12V电压。为了减少设计任务，本文选用的是独立的开关电源模块，能够输出12V和+5V的直流电。但要获得+3.3V的电源，还需要进行电源的设计。获得+3.3V电源的方法有多种，如用电阻分压、使用电源芯片等。为了简化电路，本系统采用的是电源管理芯片LD1117，输出为+3.3V，如图3-2所示。图3-2 电源电路图3.2.1 复位电路设计在单片机系统中，为了保证系统在上电时进行初始化，同时也为了保证对电源的监视，需要采用复位芯片，如图3-3所示。 图3-3 复位电路 3.3超声波发射电路超声波传感器发出超声波，需要40KHz的激励信号源。在前面已经提到过最好的激励源是40KHz，占空比为50%的激励源。而产生40KHz信号的方法有多种，如使用LC振荡电路、555时钟电路、单片机发生等等。由于前两种方法产生40KHz的信号电路复杂，性能不够稳定，而本系统采用单片机，利用其定时器产生40KHz的方波。在单片机的选择中，本系统选用的是MSP430147单片机，它较传统使用的51单片机的最大优点是高速低功耗，性能有极大的提高，开发成本低，下面就MSP430单片机进行简单的介绍。3.3.1 MSP430单片机MSP430系列超低功耗单片机是TI公司推出的一种新型单片机。其外部引脚图如图3-4，主要功能部件有CPU：MSP430系列单片机的CPU和通用微处理器基本相同，只是在设计上采用了面向控制的结构和指令系统。MSP430的内核CPU结构是按照精简指令集和高透明的宗旨而设计的，使用的指令有硬件执行的内核指令和基于现有硬件结构的仿真指令。这样可以提高指令执行速度和效率，增强了MSP430的实时处理能力。 存储器：存储程序、数据以及外围模块的运行控制信息。有程序存储器和数据存储器。对程序存储器访问总是以字的形式取得代码，而对数据可以用字或字节方式访问。其中MSP430各系列单片机的程序存储器有ROM、OTP、EPROM和FLASH型。 外围模块：经过MAB、MDB、中断服务及请求线与CPU相连。MSP430不同系列产品所包含外围模块的种类及数目可能不同。它们分别是以下一些外围模块的组合：时钟模块、看门狗、定时器A、定时器B、比较器A、串口0、1、硬件乘法器、液晶驱动器、模数转换、数模转换、端口、基本定时器、DMA控制器等。 MSP430特点有：(1)功耗低,典型功耗是:2.2V时时钟频率1MHz时，活动模式为200uA ，关闭模式时仅为0.1uA，且具有5种节能工作方式。(2)高效16位RISC结构CPU,27条指令，8MHz时钟频率时指令周期时间125ns，绝大多数指令一个时钟周期完成，32kHz时钟频率时16位MSP430单片机的执行速度高于典型的8位单片20MHz 时钟频率时的执行速度。(3)低电压供电、宽工作电压范围：1.8V3.6V。(4)灵活的时钟系统(两个外部时钟和一个内部时钟)。(5)低时钟频率可实现高速通信。(6) 具有串行在线编程能力。(7)强大的中断功能。(8)唤醒时间短,从低功耗模式下唤醒仅需6us。(9) ESD保护： 抗干扰力强。基于以上特点，该系列单片机在便携式仪表、智能传感器、实用检测仪器、电机控制、家庭自动化等领域的应用较为普遍。MSP430 产品系列可以提供多种存储器容量组合的选择，从14位模数转换器(ADC)到液晶显示器(LCD) 驱动电路的混合信号外设，可根据需要进行选择，简化了各类应用的电路设计。且集成时钟、集成LCD 驱动电路、集成A /D、D/A转换器，使硬件简化,所需外部元件极少。MSP430的16位定时器中断可用于事件计数，时序发生，PWM 等；是应用于工业控制的理想配置。DCO为单片机系统提供一个内部时钟源并具有锁相环，当XTALT2 没有提供时，系统依靠DCO 运行，整个时钟配置可以通过DCOCTL 、BCSCTL1、BCSCTL2 和SR 等控制寄存器中相应的位来选择和控制以满足用户对系统的要求。不同型号单片机的存储器容量和外围模块各不相同，使用者可以根据需要具体选择适应工业级应用环境。图3-4 MSP430F147系列外部引脚图3.3.2发射电路方案选择单片机发出的信号是不能够直接驱动超声波传感器的，还需加驱动电路。超声波反射回后，能量会减弱，在距离较远的情况下会减小的更弱。此时超声波传感器有可能检测不到回波，或检测到回波后发出的电信号只有毫伏级甚至是微伏级，这样就影响测量范围和测量精度。因此为了加大超声波的测量范围，驱动电路需要较大的驱动能力。超声波发射驱动电路的方法有多种，常用到的驱动方法有如图3-5所示四种。(a) (b) (c)(d)图3-5 发射驱动电路图其中图3-5（a）、（c）所示电路所用元件较少，结构也较简单，但是它们的驱动能力有限，不能使超声波传感器发出较大的超声波能量，只适用测量范围较小的场合使用。图3-5（b）所示电路中使用一个了变压器，其体积较大，结构比较复杂，但是其有较强的驱动能力。而本系统设计的要求是电路结构简单，所以不予采用。图3-5（d）所示电路选用的是常用的高速开关型的MOSFET IRF120，其体积较小，具有很高的工作电压，导通时间比较快，导通电阻也比较小，因此比较适合使用在本系统中。经过实验证明，该驱动电路结构简单，驱动能力强，符合设计要求。所以整体发射电路如图3-6所示。图3-6 整体超声波发射驱动电路图3.4超声波接收电路接收电路中，超声波传感器将接收到的超声波能量转换成电能，但其电能非常弱小。为了满足后续信号处理的需求，必须对接收信号进行放大处理。接收部分主要由超声波接收传感器、放大电路、锁相环电路等环节组成，如图3-7所示。其中放大电路是一个放大倍数较高的两级运算放大器，其功能是将从被测物体反射回来的微弱信号进行整形放大后送入锁相环电路。锁相环电路再根据放大后的信号进行检测，若检测到的信号为超声波反射回来产生的信号，就会产生脉冲信号，送入计数控制电路部分。本文采用的是常用的运算放大器NE5532，其常用作音频电路的前置放大。图3-7 超声波接收驱动电路图3.4.1运算放大器NE5532简介NE5532是高性能低噪声运放，与很多标准运放相似，它具有较好的低噪声性能，优良的输出驱动能力及相当高的小信号放大性能与电源带宽，高信号响应速率，还具有输入保护二极管和输出短路保护。其性能指标如下：（1）小信号带宽：10MHz；（2）输出驱动能力：600，10V；（3）输入噪声电压：5nV/HZ（典型值）；（4）DC电压增益：50000；（5）AC电压增益：10KHz时2200；（6）电源带宽：140KHz；（7）转换速率：9V/S；（8）大电源电压范围：320V。3.4.2 LM567及锁相环电路本文设计的系统方案中，在放大电路后面还加入了锁相环电路，集成锁相环路解码器LM567是美国国家半导体公司生产的56系列集成锁相环路中的一种。其同类产品还有美国Signetics公司的SE567/INE567等。LM567是一个高稳定性的低频集成锁相环路解码器由于其良好的噪声抑制能力和中心频率稳定性而被广泛应用于各种通信设备中的解码以及AM、FM信号的解调电路中。主要用于振荡、调制、解调和遥控编、译码电路。如电力线载波通信、对讲机亚音频译码、遥控等。LM567为8脚直插式封装，其引脚功能和内部结构如图3-8所示。LM567内部包含了两个鉴相器PD1及PD2、放大器AMP、电压控制振荡器VCO等单元电路。鉴相器PD1、PD2均采用双平衡模拟乘法器电路，在输入小信号情况下(约几十毫伏)，其输出为正弦鉴相特性，而在输入大信号情况下(几百毫伏以上)，其输出转变为线性(三角)鉴相特性。锁相环路输出信号由电压控制振荡器VCO产生，电压控制振荡器的自由振荡频率(即无外加控制电压时的振荡频率)与外接定时元件Rt、Ct的关系式为：Fo1/1.1Rt*Ct （3-1）图3-8 LM567内部结构图LM567的工作电压范围是4.75-9V，工作频率可达500KHz，静态工作电流仅8mA，第3脚是信号输入脚，要求输入信号大于25mA，第8脚是逻辑输出脚，允许最大灌电流为100mA，第5、6脚外接的电阻、电容决定了IC内部压控振荡的中心频率。第1、2脚通常是分别对地接电容，形成输出滤波网络和环路低通滤波网络，其中2脚所接电容决定锁相环的捕捉带宽，电容数值越大，环路带宽越窄。在输入信号幅度小于200mV时，可用公式（3-2）计算，当输入信号幅度大于200mV之后，带宽不会再增加。 （3-2）式中 ,Vi 为输入信号的幅值(rms)，C2 为滤波电容的容量(单位为F)。锁相环电路如图3-9所示，锁相环电路的作用是经过放大后的接收信号从3脚输入锁相环电路，当该信号为40KHz，即确定为接收到的回波信号，在8脚上将输出低电平。而在平时8脚输出的是高电平，当单片机检测到该脚上的输出的电平由高到低的跳变时，将产生中断，计算出超声波从发射到接收所传播的时间。图3-9 锁相环电路3.4.3光电隔离电路及光耦6N136本系统的设计思想是把本系统设计成两大部分，一部分是主机部分，由单片机电路和按键显示部分组成。另一部分是信号测量部分，由超声波发射接收部分组成。主机部分放置在地面工作的地方，测量部分则安装在车尾和车的侧边。由于两部分传输距离较远，因此在本系统中还应用了光电隔离电路。其作用是能够对单片机发出的40KHz脉冲波进行隔离并放大，使之能够传输到较远的距离，采用的光耦是6N136。高速光耦6N136是日本东芝公司生产的具有优良特性的光电耦合器件，它内部封装一个高度红外光管和光敏三级管。图3-10所示为6N136的管脚和内部结构示意图。6N136具有体积小、寿命长、抗干扰性强、隔离电压高、高速度、与TTL逻辑电平兼容等优点，可用于隔离线路、开关电路、数模转换、逻辑电路、长线传输、过流保护、高压抑制、电平匹配、线性放大等方面。表3-1给出了6N136的主要性能参数。图3-10 6N136结构原理图表3-1 6N136性能参数参数输入特性输出特性传输特性隔离特性最大工作电流正向压降输出电流工作电压传输比隔离阻抗极间耐压极间电容符号IFVFIOVCCCTRRI-OBVSCI-O单位mAVmAV%VnmsPF6N136251.6581518101225000.63.5 温度补偿电路从前文已知，温度对超声波速度的影响非常大，需要对测量系统进行温度补偿。本文采用的温度传感器是一线制数字集成温度传感器DS18B20。如图3-11所示。图3-11 温度补偿电路3.5.1数字温度传感器DS18B20DS18B20 是美国DALLAS 半导体公司继DS1820 之后最新推出的一种改进型智能温度传感器。与传统的热敏电阻相比，它能够直接读出被测温度，并且可根据实际要求通过简单的编程实现912位的数字值读数方式。可以分别在93.75ms和750ms 内完成9 位和12 位的数字量，而且从DS18B20 读出的信息或写入DS18B20的信息仅需要一根口线（单线接口）读写，温度变换功率来源于数据总线，总线本身也可以向所挂接的DS18B20供电，而无需额外电源。因而使用DS18B20可使系统结构更趋简单，可靠性更高。它在测温精度、转换时间、传输距离、分辨率等方面较DS18B20有了很大的改进，给用户带来了更方便的使用和更令人满意的效果。DS18B20具有下列主要特性：(1) 独特的单线接口方式: DS18B20 与微处理器连接时仅需要一条口线即可实现微处理器与DS18B20 的双向通讯。(2) 在使用中不需要任何外围元件。(3) 可用数据线供电, 电压范围: + 3.0+ 5.5V。(4) 测温范围: - 55 + 125 。固有测温分辨率为0.15 。(5) 通过编程可实现9 12 位的数字读数方式。(6) 用户可自设定非易失性的报警上下限值。(7) 支持多点组网功能, 多个DS18B20 可以并联在惟一的三线上, 实现多点测温。(8) 负压特性, 电源极性接反时, 温度计不会因发热而烧毁, 但不能正常工作。DS18B20采用3脚PR235封装或8脚SOIC封装,管脚排列如图3-12所示。图中GND为地 ,DQ为数据输入/输出脚(单线接口,可作寄生供电),VDD为电源电压。图3-12 DS18B20的管脚排列DS18B20 内部结构如图3-13所示。它主要由 64位光刻 ROM、温度传感器、非挥发的温度报警触发器TH和TL、配置寄存器组成。图3-13 DS18B20内部结构图激光ROM中的64位序列号是出厂前被光刻好的，它可以看作是该DS18B20的地址序列码。64位光刻ROM的排列是：开始8位（28H）是产品类型标号，接着的48位是该 DS18B20自身的序列号，最后8 位是前面56位的循环冗余校验码（CRC码）。光刻 ROM 的作用是使每一个DS18B20都各不相同，这样就可以实现一根总线上挂接多个DS18B20的目的。DS18B20中的温度传感器可完成对温度的测量，用16 位符号扩展的二进制补码读数形式提供以 0.062 5/LSB 形式表达，例如+125的数字输出为 07D0H，+25.062 5的数字输出为 0191H，-25.062 5的数字输出为 FF6FH，-55的数字输出为FC90H，如表3-2所列。表3-2 温度值对照表温度数字输出量（二进制）数字输出量（十六进制）+1250000 0111 1101 000007D0+25.06250000 0001 1001 00010191+10.1250000 0000 1010 001000A2+0.50000 0000 0000 1000000800000 0000 0000 00000000-0.51111 1111 1111 1000FFF8-10.1251111 1111 0101 1110FF5E-25.06251111 1110 0110 1111FF6F-551111 1100 1001 0000FC90DS18B20完成温度转换后，就把测得的温度值与TH、TL（TH和TL分别为最高和最低检测温度）作比较。若TTH或TTL，则将该器件内的告警标志置位，并对主机发出的告警搜索命令作出响应。因此，可用多只DS18B20同时测量温度并进行告警探索搜索。一旦某测温点越限，主机利用告警搜索命令即可识别正在告警的器件，并读出其序号，而不必考虑非告警器件。高低温报警触发器TH 和 TL、配置寄存器均由一个字节的 EEPROM 组成，使用一个存储器功能命令可对TH、TL或配置寄存器写入。配置寄存器由R0和R1组成。R1、R0决定温度转换的精度位数R1R0=00，9位精度，最大转换时间93.75ms；R1R0=01，10位精度，最大转换时间187.5ms；R1R0=10，11位精度，最大转换时间375ms；R1R0=11，12位精度，最大转换时间750ms；未编程时默认为12位精度。分辨率设定及用户设定的报警温度存储在EEPROM中，掉电后仍然保存。高速暂存器是一个9字节的存储器，如表3-3所列。开始两个字节包含被测温度的数字量信息；第3、4、5 字节分别是TH、TL、配置寄存器的临时复制，每一次上电复位时被刷新；第6字节未用，表现为全逻辑1；第7、8字节为计数剩余值和每度计数值；第9字节读出的是前面所有8个字节的CRC码，可用来保证通信正确。表3-3 DS18B20高速暂存器分布暂存器内容字节地址温度最高数字位0温度最低数字位1高温限值2低温限值3配置寄存器4保留5计数剩余值6每度计数值7CRC校验8DS18B20的测温原理如图3-14所示。低温系数振荡器输出的时钟脉冲信号通过由高温系数振荡器产生的门开通周期而被计数，通过该计数值来测量温度。计数器被预置为与 - 55对应的一个基数值 ,如果计数器在高温系数振荡器输出的门周期结束前计数到零 ,表示测量的温度高于 - 55 ,被预置在 - 55的温度寄存器的值就增加一个增量 ,同时为了补偿温度振荡器的抛物线特性 ,计数器被斜率累加器所决定的值进行预置 ,时钟再次使计数器计数直至零 ,如果开通时间仍未结束 ,那么重复此过程 ,直到高温度系数振荡器的门周期结束为止。这时温度寄存器中的值就是被测的温度值。图3-14 DS18B20测温原理图3.5.2 DSl8B20工作过程及时序DSl8B20工作过程中的协议如下 初始化ROM操作命令存储器操作命令处理数据 1、初始化 单总线上的所有处理均从初始化开始 2、ROM操作指令 总线主机检测到DSl820的存在便可以发出ROM操作命令之一3、存储器操作命令 指令代码 Write Scratchpad(写暂存存储器) 4EH Read Scratchpad(读暂存存储器) BEH Copy Scratchpad(复制暂存存储器) 48H Convert Temperature(温度变换) 44H Recall EPROM(重新调出) B8H Read Power supply(读电源) B4H 4、时 序 主机使用时间隙(time slots)来读写DSl8B20的数据位和写命令字的位 (1) 初始化 主机总线在to时刻发送一复位脉冲(最短为480us的低电平信号)接着在tl时刻释放总线并进入接收状态DSl820在检测到总线的上升沿之后等待15-60us接着DS18B20在t2时刻发出存在脉冲(低电平持续60-240 us)如图3-15中虚线所示 。以下子程序在MCS51仿真机上通过其晶振为12M。 图3-15初始化程序(2) 写时间隙 当主机总线to时刻从高拉至低电平时就产生写时间隙见从to时刻开始15us之内应将所需写的位送到总线上，DSl820在to后15-60us间对总线采样，若低电平写入位，那么高电平写入的位从1连续写2位间的间隙应大于1us 。如图3-16所示。图3-16 写0写1时序(3) 读时间隙 主机总线to时刻从高拉至低电平时，总线只须保持低电平，l 7ts之后在t1时刻将总线拉高产生读时间隙，在t1时刻后t2时刻前有效t2距to为15 us也就是说在t2时刻前主机必须完成读位并在to后的60us120us内释放总线 。如图3-17所示。读位子程序(读得的位到C中) 图3-17 读时序3.5.3 DS18B20与单片机接口电路DS18B20与单片机有两种接口方案，如图3-18所示。（a）寄生电源工作方式（b）外部电源工作方式图3-18 DS18B20温度测量电路图3-18（a）所示电路DS18B20采用寄生电源工作方式，采用寄生电源供电的优点则在于节约一根导线。采用寄生电源供电时,总线发出“启动温度转换”命令之后 ,DQ引脚必须置高,不得传输数据,且不能同时进行温度变换,所以省时效应不明显 ,且多用一个接口引脚。图3-18（b）所示电路DS18B20采用外部电源工作方式。由外部电源供电实现的测温系统中 ,主机在发出跳过 ROM命令之后,再发出统一的温度转换启动码,就可以实现所有DS1820 的统一转换,再经过1s 后就可以用很少的时间去读取 ,节省了时间 ,这是外部电源供电的优点。此时,GND引脚不得悬浮。3.6 LCD显示电路现代智能化的仪器少不了显示部分，常用的显示部分有两种LED数码管显示和LCD液晶显示，而本系统采用的是液晶显示，液晶显示模块采用的是LCM12864H。3.6.1 LCD模块LCM12864HLCD液晶显示器具有功耗低、体积小、重量轻、超薄、显示信息量大和接口方便等优点，现在已被广泛应用于计算机和数字式仪表等领域，成为测量结果显示和人机对话的重要工具。液晶显示器按其功能可分为三类：段位式LCD、字符式LCD和点阵式 LCD。其中，段位式LCD和字符式LCD只能用于字符和数字的简单显示，对于较复杂的字符或图形则无能为力。而点阵式LCD可以显示各种各样的字符、图形、曲线及汉字，可以实现屏幕上下左右滚动、动画、分区开窗口、反转、闪烁等功能，而且点阵液显示模块具有可编程能力，与单片机接口方便。由于以上优点，点阵式LCD获得了广泛的应用。LCD工作时，需要相应的驱动、控制电路，由于其电路连接方式基本固定而且LCD本身引脚较多，所以制造商通常将LCD和驱动、控制电路做在一块印制板上，即我们常见的液晶显示模块LCM(Liquid Crystal Module)。这种内藏控制器的液晶显示模块所给出的接口可直接与微处理器MPU连接，这样用户就可把主要工作放在LCD显示的软件设计上。根据上面的介绍，LCM属于MPU的IO接口设备，既受控于MPU，同时又操纵着LCD，以实现各种显示功能。它的使用，使MPU摆脱了对LCD繁琐的显示控制，更适用于智能化、便携式产品。LCM模块的特点表现为：1)具有简捷的MPU接口。控制器对MPU呈现一般通讯接口的通用特点； 2)具有显示数据的传输和时序脉冲信号的发送能力，可直接控制液晶显示驱动器； 3)具备功能齐全的控制指令集，可以方便地通过编程实现MPU对液晶显示器的各种显示功能的控制； 4)有完整的逻辑控制 电路和时序发生器可完成显示缓冲区的管理功能 ，并实现对各种显示功能的控制。 结构上，LCM模块由接口、控制、输出三部分组成。本系统中的LCD模块采用了北京青云科技有限公司生产的型号为LCM12864H的单色12864点阵液晶显示模块，其控制器为NT7532，可显示4行8列共32个汉字，低电压+2.43.5V驱动，并内置负压芯片，蓝色背光，接口简单，采用I2C总线进行数据的传输，占用单片机接口少。其外围接口只有9个引脚，引脚说明如表3-4。表3-4 LCM12864接口信号说明引脚序号符号I/O引脚功能说明1CSBI片选信号，低有效2RESBI复位信号，低有效3D/CID/C为高，输入为数据；D/C为低，输入为指令4SCKI/O串行输入时脉冲信号5SDAI/O串行输入时数据信号6VCC3.0V，电源正极7GNDGround，电源负极8LED-背光负极9LED+3.0V，20mA，背光正极LCM12864H内部结构框图如图3-19所示。图3-19 LCM12864H内部结构3.6.2 LCM12864H与单片机接口电路LCM12864H与单片机的链接示意图如图3-20所示。图3-20 LCM12864H与单片机的连接示意图3.7 语音提示电路ISD4004语音系列芯片是美国ISD 公司推出的产品，具有可多次重复录放、存储时间长、使用时不需扩充存储器、所需外围电路简单等特点。ISD4004 是一种采用CchipCorder 专利技术的语音芯片, 此芯片无须AD转换和压缩就可以直接储存，没有AD转换误差，在一个记录位（bit)可存储250级声音信号，相当于通常的AD记录的8倍，片内集成了晶体振荡器，麦克前置放大器，自动增益控制等，只要很少的外围器件，就可以构成一个完整的声音录放系统，片内集成了晶体震荡器、麦克前置放大器、自动增益控制等, 只要很少的外围器件, 就可以构成一个完整的声音录放系统。ISD4004语音芯片引脚图如图3-21所示。 图3-21 ISD4004语音芯片引脚图电源(VCCA,VCCD)：为使噪声最小,芯片的模拟和数字电路使用不同的电源总线,并且分别引到外封装的不同管脚上,模拟和数字电源端分别走线,尽可能在靠近供电端处相连,而去耦电容应尽量靠近器件。 地线(VSSA,VSSD)：芯片内部的模拟和数字电路也使用不同的地线。 同相模拟输入(ANA IN+)： 这是录音信号的同相输入端。输入放大器可用单端或差分驱动。单端输入时,信号由耦合电容输入,最大幅度为峰峰值 32mV,耦合电容和本端的 3K电阻输入阻抗决定了芯片频带的低端截止频率。差分驱动时,信号最大幅度为峰峰值16mV，为ISD33000系列相同。 反相模拟输入(ANA IN-)： 差分驱动时,这是录音信号的反相输入端。信号通过耦合电容输入,最大幅度为峰峰值16mV。音频输出(AUD OUT)： 提供音频输出,可驱动5K的负载。 片选(SS)：此端为低，即向该ISD4004芯片发送指令，两条指令之间为高电平。 串行输入(MOSI)：此端为串行输入端，主控制器应在串行时钟上升沿之前半个周期将数据放到本端,供ISD输入。 串行输出(MISO) ：ISD的串行输出端。ISD未选中时,本端呈高阻态。 串行时钟(SCLK)： ISD 的时钟输入端，由主控制器产生，用于同步 MOSI 和 MISO 的数据传输。数据在 SCLK 上升沿锁存到ISD，在下降沿移出ISD。 中断(/INT)：本端为漏极开路输出。ISD 在任何操作(包括快进)中检测到 EOM 或 OVF 时,本端变低并保持。中断状态在下一个 SPI 周期开始时清除。中断状态也可用 RINT 指令读取。OVF 标志-指示 ISD 的录、放操作已到达存储器的未尾。EOM 标志只在放音中检测到内部的EOM标志时,此状态位才置1。第四章 系统软件设计4.1系统软件整体结构在系统硬件电路完成之后，系统软件所实现的功能主要是针对系统功能的实现及数据的处理和应用。根据以上所述系统硬件设计和所完成的功能，系统软件需要实现以下功能：1.信号控制在系统硬件中，已经完成了超声波发射电路、回波接收电路、温度补偿电路及液晶显示电路的设计。在系统软件中需要完成发射脉冲信号、液晶显示模块时序的控制等信号的控制功能。2.数据存储为了得到发射信号与接收回波的时间差，要读出此刻计数器的计数值，以及温度信息的采集，然后存储在RAM中，以备数据处理时使用。3.数据处理存储在RAM中的数据并不能作为液位的测量值直接显示输出，需要经过处理转换为液位的测量值。数据的处理可以按照公式（2-1）和（2-4）来处理。4.数据的传输 测量温度时需要对温度传感器DS18B20进行读写，并且数据完后得到的温度值和距离要送到液晶显示模块显示出来。整个系统软件的运行都是在单片机中来完成，在此过程中主程序调用子程序和中断服务子程序，如图4-1所示为系统的主程序流程图。4.2超声波发射接收程序超声波发射程序利用单片机的定时器A来产生8个40KHz的方波，由于在发射的过程中不能同步进行计时，所以当方波信号发射完后马上开始计时，并打开单片机捕获功能。超声波从发射到反射回需要一段时间，所以软件延迟一段时间后打开中断允许，当接收到回波后产生中断，计数器停止计数，并把计数值存储在RAM中。开 始LCD初始化接收到反射信号延时1 ms防止超声波发射振荡发射超声波计数器开始计时LCD显示测量结果LCD显示ERROR计数器溢出计数器停止计数，读取温度值，根据温度值和计数值计算距离结 束 NO NO YES YES 图4-1 超声倒车雷达测量系统程序框图4.3温度测量程序本系统采用的测温器件是DS18B20，DS18B20是世界上第一片支持单总线接口的温度传感器。单总线是在一根数据线上实现数据的双向传输，这就需要一定的协议来对读写数据提出严格的要求。但目前单片机不支持单总线传输，因此，必须用软件的方法来模拟单总线协议时序。4.3.1温度测量程序流程图单片机实现温度转换的程序流程如图4-2所示。发read scratchpadm命令读取温度数据开 始初始化DS18B20应答脉冲？发skip rom命令发convert T 命令延时1s，等待温度转换完成初始化DS18B20 YES图4-2 温度测量程序流程图4.4液晶显示程序对LCD进行编程，必须先了解LCD的接口协议。本文选用的是液晶显示模块LCM12864H，通过查阅其器件说明书，知道其外围接口及各引脚功能，如表3-4所示。液晶显示子程序设计的关键之处在于软件中时序的安排要与液晶显示模块内部的时序一致，否则将不会显示成功。其初始化程序流程图如图4-3。开 始开电源设置LCD BIAS设置ADC SELECT设置COM 方向设置电源控制模式设置显示初始行显示数据图4-3 LCD模块初始化流程图4.5声音提示程序声音提示模块是结合液晶显示模块一起使用的，是为了提高汽车在倒车过程中的安全性能，要注意的是该模块中的软件时序的安排要与液晶显示模块内部的时序一致，否则将出现声音提示和液晶显示不一致的现象，其初始化程序流程图如图4-4。开 始开电源初始化ISD4004采集数据声音提示图4-4 ISD4004芯片声音提示模块流程图第五章 系统误差分析在超声波倒车雷达测量系统测量距离的过程中，存在外界和系统内部的一些干扰，从而影响测量精度，造成测量误差有以下几方面的原因：（1）温度变化造成的影响。（2）超声波传播介质的影响。（3）软件计时产生的误差。（4）硬件电路产生的误差。针对以上各方面的原因，下面给出简单的改进措施。温度变化引起的测量误差对整个测量系统的影响最大，对于温度变化造成超声波传播速率的影响，可以采用温度补偿，根据公式（2-1），对超声波传播速率进行修正。对于传播介质引起的测量误差，可以采用参考声程进行补偿，即通过设置标准参照系来实现精确测量，测量出超声波在标准参照距离传播过程中的传播时间，计算出超声波在该介质情况下的传播速率，再根据该速率对被测物进行测量。使用时，该参照系要置于测定的介质中。对于软件计时产生的误差，可以在编程时对计数器的计数值进行修正，一般计数产生的误差对测量系统造成的影响不大。对于硬件系统造成的影响，则需要改进硬件电路，设计出更加合理的电路方案。第六章 总结本文以倒车过程中测量距离以及安全系数的考虑为目标，提出了当前的倒车雷达测量方法。以实际的应用背景为实例，说明了采用超声波倒车雷达测量距离的方法的优点。并对超声波及超声波传感器做了简单的介绍，由此引出超声波测距离的原理并对该测量原理进行了简单的介绍及分析，在此基础上设计出了基于MSP430F147单片机的超声波倒车雷达测量系统。本文在查阅了大量资料后，给出了主要电路部分的多种方案，并对这些方案进行了简单的分析比较，最终提出了一套超声波倒车雷达测量系统的完整硬件电路设计方案。该电路结构原理简单，使用元件较少，成本较低，但功能强大，性能稳定，还具有较强的抗干扰能力。并且还针对硬件电路编写了软件程序框图，最后进行了硬件电路的仿真和实验测试，经过实验测试证明，该测量系统具有较高的测量精度和稳定性。由于本人水平及时间有限，在设计过程中还存在不足或错误的地方，有些地方还需要改进。本人将在以后的工作和学习中，继续努力学习，以丰富自己的知识和经验，设计出更加合理完善的方案。本人在做毕业设计的过程中体会到了产品设计的整个流程。在设计中，我碰到了许许多多的问题。有时，我也会感到设计工作几乎无法进行下去了，设计工作陷入停顿状态。这让我很苦恼。但随着时间推移，对问题了解更多之后，我还是能找到解决问题的办法。大学所学到的知识在这次毕业设计中得到了很好的应用，从中我也巩固了所学的专业课知识。我相信这次毕业设计提高了我做设计工作的能力，虽然毕业设计所用篇幅不长，但却凝聚了我大量心血。在设计过程中，老师经常在整体思路上指导我，我在此表示感谢！ 参考文献1 高飞燕：基于单片机的超声波测距系统的设计，信息技术，2005年第7期，第128-129页。2 时玮、孟军、刘波：温度修正的超声波测距控制设计，机械工程与自动化，2005年第6期，第85-87页。3 利尔达单片机技术有限公司：MSP430超声波测距。4 雷建龙：仪表技术与传感器，2004年第6期，第8-10页。5 张健、李钢：超声波测距系统的研究与设计，合肥工业大学学报，2004年6月。6 黄攀、王俊杰：单总线数字温度传感器DS1820 及其应用，元器件与应用，2001年第2期，第29-31页。7 牛爱民、陈洁如：一线式数字温度计DS1820 及其应用，电子技术，1999年第10期，第37-39页。8 DALLAS：DS18B20 Programmable Resolution 1-Wire Digital Thermometer， 9 薛智宏、赵金、解丽红：DS1820的测量原理及提高分辨率的方法，河北工业科技，2002年第6期，第4-7页。10 沈建华等：MSP430系列16位超低功率单片机原理与应用，清华大学出版社，2004年11月。11 张晞、王德银、张晨：MSP430系列单片机实用C语言程序设计，人民邮电出版社 ，2005年9月。12 秦龙：MSP430单片机C语言应用程序设计实例精讲，电子工业出版社 ，2006年5月。13 戴佳、戴卫恒 ：51单片机C语言应用程序设计实例精讲，电子工业出版社 ，2006年4月。14 胡建波：LCM12864ZK图形液晶显示模块并行实用技术，信息技术与信息化，2006年第1期，第67-69页。15 北京青云创新公司：图形点阵液晶显示模块LCM12864H使用说明书。16 MSP430x11x2,MSP430x12x2 MIXED SIGNAL MICROCONTROLLER。17 任开春、涂亚庆：大罐液位仪的现状和发展趋势，自动化与仪器仪表，2002年第4期，第4-7页。18 刘大健：集成锁相环路解码器LM567及其在检测电路中的应用，国外电子元器件，2000年 月，第30-32页。19 马义德：汽车防撞系统的研究，交通管理，2004年7月，第144-147页。20 苏铁力：传感器及其接口技术，中国石化出版社，2000年。21 李智奇、白小平：MSP430系列超低功耗单片机原理与系统设计，西安电子科技大学出版社，2008年。22 秦 龙：MSP430单片机实例精讲，电子工业出版社，2007年。附录1：总电路图附录2：翻译1. 英语翻译原文Comparative Analysis of Regression and Artificial Neural Network Models for Wind Turbine Power Curve EstimationAbstract:This paper examines and compares regression and artificial neural network models used for the estimation of wind turbine power curves. First, characteristics of wind turbine power generation are investigated. Then, models for turbine power curve estimation using both regression and neural network methods are presented and compared. The parameter estimates for the regression model and training of the neural network are completed with the wind farm data, and the performances of the two models are studied. The regression model is shown to be function dependent, and the neural network model obtains its power curve estimation through learning. The neural network model is found to possess better performance than the regression model for turbine power curve estimation under complicated influence factors. 1 IntroductionDuring the last decade, models have emerged【15】 to estimate and predict the power produced by wind farms. To maximize the use of wind generated electricity when connected to the electric grid, it is necessary to be able to estimate and predict the power production of a wind turbine. However, this power production can be influenced by many factors and usually fluctuates rapidly, imposing considerable difficulties on the management of combined electric power systems. Several different techniques have been presented to estimate and predict the highly variable energy production. Two typical models are regression models 【1,2】and artificial neural networks 【35】. In this paper, we compare regression and artificial neural network models for wind turbine power curve estimation using data from the Central and South West wind farm near Fort Davis, Texas.2 The Wind Farm and the Wind Power GenerationThe Fort Davis wind farm consists of 12 turbines and two meteorological towers （met. Tower） （Fig. 1）. Data received from the wind farm can be divided into two categories. The first contains data from the two met. towers such as wind velocities and directions measured at three elevations （10, 30, and 40m）. The second contains information about turbine power generation, such as average power outputs, voltages, and currents. The two met. towers, indicated with , are the sites for measurement of wind speed and direction. Each dotted circle is the location of a wind turbine.Turbine power production depends on the energy contained in the wind. The basic measuring unit of the energy contained in the wind is wind power density 6, or power per unit of area normal to the wind azimuth, calculated as Eq. （1）, where PW is wind power density(W/m), r is air density(Kg/m), and V is horizontal component of the mean free-stream wind velocity （m/s）.However, both wind velocity and air density are generally not constant. The hub height of the turbine is 40m above the ground.The industry standard is to relate the power to the hub height wind velocity 7. Such a relationship implies that the velocity at the hub height and the velocity profile are known, and that the velocity profile does not change. The velocity profile is defined as the difference in velocity as a function of height from the bottom to the top of the turbine blade and is another factor which can influence turbine power production 8,9. The hub height velocity and the velocity profile are measured by the met. towers. However,due to the limited number of the met. towers, the variable terrain,the turbines distributed over a wide range on the wind farm, andwind dynamics, the actual wind velocity and profile for each turbine are usually quite different from those obtained from the met.towers. These are some of the main reasons that the measured turbine power production versus meteorological tower wind speed does not fall on the anufacturers power curve as shown by Fig.2. In the figure, the line represents the manufacturers warranted estimated output power curve for the wind turbine with 500 kW rated power, which has been adjusted especially for the Fort Davis wind farm to account for the difference in attitude with respect to sea level. The dots represent the measured wind turbine poweroutput for a met. tower 10-minute average wind velocity. Which met. tower velocity to use is selected based on which direction the wind comes from, i.e., if the wind comes from the east, the measured wind speed from the east tower is used; if the wind comes from the west, the measured wind from the west tower is chosen. In Fig. 2, the large difference of turbine power production at the same wind speed, as well as high power productions at low wind speeds and low power productions at high wind speeds, implies that the wind at the turbine can be quite different from the wind at the met. towers. The air density in Eq. (1) also influences the energy contained in the wind and therefore turbine power production. However, r has less influence on turbine power production than the wind speed because the dynamic range of r is usually small and wind power is proportional to the cube of wind speed. In addition to the above factors, wind power production is also affected by other factors such as seasons of a year, time of day 1, and wind fluctuation within a certain time period. In the following comparison between neural networks and regression models, the only factors considered are the 40m wind speeds and wind directions from the two met. towers. Introducing other factors would make the specification of a function for a regression model quite difficult.3 Regression Model for Wind Turbine Power Estimation3.1 Prediction by Regression Model. Regression models quantitatively describe the variability among the observations by partitioning an observation into two parts 10. The first part of this decomposition is the predicted portion having the characteristic that can be ascribed to all the observations considered as a group in a parametric framework. The remaining portion, called the residual, is the difference between the observed and the predicted values and must be ascribed to unknown sources. This can be expressed as i=1,2,3n (2) where n is the number of the observations, is ith observation,=(,) is the predictor variable vector related to observation , is the parameter vector, and is the error associated with ith observation. The function f is estimated by fitting a polynomial or other type of function. Fitting refers to calculating values of the parameters from a set of data.Usually, the estimate , a least squares estimate of b, tries to minimize the error sum of squares shown by Eq.(3).If function f (xi ,) is linear, the regression model can be expressed as Eq. (4). This can be written as a matrix Eq. (5), where Y is a n-dimensional vector and X is a n matrix. In case of the estimated regression coefficient , the predicted values are then calculated by multiplying each row in the X matrix by the column, that is. The least squares estimate of is the solution to Eq. (6), and only one function solving step is needed to get the solution. When f in Eq. (2) is a polynomial, a linear representation of Eq. (4) can still be obtained, but the number of the columns of X will be larger than the number of the predictor variables （1,2,k）.When f is a nonlinear function, linearization (Taylor extension)of f with respect to parameters 10,11 is required for Eq. (7),where are initial values for parameter,so that techniques for Eqs. (3)(6) can be used. These initial values may be intelligent guesses or preliminary estimates based on whatever information is available; they will be iterativelyimproved . 3.2 Regression Model for Wind Turbine Power Estimation.As stated in Section 2, there are many factors which can affect wind turbine power generation. However, we will only include 40m wind velocity and direction measurements from the two met.towers in our modeling and comparative analysis.The following rules have been used for the regression model:（a） A polynomial is chosen as the main representation of the regression model; （b）Wind speeds are taken as the most important predictor variables in the polynomial; (c) The wind direction influence on turbine power production is introduced as a product with wind speed; and (d) Topographic influence on turbine power production is obtained by fitting different regression models for different turbines.The overall regression model for each turbine is shown by Eq.(8), where i is related to a specific turbine, and V1, V2, d1, and d2 are 40m wind speed and wind direction measurements from the two met. towers. Function g() in Eq. (8) is a transform function for wind directions Eq. (9) to reflect high wind directions. The M1 and M2 in Eq. (9) are means corresponding to two high wind directions computed for a year for wind coming from the northwest and east, respectively (Fig. 3). The product of wind speed with a transformed wind direction (Eq. (9) in the regression model implies that high wind mainly comes from certain directions and also high power generation requires high wind speed. (8) (9)4 Neural Network Model for Wind Turbine Power Estimation4.1 Multilayer Perceptron （MLP）Network. A multilayer perceptron network (Fig. 4) has three distinctive characteristics 12. First, the network consists of a set of source nodes that constitute the input layer, one or more layers of hidden neurons, and the output layer. Second, the model of each neuron in the MLP network includes a differentiable nonlinearity at the output end. A commonly used form of nonlinearity that satisfies this requirement is a sigmoidal nonlinearity defined by the logistic function of Eq. (10), where n j is the net internal activity level ofneuron j, and y j is the output of the neuron. Third, The network exhibits a high degree of connectivity determined by the weights of the network. A change in the connectivity of the network requires a change in the population of network weights. （10）MLPs have been applied successfully to solve many difficult and diverse problems by training them in a supervised manner.Experiential knowledge for a MLP network is acquired by the network through the training process and stored in the network weights after it is trained 12,13. It is through the combination of the characteristics of the MLP network together with the ability to learn from experience through training that the MLP derives its computing power.AMPL network can be used for a function approximation problem in which the inputs to the network are equivalent to the predictor variables in the regression model of Eq. (2) and the output of the network is equivalent to the predicted value. For a given problem, there is a cost function T 12, which is similar to the error sum of squares of Eq. (3) for the regression model, as the measure of training set learning performance. The objective of the learning process is to adjust the weights of the network so as to minimize T . A highly popular training algorithm known as the backpropagation algorithm 13 is generally used to adjust the network weights until a stop criterion is reached.4.2 Neural Network Model for Wind Turbine Power Estimation. We configure a neural network for each turbine. The input patterns to the network are 40m wind velocities and directions obtained from the two met, towers. The network output is the estimated power generated corresponding to each individual input pattern. Three additional steps are introduced to improve learning. First, the wind velocity (usually from 0 mph to 50 mph) is normalized into a range from 0 to 4 through a transformation function. This transform function can also reflect the effect of the power output limitation applied on a wind turbine when the wind is high 5. Second, Eq. (8) is used to preprocess the wind direction(0 to 360) into a more limited range and to increase the influence of high wind directions on turbine power production.This preprocessing for the input patterns enables the neural network to learn faster (i.e., less learning iterations) and produce a smaller difference between the predicted and the measured outputs for each turbine 5. Third, for comparison, we also considered the case that the total inputs to a node are not only a linear combination of the components , but also include high-order interactions represented by their products , triplets ,quadruplets, etc., which forms a feedforward high-order neural network 14,15. To facilitate the comparison of the high-order neural network with the regression model of Eq. (8), the inputs presented to the high-order network used in this paper contain all the items represented by Eq. (8). For example, for the comparison of the high-order neural network with nth order regression model, the network inputs include 1st, 2nd, . . . , nth order wind speeds,and two products of wind speeds with preprocessed wind directions.5 Comparative Analysis of Regression Model to Neural Network ModelThe parameter estimates of for the regression and the weight adjustments for the neural network training try to minimize the error sum of squares. However, the regression model requires the form of the function f in Eq. (2) to be predefined explicitly, making the model function dependent (but easy to evaluate). On the other hand, the neural network achieves the ability of function approximation through learning from data, making it data dependent.There are also differences in obtaining parameter estimates of for the regression model and weight adjustments for the neural network. For the regression model, a matrix representation of Eq.(5) is usually obtained, and then one function solving step is needed to get the least squares estimate (section 3.1). For the neural network, the network weights are usually adjusted many times (perhaps thousands of times) until a stop criterion is reached.Some evident relationships can also be seen between regression models and neural networks when the sigmoid nonlinear activation functions of neurons are reduced to linear functions. A general first-order neural network will be equivalent to a multivariable linear regression model, and a high-order neural network will be equivalent to a multi-variable polynomial regression model. Thus, the nonlinear activation function is an important factor in a neural network for complicated function approximation problems.Figures 5 and 6 compare some of the properties between regression and neural network models. This example uses measured wind speeds from the west met. Tower to predict the wind speeds of the east met. Tower using regression and neural network models. A data set of 1500 patterns in March 1996 is used for both the parameter estimates of the regression model and the training of the neural network model. For the regression model, the relation obtained between input and output (predicted value) is a straight line when a linear function is predefined (Fig. 5), reflecting the function dependent characteristics of the model. However, the neural network achieves the input-output relationship through learning. From the regression point of view, this relationship or equivalent function is more complicated (Fig. 5). But the neural network model is more data dependent. In Fig. 5,the parameter estimates and the training of the network weights are based on the first 1500 patterns of data from March 1996. This selection of patterns has much higher data density in low wind than in high wind, making the neural network bias its weights more toward the low wind data 16. However, when training data are selected equally from different wind speed sections, the neural network model gets better performance for both low and high wind speeds even for test data from April 1996 as shown by Fig. 6.英译中回归比较分析和人工神经网络模型在风力发电机组功率曲线估算中的应用摘要：本文探讨和比较了用于估计风力发电机组功率曲线的回归模型和人工神经网络模型。第一，考虑了风力发电机组发电的特点。然后，对使用回归和神经网络方法来估计发电机功率曲线的模型作了介绍和比较。利用风电场的数据完成了回归模型的参数估计的神经网络模型的校正，还对两种模式的结果进行了研究。研究表明回归模型性能稳定，神经网络模型能获得近似的发电机功率曲线。在复杂情况下估计发电机功率曲线，神经网络模型比回归模型具有更好的性能。1 介绍在过去十年中，已经出现【 1-5 】估算和预测所产生的功率风力发电场的模型。为了最大限度地利用风力发电，连接到电网时，估算和预测风力发电机组功率是十分必要的。然而，这种风力发电会受多种因素的影响，通常波动迅速，给相互联系的电力系统的管理造成了很大困难。几种不同的技术已用于估计和预测高度可变的能源生产。在本文中，我们比较了用于风力发电机组功率曲线估计的回归模型和人工神经网络模型，所使用数据来自得克萨斯州戴维斯堡附近的中部和西南部风力发电场。 戴维斯堡风力发电场由12涡轮机和两个气象塔（met.塔）（图1 ）。从风电场获得的数据可以分为两类。第一类数据室从气象塔测量的数据，比如三个高地（ 10 , 30和40米）的风速和风向。第二类数据是有关发电机组发电的信息，比如如平均功率输出电压和电流。两个气象塔用表示 ，是测量风速和风向的站点。每个虚线圆圈表示风力发电机组。涡轮机发电功率取决于包含于风中的能量。风中所含能量的基本计量单位是风功率密度 6，或正常风向时单位面积的能量，这由公式（1）可计算出来。其中，表示能量密度()，表示空气密度(Kg/m),V表示平均自由流风速的水平分量（m/s）。 （1）不过，风速和空气密度一般都不恒定。该发电机中心高度离地面40米以上。行业标准把中心高度风速 7 来衡量能量 。这种关系意味着速度的中心高度和速度分布是已知的，而且流速截面不会改变。风速截面即可认为是从发电机叶片底部到顶部高度之间风速之差也可认为是影响涡轮机发电的另一个因素 。中心高度处风速和流速截面由气象塔测量。然而，由于气象塔数量有限，地形可变，风力发电场涡轮机分布广泛，每个涡轮机处风的力度，实际风速和和风俗截面通常跟气象塔处的值有很大差异 。涡轮机所测的功率与气象塔风速形成的坐标没落在制作功率曲线上的主要原因（如图2所示）。图中曲线代表制造商对额定功率500千瓦的风力发电机组要达到的估算输出功率曲线，考虑到了海拔的差异，戴维斯堡调整了该曲线。曲线上的点表示在风速为气象塔测得10分钟内平均值时，风力发电输出功率。选择哪一个气象塔风速是基于风来自于哪个方向。例如，如果风来自东面，东塔测量风速就是所要用到的风速;如果风来自西面，就要选择西塔的测量风速。在图2中 ，在同一风速下，涡轮机发电功率存在巨大差异，就像风速低时功率大而风速高时功率低，这意味着风力发电机组处的风与气象塔处的风有很大不同。公式(1)中的空气密度也是影响风所包
- 温馨提示:
1: 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
2: 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
3.本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
人人文库网所有资源均是用户自行上传分享，仅供网友学习交流，未经上传用户书面授权，请勿作他用。
川公网安备: 51019002004831号