您好、欢迎来到现金彩票网!
当前位置:双彩网 > 线性语言 >

基于SoPC技术的传感器非线性软件校正的实现

发布时间:2019-06-27 02:42 来源:未知 编辑:admin

  仪表或系统的输入与输出之间不能保证很好的线性关系。除了采取硬件补偿电路外,对于软件补偿算法的研究受到更多的重视。由于受数据总线宽度和工作频率的影响,软件算法补偿的研究更多是在计算机上仿真实现的,而现场的系统往往建立在单片微处理器的基础上。微电子技术的迅速发展,使得集成电路设计和工艺技术水平得到很大的提高,片上系统(system on a programma-ble chip,SOPC)技术把系统的处理机制、模型算法和电路设计紧密结合,在单片芯片上实现复杂系统的全部功能。基于的SOPC技术,软件算法修改和硬件平台结构调整都是在线可编程的,其灵活性和可靠性是其他单片微处理器无法比拟的。本文采用ALTERA公司提供的SOPC技术,研究

  系统可表示为y=f(x,t1,t2,,tk),其中,x为待测目标参量,t1,t2,,tk为k个非目标参量,y为

  输出的影响,一般采用逆向建模的方法。实际测量的数据,由于受非目标参量的影响,它与目标参量之间的函数关系不再是线性的。逆向建模的目的是通过非线性映射,把非线,,tk)向线性函数关系x=y/A逼近。在模型中,测量数据和非目标参量的测量值作为输入,目标参量的线性值作为模型的输出,按照一定的算法原则,不断调整模型的参数,使得模型输出误差在允许的范围之内。

  TGS813测量值为非目标参量输入。系统采用ALTERA公司CYCLONEⅡ系列的EP2C35F672作为核心处理器,采用QUARTUS-Ⅱ自带的SOPC Builder开发包作为算法的调试环境,在

  AD590是美国模拟器件公司生产的单片集成两端感温电流源,流过器件的电流(A)等于器件所处环境的热力学温度(K)度数,AD590随温度变化输出的是电流信号,需要将其转换为电压信号。由于AD590灵敏度高,受环境的影响大,在使用前需要校正。在本文中,利用神经网络算法对AD590的输出进行了校正。

  ,可以程序设定9~12位的分辨力,精度为0.5℃。本文采用外接电源模式,12 bit数据输出格式。

  ,属于一种广谱性气敏元件,对多种气体敏感,对不被检测气体不敏感;由于输出电压最高可以达到+9 V,而后级模拟数字转换电路的输入电压不超过+5 V,所以,使用前需要调整分压电阻器的阻值。

  的输出阻抗较高,不能直接把模拟信号送入模拟数字转换电路。本文采用TLC279构成电压跟随器,实现阻抗变换。考虑到在FPGA实现的算法处理对数据的精度敏感,因此,系统选用了四路模拟量输入的12 bit串行数据输出的TLV2544作为模拟数字转换电路的核心芯片。

  TLV2544是TI公司生产的高性能12位低功耗、高速(3.6s)CMOS模数转换器,具有采样一保持功能,电源电压为2.7~5.5V。TLV2544还具有3个输入端和1个三态输出端,可为最流行的微处理器串行端口(SPI)提供4线接口。器件在上电初始化时首先需要将初始化命令A000h写入CFR配置寄存器,然后,对器件进行编程,其编程方法是在初始化命令A000h的低12位000h写入编程数据以规定器件的工作方式。TLV2544具有4种转换模式:单次模式、重复模式、扫描模式和重复扫描模式,可用模式00,01,10,11表示。图1为TLV2544和单片机AT89C2051的接口电路。该电路采用外部基准,REFP与REFM之间接0.1F和10F2只去耦电容器。

  各路信号送入微处理器AT89C2051,经串行口发送给系统板。微处理器的软件设计主要是在接收到SOPC系统控制发送的采集命令(0x41H),启动TLV2544和DS18B20,将数据转为ASCII码发送。DS18B20和TLV2544都是12bit输出,所以,每次发送9个ASCII码,分别代表3个数据源的转换结果。

  利用BP神经网络实现非线性误差软件校正的文献较多,但主要是基于PC机的仿真实验。单片微处理器由于存储容量和数据总线宽度的限制,网络结构类型和计算精度只能控制在一定范围之内。SOPC在大规模集成电路的基础上,底层电路采用硬件描述语言实现,而软件算法则在SOPC IDE调试环境下采用高级语言,如C语言实现。在本文中,SOPC系统板采用NIOS-Ⅱ软核微处理器,32 bit总线 MHz,BP神经网络采用动量法,在ALTERA公司提供的SOPC IDE调试环境下完成。算法处理结构如图2所示。

  TGS813输入信号,DS18B20的测量值作为AD590的期望值,输出层神经元1个,代表AD590的校正值。

  本文共采集了70个样本对数据作为神经网络的输入。神经网络的训练采样动量自适应算法,剔除部分不符合要求的样本,58个样本作为训练样本,8个样本作为测试样本。BP神经网络采用C语言编程实现,由于微处理器与PC机相比,在工作频率和总线结构方面还存在很大差距,因此,在计算算法的误差输出时,本文采用的是各个训练样本的绝对误差的累加和,而不是均方根误差,这样,可以避免大量的乘法和开方运算,否则,算法很难收敛。 作为BP神经网络动量法的重要参数,如果学习率参数选择的范围比较窄,那么,网络性能的随机性特点就会非常明显,不利于网络的推广应用。图3是选择不同的学习率时网络输出误差的变化情况。测试条件是动量系数为0.9,增益为1,隐含层节点6个,算法停止迭代的判断条件是输出绝对误差累加和小于0.01。

  图4是58对训练样本完成网络训练后的测试结果。由于BP神经网络的性能受隐含层节点个数影响比较大,图中数据是在不同隐含层节点个数的条件下得到的,并与MATLAB软件仿真得到的结果作了比较。网络训练的条件:学习率为0.1,动量系数为0.9,增益为1,SOPC停止迭代的判断条件是输出绝对误差累加和小于0.01,MATLAB停止迭代的判断条件是均方根误差小于0.0001,图中,n代表隐含层节点个数。

  由于采用的是12 bit的A/D转换芯片,采集数据送入FPGA系统板后,经过归一化处理,数据类型发生变化。与MATLAB仿真软件输出结果保持一致,基于FPGA的神经网络输出取小数点后4位有效数字。由图4可以得出:虽然在个别测试点上基于MATLAB软件仿真结果优于SOPC的输出结果,但在隐含层节点对算法性能的影响程度上,基于SOPC技术的输出受到的影响比较小,稳定性好,这与SOPC技术采用32位字长有很大关系。

  基于FPGA的SOPC技术不同于IC芯片设计,它是把已有的模块资源组合成一个系统,系统的功能直接由载体FPGA芯片实现;它又不同于传统的基于单片微处理器的系统设计,因为SOPC系统的微处理器性能和外围接口控制电路都是由用户编程设定的,因此,采用SOPC技术可以节省成本,提高资源利用率,缩短开发周期和便于系统升级等特点。本文采用基于FPGA的SOPC技术研究了的问题。算法的测试结果证实了方法的可行性。

http://deafbook.net/xianxingyuyan/199.html
锟斤拷锟斤拷锟斤拷QQ微锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷微锟斤拷
关于我们|联系我们|版权声明|网站地图|
Copyright © 2002-2019 现金彩票 版权所有