基于BP网络的智能压力传感器系统研究与设计

传感技术学报

CHINESEJOURNALOFSENSORSANDACTUATORS

Vol．24No．10Oct．2011

TheResearchandDesignofIntelligentSensorSystemBasedonBPNetwork*

CUIJingya，LVHuimin*，CHENGSai

(DepartmentofAppliedphysics，Xi’anUniversityofTechnology，Xi’an710048，China)

Abstract:AnintelligenthighprecisionsensorwasdesignedbycombiningSTM32F101C8microprocessorwithμC/

OS－Ⅱoperatingsystem，meanwhile，thecorrespondinghardwarestructureandsoftwaredesignweregiven．ByusingBPneuralnetwork，twotargetparameters，pressureandtemperature，weremadedothedatacombinationtoreducethesensitivityofcross-interference．Theresultsshowthatthesensorcanmeetthereal-timedemandundermultitask，andgettheperformancemoreaccurate，stableandreliable．Keywords:pressuresensor;BPnetwork;μC/OS－Ⅱ;STM32F101C8EEACC:1295;7230

doi:10．3969/j．issn．1004－1699．2011．10．011

基于BP网络的智能压力传感器系统研究与设计

*

程崔静雅，吕惠民，

*

赛

(西安理工大学应用物理系，西安710048)

摘要:将STM32F101C8微处理器与μC/OS－Ⅱ操作系统相结合，设计出了一种高精度智能传感器系统，给出了相应的硬件

结构和软件设计。利用BP神经网络对压力和温度两个目标参量进行数据融合处理，减小了两者相互交叉干扰敏感度。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。

关键词:压力传感器;BP神经网络;μC/OS－Ⅱ;STM32F101C8

文献标识码:A文章编号:1004－1699(2011)10－1426－05中图分类号:TP24

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

［1］脑(计算机)发达，感觉(传感器)迟钝”的现象。为了提高测量精度，如何抑制压力传感器对温度的

［5，7－8］

，提高压力测量的精度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。

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

［3］

现新的特殊敏感材料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

;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

［4］

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。

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［5－6］

。近几年，好相关文献中多选用BP神经网络来

项目来源:陕西省教育厅基金项目(09JK636)

收稿日期:2011－06－01修改日期:2011－07－16

图1

硬件电路系统方框图

第10期1．1

测量单元

吕惠民等:基于BP网络的智能压力传感器系统研究与设计崔静雅，

1427

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”D两端输出电压UP技术，其中，电桥B、

C两端输出电压Ut为温为压力参量的输出信号;A、度参量的输出信号

［9］

A/D在此智能传感器系统中，微处理器启动时，

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

30，40，50，60，70℃)压力在不同的温度T(20，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

0～5×104Pa范围内的数据标定表。取20℃～70℃、

。

图2JCY－101型硅压阻式压力传感器原理图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

［11］

理，建立神经网络输入输出标准样本库。

Xi－Ximin

珔X=(i=1，2)i

Ximax－Ximin

1．2

主控制器STM32F101C8及其外围电路

STM32F101其内部使用高性能的ARMCortex－M3

32位的RISC内核，工作频率为36Hz，内置高速存储器，具有丰富的增强型外设。其工作电压为2．0V～3.6V，ADC使用一个独立的为了提高转换的精确度，电源供电，过滤和屏蔽来自印刷电路板上的毛刺干扰。

PA．5、PA．6作为3本设计中，将芯片的PA口的PA.4、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12MHz的时钟晶振和32．768kHz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

PA．11、PB．6、PB．7，接到STM32F101C8的PA．10、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。

(1)(2)

珔Yi=

0．9(Yi－Yimin)

+0．05

Yimax－Yimin

(i=1，2)

珔珔Yi为第i个传感器输入输出归一化值，Xi、式中:Xi、

Ximin、Ximax、Yimin、Yimax分Yi为传感器的输入输出值，

别对应第i个传感器输入输出的最大值和最小值。

(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Lev-enberg-Marquardt算法对样本数据进行融合［12］。设输出层的3层网络，输入计一种包括输入层、隐层、

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。

Xt)与隐层之间的权值矩阵为输入层X(XP，

W1，Yt)之间的阀值矩阵为b1，隐层和输出层Y(Yp，

阀值矩阵为b2，则输入层与输出层权值矩阵为W2，

之间的关系表达式为:

Y=pureline(W2tansig(W1X+b1)+b2)

(3)BP网络训练

利用函数trainlm对BP网络训练

［13］

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］

(3)

。

，得到权值

1428

传感技术学报www．chinatransducers．com

第24卷

利用和阈值的最优值。当训练误差取0．00001时，

MATLAB神经网络工具箱构建BP网络，部分程序如下:

net=newff(minmax(p)，［62］，{‘tansig’，‘purelin’}，‘trainlm’);%创建BP神经网络和定义输出层数训练函数以及参数，隐层神经元数量为6，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

得到网络误差为0．0379，这表明与目标值相比较，

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。2．2

μC/OS－Ⅱ的移植

在STM32F101C8上移植μC/OS－Ⅱ系统，移植

OS_CPU_A．ASM和的主要工作集中在OS_CPU．H、

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

［14］

硬件紧密相关。2．3

软件开发流程

W2)和阈值将训练好的BP神经网络权值(W1、

b2)以适当的数组方式存入STM32F101C8处理(b1、

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

［15］

以下五种状态之一: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

图3网络的误差曲线

制，在各个信号的协调下有序运行。

图4系统整体流程图

3

3．1

测试结果分析

系统输出值评估标准

压力和为了研究BP神经网络数据融合前后，

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

αs=

Δym·Y(FS)ΔT

(4)

温度两个目标参量的交叉干扰敏感度，分别用压力

第10期吕惠民等:基于BP网络的智能压力传感器系统研究与设计崔静雅，

1429

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)=83．36mV，Δym=83．36－73．28=10．8

－3mV，计算出αs=2．49×10/℃。

融合处理后的传感器压力信与未融合前相比，

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。

(2)传感器压力信号的零点温漂系数

·Ufs)(5)α0=ΔU0m/(ΔT

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ΔU0m=(－7．72)－(－13．84)=输出Ufs=83．36mV，

－36.12mV，则α0=1．51×10/℃。

4结论

本智能传感器系统针对压力和温度相互交叉干

利用BP神经网络技术提高了温度和压扰的问题，

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、

(3)传感器温度信号的压力灵敏度系数

αP=

Δym

·Y(FS)ΔP

(6)

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。参考文献:

．［1］赵大庆，吴敏生，等．模仿人体的智能传感器设想［J］范锦鹏，

2002，21(8):17－22．传感器技术，

［2］张耀锋，刑晓辉．基于人工神经网络的压力传感器的孙以材，

．电子学报，2008，36(2):358－361．温度补偿［J］

［3］FutaneNP，RoyChowdhuryS，RoyChaudhuriC，etal．Analog

ASICforImprovedTemperatureDriftCompensationofAHighSensitivePorousSiliconPressureSensor［J］．AnalogIntegratedCircuitsandSignalProcessing，2011，67(3):383－393．

［4］刘新月，孙以材．压力传感器温度漂移补偿的控制电吕增良，

．传感技术学报，2007，20(3):567－569．路设计［J］

［5］高峰，胡彦奎．基于BP神经网络的传感器交叉敏感性董海鹰，

4

式中:ΔP为工作压力变化范围，取5×10Pa;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

Y(FS)=86．12mV，络融合处理时，Δym=86．12－

－24

80.45=5．67mV，则αP=1．32×10/10Pa。

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

Y(FS)=5×104Pa，输出分别见表1、表2。根据式(4)，

4

Δym=5．018－4．945=0．073×10Pa，则融合后传感器压－4

力信号的温度灵敏度系数αs=3．01×10/℃。根据式4

(5)，Ufs=5×104Pa，ΔU0m=0．006－0．003=0．003×10Pa，

经过BP网络融合后的压力信号零点温漂系数α0=Y(FS)=70℃，1.24×10－5/℃。由式(6)，Δym=70．427－69．322=1．105℃，经过BP网络融合后温度信号的压

－44

力灵敏度系数αP=1．32×10/10Pa。

表1

温度标定值/℃21．5447000．0030．0050．006压力信号测试结果1压力标定值/10Pa2344

54．9454．9525．0182005，24(2):22－26．抑制［J］．传感器技术，

［6］DuZM，JinXQ，YangYY．FaultDiagnosisforTemperature，Flow

RateandPressureSensorsinVAVSystemsUsingWaveletNeuralNetwork［J］．AppliedEnergy，2009，86(9):1624－1631．

［7］XiaoZ，YeSJ，ZhongB，etal．BPNeuralNetworkwithRoughSet

forShortTermLoadForecasting［J］．ExpertSystemswithApplica-tions，2009，36(1):273－279．

1．0041．0111．0151．9731．9761．9842．9762．9902．9933．9783．9824．009表2

压力标定值/10Pa1354

温度信号测试结果28温度标定值/℃3444507021．5［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

J］．传感技术学报，2007，20(7):1531－1534．传感器的选择性［

．西安:西安电子科技大学出版［9］刘君华．智能传感器系统［M］

2010，221－224．社，

21．50827．93033．85443．83249．85070．42721．46827．85433．64143．77849．77169．75021．45127．78533．49343．64349．70269．3221430

传感技术学报www．chinatransducers．com

第24卷

［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

2009，30(9):1981－1984．表学报，

［11］何平，孙以材，等．压力传感器温度漂移补偿的RBF网潘国峰，

．仪器仪表学报，2008，29(3):572－576．络模型［J］

［12］杨英，等．基于LMBP改进算法的神经网络结构唐平，王越超，

J］．计算机工程，2008，34(1):215－217．优化［

［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

J］．传感技术学报，2008，6(21):1025－1028．性误差补偿研究［

［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．

崔静雅(1986－)女，西安理工大学理学院应用物理系硕士研究生，研究方向为智能传感器系统设计，

cjyhjw@yahoo．cn;程赛(1987－)男，西安理工大学理学

院应用物理系硕士研究生，研究方向为智能传感器系统设计，chengsai151141@163．com。

吕惠民(1962－)男，西安理工大学理学院应用物理系教授，硕士研究生导师，研究方向主要为传感器系统设计和Ⅲ－Ⅴ半导体纳米材料性能研究，lvhuimin618@yahoo．com．cn;