智能传感器的在线自诊断1

基于神经网络模型的智能传感器在线自诊断、自修复

胡学海、古天祥

电子科技大学自动化学院

成都飞机设计研究所

摘要：本文首次提出了基于神经网络模型实现智能传感器在线诊断、在线修复的原理、方案，及软、硬件实现方法，对利用生物结构来提高电子系统可靠性进行了初步尝试。本文的成果适用于对速度要求不高的智能传感器系统，有一定的参考价值。

关键字：智能传感器、在线自诊断、自修复、神经网络模型、触突、阈值

The Intelligent Sensor’s check and repair on line Which based on Nervous Model

Hu Xue Hai 、Gu Tian Xiang

Abstract：In this paper , it is carried out the research on the principle of Intelligent Sensor’s check and repair on line which based on nervous model and it’s structure of software and hardware . The way to improve reliability by natural structure is tried . The way suits for the Intelligent Sensor . Key words：intelligent sensor, check and repair on line , nervous model , conjunction , limit value 中图分类号：TP212.6

1引言

进入信息时代后，一场数字化革命正在各国蓬勃的展开。作为信息技术的三大支柱之一的传感器技术也同样面临着这个挑战。内置MCU系统，可自动对输出进行线性化、标度变换、数字滤波、数字补偿，即提高测量精度，又能补偿受温度、压力、气体浓度等因素影响的智能传感器成为了当今传感器技术发展和研究的主流和前沿。

但由于内部结构更加复杂，特别是系统全部基于内置MCU系统的正常运行，不可避免的降低了传感器的可靠性。为了提高可靠性，就必须对传感器内置的MCU系统进行在线监控，这也就成为了智能传感器研究的重要课题。

2基本原理

智能传感器使用内置的MCU系统作为系统控制核心。由于MCU系统较易受电磁干扰而发生系统程序“跑飞”，或内存单元数据突然改变现象，这种故障是随机发生的，且和运行环境有关，难于检测、排除。传统方法采用电压比较器对电源监控，采用“看门狗”对程序监控，存在的缺陷主要有：测试故障覆盖率低、难以检测变周期运行系统、测试时间太长，并可能因此而引起连锁反应，造成直接经济损失、故障处理智能度差，无法进行过程重入，从而无法实现在线故障排除。我们利用神经网络模型可以很好的解决这一问题，实现了MCU系统的智能在线监控和在线故障排除，从而极大的提高智能传感器的可靠性和运行平稳性。

2.1 神经网络模型

最简单的神经元生物模型如图1所示。它是由传递神经反应的触突，细胞核组成。如果有一个信号传到触突，触突先对信号的特点进行衡量，当刺激信号的权重和大于这个神经细胞的阈值则这个神经细胞被激发，反之则未被激发。

2.2 神经网络自诊断原理

仿造这一原理我们可以模仿大脑中的神经元结构把系统的软硬件划分为由A/D变换、数字滤波、线性化处理、标度变换、数字补偿，通讯等功能构成的神经元。每个神经元由细胞核、传递触突、阈值衡量触突组成。将这些简单的、彼此之间高度连接的处理单元组成神经网络。本文采用阈值型神经元模型,系统运行时，第N次激发的神经元的兴奋度对应的计算公式为公式（1）：

a n=U（|△n|-|T n-S n|）（1）

式中：a n：第N次激发的神经元的兴奋度，a n =1运行正常，a n =0运行故障

|△n |：第N次激发的神经元无故障运行时的最大误差时间的理论值

T n：第N次激发的神经元运行时间的实际值

S n：第N次激发的神经元运行时间的理论值

2.3 神经网络自修复原理

如前所述可得，当a n =1时，神经元运行正常，传递触突输出激发信息X i=1，表明需激发神经元i，阈值衡量触突的输出Y对应的计算公式为公式（2）：

Y=U（

m

∑W ji a n X i-θ）（2）

式中：W ji：神经元j与神经元i的互联权重

θ：衡量阈值,

a n：第N次激发的神经元的兴奋度

X i：传递触突输出激发信息

当Y=1时，神经元i被激发，保存系统现状态，进入神经元i的细胞核程序。当a n =0时，神经元运行故障，当Y=0时，激发失败，系统回到第N次神经元激发前的状态，并重新激发该神经元，如果连续失败3次，系统中止运行，并输出故障信号。

2.4 神经元网络的自学习

由于双CPU结构的时间基准之间有一定差异，且使用中由于温度、湿度、使用时间的影响，时间基准会发生频率漂移，从而使误差时间△较难确定，造成系统在线自诊断失效，我们可以让该神经元网络结合蚁群算法，进行定期的自学习，把结果存入知识库，就能有效且快速的确定误差时间△i库。

由于误差时间△近似服从高斯分布，即：

P△=EXP（-△i2/（2σ2））/（σ*（2∏）1/2）（3）式中： P△:概率密度；△i:第i个神经元的误差时间；

σ:标准差

对于第i个神经元，第N次学习，误差时间△ni的计算公式为公式4

|△ni |=（ 3

m

∑|T ni-S ni|/m+Q△ni-1）/（1+Q）（4）

j=1

j=1

式中： Q: 遗忘速度，取值0—1；m取50

|△ni |：第i个神经元，第N次学习无故障运行时的最大误差时间的理论值

T n：第N次激发的神经元运行时间的实际值

S n：第N次激发的神经元运行时间的理论值

这样，通过观察神经网络中被激发的神经元和将被激发神经元的触突连接、激发关系可以判断运行过程是否正常，实现在线监控；通过对故障神经元的重激发和重入，实现系统的在线故障排除。通过对环境的自学习而实现本神经网络的在线监控参数△ni可随着环境的变化自调节，从而提高了系统的自适应能力和可靠性。

3在线自诊断的实现方法

3.1 硬件设计

为提高系统监控的可靠性，克服系统本身受干扰而瘫痪，系统采用双CPU 结构。硬件结构如图2。

图2 硬件结构图

考虑到可靠性高、综合成本低、精度高、调试方便、抗干扰能力强、系统结构简单，选用一片ADI公司的ADuC812高精度数据采集片上系统芯片作主系统实现A/D、D/A、单片机系统的全部功能。ADuC812包含8通道12-bit SAR A/D，无噪声≥14位，速度10KHz；2通道12位D/A，速度15uS；8KE2PROM程序存储器；640字节Flash ROM 数据存储器；工业标准8052核；精密基准电压源；时钟频率最高16MHz。考虑到价格便宜，可靠性高，体积小，采用89C2051作为实时监控主系统。89C2051包含2KE2PROM程序存储器；时钟频率最高20MHz；20脚芯片。采用IMP690A芯片作为硬件监控，它能为单片机提供可靠的上电、掉电复位低电压早期报警，“看门狗”及后备电池管理、写保护等功能，同时还具有抗高温及短路保护功能，能极大的提高系统的抗干扰能力和系统的可靠性。

3.2神经元结构的在线自检测程序实现

神经元结构的在线自检测程序程序流程如图3，