留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于神经网络的扭矩传感器稳定性分析预测

孟晨 蒋继乐 郭斌 吴鲲 吴实

孟晨,蒋继乐,郭斌,等. 基于神经网络的扭矩传感器稳定性分析预测[J]. 计量科学与技术,2022, 66(5): 8-14, 68 doi: 10.12338/j.issn.2096-9015.2021.0633
引用本文: 孟晨,蒋继乐,郭斌,等. 基于神经网络的扭矩传感器稳定性分析预测[J]. 计量科学与技术,2022, 66(5): 8-14, 68 doi: 10.12338/j.issn.2096-9015.2021.0633
MENG Chen, JIANG Jile, GUO Bin, WU Kun, WU Shi. Research on Prediction of Stability of Torque Sensor Based on Neural Network[J]. Metrology Science and Technology, 2022, 66(5): 8-14, 68. doi: 10.12338/j.issn.2096-9015.2021.0633
Citation: MENG Chen, JIANG Jile, GUO Bin, WU Kun, WU Shi. Research on Prediction of Stability of Torque Sensor Based on Neural Network[J]. Metrology Science and Technology, 2022, 66(5): 8-14, 68. doi: 10.12338/j.issn.2096-9015.2021.0633

基于神经网络的扭矩传感器稳定性分析预测

doi: 10.12338/j.issn.2096-9015.2021.0633
基金项目: 国家重点研发计划资助项目(2017YFF0204905);国家市场监督管理总局质量技术基础能力建设项目(ANL2009);中国计量科学研究院基本科研业务费重点领域项目(AKYZD2005-1)。
详细信息
    作者简介:

    孟晨(1993-),中国计量科学研究院助理工程师,研究方向:力值计量、算法分析,邮箱:mengchen@nim.ac.cn

    通讯作者:

    蒋继乐(1984-),中国计量科学研究院副研究员,研究方向:力值扭矩计量,邮箱:jiangjl@nim.ac.cn

Research on Prediction of Stability of Torque Sensor Based on Neural Network

  • 摘要: 在扭矩检定中,扭矩值随时间的变化波动并非是已知的常见函数,探究其变化波动趋势对于扭矩检定及量值传递有一定价值和意义。为了探究扭矩传感器示值波动特性,针对扭矩测量中长期稳定性对扭矩值变化的影响进行研究,采用神经网络对给定条件下的检测数据进行训练,对其他时间节点的扭矩值进行预测。以严格控制实验条件下得到的近12年的扭矩值数据进行训练和分析,采用交叉验证的方式证明了模型的准确性和可靠性,并对下一检定周期的扭矩值进行预测,最终计算得到下一周期扭矩值满足0.03级的长期稳定性的概率大于71.8%。
  • 图  1  神经网络结构图

    Figure  1.  Neural network framework

    图  2  交叉验证对比结果

    Figure  2.  Cross validation comparison results

    图  3  交叉验证对比结果(相对值)

    Figure  3.  Cross-validation comparison results (relative value)

    图  4  扭矩输出预测结果

    Figure  4.  Prediction on readout of the torque sensor

    图  5  预测结果与真实值

    Figure  5.  Comparison of prediction value and

    图  6  恒温恒湿条件下的预测值

    Figure  6.  Predicted value under constant temperature and humidity

    表  1  扭矩实测结果

    Table  1.   Torque measurement results

    载荷值使用年月温度(℃)/
    湿度(%RH)
    包含区间
    最小值
    包含区间
    最大值
    100-CW022/200.1350110.135029
    500-CW022/200.6750150.675043
    1000-CW022/201.3501151.350166
    100-CCW022/20−0.134977−0.134999
    500-CCW022/20−0.674945−0.674976
    1000-CCW022/20−1.350029−1.350061
    下载: 导出CSV

    表  2  交叉验证对比结果

    Table  2.   Cross-validation comparison results

    载荷值
    (N·m)
    预测下限
    (mV/V)
    真实值
    (mV/V)
    预测上限
    (mV/V)
    100-CW0.1349500.1349510.135027
    500-CW0.6747600.6748790.675131
    1000-CW1.3496131.3498961.350322
    100-CCW−0.134955−0.134996−0.135033
    500-CCW−0.674799−0.674954−0.675202
    1000-CCW−1.349746−1.350003−1.350585
    下载: 导出CSV

    表  3  预测结果置信水平

    Table  3.   Confidence level of prediction

    载荷值(N·m)预测下限(mV/V)上周期示值(mV/V)预测上限(mV/V)概率
    (%)
    100-CW0.1349500.1349510.13502671.8
    500-CW0.6747600.6748790.67513095.4
    1000-CW1.3496131.3498961.35032295.4
    100-CCW−0.134954−0.134996−0.13503392.7
    500-CCW−0.674799−0.674954−0.67520295.4
    1000-CCW−1.349746−1.350003−1.35058492.7
    下载: 导出CSV

    表  4  预测结果与真实测量

    Table  4.   Comparison of prediction value and measurement results

    载荷值
    (N·m)
    预测下限
    (mV/V)
    真实值
    (mV/V)
    预测上限
    (mV/V)
    100-CW0.1349500.1349830.135026
    500-CW0.6747600.6748840.675130
    1000-CW1.3496131.3498971.350322
    100-CCW−0.134954−0.134994−0.135033
    500-CCW−0.674799−0.674950−0.675202
    1000-CCW−1.349746−1.350003−1.350584
    下载: 导出CSV
  • [1] Anil K Jain, Jianchang Mao, K Moidin Mohiuddin. Artificial Neural Networks: A Tutorial[J]. Computer, 1996, 29(3): 31-44. doi: 10.1109/2.485891
    [2] Lippmann R P. An introduction to computing with neural nets[J]. IEEE Assp Magazine, 1988, 4(2): 4-22.
    [3] DE Rumelhart, Hinton G E, Williams R J. Learning Representations by Back Propagating Errors[J]. Nature, 1986, 323(6088): 533-536. doi: 10.1038/323533a0
    [4] 全国力值硬度计量技术委员会. 标准扭矩仪: JJG 557-2011 [S]. 北京: 中国计量出版社, 2011.
    [5] ISO/TC. Metallic materials-Calibration of force-proving instruments used for the verification of uniaxial testing machines: ISO 376: 2011[S]. Geneva: International Standards Organization, 2011.
    [6] 全国法制计量管理计量技术委员会. 测量不确定度评定与表示: JJF1059.1-2012[S]. 北京: 中国质检出版社, 2012.
    [7] Robert Hecht-Nielsen. Theory of the backpropagation neural network[C]. In Proceeding of the International Joint Conference on Neural Networks(IJCNN). 1989: 593-605.
    [8] Hornik K. Approximation capabilities of multilayer feedforward networks[J]. Neural Networks, 1991, 4(2): 251-257. doi: 10.1016/0893-6080(91)90009-T
    [9] Hornik K, Stinchcombe M, White H. Multilayer feedforward networks are universal Approximators[J]. Neural Networks, 1989, 2: 359-366. doi: 10.1016/0893-6080(89)90020-8
    [10] Cybenko G. Approximation by superpositions of a sigmoid function[J]. Mathematics of Control, Signals, and Systems, 1989, 2: 303-314. doi: 10.1007/BF02551274
    [11] Baratto-Filho F, Freitas J, Gabardo M C L, et al. Analysis of reciprocating system real-time torque variation during root canal preparation[J]. BMC Research Notes, 2019, 12(1): 47. doi: 10.1186/s13104-019-4080-z
    [12] Kwak S W, Ha J H, Cheung S P, et al. Comparison of In Vitro Torque Generation during Instrumentation with Adaptive Versus Continuous Movement[J]. Journal of Endodontics, 2019(45): 803-807.
    [13] Kwak S W, Ha J H, Cheung S P, et al. Effect of the Glide Path Establishment on the Torque Generation to the Files during Instrumentation An InVitro Measurement[J]. J Endod, 2018, 44(3): 496-500. doi: 10.1016/j.joen.2017.09.016
    [14] Bürklein S, Stüber JP, Schäfer E. Real-time dynamic torque values and axial forces during preparation of straight root canals using three different endodontic motors and hand preparation[J]. Int Endod J, 2019(52): 94-104.
    [15] Arvind Yadav, Boggavarapu Bhanu Venkata Satya Vara Prasad, Ramesh Kumar Mojjada, et al. Application of Artificial Neural Network and Genetic Algorithm Based Artificial Neural Network Models for River Flow Prediction[J]. Revue d'Intelligence Artificielle, 2020, 34(6): 745-751. doi: 10.18280/ria.340608
    [16] 蒋继乐, 吴鲲, 郭斌, 等. 应用于惯性导航系统中的扭矩计量技术研究[J]. 计量科学与技术, 2021(2): 59-62,75.
    [17] 张智敏, 张跃, 孟峰, 等. 基于空气轴承支撑技术的高准确度大扭矩标准装置研究[J]. 计量学报, 2021, 42(3): 271-275. doi: 10.3969/j.issn.1000-1158.2021.03.02
    [18] 靳浩元, 刘军. 测量不确定度的评定方法及应用研究[J]. 计量科学与技术, 2021, 65(5): 124-131.
    [19] 陈凌峰. 标准不确定度A类评定中极差法的深入讨论[J]. 计量学报, 2019, 40(2): 347-352.
  • 加载中
图(6) / 表(4)
计量
  • 文章访问数:  528
  • HTML全文浏览量:  250
  • PDF下载量:  50
  • 被引次数: 0
出版历程
  • 录用日期:  2022-04-07
  • 网络出版日期:  2022-06-02

目录

    /

    返回文章
    返回