一种基于LS-SVM构造FLANN的热电偶非线性校正方法

　　热电偶可以将温度转化为可直接测量的电信号, 它的特点是测量温度范围广、测量可靠性高、自身能产生电压, 不需要外加驱动电源, 使用方便, 因此, 在温度测控系统中, 热电偶得到广泛应用. 但热电偶的热电势与温度之间呈现非线性关系, 非线性误差在1%以上, 为减小非线性产生的测试误差, 通常采用校正的方法使其输出信号与测量温度之间呈线性关系[ 1] .

　　传统的传感器非线性校正方法归纳起来可分两类: 一类是公式法, 即以实验数据为基础, 用最小二乘等系统辨识方法求取拟合曲线参数, 建立校正曲线的解析表达式[ 2] . 另一类是表格法, 以查表为手段, 通过分段线性化来逼近传感器的非线性特性曲线[ 3] .

　　近些年来, 随着人工智能技术的快速发展, 又有不少学者利用神经网络等智能方法对传感器非线性特性进行校正[ 4] , 比较有代表性的是利用函数链接型神经网络( FLANN) 结构的非线性学习能力去映射传感特性曲线的反函数作为校正环节[ 5] , 算法相对简单, 实现容易. 但是, 在构造FLAN N 补偿器时, 其网络权值更新通常采用BP 算法[ 6] , 即用迭代运算逐次逼近原理进行网络的学习与训练, 由此存在如下先天性缺陷: ① 不能保证训练过程中仅有一个极值点, 因此会陷入局部极小值, 无法全局优化;② 训练结果也与网络初值、样本次序等有关, 使学习时间、结果具有一定的随机性; ③ 对样本数据的质量、数量依赖性强, 当样本数据含有噪声时, 易造成网络权值振荡、不收敛.

　　为此, 本文根据FLANN 传感器非线性校正原理, 利用最小二乘支持向量机( Least Squares SupportVector Machine , LS-SVM) [ 7-8] 技术对FLANN 进行构造, 用数值直接计算代替了权值迭代, 解决了上述问题. 最后对P-t Rh30-P-t Rh6 热电偶( B 型) 非线性校正的实际结果也表明用本文方法构造FLANN 补偿器速度快、抗干扰能力强、结果稳定可靠.

　　1 热电偶逆模型校正原理

　　热电偶是根据热电效应原理实现温度测量的,即不同的温度会引起不同的热电势, 因此, 其输入和输出之间的关系可表示为

　　为了消除或补偿这一误差, 可使热电偶的输出通过一个补偿环节[ 9] , 如图1 所示. 该模型的特性函数为^t = g( E) , 其中^t 为非线性补偿后的输出, 它与待测温度t 呈线性关系, 并使得补偿后的温度测量系统具有理想特性. 很明显函数g(.) 也是一个非线性函数, 若其输入) 输出关系恰好为热电偶传输特性的逆映射, 即

　　Rh30-P-t Rh6 热电偶( B 型) 为例[ 11] , 在200~ 1 800 范围内测量温度与输出热电动势关系可表示为:

　　该热电偶在测试范围内的传输特性曲线如图2所示, 很明显, 该传感器在低温段有较严重的非线性, 直接影响测量精度, 有必要增加补偿环节进行校正使其线性化.