基于BP网络的智能压力传感器系统研究与设计*

崔静雅，吕惠民，程 赛

(西安理工大学应用物理系，西安 710048)

压力的测控在现代工业自控环境中广泛应用，涉及水利水电、铁路交通、智能建筑、航空航天、军工等众多行业。随着通讯技术和计算机技术的发展，智能压力传感器技术的发展相对滞后，呈现出“头脑(计算机)发达，感觉(传感器)迟钝”的现象［1］。为了提高测量精度，如何抑制压力传感器对温度的交叉敏感性是亟待解决的核心问题［2］。

压力传感器的工作原理已经基本定型，通过发现新的特殊敏感材料［3］来提高性能已经很困难。目前，国内外常用的解决方法基本有两种:一种是硬件法，但硬件电路大都存在电路复杂、精度低、成本高等缺点［4］;另一种是软件法，此类方法是将微处理器与传感器结合起来，利用丰富的软件功能、结合一定的算法对参量进行数据融合，主要有回归法、最小二阶乘法、神经网络、小波等，其中神经网络具有层次性、联想记忆和并行处理等优点，应用前景良好［5－6］。近几年，相关文献中多选用BP神经网络来提高压力测量的精度［5，7－8］，但是忽略了温度测量的准确，且收敛速度慢。本智能传感器系统针对压力和温度相互交叉干扰的问题，利用BP神经网络的Levenberg-Marquardt算法提高了网络收敛速率以及温度和压力两个参量的测量精度，同时在μC/OS－Ⅱ操作平台上，将 BP网络融合算法嵌入到STM32F101C8微处理器中，实现显示、报警、与PC机通信等功能，使功能更加完善。

1 智能压力传感器的硬件设计

硬件电路的系统方框图如图1所示。

图1 硬件电路系统方框图

1.1 测量单元

传感器选用的是JCY－101型硅压阻式压力传感器，其内部电路是由四个压敏电阻组成的全桥差动电路，如图2所示。为了提高恒流特性，本设计采用反馈改进型的恒流源为其供电。测量过程使用“一桥二测”技术，其中，电桥B、D两端输出电压UP为压力参量的输出信号;A、C两端输出电压Ut为温度参量的输出信号［9］。

图2 JCY－101型硅压阻式压力传感器原理图

1.2 主控制器STM32F101C8及其外围电路

STM32F101其内部使用高性能的ARM Cortex－M3 32位的RISC内核，工作频率为36 Hz，内置高速存储器，具有丰富的增强型外设。其工作电压为2.0 V～3.6 V，为了提高转换的精确度，ADC使用一个独立的电源供电，过滤和屏蔽来自印刷电路板上的毛刺干扰。本设计中，将芯片的PA口的PA.4、PA.5、PA.6作为3路信号输入用到其中一路输入压力信号，一路输入温度信号，一路接地，此接地电路可配合相应的软件来降低温漂和系统误差;实时时钟采用12 MHz的时钟晶振和32.768 kHz的低速外部晶振源;PA.8(USART1_TX)和PA.9(USART1_RX)外接一片MAX488进行电平转换，进行与PC的串口通信，对采集到的有效的压力和温度信号实现远程和实时监测控制;4个按键开关分别接到STM32F101C8 的 PA.10、PA.11、PB.6、PB.7，作为预置压力、调节上、下限，开始工作的输入端;将采集到的实时数据、来自键盘的设定压力值送入液晶显示器CM12864显示。

2 智能压力传感器的软件设计

目前，商用的嵌入式操作系统开发成本昂贵且大部分不提供源代码，并不适合小型系统的开发。而μC/OS－Ⅱ相对于其它操作系统具有源码公开、移植性强、代码可裁减等特点，比较适合用于仪用仪表的内嵌微控制器。考虑这些特点，选用μC/OS－Ⅱ作为嵌入式实时操作系统，克服了过去单任务顺序机制，增强系统安全与稳定性［10］。

在此智能传感器系统中，微处理器启动时，A/D转换芯片等功能开始自检。如有故障，显示哪一原件出错，以便操作人员及时处理;如正常，则对系统初始化。一切就绪后，采集目标参量，进行数据处理及BP融合，并将输出结果显示出来。同时与PC机通信，将测试结果送入 PC机，以得到更详细的处理。

2.1 利用BP神经网络进行数据融合

JCY－101型压力传感器为两功能传感器，可以测量压力和温度两个目标参量，但相互存在交叉敏感度。因此本系统采用BP神经网络对输出信息进行数据融合处理，进而提高目标参量的测量精度。

(1)样本库的建立

在不同的温度T(20，30，40，50，60，70 ℃)压力P(0，1，2，3，4，5)×104Pa 下，对 CYJ－101 压力传感器的静态输入－输出特性进行标定，得到36组二维实验数据标定表。取20℃ ～70℃、0～5×104Pa范围内的30组数据作为训练样本，其余6组作为测试样本。由于神经网络输入输出数值应为归一化数值，分别用式(1)和式(2)对样本数据和目标数据进行归一化处理，建立神经网络输入输出标准样本库［11］。

(2)BP网络模型的建立

BP神经网络是一种按误差逆传播算法训练的多层前馈网络，针对通常BP网络在使用中存在的收敛速度慢，容易陷于局部极小值等缺点，采用Levenberg-Marquardt算法对样本数据进行融合［12］。设计一种包括输入层、隐层、输出层的3层网络，输入层和输出层的2个节点分别对应于压力信号和温度信号的输入输出，隐层节点数为6，两层间的传递函数分别为双曲正切S型函数tansig和纯线性函数pureline。

输入层X(XP，Xt)与隐层之间的权值矩阵为W1，阀值矩阵为b1，隐层和输出层Y(Yp，Yt)之间的权值矩阵为W2，阀值矩阵为b2，则输入层与输出层之间的关系表达式为:

(3)BP网络训练

利用函数trainlm对BP网络训练［13］，得到权值和阈值的最优值。当训练误差取0.000 01时，利用MATLAB神经网络工具箱构建BP网络，部分程序如下:

net=newff(minmax(p)，［6 2］，{‘tansig’，‘purelin’}，‘trainlm’);%创建BP神经网络和定义训练函数以及参数，隐层神经元数量为6，输出层数量为2

net.trainParam.goal=0.00001;%目标精度设置

net.trainParam.epochs=2000;%最大迭代次数

［net，tr］=train(net，p，t);% 训练神经网络

y=sim(net，p);% 拟合检验

网络的误差曲线如图3所示，由此图可见，该网络算法收敛速度快，只经过了115次迭代便得到目标误差要求。根据欧式范数理论，对原训练样本进行拟合检验，样本逼近误差为0.0203，网络性能完全可以满足控制要求。此外，为了检验构建的神经网络具有广泛性，用测试样本对网络进行评估，通过与目标值相比较，得到网络误差为0.0379，这表明神经网络具有广泛的适应能力和学习能力，构建的BP网络能很好的解决传感器信号交叉敏感问题。

图3 网络的误差曲线

2.2 μC/OS－Ⅱ的移植

在STM32F101C8上移植μC/OS－Ⅱ系统，移植的主要工作集中在OS_CPU.H、OS_CPU_A.ASM和OS_CPU_C.C这3个文件中，主要设计堆栈初始化、任务上下文切换、中断挂接和数据类型定义几个方面，这些均与STM32F101C8微处理器的ARM内核硬件紧密相关［14］。

2.3 软件开发流程

将训练好的BP神经网络权值(W1、W2)和阈值(b1、b2)以适当的数组方式存入STM32F101C8处理器的Flash存储器中，根据BP网络的融合算法，编写出基于C语言的BP网络融合算法程序，程序在μC/OS－Ⅱ中以任务的方式运行，本系统由如图4中8个任务来实现，优先权(Prio)的设置由各任务的执行顺序以及对系统安全性影响的大小决定。

每个任务函数都是一个无限循环程序，并处于以下五种状态［15］之一:休眠态、就绪态、运行态、挂起态和被中断态。在无限循环中调用实现某些功能的应用程序函数，然后按设计需求设置挂起方式和挂起时间。系统整体软件流程图如图4所示，系统初始化后便建立各个运行任务，启动多任务调度机制，在各个信号的协调下有序运行。

图4 系统整体流程图

3 测试结果分析

3.1 系统输出值评估标准

为了研究BP神经网络数据融合前后，压力和温度两个目标参量的交叉干扰敏感度，分别用压力信号温度灵敏度系数、零点温漂系数和温度信号压力灵敏度系数对系统进行评估。

(1)传感器压力信号的温度灵敏度系数

式中:ΔT为工作温度变化范围;Y(FS)为传感器压力信号的满量程输出值;Δym为当温度变化ΔT时，输出值随温度漂移的最大值。当温度在21.5℃ ～70℃范围变化时，未经过BP网络融合的传感器输出Y(FS)=83.36 mV，Δym=83.36－73.28=10.8 mV，计算出 αs=2.49×10－3/℃。

(2)传感器压力信号的零点温漂系数

式中:ΔT为工作温度变化范围;Ufs为传感器压力信号满量程输出值;ΔU0m为在工作温度变化ΔT时，传感器压力信号的零点漂移最大值。同理，温度在21.5℃～70℃范围变化时，未经过BP网络融合的传感器输出Ufs=83.36 mV，ΔU0m=(－7.72)－(－13.84)=6.12 mV，则 α0=1.51×10－3/℃。

(3)传感器温度信号的压力灵敏度系数

式中:ΔP为工作压力变化范围，取5×104Pa;Y(FS)为传感器温度信号满量程输出值;Δym为当压力变化ΔP时，输出值随压力漂移的最大值。未经过BP网络融合处理时，Y(FS)=86.12 mV，Δym=86.12－80.45=5.67 mV，则 αP=1.32×10－2/104Pa。

3.2 系统输出结果及评估

经BP神经网络融合、逆归一化处理后，传感器输出值无需查表，节省了大量内存，压力信号和温度信号输出分别见表1、表2。根据式(4)，Y(FS)=5×104Pa，Δym=5.018－4.945=0.073×104Pa，则融合后传感器压力信号的温度灵敏度系数αs=3.01×10－4/℃。根据式(5)，Ufs=5×104Pa，ΔU0m=0.006－0.003=0.003×104Pa，经过BP网络融合后的压力信号零点温漂系数α0=1.24×10－5/℃。由式(6)，Y(FS)=70 ℃，Δym=70.427－69.322=1.105℃，经过BP网络融合后温度信号的压力灵敏度系数 αP=1.32×10－4/104Pa。

表1 压力信号测试结果

表2 温度信号测试结果

与未融合前相比，融合处理后的传感器压力信号温度灵敏系数、零点温漂系数和温度信号压力灵敏度系数降低明显，均在一个数量级以上。这说明采用BP神经网络信息融合技术消除传感器交叉敏感现象是十分有效的，达到了信息融合的要求。

4 结论

本智能传感器系统针对压力和温度相互交叉干扰的问题，利用BP神经网络技术提高了温度和压力两个参量的测量精度，并给出了相应的硬件结构和软件设计。实测结果显示该传感器能满足多任务下的实时性要求，并具有更加精确、稳定、可靠的性能。

(1)采用Levenberg-Marquardt算法构建了BP神经网络模型，经检验该网络收敛速度快、精度高、具有较强的适应能力和联想能力。BP网络融合后的输出值无需查表，节省内存空间。

(2)基于μC/OS－Ⅱ操作平台上，将BP网络融合算法嵌入到STM32F101C8微处理器中，并实现了显示、报警、与PC机通信等功能。通过对融合前后压力信号温度灵敏度系数、零点温漂系数和温度信号压力灵敏度系数相对比，该系统能完善地、精确地反映检测对象，提高信息融合的质量，满足现代自动化设备需求。

［1］赵大庆，范锦鹏，吴敏生，等.模仿人体的智能传感器设想［J］.传感器技术，2002，21(8):17－22.

［2］张耀锋，孙以材，刑晓辉.基于人工神经网络的压力传感器的温度补偿［J］.电子学报，2008，36(2):358－361.

［3］Futane N P，Roy Chowdhury S，RoyChaudhuri C，et al.Analog ASIC for Improved Temperature Drift Compensation of A High Sensitive Porous Silicon Pressure Sensor［J］.Analog Integrated Circuits and Signal Processing，2011，67(3):383－393.

［4］刘新月，吕增良，孙以材.压力传感器温度漂移补偿的控制电路设计［J］.传感技术学报，2007，20(3):567－569.

［5］高峰，董海鹰，胡彦奎.基于BP神经网络的传感器交叉敏感性抑制［J］.传感器技术，2005，24(2):22－26.

［6］Du Z M，Jin X Q，Yang Y Y.Fault Diagnosis for Temperature，Flow Rate and Pressure Sensors in VAV Systems Using Wavelet Neural Network［J］.Applied Energy，2009，86(9):1624－1631.

［7］Xiao Z，Ye S J，Zhong B，et al.BP Neural Network with Rough Set for Short Term Load Forecasting［J］.Expert Systems with Applications，2009，36(1):273－279.

［8］邵军，刘君华，乔学光，等.利用BP神经网络提高光纤光栅压力传感器的选择性［J］.传感技术学报，2007，20(7):1531－1534.

［9］刘君华.智能传感器系统［M］.西安:西安电子科技大学出版社，2010，221－224.

［10］邱宝梅，王建文.嵌入式机载摄影稳定平台的设计［J］.仪器仪表学报，2009，30(9):1981－1984.

［11］何平，潘国峰，孙以材，等.压力传感器温度漂移补偿的RBF网络模型［J］.仪器仪表学报，2008，29(3):572－576.

［12］杨英，唐平，王越超，等.基于LMBP改进算法的神经网络结构优化［J］.计算机工程，2008，34(1):215－217.

［13］严洁，赵研，张俊利.基于BP神经网络的称重传感器静态非线性误差补偿研究［J］.传感技术学报，2008，6(21):1025－1028.

［14］王骏，叶瑞源.μC/OS－Ⅱ的优化及在智能变送器中的应用［J］.自动化仪表，2010，31(2):5－7.

［15］吴永明，罗海据.μC/OS－Ⅱ系统中任务调度与监控机制改进［J］.计算机工程，2009，35(12):266－268.