模糊神经网络在电子秤标定中的应用

铝电解企业的称重系统工作的环境温度在-20℃-80℃之间,高温和低温对传感器的影响比较大,而且是非线性的,即对于同一砝码在不同环境温度下称重系统的输出不同。因此,当环境温度变化较大时,必须考虑如何采取有效的措施,减少并补偿温度影响带来的误差,否则会因温度的变化而影响传感器数据采集的精度,尤其是在电子秤的长期使用当中,这个问题很突出。

通常,电子称重系统的温度补偿措施有硬件补偿和软件补偿两种。硬件补偿措施就是采用硬件电路来消除温度带来的影响,但整个电路系统会存在漂移,且很难做到全额补偿。软件补偿又可分为数值分析和人工智能法,最小二乘曲线拟合法是最常用的基于数值分析的温度补偿方法,但它是基于梯度变化量的计算来求最优解的,容易进入局部最优,无法得到全局最优解。本文回顾了铝电解企业称重系统的历史现状,在此基础上,介绍并讨论了人工智能的方法——模糊神经网络来对其进行温度补偿。

模糊神经网络是人工神经网络和模糊技术的综合。模糊神经网络是神经网络和模糊理论相结合的一种网络,它是在神经网络中引入了模糊算法或模糊权系数,是具有输入信号是模糊量的神经网络,是模糊理神经网络理论的基本出发点。将具有逻辑推理能力的模糊技术引入神经网络,使神经网络的节点和参数对应模糊系统的隶属度函数或推理过程,能拓宽神经网络处理信息的范围和能力。模糊系统与人工神经网络的有机结合,可有效地发挥各自的优势并弥补其不足,提高整个系统的表达能力和学习能力。将二者有机地结合起来,既考虑了称重数据的模糊性又考虑称重特征与称重结果的复杂关系。

本课题以称重传感器当前所处的温度和内码值为基础,利用模糊神经网络的方法应用于称重系统,旨在提高称重系统的准确度和稳定性,使称重更加准确使结果更加具有精确性,为电子秤的标定开辟了一条新方法。方法：称重传感器对应的内码值为p,传感器的输出量为m,该称重传感器受温度t的影响,所以输出量m为二元函数,即m=f(p,t)。将测量到的168组数据随机的分为学习样本和测试样本,将称重传感器工作在-14.1℃、-12.8℃、17℃、17.8℃、18.8℃、18.8℃、18.8℃、53.1℃、54.6℃、58.5℃和59.5℃下的12个标称点的共132对实验数据作为学习样本,将工作在-13.5℃、18.9℃和56.8℃下的12个标称点的共36组实验数据作为测试样本,测试模糊神经网络的泛化能力。

结果：把模糊神经网络应用于电容式称重传感器的温度补偿处理中,使其在高温、常温、低温下成功的得到了使测试样本的误差小于0.205%的输出,二者的融合提高了称重系统输出的准确度,得到比较满意的结果,开辟了高温称重技术的又一新领域。方案可行说明模糊神经网络对于拟合任意非线性函数的能力很强,类似的工作都可以用模糊神经网络来解决。