設爲首頁 加入收藏

TOP

基于人工神經網絡電子平台秤故障識別方法
2019-08-21 08:39:43 亚博真人: 作者: 【 】 浏览:0次 評論:0

1 引言

電子平台秤用于貿易結算的成品計量,保證電子平台秤的稱重數據准確性,減少計量異議的發生是一項重要的工作。電子平台秤是以數字顯示重量的電子式測量儀表。它是由稱重傳感器、A/D轉換集成電路、運算放大器、智能單片機、顯示驅動和顯示電路、鍵盤電路、多功能接口電路、交流/直流/充電/蓄電/穩壓電路等部分組成。通過檢查傳感器輸出信號值是否于標准內是判斷電子平台秤儀表不歸零和稱重量不准等主要因素。數字傳感器能夠實現自動采集數據並可以預處理、存儲和記憶,具有標記的唯一性,以便對傳感器的故障診斷。利用Matlab軟件建立神經網絡故障診斷的模型作爲一種識別故障有效的方法[1,2,3,4,5],本文通過使用電子平台秤中數字稱重傳感器的輸出碼值來建立模型從而判斷某一個傳感器是否處于正常工作狀態,從而保證電子平台秤的稱重數據准確。

2 BP神经网络

BP神经网络模型是人工神经网络的重要模型之一。BP算法主要是运用一些学习规则来调整神经元之间的连接权值,在学习过程中,学习规则和网络的拓扑结构无变化的。然而,一个神经网络的信息处理功能不仅取决于神经元之间的连接强度,而且与网络的拓扑结构 (神经元的连接方式) 、神经元的输入输出特性和神经元的阈值有关。首先,对实验结果数据进行预处理,其次利用模式识别算法进行训练和分类,最后通过训练或者学习分类得到的判据对未知样本进行判别或计算机预报[6,7,8,9]。BP神经网络模型的结构由网络的输入层 (input) 、隐层 (hide layer) 和输出层 (output layer) 三部分组成,BP神经网络结构图见图1。

图1 BP神经网络结构图

图1 BP神经网络结构图  下載原圖

人工神經網絡模型中各個參數的確定:

1) 输入层节点数的确定:特征参数组成了特征向量,特征向量可作为网络输入。所以选取特征参数的正确与否直接影响到网络的性能。样本分为校正集和预测集。

2) 隐层节点数的确定:在一定程度上,隐层节点数的增加,使计算的更加复杂,网络训练收敛的速度会降低,网络的推广本领也会随之变得差,因此需通过问题的规模正确地选择隐层的单元数。隐层节点数用下公式求出:

其中m是輸入節點的數目,n是輸出節點的數目,隱層節點數目根據上述公式計算出初始值,再利用逐步增長法進行修改,直到得到一個合適值爲止。通過改變隱層節點數目來確定判別模型分類結果的好壞。

3) 输出层节点数的确定:网络的输出向量,一般指的是一个具体的问题目标结果。

3 实验方法及结果分析

表1 实验数据分布情况     下載原表

表1 实验数据分布情况

3.1 实验方法

本實驗選用一台數字式傳感器電子平台秤進行實驗,理想狀態下,電子平台秤四個傳感器輸出碼值相差在50-100之間。首先,該電子平台秤處于無稱重的狀態下進行實驗。將電子平台秤的四個傳感器分爲四種情況進行實驗,第一種情況四個傳感器都處于正常工作狀態下取四個數字傳感器的輸出碼值;第二種情況四個傳感器中一個傳感器輸出碼值出現異常;第三種情況是四個傳感器中其中兩個傳感器輸出碼值出現異常;第四種情況是四個傳感器中三個傳感器輸出碼值出現異常。四個傳感器均正常情況下,儀表輸出數據爲零,如其中某一個或多個傳感器出現故障,則儀表會顯示一個正或負的余數值。現將四種情況下傳感器輸出碼值作爲輸入數據建立識別模型,運用二進制碼0和1表示四個傳感器的輸出,可根據輸出結果來判斷傳感器工作狀態是否異常。該實驗分別取四種情況下各15傳感器輸出碼值數據,利用60組數據進行建模。具體實驗數據分布情況見表1,其中C1、C2、C3、C4代表四個傳感器。

3.2 结果与分析

样本以3:1的比例分为校正集和预测集,本实验将60组数字式传感器输出码值分成校正集40组和预测集20组。网络的输出点为传感器输出四种状态,分别表示为11, 10, 01, 00四个数字代码进行编码。各个代码分别代表为四个传感器均正常为正常、四个传感器中一个出现故障为异常1、四个传感器中两个出现故障为异常2和四个传感器中三个出现故障为异常3。为了保证数据的一致性,因此在建模之前将所有数据经过数据归一化处理,再选择网络输入层和隐含层的传递函数tansig,输出层传递函数为traingdx函数,训练目标设为1x10-4,網絡的學習速率爲0.05,設定的訓練叠代次數爲5000次。運用matlab軟件來建立人工神經網絡的模型。事實上,隱層節點數的多少決定著BP神經網絡的複雜性。因此,必須選擇最佳的隱層節點數,才能使網絡模型效果最優。本文通過改變不同隱層節點數來比較網絡模型的優劣,不同節點數與訓練集和校正集的正確率關系見表2。傳感器故障識別神經網絡模型見圖2。

图2 传感器故障识别BP神经网络模型

图2 传感器故障识别BP神经网络模型  下載原圖

從上述表2中可以看出,分別選取隱層節點數5、10、15、20、25和30進行網絡訓練,結果顯示當隱層節點數爲10個時,模型達到最好效果,訓練集和預測集正確率均達到100%,四種工作狀態下的傳感器能夠准確地被識別開來,根據識別結果大體可以判斷故障出現的原因,如出現異常1情況,則可以判斷該故障時由于傳感器自身問題産生,如果出現異常2情況可以判斷可能是由于傳感器自身問題或是秤體出現傾斜等情況産生。因此,可以證明了人工神經網絡分析建立的識別模型可以應用于識別數字式傳感器故障的一種方式,並且達到理想的效果。

表2 不同隐层节点数对应训练集和校正集的正确率     下載原表

表2 不同隐层节点数对应训练集和校正集的正确率

4 结束语

称重传感器是电子平台秤重要组成部分,它的好坏直接影响着电子平台秤的称重结果的准确性。在电子平台秤运行过程中,准确诊断故障原因,可提高电子平台秤的准确性和可靠性。本文采用人工神经网络方法建立了数字式传感器故障鉴别的模型, 该模型对传感器故障识别正确率可达到100%,故障识别准确率高,可以作为一种便于在实际中推广应用的诊断数字式传感器的方法。


Tags:地磅 責任編輯:admin
】【打印繁體】【投稿】【收藏】 【推薦】【舉報】【評論】 【關閉】 【返回頂部
分享到QQ空间
分享到: 
上一篇:沒有了 下一篇:地磅質量綜合性能評價的思考

相關欄目

最新文章

圖片主題

熱門文章

推薦文章

相關文章

廣告位

安全聯盟
热门关键词:

亚博真人网页版| 亚博真人下载app| 亚博真人娱乐场| 亚博真人官方下载| 亚博真人登录| 亚博真人注册| 亚博真人开户| 亚博真人网站| 亚博真人官方网址| 亚博真人平台登陆| 亚博真人平台注册| 亚博真人平台| 亚博真人app| 亚博真人在线| 亚博真人客户端| 亚博真人官方网站| 亚博真人官网网站| 亚博真人网投| 亚博真人网址| 亚博真人官网| 亚博真人娱乐城| 亚博真人网址多少| 亚博真人电子游戏| 亚博真人老虎机| 亚博真人游戏|