摘要
近年来,基于 MEMS(Micro-Electro-Mechanical System 微电子机械系统)的微惯性传感器受到了广泛重视,其中以硅微机械惯性仪表最为引人注目。虽然发展了很多年,但是微硅陀螺的精度还不是很高。国内外许多人员都一直致力于如何改善微硅陀螺的性能,取得了许多成果。
人工神经网络是一种试图效仿生物神经系统处理信息的新型计算模型,它在理论上具有以任意精度逼近非线性函数的能力。国内外已经有许多专家学者成功地将人工神经网络应用于传感器领域。本文中利用其高度非线性描述能力,实现对微硅陀螺输出信号的处理。
本文首先分析、选定课题的实现方案,采集了神经网络仿真所需要的微硅陀螺和光纤陀螺输出值的样本数据,讨论了无反馈神经网络滤波器、带反馈神经网络滤波器以及时延 RBF 网络对于微硅陀螺信号的补偿效果。实验结果表明,采用前面两种结构的神经网络滤波器是可以实现类似滤波器的功能,能够提高传感器的精度,并且找到了一组较为合适的网络结构参数;但是时延 RBF 网络并不能达到滤波效果。本文还设计和开发了基于 DSP 的硬件系统,并对其软件框架给出了初步设计。
MEMS-based Micro-machined inertial sensors have attracted a lot of attention duringthe past few years, among which most people focus on the silicon Micro-machined inertialmeter. Although developed for many years, the performance of micro-silicon gyroscope isnot satisfied. Many researchers are devoted to enhance its performance, and get a lot ofachievements.
It is well known that neural network has the ability of approximating nonlinearfunction to arbitrary accuracy, so that a neural network based micro-silicon gyroscopeperformance enhancement scheme is proposed. The employed neural networks are‘delayless’nonlinear filters, which reduced the noise of micro-silicon gyroscope.
The operating principle, structure, and algorithm of the scheme are described indetails. The effectiveness of this method is demonstrated by using real signals. Theoreticalanalysis and simulation experiment show that the nonlinear filter based on neural networkcan enhance the performance of micro-silicon gyroscope. A signal-processing card basedon TMS320VC5402 is also designed, including the minimum system of DSP, A/Dconverter circuit, D/A converter circuit, and RS-232 interface circuit.
引文
[1] 王庆玮,王安,谢海明, 色度传感器非线性误差校正的神经网络模型,传感器技术, 1998,17(2) :21～23.
[2] 田社平,林良明,基于神经网络的仪器非线性校准系统研究,自动化仪表,1997,18 (7):15～17.
[3] 陈杨生,彦钢锋,基于BP神经网络改进的FIR滤波器研究,青岛大学学报,2004,3 (17): 59～62.
[4] 曾喆昭,唐忠,神经网络在FIR带通滤波器设计中的应用研究,电子测量与仪器学报, 2002,16 (2) : 10～14.
[5] 张晓,刘永,姜明,基于神经网络的数字滤波器,南开大学学报(自然科学),2001, 34 (3) : 49～53.
[6] Roger L. Schultz, Halliburton Energy Services, Carrollton TX,Application of Neural Networks for Transducer Calibration and Signal Processing of Transducer Data Containing Periodic Interference,Proceedings of the American Control Conference, June 1999
[7] 常炳国,张声良,刘君华,采用数据融合处理技术提高传感器的可靠性,西安交通大学 学报,1998,32 (12) : 5～7.
[8] 贾要勤,常炳国,采用神经网络数据融合处理技术提高传感器的静态特性,西安交通 大学学报,1999,33 (11) : 75～78.
[9] 田社平,基于递归神经网络模型的传感器非线性动态补偿,上海交通大学学报,2003, 37 (1) : 13～16.
[10] 殷铭,徐科军,戴先中,基于FLANN的传感器动态特性研究方法,东南大学学报,1999, 29 (7) : 103～108.
[11] 徐科军,殷铭,基于FLANN的腕力传感器动态补偿方法,仪器仪表学报,1999,20(5): 541～544.
[12] 田社平,神经网络模型在测试系统动态补偿中的应用,计量技术, 2001,44 (10) : 3～5. TIAN Sheping,Application of neural network model on dynamic compensation of measurement system, Measurement Technique, 2001, 44 (10) : 3- 5.
[13] 杨丽君,杨怀庆,李志全,一种改善传感器动态特性的神经网络补偿方法,自动化仪 表,2000年5月
[14] M.Norgaard,Neural Network Based System Identification Toolbox,Tech. Report,00-E-891, Department of Automation, Technical University of Denmark, 2000
[15] 吴学忠,刘宗林,李圣怡,微硅陀螺性能影响因素及其对策研究,微纳电子技术,2003 年7/8月,274～276
[16] 单夫惟,马乐梅,光纤陀螺发展及应用,光电子技术与信息,2004年8月,17(4): 12～ 14.
[17] 王洪元,史国栋,人工神经网络技术及其应用, 北京:中国石化出版社,2003年4 月第1版
[18] Nartin T. Hagan, Howard B. Demuth, Mark H. Beale,Neural Network Design,机械工业出 版社,2002年8月
[19] 胡守仁,余少波,戴葵,神经网络导论,长沙:国防科技大学出版社,1993年3月: p1-77,p113-129
[20] 张永怀,刘君华,采用BP神经网络及其改进算法改善传感器特性,传感技术学报,2002 年9月
[21] 司端锋,常炳国,刘君华,基于BP神经网络的传感器特性补偿新算法的研究,传感器 技术,2000年,第一期
[22] 寇雪芹,师帅兵,人工神经网络在传感器数据融合中的应用,传感器技术,2002年第 21卷第10期
[23] 庄哲民,黄惟一,刘少强.提高传感器精度的神经网络方法.计量学报,2002年1月
[24] R.Vicen,R.Gil,P.Jarabo. Nonlinear filtering of ultrasonic signals using neural networks. Ultrasonics 42(2004) 355-360
[25] Simon Haykin编著,叶世伟,史忠植 翻译,神经网络原理, 机械工业出版社,2004 年1月
[26] Narendra K.,Parthasarathy K. ,Identification and control of dynamical systems using neural networks,IEEE Trans. on Neural Networks, 1:4-27.
[27] Gao X Z, Gao X M,A/D Converter Resolution Enhancement Using Neural Networks, Proc IEEE Instrment and Measurement Technology Conference, Ottawa, Canada: 1997
[28] Poopalasingam S.,Reeves, C.P,Steele, N.c,Application of neural networks for sensor performance improvement,Neural Networks for Signal Processing, Sept.1994, 633 - 640
[29] Jagdish C.Patra, Adriaan van den Bos,Modeling of an intellignet pressure sensor using functional link artificial neural networks,ISA Translation 39(2000)
[30] 戴明桢,周建江,TMS320C54x DSP 结构、原理及应用,北京航空航天大学出版社, 2001年
[31] Texas Instruments, TMS320C54x DSP CPU and Peripherals Reference guide,1999
[32] Texas Instruments, TMS320C54x DSP Enhancement Peripherals guide,1999
[33] Texas Instruments, Interfacing the TLV2544/TLV2548ADC to the TMS320C5402 DSP, 2000
[34] Texas Instruments, Using the TMS320C5402 DMAChannels to Read From the TLV2548, 2000
[35] 薛志宏,刘建业,TMS320C54xx系列DSP异步串行数据传输的研究与实现,工业控制计 算机,2003
[36] Maxim Integrated Products,MAX3100E/MAX3111E,2003