位置:成果数据库 > 期刊 > 期刊详情页
传感器标定的神经网络杂交建模方法
  • ISSN号:0577-6686
  • 期刊名称:机械工程学报
  • 时间:0
  • 页码:6-15
  • 语言:中文
  • 分类:TP183[自动化与计算机技术—控制科学与工程;自动化与计算机技术—控制理论与控制工程]
  • 作者机构:[1]西安交通大学强度与振动教育部重点实验室,西安710049, [2]中国工程物理研究院结构力学研究所,绵阳621900
  • 相关基金:国家自然科学基金(10772142 10476020) 国家自然科学基金重点(10832002)资助项目
  • 相关项目:基于统计能量分析理论的结构中高频载荷识别研究
中文摘要:

传感器标定是工程测试中的一个重要环节,直接影响测试结果的精度及可靠性。当被测物理量与传感器输出信号间的关系包含复杂、未知的非线性特性时,传统的标定方法难以达到满意的精度。引入神经网络杂交建模的思想,提出传感器标定的神经网络杂交建模方法,阐明建模过程和步骤。分别以单输入单输出和多输入多输出传感器为例,进行杂交建模标定的仿真研究,并对一个6维力传感器样机完成了神经网络杂交建模试验标定。仿真与试验结果表明,与传统的标定方法相比,神经网络杂交建模方法能够显著提高传感器的标定精度,同时比神经网络黑箱建模方法具有更小的网络规模和更快的收敛速度,且精度高,泛化推广能力强。

英文摘要:

The transducer calibration is a key link in engineering test tasks and has significant influence on accuracy and reliability of test results.When input-output relationships of transducers contain unknown and complex nonlinear characteristics,the conventional calibration method can hardly achieve satisfactory accuracy.A neural network(NN) hybrid modeling approach is proposed and applied to transducer calibration.The modeling procedures are also presented in detail.The simulated studies on the calibration of single output and multiple output transducers are conducted respectively by use of the developed hybrid modeling scheme.The NN hybrid modeling approach is utilized to calibrate a six-dimensional force sensor prototype based on the measured data obtained from calibration tests.The simulated and experimental results show that the NN hybrid modeling approach can improve significantly calibration precision in comparison with traditional calibration methods.In addition,the NN hybrid modeling is superior to NN black box modeling because the former possesses smaller network scale,higher convergence speed,higher calibration precision and better generalization performance.

同期刊论文项目
同项目期刊论文
期刊信息
  • 《机械工程学报》
  • 中国科技核心期刊
  • 主管单位:中国科学技术协会
  • 主办单位:中国机械工程学会
  • 主编:宋天虎
  • 地址:北京百万庄大街22号
  • 邮编:100037
  • 邮箱:bianbo@cjmenet.com
  • 电话:010-88379907
  • 国际标准刊号:ISSN:0577-6686
  • 国内统一刊号:ISSN:11-2187/TH
  • 邮发代号:2-362
  • 获奖情况:
  • 中国期刊奖,“中国期刊方阵”双高期刊
  • 国内外数据库收录:
  • 俄罗斯文摘杂志,美国化学文摘(网络版),荷兰文摘与引文数据库,美国工程索引,美国剑桥科学文摘,日本日本科学技术振兴机构数据库,中国中国科技核心期刊,中国北大核心期刊(2004版),中国北大核心期刊(2008版),中国北大核心期刊(2011版),中国北大核心期刊(2014版),中国北大核心期刊(2000版)
  • 被引量:58603