時柵傳感器是一類根據時空轉換位移傳感器，其結構簡單并且能夠滿足多種環(huán)境的使用要求^[1]。由于在長期使用過程中，電路、信號處理器以及傳感器材料都會發(fā)生老化，上述情況都會導致測量誤差的增加，無法達到高精度測試的狀態(tài)^[1-2]。為了更深入了解系統(tǒng)運行情況，應對時柵傳感器的信號處理系統(tǒng)進行檢測，從而提前消除各類潛在故障問題，有效降低損失，確保時柵傳感器能夠準確測定位移參數(shù)^[3-4]。目前的大部分時柵信號處理系統(tǒng)基本都是由模擬集成電路構成，呈現(xiàn)明顯的非線性特征，無法獲得良好的元件容差性，當電路模塊出現(xiàn)故障時，系統(tǒng)激勵信號同時存在時變與非平穩(wěn)信息^[5-8]。

為使模型優(yōu)勢都得到充分發(fā)揮，本文設計了一種由灰色模型與BP 神經網絡共同構成的能夠預測運行健康狀況的時柵信號處理系統(tǒng)，確保預測結果可以準確反映系統(tǒng)的健康情況。

1 激勵信號誤差與測量精度

圓型場式時柵結構見圖1 所示。位于轉子線圈與傳感器定子間會產生勻速旋轉磁場，使動測頭與定測頭導線感應產生電信號，表示各自的空間位置，體現(xiàn)了被測單元的角位移參數(shù)^[9]。

圖1 圓型場式時柵結構

隨著激勵信號的改變，兩相感應繞組按照如下表達式進行信號輸出：

   (1)

式中， Δk_s與Δk_c表示兩相感應信號對應的幅值差異；Δθ_s、Δθ_c表示兩相感應信號產生的正交誤差； Δθ_ωs與Δθ_ωc表示相位誤差。通常可以將兩路感應信號U_s、U_c之間的差值表示成以下合成信號：

U_e=U_s-U_c=KSin(θ?φ)sin(ωt)   (2)

使感應產生的輸出信號和初始信號間存在幅值差異。式（1）的Δk_s≠Δk_c，現(xiàn)假定只存在幅值差異，測量誤差為e_k，得到?=θ+e_k。再以一階微量代替二階微量，可以得到以下測量誤差：

e_k=0.5(Δk_s?Δk_c)sin(2θ)   (3)

根據以上分析結果可知，當時柵激勵信號發(fā)生幅值與相位變化后，都會引起誤差項e_k與e_ω，從而降低測試的準確性。

2 組合預測模型

可以利用BP 神經網絡模型對長時間以及含有大量歷史數(shù)據的時柵信號處理系統(tǒng)進行分析，采用灰色模型更加適合分析含有較少歷史數(shù)據的時柵信號處理系統(tǒng)^[10-11]。為了更好地滿足對該系統(tǒng)不同模塊電路的運行狀況進行測試的要求，可以發(fā)揮BP 神經網絡模型所具備的時變捕捉以及非線性映射特性，同時利用G(1，1) 模型能夠快速預測樣本數(shù)量少和無規(guī)律數(shù)列的特征，綜合發(fā)揮上述兩種預測模型的優(yōu)勢，根據加權－比例－平均的處理方式，建立相應的加權平方以及平均組合模型，由此獲得能夠適應不同樣本數(shù)量的預測模型，使預測模型達到更大適用范圍并顯著增大預測精度^[12]。

以Y₁（t）表示BP 神經網絡的預測值，以Y₂（t）表示G（1，1）模型的預測值，結合實際預測條件計算加權系數(shù)ω₁、ω₂，兩個系數(shù)應符合非負荷與歸一化的條件。

Y₁(t )與Y₂(t )都是屬于BP 神經網絡的預測參數(shù)，再利用二次規(guī)劃方法得到ω₁與ω₂，從而預測出電路模塊的實際值和預測值之間的最低偏差，由此得到以下所示的二次規(guī)劃模型：

圖2 健康狀況預測流程圖

3 預測模型建立

對圓型場結構的時柵傳感器進行測試，用于測試的時柵信號處理系統(tǒng)實際健康狀態(tài)是已知的，總共提供4個數(shù)據接口，構建了時柵傳感器數(shù)據采集系統(tǒng)，按照6 h間隔條件從偏置電路、功率放大模塊、濾波電路中采集輸出數(shù)據，由于從現(xiàn)場進行數(shù)據采集需要花費很長的時間，因此從實驗室的數(shù)據庫內按照6 h 間隔對應的歷史數(shù)據組成樣本，分別從各電路模塊中輸出600 個數(shù)據進行測試，從中選擇500 個數(shù)據組成訓練模型，再以剩下的100 個對模型進行檢驗，利用該系統(tǒng)的10 d 內包含的數(shù)據對最后20 d 中的系統(tǒng)健康情況進行預測。

4 實驗及討論

在預測模型中輸入預處理后的數(shù)據并完成訓練以及測試過程。之后通過功率放大模塊對激勵信號幅值進行輸出，根據實際測試結果判斷系統(tǒng)預測精度。

通過計算得到表1 評價指標。模型相關系數(shù)R² 都高于98%，推斷預測值和實際測試值基本相符，達到了較低的預測誤差。

對上述兩個模型獲得的預測結果進行分析可知，第1個模型的預測效果比第兩個模型更優(yōu)。利用2 次規(guī)劃模型計算得到組合模型ω₁ 與ω₂ 依次為0.7 與0.3。

較預測結果可知，組合模型產生的測試點比較靠近預測結果，達到了很高相關系數(shù)，誤差也較低，由此可見，該模型可以滿足預測要求，實現(xiàn)準確預測。

計算出兩個參數(shù)的相對誤差再跟健康診斷標準進行對比，得到模塊電路健康預測結果見表2 所示。比較模型診斷數(shù)據與電路的實際健康情況，兩種模型存在1 個模塊發(fā)生診斷結果偏差的現(xiàn)象，采用組合模型能夠實現(xiàn)所有模塊健康狀況的準確預測，獲得比單一模型更優(yōu)的預測精度。

5 結束語

本文設計了一種綜合運用BP 神經網絡與灰色模型進行預測的模型。根據激勵信號的實際誤差引起的測試精度變化，得到預測模型的各項參數(shù)。之后建立組合預測模型并設置了健康狀況的參考標準。經測試發(fā)現(xiàn)，采用此健康預測模式可以實現(xiàn)高可靠性與高精度的預測效果，能夠提前掌握電路系統(tǒng)的健康情況。

參考文獻：

[1] 張永花,王玉芳.一次性信號放大電化學阻抗RNA傳感器研究[J].化學研究,2019(2):140-146

[2] 周芳芳,毛索穎,黃躍文.基于雙微處理器的傳感器自動采集裝置設計與實現(xiàn)[J].長江科學院院報,2019,36(6):157-160.

[3] 張?zhí)旌?王宇,梁敏,等.時柵傳感器氣隙磁導正弦規(guī)律變化的調制方法[J].傳感技術學報,2022,35(10):1363-1367.

[4] 陳自然,卜敬,趙有祥,等.基于平面磁場的雙列結構絕對式時柵傳感器研究[J].傳感技術學報,2021,34(4):463-469.

[5] 劉洋,武亮,彭東林,等.平面線圈型時柵傳感器及動尺姿態(tài)誤差特性分析[J].儀表技術與傳感器,2020,454(11):21-27+32.

[6] 辛毅,徐洋,朱劍鋒,等.基于PVDF壓電薄膜的仿生觸覺檢測系統(tǒng)研究[J].壓電與聲光,2019,41(3):405-409.

[7] 王明輝,陳冰懷,黃海(王瑩),等.自動氣象站常規(guī)傳感器現(xiàn)場檢測系統(tǒng)設計[J].氣象科技,2019,47(3):402-407.

[8] 湯自寧,吳瑾,王冠達,等.集成于車身控制器的胎壓接收模塊硬件設計[J].汽車電器,2019(6):37-39.

[9] 金燕,陳強.電子技術“口袋實驗室”開發(fā)及實驗項目設計[J].實驗技術與管理,2019(6):94-99.

[10] 朱歡歡,李厚佳,張夢夢,等.基于BP神經網絡的外圓磨削顫振在線識別和監(jiān)測方法[J].金剛石與磨料磨具工程,2022,42(1):104-111.

[11] 楊風開.磁調制FFT傳感器信號的神經網絡處理方法[J].儀表技術與傳感器,2019,440(9):96-100+126.

[12] 王麗影,鄭藝華.量熱式生物傳感器信號降噪和穿透曲線的研究[J].儀表技術與傳感器,2013,361(2):1-3+15.

（本文來源于《電子產品世界》雜志2023年6月期）