称重传感器非线性误差自适应补偿方法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (16): 242-245.

称重传感器非线性误差自适应补偿方法

杨进宝，汪鲁才

湖南师范大学工学院，长沙 410081

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-06-01 发布日期:2011-06-01

Method for adaptive compensation of load cell’s nonlinear error

YANG Jinbao，WANG Lucai

College of Polytechnic，Hunan Normal University，Changsha 410081，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-06-01 Published:2011-06-01

摘要/Abstract

摘要： 额定量程内称重传感器的非线性误差不同，为此阐述了称重传感器的非线性误差特性，提出了一种非线性误差自适应分段补偿方法：在额定量程的上限区，采用基于径向基函数神经网络（RBFNN）的补偿网络完成传感器非线性误差补偿;在下限区，采用数字滤波器完成非线性误差补偿;在中间区，传感器不补偿。同时利用自适应选择网络，完成了分段补偿的选择。实验表明，采用这种方法补偿后的称重传感器下限区、中间区与上限区的最大相对误差分别由补偿前的0.2%、0.4%、1.37%下降到0.16%、0.04%、0.07%，补偿效果明显。

关键词: 称重传感器, 非线性误差, 自适应补偿, 径向基函数神经网络

Abstract: The nonlinear error of load cell is not same in weight range.The character of load cell’s nonlinear error is formulated and a method for adaptive compensation is proposed.The nonlinear error compensation network based on Radial Basis Function Neural Network（RBFNN） is used in upper limit of load cell’ weighing range，the digital filter is applied in the low limit range，and the load cell is not compensated in the middle range.The adaptive selective network is use to choose the subnet for error compensation.The experimental results show that the maximum relative error of load cell with this method respectively drops from 0.2% in its lower interval scale，0.4% in its middle interval scale，and 1.37% in its upper interval scale without compensation to 0.16%，0.04%，and 0.07% after compensation，and its weighing result is more accurate.

Key words: load cell, nonlinear error, adaptive compensation, radial basis function neural network

杨进宝，汪鲁才. 称重传感器非线性误差自适应补偿方法[J]. 计算机工程与应用, 2011, 47(16): 242-245.

YANG Jinbao，WANG Lucai. Method for adaptive compensation of load cell’s nonlinear error[J]. Computer Engineering and Applications, 2011, 47(16): 242-245.

[1]	郑雪辉，王士同. 基于迁移学习的径向基函数神经网络学习[J]. 计算机工程与应用, 2016, 52(5): 6-10.
[2]	周霞，柳絮青，王宪，孙子文，邓源. 基于特征融合的人体行为识别算法[J]. 计算机工程与应用, 2013, 49(7): 162-166.
[3]	赵勇. 基于GA-RBFNN算法的列车车轮踏面损伤识别[J]. 计算机工程与应用, 2012, 48(8): 32-34.
[4]	王莉莉，乔立勇，陈宇，陈德运. 基于特征提取和RBF神经网络的ECT流型辨识[J]. 计算机工程与应用, 2011, 47(5): 175-178.
[5]	魏娟¹，杨恢先²，谢海霞³. 改进RBFNN求机械臂轨迹跟踪的研究[J]. 计算机工程与应用, 2011, 47(5): 216-219.
[6]	薛升翔1，贾振红1，杨杰2，庞韶宁3. 用蛙跳算法优化RBF神经网络参数的研究[J]. 计算机工程与应用, 2011, 47(28): 59-61.
[7]	刘军霞，阳春华，王雅琳. 螺旋分级过程数学模型研究及应用[J]. 计算机工程与应用, 2010, 46(4): 230-232.
[8]	罗仁泽¹,冉瑞生²,王汝言³. 奇异值和RBF神经网络的彩色人脸识别[J]. 计算机工程与应用, 2009, 45(4): 190-192.
[9]	杨长盛,陶亮. 几种机器学习方法在人脸识别中的性能比较[J]. 计算机工程与应用, 2009, 45(4): 169-172.
[10]	张江涛,刘旭敏. 一种基于代数算法的RBF神经网络优化方法[J]. 计算机工程与应用, 2008, 44(5): 96-98.
[11]	田俊峰,张晶,毕志明. 基于改进RBF神经网络的入侵检测研究[J]. 计算机工程与应用, 2008, 44(31): 135-138.
[12]	卢京潮,张家明. 直升机横侧向通道模糊自适应控制律设计[J]. 计算机工程与应用, 2007, 43(34): 236-238.
[13]	朱奇光. 利用免疫克隆粒子群混合算法实现自适应PMD补偿[J]. 计算机工程与应用, 2007, 43(26): 178-180.
[14]	张顶学,关治洪,刘新芝. 基于PSO的RBF神经网络学习算法及其应用 [J]. 计算机工程与应用, 2006, 42(20期): 13-.