|
基于MSP430单片机的高精度压力变送器引言: 传感器的输出不仅受到压力的影响,还会受到其他外部非目标参数的影响,从而形成传感器交叉灵敏度问题,影响输出精度。为了解决这一问题,主要进行温度补偿,包括线性插值法、最小二乘法、神经网络算法等。BP网络方法在神经网络中是一种很好的方法,通过建立BP网络,利用其逼近任意精度的任意非线性函数的能力来进行数据拟合。MSP430是一款超低功耗、外设丰富的微控制器。利用MSP430采集传感器的压力输出和环境的温度值作为BP网络训练的输入样本进行离线训练,最大限度地修改权值和阈值,利用训练好的权值数组和阈值数组控制变送器的输出,并用C语言对其结构进行编程。达到BP网络数据融合的目的。 1系统硬件设计 1.1芯片选择 MSP430单片机是一种集成度高、精度高的单片机系统。它采用精简的指令集,是一个16位高速处理MCU。系统运行相对稳定,处理能力强。它具有丰富的外设模块,如A/D模块、D/A模块等,在使用时减少了外设空间体积。采用MSP430系列单片机具有超低功耗、强大的数据处理能力,考虑到阵列经过BP网络训练后需要进行大量的浮点运算,而且其芯片的开关能力非常丰富,因此选用MSP430系列MSP430F247TPM微控制器。 1.2硬件电路设计 硬件电路设计总体框图如图1所示。压力或液压作用于前端压力传感器。压力传感器将压力和温度的电压信号输入到放大器,放大器信号经过放大后输入到单片机的A/D转换通道。单片机将压力和温度的电压信号转换成数字量进行处理,通过LED显示,并通过RS485通信接口将数据传输给上位机。电源模块提供3。3v和5v电压下,整个电路实现如下所述: (1)压力传感器选用MPM280压力传感器,MPM280检测电路形式为惠斯通电桥,采用1.5mA直流电源。 (2)电源模块设计。MSP430需要3.3V电压供电,其他外设需要5V电压供电,对输入电源进行电压互感器处理,这里用专用芯片LM317、TPS76950、TPS76933。电压通过LM317转换为+ 1v的功率输出,LM317分别为TPS7693和TPS76950芯片供电,TPS769 33和TPS76950将10V电压转换为3.3V和5V电压输出到MCU和MCU外设。 (3)信号放大电路。这里的放大器核心选用的是IN A 121, IN A 121是一款低功耗、高精度的差压放大器,它可以工作在单电源和双电源两种模式下。将压力传感器测得的压力力转换后输入电压信号到INA 12 1的引脚3和引脚2,放大器的放大倍数可根据外部电阻调节。放大后的电压信号通过引脚6 ina121送入单片机的A/D转换通道,实现放大功能。 (4) A/D转换部分。采用MSP430F247单片机的ADC12模块直接实现A/D转换,MSP430F247T PM本身具有2通道转换接口,通过ADC12模块的控制寄存器实现温度和压力2通道模拟信号的A/D转换。ADC12内置参考电源,ADC12模拟多路复用器可以对温度和压力信号进行时序转换,并具有采样和保持功能,ADC12硬件通过设置将结果自动转换到相应的寄存器。 (5) RS-485通讯电路及显示电路。RS-485通讯电路模块选用专用芯片MAX485, LED显示屏选用驱动芯片SH J74A HC373。 2 系统软件设计 2.1 BP网络算法 BP网络是目前应用最广泛的神经网络模型,它分为输入层、隐含层和输出层3层, 层与层之间多采用全互连方式, 同一 层单元之间不存在相互连接。 BP网络是由信息的正向传播和误差的反向传播组成, 正向传播的输入模式从输入层经隐层逐层处理并传向输出层,如果输出层没有得到期望的结果,则将误差信号沿原来的通路返回并修改各层的权值转为反相传播,直到误差最小,最终达到期望的目标值。 2.2 试验样本的采集及数据处理 试验样本的采集需要 的器材 有: M PM 280 压力传感器、压力传感器信号控 制 电路板 、标 准压力 计 、压力传 感器 高低 温测试温箱 、测试 电脑 、M SP430 下载线。 将压力传 感器 连接好置于压力传感器测试温箱 内, 将压力传感器 反映温度 和压力信号的 4 根导线连接到压力传感器信 号控 制电路板上, 电路板上通讯接口与主机相连 , MSP430 下 载线一 端与单 片机 JTA G 相连 ,另一端与主机相连 在神经网络 的试验样本及检 测样本 的采集 中 ,单 片机完成的工作是上 电初始化 、温度和 压力 的 A /D 转换 ,将转 换之后 的数据通过 R S 一485 通讯发送到 主机上 显示出来 , 记录温度 和压力的 A /D 采样值 ,其 中 A /D 采 样值 选择 的参考 电压 为单 片机内部设定 电压 1. 5 V ,所测得 的数据 如表 1 所示 。 通过表 1 可以看出: 原压力传感器的零点 A/D 采样值 由-40℃ 的223漂移 到 80 ℃的185 ,满点 由 一40 ℃ 的 3 961 漂移到 80 ℃ 的 3 016 ,并且 在加 相 同的压力 下 , 不同 温度点 的 A/D采样值也是不 同的, 可以看出有很大 的温度 漂移, 所 以要进行温度补偿。 为了检验训练后 BP 网络 的控制性 能 ,需要对 BP 网络进行样本检测 , 这时需要对经过神经 网络工 具箱仿真 之后 的数 据进行反归一化处理 , 反归一化的 目的是将神经 网络输 出的 0.05 ~0.95 之间的数映射到期望的区间值。 反归一化公式为 式 中 :P 为为神经 网络仿 真输 出值 ;P , P 为归一 化时 的训练样本中压力标 定值 中最大与最小值; P 为最终数据融合值 。 2.3 BP 网络的建立及训练 打开MATLA B的命令窗口界面,在神经网络工具箱主界面输入nntool,建立一个4层BP网络。第一层是输入层,由2个神经元组成,是温度、压力A/D采样值归一化后的数值输入。第一隐藏层有5个神经元,第二隐藏层有4个神经元。输出层为一个神经元,表示处理后的压力输出,每层的激励函数为tansig函数。将归一化训练样本的输入值和目标值导入神经网络工具箱,训练样本选择为40℃、30℃、20℃、10℃、0℃、20 qC、30℃、20℃、60℃。在80℃下采样10个温度点的温度和压力,选择10℃的温度和压力A/D样本作为检测样本,并在MAIAB神经网络工具箱的训练选项卡上设置训练参数,点击 TR AIN 按钮进行训练, 如果训练次数达到最大仍没有使误差最小,继续训练, 当达到训练误差不再减小时停止训练 ,此时的误差为 3.225 ×10 一,训练次数达到2 899次, 为了验证神经网络对传感器温度补偿的有效性以及准确程度,把采集到的数据输入神经网络进行检测, 把输出值进行反归一化处理后得到融合值,其中训练样本和检测样本的神经网络融合值如表 2 所 示。 表 1 温度和压 力 A /D 采样值 由表2可以看到 , 当环境温度在-40 ~ 80℃ 变化范围内BP网络数据融合值误差为0.08%,可知利用BP网络进行温度补偿数据融合精度很高,在MATLAB神经网络工具箱中查看BP网络的权值与阈值,得到其连接关系,通过编程实现其压力传感器的数据控制算法。查看神经网络工具箱的权值与阈值。将训练得到的各数组及温度和压力A/D采样值中最大最小值利用 c 语言编程完成算法控制。 表 2 liP 网络数 据融合值 2.4 系统软件实现方式 3、结束语 神经网络是 一个大规模非线性 系统 ,具有 自适应 和 自学 习的能力 ,通过其 自身 的数据融合 消除 了压力 传感器 的交叉灵 敏度 ,进行 了温度补偿 , 提高了压力传感 器 的精 度。 实验证 明: 经过神经网络 离线 训练得到数据拟合模 型 ,处 理实时信 号能够 进行很好 的零 点补偿 特性以及 良好的抑制时漂 特性 , 利用超低 功耗单片机 M SP430 的丰富外设减 小 了压 力传 感器 的体积 ,利 用M SP430 单片机采集 到的压力和 温度 的 A/D 值进 行离线 训练 ,提高了压力传感器 的精度 。 该 设计 已做 出样 品 , 满足 0. 1% 的精度要求 。 参考文献 : [1] 严家明,毛瑞娟 ,谢永宜. 两种数据融合算法对扩 散硅压力传感 器的温度补偿. 计算机测量与控制 ,2008 ,16 (9 ) :1363 —1365 [2] 沈建华 .杨艳琴. M SP430 系列单片机 16 位超低功耗单片机原理与实践.北 京 :北京航 空航天大学 出版社 ,2008 :1 —100 . [3] 刘君华. 智能传感器系统. 西安 :西安 电子科技大学 出版社 ,2004 :1 —5O . [4] 丛爽. 面 向 M A TLA B 工具箱 的神经 网络理论与应用. 合肥 :中国科技大学出版社 ,2003 :55 —85 . [5] 何平 ,潘 国峰 ,孙以材 ,等. 压力传感器温度漂 移补偿 的 R BF 网络模型. 仪器仪表学报 ,2008 ,29 (3 ) :572 —576 . [6] 张耀锋 ,孙以材. 基于 BP 神经网络温度补偿 的压力传感器无线数据采集系统. 传感器世界,2008 (1) :36 —39 . [7] 王福 昌,张宝雷 ,张 同庆. 神经 网络工具 nntool 及 其应用. 计 算机与现代化 ,2003 (9 ) :84 —85. [8] 高峰 ,董海鹰 ,胡彦奎. 基于 B P 神 经网络的传感 器交叉敏感 性抑制. 传感器技术 ,2005 ,24 (2 ) :22 —26 .作者简介 :张建军 ,(198 3一 ) ,硕士研究生 ,主要研究方 向为工业 自动化及智能控 制。 E -m ail:jianjunarm y@ 163. cor n
班宁产品汇总 上一篇红外和超声波互补式入侵检测方法下一篇传感器的技术指标 |