非線性軟件校正原理

一個受多個參量影響的傳感器系統可表示為y=f(x，t1，t2，…，tk)，其中，x為待測目標參量，t1，t2，…，tk為k個非目標參量，y為傳感器輸出。為了消除非目標參量對傳感器輸出的影響，一般采用逆向建模的方法。實際測量的數據，由于受非目標參量的影響，它與目標參量之間的函數關系不再是線性的。逆向建模的目的是通過非線性映射，把非線性函數關系x=f-1(y，t1，t2，…，tk)向線性函數關系x=y/A逼近。在模型中，測量數據和非目標參量的測量值作為輸入，目標參量的線性值作為模型的輸出，按照一定的算法原則，不斷調整模型的參數，使得模型輸出誤差在允許的范圍之內。

在本系統中，選用模擬溫度傳感器AD590作為校正目標，數字溫度傳感器DS18B20測量值作為模型的期望輸出，氣體傳感器TGS813測量值為非目標參量輸入。系統采用ALTERA公司CYCLONEⅡ系列的EP2C35F672 FPGA作為核心處理器，采用QUARTUS-Ⅱ自帶的SOPC Builder開發包作為算法的調試環境，在FPGA其內部實現測量數據的智能處理。

系統方案實現

傳感器調理電路

AD590是美國模擬器件公司生產的單片集成兩端感溫電流源，流過器件的電流(μA)等于器件所處環境的熱力學溫度(K)度數，AD590隨溫度變化輸出的是電流信號，需要將其轉換為電壓信號。由于AD590靈敏度高，受環境的影響大，在使用前需要校正。在本文中，利用神經網絡算法對AD590的輸出進行了校正。

DS18B20是Dallas半導體公司推出的一線式數字化溫度傳感器，可以程序設定9～12位的分辨力，精度為±0.5℃。本文采用外接電源模式，12 bit數據輸出格式。

TGS813是一種由SnO2材料組成的燒結體半導體氣體傳感器，屬于一種廣譜性氣敏元件，對多種氣體敏感，對不被檢測氣體不敏感;由于輸出電壓最高可以達到+9 V，而后級模擬數字轉換電路的輸入電壓不超過+5 V，所以，使用前需要調整分壓電阻器的阻值。

模擬數字轉換電路

來自傳感器的模擬信號，在送入模擬數字轉換電路之前，由于器件的輸入阻抗比較低，而傳感器的輸出阻抗較高，不能直接把模擬信號送入模擬數字轉換電路。本文采用TLC279構成電壓跟隨器，實現阻抗變換。考慮到在FPGA實現的算法處理對數據的精度敏感，因此，系統選用了四路模擬量輸入的12 bit串行數據輸出的TLV2544作為模擬數字轉換電路的核心芯片。

TLV2544是TI公司生產的高性能12位低功耗、高速(3.6μs)CMOS模數轉換器，具有采樣一保持功能，電源電壓為2.7～5.5V。TLV2544還具有3個輸入端和1個三態輸出端，可為最流行的微處理器串行端口(SPI)提供4線接口。器件在上電初始化時首先需要將初始化命令A000h寫入CFR配置寄存器，然后，對器件進行編程，其編程方法是在初始化命令A000h的低12位000h寫入編程數據以規定器件的工作方式。TLV2544具有4種轉換模式：單次模式、重復模式、掃描模式和重復掃描模式，可用模式00.01，10，11表示。圖1為TLV2544和單片機AT89C2051的接口電路。該電路采用外部基準，REFP與REFM之間接0.1μF和10μF2只去耦電容器。

圖1：TLV2544控制電路

各路信號送入微處理器AT89C2051，經串行口發送給系統板。微處理器的軟件設計主要是在接收到SOPC系統控制發送的采集命令(0x41H)，啟動TLV2544和DS18B20，將數據轉為ASCII碼發送。DS18B20和TLV2544都是12bit輸出，所以，每次發送9個ASCII碼，分別代表3個數據源的轉換結果。

[page]
神經網絡校正算法

利用BP神經網絡實現非線性誤差軟件校正的文獻較多，但主要是基于PC機的仿真實驗。單片微處理器由于存儲容量和數據總線寬度的限制，網絡結構類型和計算精度只能控制在一定范圍之內。SOPC在大規模集成電路的基礎上，底層電路采用硬件描述語言實現，而軟件算法則在SOPC IDE調試環境下采用高級語言，如C語言實現。在本文中，SOPC系統板采用NIOS-Ⅱ軟核微處理器，32 bit總線，工作頻率為50 MHz，BP神經網絡采用動量法，在ALTERA公司提供的SOPC IDE調試環境下完成。算法處理結構如圖2所示。
 

圖2：神經網絡校正算法系統框圖

算法測試

本文采用三層前向網絡，輸入層神經元2個，分別代表溫度傳感器ADS90和氣體傳感器TGS813輸入信號，DS18B20的測量值作為AD590的期望值，輸出層神經元1個，代表AD590的校正值。

本文共采集了70個樣本對數據作為神經網絡的輸入。神經網絡的訓練采樣動量自適應算法，剔除部分不符合要求的樣本，58個樣本作為訓練樣本，8個樣本作為測試樣本。BP神經網絡采用C語言編程實現，由于微處理器與PC機相比，在工作頻率和總線結構方面還存在很大差距，因此，在計算算法的誤差輸出時，本文采用的是各個訓練樣本的絕對誤差的累加和，而不是均方根誤差，這樣，可以避免大量的乘法和開方運算，否則，算法很難收斂。 作為BP神經網絡動量法的重要參數，如果學習率參數選擇的范圍比較窄，那么，網絡性能的隨機性特點就會非常明顯，不利于網絡的推廣應用。圖3是選擇不同的學習率時網絡輸出誤差的變化情況。測試條件是動量系數為0.9，增益為1，隱含層節點6個，算法停止迭代的判斷條件是輸出絕對誤差累加和小于0.01。

圖4是58對訓練樣本完成網絡訓練后的測試結果。由于BP神經網絡的性能受隱含層節點個數影響比較大，圖中數據是在不同隱含層節點個數的條件下得到的，并與MATLAB軟件仿真得到的結果作了比較。網絡訓練的條件：學習率為0.1，動量系數為0.9，增益為1，SOPC停止迭代的判斷條件是輸出絕對誤差累加和小于0.01，MATLAB停止迭代的判斷條件是均方根誤差小于0.0001，圖中，n代表隱含層節點個數。
 

圖3：學習率對網絡輸出誤差的影響

圖4：隱含層節點數對網絡輸出的影響

由于采用的是12 bit的A/D轉換芯片，采集數據送入FPGA系統板后，經過歸一化處理，數據類型發生變化。與MATLAB仿真軟件輸出結果保持一致，基于FPGA的神經網絡輸出取小數點后4位有效數字。由圖4可以得出：雖然在個別測試點上基于MATLAB軟件仿真結果優于SOPC的輸出結果，但在隱含層節點對算法性能的影響程度上，基于SOPC技術的輸出受到的影響比較小，穩定性好，這與SOPC技術采用32位字長有很大關系。

結論

基于FPGA的SOPC技術不同于IC芯片設計，它是把已有的模塊資源組合成一個系統，系統的功能直接由載體FPGA芯片實現;它又不同于傳統的基于單片微處理器的系統設計，因為SOPC系統的微處理器性能和外圍接口控制電路都是由用戶編程設定的，因此，采用SOPC技術可以節省成本，提高資源利用率，縮短開發周期和便于系統升級等特點。本文采用基于FPGA的SOPC技術研究了傳感器非線性軟件校正的問題。算法的測試結果證實了方法的可行性。