1 引言

电子平台秤用于贸易结算的成品计量，保证电子平台秤的称重数据准确性，减少计量异议的发生是一项重要的工作。电子平台秤是以数字显示重量的电子式测量仪表。它是由称重传感器、A/D转换集成电路、运算放大器、智能单片机、显示驱动和显示电路、键盘电路、多功能接口电路、交流/直流/充电/蓄电/稳压电路等部分组成。通过检查传感器输出信号值是否于标准内是判断电子平台秤仪表不归零和称重量不准等主要因素。数字传感器能够实现自动采集数据并可以预处理、存储和记忆，具有标记的唯一性，以便对传感器的故障诊断。利用Matlab软件建立神经网络故障诊断的模型作为一种识别故障有效的方法[1,2,3,4,5]，本文通过使用电子平台秤中数字称重传感器的输出码值来建立模型从而判断某一个传感器是否处于正常工作状态，从而保证电子平台秤的称重数据准确。

2 BP神经网络

BP神经网络模型是人工神经网络的重要模型之一。BP算法主要是运用一些学习规则来调整神经元之间的连接权值，在学习过程中，学习规则和网络的拓扑结构无变化的。然而，一个神经网络的信息处理功能不仅取决于神经元之间的连接强度，而且与网络的拓扑结构 (神经元的连接方式) 、神经元的输入输出特性和神经元的阈值有关。首先，对实验结果数据进行预处理，其次利用模式识别算法进行训练和分类，最后通过训练或者学习分类得到的判据对未知样本进行判别或计算机预报[6,7,8,9]。BP神经网络模型的结构由网络的输入层 (input) 、隐层 (hide layer) 和输出层 (output layer) 三部分组成，BP神经网络结构图见图1。

图1 BP神经网络结构图   下载原图

人工神经网络模型中各个参数的确定：

1) 输入层节点数的确定：特征参数组成了特征向量，特征向量可作为网络输入。所以选取特征参数的正确与否直接影响到网络的性能。样本分为校正集和预测集。

2) 隐层节点数的确定：在一定程度上，隐层节点数的增加，使计算的更加复杂，网络训练收敛的速度会降低，网络的推广本领也会随之变得差，因此需通过问题的规模正确地选择隐层的单元数。隐层节点数用下公式求出：

其中m是输入节点的数目，n是输出节点的数目，隐层节点数目根据上述公式计算出初始值，再利用逐步增长法进行修改，直到得到一个合适值为止。通过改变隐层节点数目来确定判别模型分类结果的好坏。

3) 输出层节点数的确定：网络的输出向量，一般指的是一个具体的问题目标结果。

3 实验方法及结果分析

表1 实验数据分布情况     下载原表

3.1 实验方法

本实验选用一台数字式传感器电子平台秤进行实验，理想状态下，电子平台秤四个传感器输出码值相差在50-100之间。首先，该电子平台秤处于无称重的状态下进行实验。将电子平台秤的四个传感器分为四种情况进行实验，第一种情况四个传感器都处于正常工作状态下取四个数字传感器的输出码值；第二种情况四个传感器中一个传感器输出码值出现异常；第三种情况是四个传感器中其中两个传感器输出码值出现异常；第四种情况是四个传感器中三个传感器输出码值出现异常。四个传感器均正常情况下，仪表输出数据为零，如其中某一个或多个传感器出现故障，则仪表会显示一个正或负的余数值。现将四种情况下传感器输出码值作为输入数据建立识别模型，运用二进制码0和1表示四个传感器的输出，可根据输出结果来判断传感器工作状态是否异常。该实验分别取四种情况下各15传感器输出码值数据，利用60组数据进行建模。具体实验数据分布情况见表1，其中C1、C2、C3、C4代表四个传感器。

3.2 结果与分析

样本以3:1的比例分为校正集和预测集，本实验将60组数字式传感器输出码值分成校正集40组和预测集20组。网络的输出点为传感器输出四种状态，分别表示为11, 10, 01, 00四个数字代码进行编码。各个代码分别代表为四个传感器均正常为正常、四个传感器中一个出现故障为异常1、四个传感器中两个出现故障为异常2和四个传感器中三个出现故障为异常3。为了保证数据的一致性，因此在建模之前将所有数据经过数据归一化处理，再选择网络输入层和隐含层的传递函数tansig，输出层传递函数为traingdx函数，训练目标设为1x10-4，网络的学习速率为0.05，设定的训练迭代次数为5000次。运用matlab软件来建立人工神经网络的模型。事实上，隐层节点数的多少决定着BP神经网络的复杂性。因此，必须选择最佳的隐层节点数，才能使网络模型效果最优。本文通过改变不同隐层节点数来比较网络模型的优劣，不同节点数与训练集和校正集的正确率关系见表2。传感器故障识别神经网络模型见图2。

图2 传感器故障识别BP神经网络模型   下载原图

从上述表2中可以看出，分别选取隐层节点数5、10、15、20、25和30进行网络训练，结果显示当隐层节点数为10个时，模型达到最好效果，训练集和预测集正确率均达到100%，四种工作状态下的传感器能够准确地被识别开来，根据识别结果大体可以判断故障出现的原因，如出现异常1情况，则可以判断该故障时由于传感器自身问题产生，如果出现异常2情况可以判断可能是由于传感器自身问题或是秤体出现倾斜等情况产生。因此，可以证明了人工神经网络分析建立的识别模型可以应用于识别数字式传感器故障的一种方式，并且达到理想的效果。

表2 不同隐层节点数对应训练集和校正集的正确率     下载原表

4 结束语

称重传感器是电子平台秤重要组成部分，它的好坏直接影响着电子平台秤的称重结果的准确性。在电子平台秤运行过程中，准确诊断故障原因，可提高电子平台秤的准确性和可靠性。本文采用人工神经网络方法建立了数字式传感器故障鉴别的模型, 该模型对传感器故障识别正确率可达到100%，故障识别准确率高，可以作为一种便于在实际中推广应用的诊断数字式传感器的方法。