基于BP神经网络的飞机称重传感器在线标定研究

段振云 李文强 赵文辉

(沈阳工业大学机械工程学院，辽宁 沈阳 110870)



基于BP神经网络的飞机称重传感器在线标定研究

段振云 李文强 赵文辉

(沈阳工业大学机械工程学院，辽宁 沈阳 110870)

飞机质量测量的准确性决定其飞行的性能和安全可靠性。针对目前飞机称重传感器在线标定存在的误差较大、随机性强、稳定性差等问题，探讨了称重传感器在线标定原理及方法。利用神经网络的非线性映射能力，构建基于BP神经网络的飞机称重传感器在线标定模型，并研制了标定试验装置，进行标定试验和验证。结果表明，基于BP人工神经网络的飞机称重传感器在线标定提高了标定稳定性和效率，保证了称重值与实际值的一致性，满足了实际需求。

飞机称重 BP神经网络 传感器 在线标定 测量误差 准确度

0 引言

为保证飞行器能够达到设计目标，必须对研制和使用的每一环节进行严格检测和控制。飞机的质量测量是一个重要的环节，在飞机研制、使用及其维护过程中均需对飞机进行称重。该测量的准确性将直接影响到飞机的受力状态[1]。同时，称重是计算重心的前提和基础，对称重的准确测量将直接影响对飞机重心位置的准确计算。随着现代飞机对安全性的要求越来越高，对于称重测量技术提出了高精度、高速度、高可靠的新要求。

飞机的称重平台由称重传感器、放大器、处理器等组成。由于称重传感器、放大器的非线性，使得测量输出与实际真实值呈复杂的非线性关系，造成测量结果误差大、随机性大，影响了测量的精度。为精确测量，需要在称重前对称重系统称重检测值与实际值之间的函数关系进行标定，从而保证称重的精度[2-4]。目前，称重平台的多个称重传感器在线标定方法大多基于数字量求和方法，其中传感器的比例系数求解是标定的关键。以往大多采用最小二乘曲线拟合方法进行解算，但拟合的公式比较复杂、拟合次数较高、拟合精度受到限制。而利用多元线性回归的方法进行解算，选用何种因子和该因子采用何种表达式只是一种推测。这种不可测性使得回归方法在某些情况下受到限制。因而，上述传统求解方法存在精度不高、随机性大和误差大的问题[5-10]。

基于人工神经网络分布式并行信息处理的算法模型，具有强大的数据处理能力和非线性映射能力，因而得到了广泛应用。本文结合人工神经网络和飞机称重的工艺特点，构建基于神经网络的标定模型，探讨了应用BP神经网络进行飞机称重传感器标定方法的可行性，为称重标定技术的发展奠定了基础。

1 在线标定原理

传感器的标定一般采用试验的方法，确定在不同使用条件下传感器的输入与输出量之间的误差关系。通过对所获得传感器的输入量和输出量进行比较，得到了两者对应的标定曲线。

该系统中飞机称重传感器在线标定原理是：先将各个称重传感器的输出信号进行信号调理、放大转换；再由处理器采集各路数字信号，并对数据进行累加，得到传感器输出比例系数的方程组；最后解算标定方程组，得到各个传感器的比例系数，即找到称重传感器的输出信号与力负荷及扰动等关系。以由9个称重传感器组成的飞机称重平台测量系统为实例，对在线标定方法进行研究。测量平台未进行加载时，得到系统基本质量Y0。

(1)

依次在测量平台上放置总质量为Y1、Y2、… 、Yn、类似于砝码的标准重物， 得到如下公式:

(2)

通过式(1)、式(2)联合得到如下矩阵：

(3)

通过求解矩阵，即可得到系数μi，完成系统的有效标定。

基于上述标定原理，采用传统最小二乘方法时，经过多次标定后发现标定精度误差大且很不稳定，具有很强的随机性。因此，需要寻求一种性能稳定、可靠性好的标定方法，以提高系统的精度。

2 BP神经网络在线标定模型构建

BP 神经网络可以逼近任意连续函数，具有很强的非线性映射能力，而且各层间的学习参数可以根据具体情况进行设定。因此，在飞机称重传感器在线标定中采用BP神经网络。

通过对该系统特点的分析，构建 2层前馈网络，以称重传感器输出值X作为该函数的输入，实际称重值Y作为函数的输出。

假设拟合方程为：

Yn(μn)=X1μ1+X2μ2+X3μ3+…+Xnμn

(4)

输入层由称重传感器输出电压Xn组成，该系统由9个称重传感器组成，构成输入向量[X1X2…X9];输出层由实际加载标准称重值组成Yn,构成输出向量[Y1Y2…Y9]得到输入/输出关系公式：

Y=μnX+K

(5)

式中:μn为初始化输入层和输出层神经元之间的权重；X为经初始化后的神经元输入；K为初始化隐含层阈值；Y为输出层。

3 标定试验研究

3.1 标定试验硬件设计

该系统的标定硬件由称重平台、称重传感器、信号放大器、多路数据采集器、计算机电源供给等组成。标定和测量装置如图1所示。

图1 标定和测量装置示意图

称重平台作为飞机称重的主体机械结构，采用钢体结构焊接而成，由顶板、底板、连接件等组成。顶板表面采用不锈钢进行抛光处理，使用时将飞机放置于称重平台之上。称重平台的尺寸需满足飞机放置的使用需求。

称重传感器是将质量信号转变为可测量电信号输出的装置，是系统质量测量的核心部件。系统将9个称重传感器均匀布置在称重平台内部称重传感器采用美国梅特勒-托利多公司高精度的柱式称重传感器，测量范围为0～200 kg,具有坚固耐用和适用于恶劣环境的特点。由于称重传感器输出信号较弱,不便于测量，必需进行信号放大，系统采用信号放大器，能够满足后续多路数据采集器的输入要求。

系统采用研华PCI-1716L数据采集器，对称重传感器输出的多路电压进行数据采集。它带有一个16位A/D转换器，进行高速A/D转换以及高速运算，可以实现多达16路的电压信号测量，并将采集的数据通过PCI总线传送给计算机进行数据分析和处理。

计算机是系统计算与处理的核心，本文采用研华IPC610工控机作为计算机。对PCI插槽进行配置，便于与多路数据采集器进行连接。计算机配置显示器，对采集和标定的数据进行有效的显示输出。

系统采用直流线性稳压电源，对称重平台内部的9个称重传感器进行稳定供电，并采用交流电源对信号放大器、多路数据采集器和计算器供电，保证系统的工作性能和可靠性。

3.2 软件设计

该软件系统基于微软的VC语言与Matlab混合编程。利用MFC框架程序可方便灵活地编写人机交互界面，并借助Matlab强大的计算功能完成补偿算法和优化算法，实现复杂算法计算和处理。通过VC和Matlab两者的有机结合,完成系统的软件开发。利用VC所开发的人机交互界面包括参数设置、状态显示、系统操作控制等。参数设置界面完成多路数据采集器的配置和读取，包括通信端口和波特率设置。状态显示界面用于显示系统的运行情况,并能在出现故障时给出提示信息,以便及时排除故障。系统操作控制界面分自动标定、手动标定、数据修正、结果显示等界面，以实现系统的有效标定。软件流程如图2所示。

图2 软件流程图

使用时首先通过软件进行参数设置，选择软件的数据采集和传感器标定功能，多次放置标准砝码，采集称重传感器的输出信号，通过Matlab软件算法对传感器的系数进行解算，并进行系数比对和标定。标定完成后进行飞机称重，最后得到实际的质量数据，通过人机界面软件进行实时显示和结果保存，完成系统标定和测试试验软件功能。

3.3 系统试验和验证

为了保证飞机称重的精度，在飞机称重前，利用开发的硬件和软件系统进行标定试验。

在应用BP神经网络进行标定试验时，需要训练样本的输入，系统以9个称重传感器的输出电压作为样本的输入，以放置标准砝码的质量作为样本的输出。根据实际测量的质量，砝码采用F1级标准砝码。分别选用多个50 kg、100 kg、200 kg、500 kg的标准砝码进行组合，确定实际的标定范围为800～1 500 kg。试验时，每隔50 kg砝码递增放置，分别放置15组标准砝码，每组砝码在称重平台的不同位置分别放置3次，得到每组砝码相对应数据(共计45组数据)为传感器输出。

利用开发的软件实时地显示称重传感器输出，得到了标定过程的部分数据表，如表1所示。

表1 标定过程部分数据表

为了使训练结果能够正确反映输入样本的规律，同时又避免过拟合现象的产生，选取40组样本进行训练，剩余的5组作为测试检验。

利用已构建的BP人工神经网络模型，通过Matlab软件计算[8-10]，在多次迭代后进行数据的求解，解得权重为[0.860 7，0.295 0, 0.079 3，-0.963 1, 0.228 8，-0.468 8, -0.637 4，-0.391 4, 1.060 8]，阈值为-0.095 7。

为验证称重传感器输出比例系数的精度，将该求解的系数设定到称重系统中，将剩余的5组标准砝码样本进行测量试验，每组砝码分别测量5次，测量结果如表2所示。

表2 测试结果

测试结果表明，利用BP神经网络的标定法得到的结果，其误差均不大于0.05%。同时，采用标定完成的系统进行飞机载荷质量测量，通过软件进行数据显示，以真实飞机载荷质量作为横坐标，以软件显示输出值作为纵坐标，进行多次试验得到飞机载荷质量与显示输出值之间的对应关系，如图3所示。

图3 载荷质量与显示输出值的关系图

图3中：虚线表示理想线性；圆点表示实际线性。

4 结束语

基于 BP 神经网络，建立了称重传感器与实际称重值之间的数学模型，并设计开发了飞机称重传感器的标定试验平台。采用传感器、计算机软硬件开发的多通道数据采集系统，进行称重传感器输出信号的标定试验, 获得神经网络数据训练样本。基于BP神经网络模型标定方法与传统的标定方法相比，其误差均不大于0.05%，满足了系统测量的需求。该算法提高了称重系统的标定精度和可靠性，为飞机飞行的安全性和可靠性提供了保障。

[1] 王秋晓,王迎.飞行器质量特性参数测量[J].重庆大学学报,2011，34(12):23-25.

[2] 张博,刘锡朋,雷林.称重传感器精确标定研究[J].兵工自动化,2014,33(7):89-90.

[3] 冯国胜,贾素梅,周 玮.基于 BP 神经网络的电控单体泵柴油机标定方法[J].农业工程学报,2012,28(15):21-23.

[4] 李奇涵,王红强,刘海静,等.基于BP神经网络矩形盒件拉深成形变压边力的预测[J].锻压技术,2015,40(11):27-30.

[5] 刘金辉,任小洪.BP神经网络的数控机床主轴系统故障诊断[J].机床与液压,2015,43(21):194-196.

[6] 郑宾, 侯文, 杨瑞峰.大尺寸柱状结构质量、质心测量方法[J].测试技术学报,2002,16(2):108-112.

[7] 骞永博，吴斌.弹丸质量质心测量方法研究[J].箭弹与制导学报,2006,26(3):128-128.

[8] 陈明.MATLAB神经网络原理与实例精解[M].北京:清华大学出版社，2013.

[9] 刘国春，费强，赵武云,等.基于Matlab遗传算法优化工具箱的应用[J].机械研究与应用， 2014,27(2):71-79.

[10]周游，刘世杰.基于Matlab和VC混合编程的三面互检程序设计[J].激光与光电子学进展，2014，51(4):145-149.

Research on the Online Calibration Based on BP Neural Network for Aircraft Weighing Sensor

The performance, safety, and reliability of the flights are determined by the accuracy of the weight measurement for aircrafts.At present, the principle and method of online calibration for aircraft weighing sensors are featuring poor precision, strong randomness and low stability, thus the measurement of weight of aircrafts is in low accuracy.Aiming at these problems, the principle and method of online calibration for aircraft weighing sensors are investigated.The model of online calibration for aircraft weighing sensor is built based on the nonlinear mapping ability of BP neural network; and the experimental device of calibration is developed for conducting calibration experiment and verification.The results show that high precision online calibration can be realized by such method based on BP artificial neural network; the stability and efficiency are improved, and the consistency of weighing value and actual value is ensured, thus practical demands are satisfied.

Aircraft weighing BP neural network Sensor Online calibration Measurement error Accuracy

段振云(1971—)，男，2002年毕业于大连理工大学机械设计与制造专业，获博士学位，教授；主要从事机械设计、自动化以及机械电子工程技术方向的研究。

TH-3;TP271

A

10.16086/j.cnki.issn 1000-0380.201611027

修改稿收到日期：2016-05-04。