基于神經網絡的力傳感器健康狀態(tài)監(jiān)測研究

摘 要：力傳感器的健康狀態(tài)監(jiān)測是保證力傳感器安全可靠運行的重要手段。選取力傳感器的總精度作為健康狀態(tài)的評估指標。由于總精度計算復雜，通過提取簡單的特征信號，采用3種神經網絡對力傳感器的總精度進行估測，并進行對比驗證。實驗結果表明：以神經網絡對力傳感器的總精度進行估測的方法來監(jiān)測其健康狀態(tài)可行，為力傳感器健康狀態(tài)監(jiān)測提供了一條新途徑。

關鍵詞：力傳感器；健康狀態(tài)監(jiān)測；總精度；神經網絡

中圖分類號：TP277.2; TH165.3" 文獻標志碼：B" 文章編號：1671-5276（2024）05-0247-04

Research on Health Monitoring of Force Sensor Based on Neutral Network

Abstract：The health monitoring of force sensor is an important means to ensure the safe and reliable operation of force sensor. The total accuracy of the force sensor is selected as the health evaluation index. Due to the complexity of the calculation of the total precision， three kinds of neural networks are applied to estimate the total precision of the force sensor by extracting the simple characteristic signals. The experimental results verify the feasibility of using neural network to estimate the total accuracy of force sensor for health status monitoring， which provides a new way to monitor the health status of force sensor.

Keywords：force sensor；health monitoring；total precision；neural networks

0 引言

作為產品的感官，力傳感器起著監(jiān)測、測量周圍事物變化的重要作用，是機電一體中重要的組成部分之一。力傳感器在車輛、艦船、兵器、材料試驗等諸多領域被廣泛使用。在實際的工程測試中［1］，需要使用大量的、種類不同的力傳感器。由于力傳感器的工作環(huán)境中存在高溫、水汽、腐蝕、振動等現(xiàn)象，會使傳感器精度下降，長期工作在這種環(huán)境中會降低其可靠性，造成經濟損失。所以需要對傳感器健康工作狀態(tài)進行實時自檢，做到及時預報，方能有效預防和解決故障問題，防患于未然。

對于傳感器的健康評估，學者們進行了許多研究與分析。王路瑤等［2］提出采用長短期記憶網絡（LSTM）對空調系統(tǒng)中溫度傳感器進行健康監(jiān)測。夏金輝等［3］利用解析冗余的方法對整流器傳感器進行故障分析。但這些方法往往只能在故障發(fā)生后檢測到故障信號，無法監(jiān)測傳感器未發(fā)生故障或未達到故障閾值時的狀態(tài)。對此劉志成等［4］利用以小波濾波通過傳感器輸出數(shù)據(jù)的有效度指數(shù)作為性能指標，在線監(jiān)測傳感器健康狀態(tài)。張紅等［5］也通過免疫算法預測傳感器輸出時間序列評估測距傳感器性能，但通過傳感器輸出時間序列進行性能評估會被噪聲信號等干擾，影響評估精度。

針對上述問題，本文選用傳感器的總精度作為其健康評估指標，基于總精度計算復雜的特點，采取利用神經網絡的方法對其進行估算。該方法能夠實時評估傳感器的健康狀態(tài)，并可以降低干擾信號的影響。

1 力傳感器健康特征參數(shù)

1.1 總精度的概念

為能綜合評價一臺傳感器的優(yōu)劣，需要一個能反映各單項性能指標的綜合指標。一般把這個指標稱為總精度或總不確定度?？偩纫?guī)定為系統(tǒng)誤差加隨機誤差，其中遲滯誤差與非線性誤差為系統(tǒng)誤差，重復性誤差為隨機誤差。常用的總精度計算方法有方和根法與代數(shù)和法，一般來說方和根法偏小，代數(shù)和法偏大，本文采取方和根法計算傳感器的總精度，如式（1）所示。

作為傳感器的健康指標，傳感器的總精度具有全面、直觀等特點。雖然以總精度作為傳感器健康狀態(tài)參數(shù)優(yōu)勢明顯，但由于其計算過于復雜，目前的傳感器健康監(jiān)測方法中，主要采用對傳感器的輸出時序信號進行總精度處理的應用較少。

1.2 總精度的計算

圖1為傳感器的誤差曲線示意圖，其中的參數(shù)用于參與傳感器性能參數(shù)的計算。

遲滯誤差指正反行程平均校準特性的最大差值；非線性誤差是傳感器的實際平均輸出特性曲線在量程內與理論直線的最大偏差；重復性誤差可以定義為此隨機誤差在一定置信概率下的極限值。3種誤差均以額定輸出θf的百分比表示如下：

總精度一般被作為綜合評價一臺傳感器優(yōu)劣的性能指標，其反映的是傳感器實際輸出在一定置信概率下對其理論特性的偏離皆不超過一個范圍。相比較傳感器的各個單項性能指標，總精度可以更加全面地反映傳感器各個方面的偏移程度，更直觀地體現(xiàn)當前傳感器是否處于正常的工作狀態(tài)。

2 神經網絡模型

2.1 LSTM神經網絡

針對RNN在反向傳播中存在梯度消失，且對較長序列很難將前面的信息傳遞到最后的問題，長短時記憶神經網絡（long short-term memory，LSTM）改進了RNN的結構，不僅具有RNN中的隱藏層加入機制，還設置了門控機制，讓信息能在序列中連續(xù)傳遞下去，從而實現(xiàn)長短記憶的作用，如圖2所示。

LSTM要通過3個控制門：輸入門、遺忘門、輸出門對信息進行調節(jié)。輸入門用于更新信息傳輸路徑；遺忘門決定應該丟棄或保留哪些信息；輸出門用來確定下一個隱藏狀態(tài)的值。

it=σ（wi·Xt+Wi·ht－1+bi）（5）

ct=（wc·Xt+Wc·ht－1+bc）（6）

ft=σ（wf·Xt+Wf·ht－1+bf）（7）

ot=σ（wo·Xt+Wo·ht－1+bo）（8）

2.2 GRU神經網絡

LSTM神經網絡改善了RNN長期記憶不足的問題，但其隱藏層結構過于復雜，樣本訓練需要花費的時間過長。CHO等［6］基于LSTM神經網絡，提出了門控循環(huán)單元（gated recurrent unit， GRU），其樣本訓練的效率更高，如圖3所示。

GRU兩個門分別為重置門和更新門。重置門rt和上一個隱藏狀態(tài)按元素乘積，如果r1為 0，則上一個隱藏狀態(tài)被丟棄，僅使用當前的輸入。如果rt=1，上一時刻的隱含狀態(tài)將被保留同時作為輸入。更新門zt控制過去隱藏狀態(tài)和當前候選隱藏狀態(tài)信息的組合，當zt=1 時，當前隱藏狀態(tài)被丟棄，過去的隱藏狀態(tài)通過時間的保存?zhèn)鬟f到當前時刻。

因此門控循環(huán)機制很好地解決了梯度消失現(xiàn)象，同時能更好地捕捉時間序列數(shù)據(jù)中間隔較大的相互依存關系。

zt=σ（Wz·［ht－1，xt］+br）（9）

ht1=tanh（W·［rtht－1，xt］+bn）（10）

ht=（1－zt）ht－1+ztht1（11）

3 實驗與分析

3.1 研究對象

圖4為本文研究對象DYLY-103式力傳感器示意圖，類型為等截面梁式力傳感器。其中核心器件為電阻應變片。電阻應變片由敏感柵材料制成，靈敏系數(shù)和電阻率穩(wěn)定且機械強度高。當受到機械形變時，其電阻值隨后會發(fā)生變化，通過調理電路檢測電阻變化量就可以將壓力信號轉化成電信號。

3.2 實驗系統(tǒng)設計

圖5所示為實驗硬件，主要分為加載裝置、力傳感器以及數(shù)據(jù)采集卡、信號調理模塊。傳感器固定在底座上，加載臺經過連桿對傳感器進行壓力加載。力加載裝置控制臺及軟件如圖6及圖7所示，通過軟件寫入正弦力的幅值、頻率以及循環(huán)次數(shù)，就可以控制加載臺產生對應的正弦力。實驗環(huán)境對力加載的干擾噪聲很小，可以達到20dB以下。實驗分兩組，分別在30℃、50℃的條件下進行。實驗選擇載荷信號的頻率均為4Hz的正弦力，其中力的最小值為0.2kN，最大值為3kN，每組疲勞實驗加載了25萬個正弦載荷。

每間隔1 000次正弦采樣次數(shù)，分別計算力傳感器的靈敏度、零漂，計算其滿量程輸出電壓值，得到一組時間序列，并計算力傳感器的誤差參數(shù)，求得總精度的時間序列。

3.3 實驗內容

傳感器健康狀態(tài)監(jiān)測最直觀的方法就是監(jiān)測傳感器的總精度。首先結合傳感器、調理電路以及采集卡的精度確定一個閾值，若總精度沒有超過閾值，則傳感器正常工作，反之則說明傳感器處于異常狀態(tài)。但總精度的計算過程較復雜，所以采用傳感器的靈敏度、零漂以及滿量程輸出作為神經網絡的輸入，將對應時刻傳感器總精度作為輸出。將25萬次加載數(shù)據(jù)每隔1 000點取一個時刻，共250個時刻的數(shù)據(jù)序列依次操作，并按照訓練集與測試集為7∶3的比例劃分。訓練集維度為（175，1，3），測試集維度為（75，1，3）。網絡訓練流程如圖8所示。

實驗通過Matlab搭建神經網絡訓練實現(xiàn)。將傳感器的滿量程輸出、傳感器的靈敏度及零漂作為模型的輸入，3組實驗分別用GRU、LSTM以及BP神經網絡對30℃、50℃的傳感器健康狀態(tài)從第176個點開始進行預測。其中，網絡的激活函數(shù)σ均為sigmoid函數(shù)，神經網絡模型的隱藏層均為100，迭代次數(shù)均為200，學習率為0.005。傳感器預測結果對比及預測誤差如圖9—圖12所示。

3.4 實驗結果分析

不同溫度下傳感器誤差如表1所示。經過對比發(fā)現(xiàn)， GRU網絡的訓練時間比LSTM網絡普遍減少了50%左右的同時，GRU網絡的訓練誤差比LSTM網絡高了10%左右。而對比沒有記憶功能的BP神經網絡，GRU失去訓練時間的優(yōu)勢，但在預測結果上會更勝一籌。

4 結語

本文通過采集正弦力加載下的傳感器輸出信號，計算出力傳感器的額定輸出、靈敏度等參數(shù)，計算遲滯、非線性和重復性誤差并合成力傳感器的總精度；通過神經網絡對力傳感器的總精度進行預測?？偩瓤梢杂行А⒅庇^地對力傳感器的健康狀態(tài)進行評估，實現(xiàn)對其健康狀態(tài)的監(jiān)測。通過神經網絡對總精度進行估測從而使監(jiān)測力傳感器健康狀態(tài)的方法具有實際意義。

參考文獻：

［1］ 崔宏敏，陳寶成，崔光浩，等. 振動環(huán)境下壓力傳感器失效機理分析［J］. 振動與沖擊，2017，36（2）：207-211.

［2］ 王路瑤，吳斌，杜志敏，等. 基于長短期記憶神經網絡的數(shù)據(jù)中心空調系統(tǒng)傳感器故障診斷［J］. 化工學報，2018，69（S2）：252-259.

［3］ 夏金輝，郭源博，張曉華. 單相脈寬調制整流器傳感器故障診斷與容錯控制［J］. 電工技術學報，2017，32（20）：160-170.

［4］ 劉志成，陳祥光，李兵，等. 傳感器性能實時評估方法［J］. 數(shù)據(jù)采集與處理，2007，22（2）：161-165.

［5］ 張紅，石峰豪，陳蘇坤. 基于免疫算法的暖通空調系統(tǒng)傳感器故障診斷研究［J］. 機械制造與自動化，2022，51（2）：214-217.

［6］ CHO K，VAN MERRIENBOER B，GLEHRE ，et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation［J］. Computer Science，2014，6（3）：1-15.