昆山市拓恒機電有限公司
馮先生 137-7635-6532
E-mail: kstuoheng@126.com
江蘇省昆山市經濟技術開發區
金沙江南路16號3號廠房
1 引言
電子平臺秤用于貿易結算的成品計量，保證電子平臺秤的稱重數據準確性，減少計量異議的發生是一項重要的工作。電子平臺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準內是判斷電子平臺秤儀表不歸零和稱重量不準等主要因素。數字傳感器能夠實現自動采集數據并可以預處理、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為一種識別故障有效的方法
2 BP神經網絡
BP神經網絡模型是人工神經網絡的重要模型之一。BP算法主要是運用一些學習規則來調整神經元之間的連接權值，在學習過程中，學習規則和網絡的拓撲結構無變化的。然而，一個神經網絡的信息處理功能不僅取決于神經元之間的連接強度，而且與網絡的拓撲結構 (神經元的連接方式) 、神經元的輸入輸出特性和神經元的閾值有關。首先，對實驗結果數據進行預處理，其次利用模式識別算法進行訓練和分類，最后通過訓練或者學習分類得到的判據對未知樣本進行判別或計算機預報
圖1 BP神經網絡結構圖 下載原圖
人工神經網絡模型中各個參數的確定：
1) 輸入層節點數的確定：特征參數組成了特征向量，特征向量可作為網絡輸入。所以選取特征參數的正確與否直接影響到網絡的性能。樣本分為校正集和預測集。
2) 隱層節點數的確定：在一定程度上，隱層節點數的增加，使計算的更加復雜，網絡訓練收斂的速度會降低，網絡的推廣本領也會隨之變得差，因此需通過問題的規模正確地選擇隱層的單元數。隱層節點數用下公式求出：
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為止。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) 輸出層節點數的確定：網絡的輸出向量，一般指的是一個具體的問題目標結果。
3 實驗方法及結果分析
表1 實驗數據分布情況 下載原表
3.1 實驗方法
本實驗選用一臺數字式傳感器電子平臺秤進行實驗，理想狀態下，電子平臺秤四個傳感器輸出碼值相差在50-100之間。首先，該電子平臺秤處于無稱重的狀態下進行實驗。將電子平臺秤的四個傳感器分為四種情況進行實驗，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，儀表輸出數據為零，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為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 結果與分析
樣本以3:1的比例分為校正集和預測集，本實驗將60組數字式傳感器輸出碼值分成校正集40組和預測集20組。網絡的輸出點為傳感器輸出四種狀態，分別表示為11, 10, 01, 00四個數字代碼進行編碼。各個代碼分別代表為四個傳感器均正常為正常、四個傳感器中一個出現故障為異常1、四個傳感器中兩個出現故障為異常2和四個傳感器中三個出現故障為異常3。為了保證數據的一致性，因此在建模之前將所有數據經過數據歸一化處理，再選擇網絡輸入層和隱含層的傳遞函數tansig，輸出層傳遞函數為traingdx函數，訓練目標設為1x10-4，網絡的學習速率為0.05，設定的訓練迭代次數為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神經網絡的復雜性。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。
圖2 傳感器故障識別BP神經網絡模型 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為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準確地被識別開來，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產生，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產生。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，并且達到理想的效果。
表2 不同隱層節點數對應訓練集和校正集的正確率 下載原表
4 結束語
稱重傳感器是電子平臺秤重要組成部分，它的好壞直接影響著電子平臺秤的稱重結果的準確性。在電子平臺秤運行過程中，準確診斷故障原因，可提高電子平臺秤的準確性和可靠性。本文采用人工神經網絡方法建立了數字式傳感器故障鑒別的模型, 該模型對傳感器故障識別正確率可達到100%，故障識別準確率高，可以作為一種便于在實際中推廣應用的診斷數字式傳感器的方法。
