鋁電解企業的稱重系統工作的環境溫度在-20℃-80℃之間,高溫和低溫對傳感器的影響比較大,而且是非線性的,即對于同一砝碼在不同環境溫度下稱重系統的輸出不同。因此,當環境溫度變化較大時,必須考慮如何采取有效的措施,減少并補償溫度影響帶來的誤差,否則會因溫度的變化而影響傳感器數據采集的精度,尤其是在電子秤的長期使用當中,這個問題很突出。

通常,電子稱重系統的溫度補償措施有硬件補償和軟件補償兩種。硬件補償措施就是采用硬件電路來消除溫度帶來的影響,但整個電路系統會存在漂移,且很難做到全額補償。軟件補償又可分為數值分析和人工智能法,最小二乘曲線擬合法是最常用的基于數值分析的溫度補償方法,但它是基于梯度變化量的計算來求最優解的,容易進入局部最優,無法得到全局最優解。本文回顧了鋁電解企業稱重系統的歷史現狀,在此基礎上,介紹并討論了人工智能的方法——模糊神經網絡來對其進行溫度補償。

模糊神經網絡是人工神經網絡和模糊技術的綜合。模糊神經網絡是神經網絡和模糊理論相結合的一種網絡,它是在神經網絡中引入了模糊算法或模糊權系數,是具有輸入信號是模糊量的神經網絡,是模糊理神經網絡理論的基本出發點。將具有邏輯推理能力的模糊技術引入神經網絡,使神經網絡的節點和參數對應模糊系統的隸屬度函數或推理過程,能拓寬神經網絡處理信息的范圍和能力。模糊系統與人工神經網絡的有機結合,可有效地發揮各自的優勢并彌補其不足,提高整個系統的表達能力和學習能力。將二者有機地結合起來,既考慮了稱重數據的模糊性又考慮稱重特征與稱重結果的復雜關系。

本課題以稱重傳感器當前所處的溫度和內碼值為基礎,利用模糊神經網絡的方法應用于稱重系統,旨在提高稱重系統的準確度和穩定性,使稱重更加準確使結果更加具有精確性,為電子秤的標定開辟了一條新方法。方法：稱重傳感器對應的內碼值為p,傳感器的輸出量為m,該稱重傳感器受溫度t的影響,所以輸出量m為二元函數,即m=f(p,t)。將測量到的168組數據隨機的分為學習樣本和測試樣本,將稱重傳感器工作在-14.1℃、-12.8℃、17℃、17.8℃、18.8℃、18.8℃、18.8℃、53.1℃、54.6℃、58.5℃和59.5℃下的12個標稱點的共132對實驗數據作為學習樣本,將工作在-13.5℃、18.9℃和56.8℃下的12個標稱點的共36組實驗數據作為測試樣本,測試模糊神經網絡的泛化能力。

結果：把模糊神經網絡應用于電容式稱重傳感器的溫度補償處理中,使其在高溫、常溫、低溫下成功的得到了使測試樣本的誤差小于0.205%的輸出,二者的融合提高了稱重系統輸出的準確度,得到比較滿意的結果,開辟了高溫稱重技術的又一新領域。方案可行說明模糊神經網絡對于擬合任意非線性函數的能力很強,類似的工作都可以用模糊神經網絡來解決。