基于BP网络的智能压力传感器系统研究与设计

1、第24卷第10期2011年10月传感技术学报CHINESE JOURNAL OF SENSORS AND ACTUATORSVol24No10Oct2011 项目来源:陕西省教育厅基金项目(09JK636收稿日期:20110601修改日期:20110716The Research and Design of Intelligent Sensor System Based on BP Network *CUI Jingya ，LV Huimin *，CHENG Sai(Department of Applied physics ，Xi an University of Technology ，X

2、i an 710048，China Abstract :An intelligent high precision sensor was designed by combining STM32F101C8microprocessor with C /OSoperating system ，meanwhile ，the corresponding hardware structure and software design were givenBy using BP neural network ，two target parameters ，pressure and temperature ，

3、were made do the data combination to reduce the sensitivity of cross-interferenceThe results show that the sensor can meet the real-time demand under multitask ，and get the performance more accurate ，stable and reliableKey words :pressure sensor ; BP network ; C /OS; STM32F101C8EEACC :1295; 7230doi

4、:103969/jissn10041699201110011基于BP 网络的智能压力传感器系统研究与设计*崔静雅，吕惠民*，程赛(西安理工大学应用物理系，西安710048摘要:将STM32F101C8微处理器与C /OS操作系统相结合，设计出了一种高精度智能传感器系统，给出了相应的硬件结构和软件设计。利用BP 神经网络对压力和温度两个目标参量进行数据融合处理，减小了两者相互交叉干扰敏感度。实测结果显示该传感器能满足多任务下的实时性要求，并具有更加精确、稳定、可靠的性能。关键词:压力传感器; BP 神经网络; C /OS; STM32F101C8中图分类号:TP24文献标识码:A 文章编号:10

5、041699(2011 10142605压力的测控在现代工业自控环境中广泛应用，涉及水利水电、铁路交通、智能建筑、航空航天、军工等众多行业。随着通讯技术和计算机技术的发展，智能压力传感器技术的发展相对滞后，呈现出“头脑(计算机 发达，感觉(传感器 迟钝”的现象1。为了提高测量精度，如何抑制压力传感器对温度的交叉敏感性是亟待解决的核心问题2。压力传感器的工作原理已经基本定型，通过发现新的特殊敏感材料3来提高性能已经很困难。目前，国内外常用的解决方法基本有两种:一种是硬件法，但硬件电路大都存在电路复杂、精度低、成本高等缺点4; 另一种是软件法，此类方法是将微处理器与传感器结合起来，利用丰富的软件功

6、能、结合一定的算法对参量进行数据融合，主要有回归法、最小二阶乘法、神经网络、小波等，其中神经网络具有层次性、联想记忆和并行处理等优点，应用前景良好56。近几年，相关文献中多选用BP 神经网络来提高压力测量的精度5，78，但是忽略了温度测量的准确，且收敛速度慢。本智能传感器系统针对压力和温度相互交叉干扰的问题，利用BP 神经网络的Levenberg-Marquardt 算法提高了网络收敛速率以及温度和压力两个参量的测量精度，同时在C /OS操作平台上，将BP 网络融合算法嵌入到STM32F101C8微处理器中，实现显示、报警、与PC 机通信等功能，使功能更加完善。1智能压力传感器的硬件设计硬件电

7、路的系统方框图如图1所示。图1硬件电路系统方框图第10期崔静雅，吕惠民等:基于BP 网络的智能压力传感器系统研究与设计11测量单元传感器选用的是JCY101型硅压阻式压力传感器，其内部电路是由四个压敏电阻组成的全桥差动电路，如图2所示。为了提高恒流特性，本设计采用反馈改进型的恒流源为其供电。测量过程使用“一桥二测”技术，其中，电桥B 、D 两端输出电压U P 为压力参量的输出信号; A 、C 两端输出电压U t 为温度参量的输出信号9。 图2JCY101型硅压阻式压力传感器原理图12主控制器STM32F101C8及其外围电路STM32F101其内部使用高性能的ARM CortexM332位的R

8、ISC 内核，工作频率为36Hz ，内置高速存储器，具有丰富的增强型外设。其工作电压为20V 3. 6V ，为了提高转换的精确度，ADC 使用一个独立的电源供电，过滤和屏蔽来自印刷电路板上的毛刺干扰。本设计中，将芯片的PA 口的PA. 4、PA5、PA6作为3路信号输入用到其中一路输入压力信号，一路输入温度信号，一路接地，此接地电路可配合相应的软件来降低温漂和系统误差; 实时时钟采用12MHz 的时钟晶振和32768kHz 的低速外部晶振源; PA8(USART1_TX 和PA9(USART1_RX 外接一片MAX488进行电平转换，进行与PC 的串口通信，对采集到的有效的压力和温度信号实现远

9、程和实时监测控制; 4个按键开关分别接到STM32F101C8的PA10、PA11、PB6、PB7，作为预置压力、调节上、下限，开始工作的输入端; 将采集到的实时数据、来自键盘的设定压力值送入液晶显示器CM12864显示。2智能压力传感器的软件设计目前，商用的嵌入式操作系统开发成本昂贵且大部分不提供源代码，并不适合小型系统的开发。而C /OS相对于其它操作系统具有源码公开、移植性强、代码可裁减等特点，比较适合用于仪用仪表的内嵌微控制器。考虑这些特点，选用C /OS作为嵌入式实时操作系统，克服了过去单任务顺序机制，增强系统安全与稳定性10。在此智能传感器系统中，微处理器启动时，A /D转换芯片等

10、功能开始自检。如有故障，显示哪一原件出错，以便操作人员及时处理; 如正常，则对系统初始化。一切就绪后，采集目标参量，进行数据处理及BP 融合，并将输出结果显示出来。同时与PC 机通信，将测试结果送入PC 机，以得到更详细的处理。21利用BP 神经网络进行数据融合JCY101型压力传感器为两功能传感器，可以测量压力和温度两个目标参量，但相互存在交叉敏感度。因此本系统采用BP 神经网络对输出信息进行数据融合处理，进而提高目标参量的测量精度。(1 样本库的建立在不同的温度T (20，30，40，50，60，70 压力P (0，1，2，3，4，5 10 4Pa 下，对CYJ101压力传感器的静态输入输

11、出特性进行标定，得到36组二维实验数据标定表。取20 70 、0 510 4Pa 范围内的30组数据作为训练样本，其余6组作为测试样本。由于神经网络输入输出数值应为归一化数值，分别用式(1 和式(2 对样本数据和目标数据进行归一化处理，建立神经网络输入输出标准样本库11。珔X i=X i X i minX i max X i min(i =1，2 (1 珔Y i =09(Y i Y i min Y i max Y i min+005(i =1，2(2式中:珔X i 、珔Y i 为第i 个传感器输入输出归一化值，X i 、Y i 为传感器的输入输出值，X i min 、X i max 、Y i

12、min 、Y i max 分别对应第i 个传感器输入输出的最大值和最小值。(2 BP 网络模型的建立BP 神经网络是一种按误差逆传播算法训练的多层前馈网络，针对通常BP 网络在使用中存在的收敛速度慢，容易陷于局部极小值等缺点，采用Lev-enberg-Marquardt 算法对样本数据进行融合12。设计一种包括输入层、隐层、输出层的3层网络，输入层和输出层的2个节点分别对应于压力信号和温度信号的输入输出，隐层节点数为6，两层间的传递函数分别为双曲正切S 型函数tansig 和纯线性函数pureline 。输入层X (X P ，X t 与隐层之间的权值矩阵为W 1，阀值矩阵为b 1，隐层和输出层

13、Y (Y p ，Y t 之间的权值矩阵为W 2，阀值矩阵为b 2，则输入层与输出层之间的关系表达式为:Y =pureline (W 2tansi g (W 1X +b 1 +b 2(3(3 BP 网络训练利用函数trainlm 对BP 网络训练13，得到权值7241传感技术学报wwwchinatransducerscom第24卷和阈值的最优值。当训练误差取000001时，利用MATLAB 神经网络工具箱构建BP 网络，部分程序如下:net =newff (minmax (p ，62，tansig ，purelin ，trainlm ; %创建BP 神经网络和定义训练函数以及参数，隐层神经元数量

14、为6，输出层数量为2nettrainParamgoal =000001; %目标精度设置nettrainParamepochs =2000; %最大迭代次数net ，tr =train (net ，p ，t ; %训练神经网络y =sim (net ，p ; %拟合检验网络的误差曲线如图3所示，由此图可见，该网络算法收敛速度快，只经过了115次迭代便得到目标误差要求。根据欧式范数理论，对原训练样本进行拟合检验，样本逼近误差为00203，网络性能完全可以满足控制要求。此外，为了检验构建的神经网络具有广泛性，用测试样本对网络进行评估，通过 图3网络的误差曲线与目标值相比较，得到网络误差为00379

15、，这表明神经网络具有广泛的适应能力和学习能力，构建的BP 网络能很好的解决传感器信号交叉敏感问题。22C /OS的移植在STM32F101C8上移植C /OS系统，移植的主要工作集中在OS_CPUH 、OS_CPU_AASM 和OS_CPU_CC 这3个文件中，主要设计堆栈初始化、任务上下文切换、中断挂接和数据类型定义几个方面，这些均与STM32F101C8微处理器的ARM 内核硬件紧密相关14。23软件开发流程将训练好的BP 神经网络权值(W 1、W 2 和阈值(b 1、b 2 以适当的数组方式存入STM32F101C8处理器的Flash 存储器中，根据BP 网络的融合算法，编写出基于C 语

16、言的BP 网络融合算法程序，程序在C /OS中以任务的方式运行，本系统由如图4中8个任务来实现，优先权(Prio 的设置由各任务的执行顺序以及对系统安全性影响的大小决定。每个任务函数都是一个无限循环程序，并处于以下五种状态15之一:休眠态、就绪态、运行态、挂起态和被中断态。在无限循环中调用实现某些功能的应用程序函数，然后按设计需求设置挂起方式和挂起时间。系统整体软件流程图如图4所示，系统初始化后便建立各个运行任务，启动多任务调度机制，在各个信号的协调下有序运行。 图4系统整体流程图3测试结果分析31系统输出值评估标准为了研究BP 神经网络数据融合前后，压力和温度两个目标参量的交叉干扰敏感度，分

17、别用压力信号温度灵敏度系数、零点温漂系数和温度信号压力灵敏度系数对系统进行评估。(1 传感器压力信号的温度灵敏度系数s =y m T·Y (FS (48241第10期崔静雅，吕惠民等:基于BP 网络的智能压力传感器系统研究与设计式中:T 为工作温度变化范围; Y (FS 为传感器压力信号的满量程输出值; y m 为当温度变化T 时，输出值随温度漂移的最大值。当温度在215 70 范围变化时，未经过BP 网络融合的传感器输出Y (FS =8336mV ，y m =83367328=108mV ，计算出s =24910 3/ 。(2 传感器压力信号的零点温漂系数0=U 0m /(T

18、83;U fs (5 式中:T 为工作温度变化范围; U fs 为传感器压力信号满量程输出值; U 0m 为在工作温度变化T 时，传感器压力信号的零点漂移最大值。同理，温度在215 70 范围变化时，未经过BP 网络融合的传感器输出U fs =8336mV ，U 0m =(772 (1384 =6. 12mV ，则0=15110 3/ 。(3 传感器温度信号的压力灵敏度系数P =y mP·Y (FS (6式中:P 为工作压力变化范围，取510 4Pa ; Y (FS 为传感器温度信号满量程输出值; y m 为当压力变化P 时，输出值随压力漂移的最大值。未经过BP 网络融合处理时，Y

19、(FS =8612mV ，y m =861280. 45=567mV ，则P =13210 2/104Pa 。32系统输出结果及评估经BP 神经网络融合、逆归一化处理后，传感器输出值无需查表，节省了大量内存，压力信号和温度信号输出分别见表1、表2。根据式(4 ，Y (FS =510 4Pa ，y m =50184945=007310 4Pa ，则融合后传感器压力信号的温度灵敏度系数s =30110 4/ 。根据式(5 ，U fs =5104Pa ，U 0m =00060003=000310 4Pa ，经过BP 网络融合后的压力信号零点温漂系数0=1. 2410 5/ 。由式(6 ，Y (FS

20、=70 ，y m =7042769322=1105 ，经过BP 网络融合后温度信号的压力灵敏度系数P =13210 4/104Pa 。表1压力信号测试结果温度标定值/压力标定值/104Pa0123452150003100419732976397849454400051011197629903982495270000610151984299340095018表2温度信号测试结果压力标定值/104Pa温度标定值/2152834445070121508279303385443832498507042732146827854336414377849771697505214512778533493436

21、434970269322与未融合前相比，融合处理后的传感器压力信号温度灵敏系数、零点温漂系数和温度信号压力灵敏度系数降低明显，均在一个数量级以上。这说明采用BP 神经网络信息融合技术消除传感器交叉敏感现象是十分有效的，达到了信息融合的要求。4结论本智能传感器系统针对压力和温度相互交叉干扰的问题，利用BP 神经网络技术提高了温度和压力两个参量的测量精度，并给出了相应的硬件结构和软件设计。实测结果显示该传感器能满足多任务下的实时性要求，并具有更加精确、稳定、可靠的性能。(1 采用Levenberg-Marquardt 算法构建了BP神经网络模型，经检验该网络收敛速度快、精度高、具有较强的适应能力和

22、联想能力。BP 网络融合后的输出值无需查表，节省内存空间。(2 基于C /OS操作平台上，将BP 网络融合算法嵌入到STM32F101C8微处理器中，并实现了显示、报警、与PC 机通信等功能。通过对融合前后压力信号温度灵敏度系数、零点温漂系数和温度信号压力灵敏度系数相对比，该系统能完善地、精确地反映检测对象，提高信息融合的质量，满足现代自动化设备需求。参考文献:1赵大庆，范锦鹏，吴敏生，等模仿人体的智能传感器设想J 传感器技术，2002，21(8 :17222张耀锋，孙以材，刑晓辉基于人工神经网络的压力传感器的温度补偿J 电子学报，2008，36(2 :3583613Futane N P ，R

23、oy Chowdhury S ，RoyChaudhuri C ，et alAnalogASIC for Improved Temperature Drift Compensation of A High Sensitive Porous Silicon Pressure Sensor J Analog Integrated Circuits and Signal Processing ，2011，67(3 :3833934刘新月，吕增良，孙以材压力传感器温度漂移补偿的控制电路设计J 传感技术学报，2007，20(3 :5675695高峰，董海鹰，胡彦奎基于BP 神经网络的传感器交叉敏感性抑制J 传感器技术，2005，24(2 :22266Du Z M ，Jin X Q ，Yang Y YFault Diagnosis for Temperature ，FlowRate and Pressure Sensors in VAV Systems Using Wavelet Neural Network J Applied Energy ，2009，86(9 :162416317Xiao Z ，Ye S J ，Zhong B ，et alBP Neural Network w