论文部分内容阅读
电涡流传感器以其灵敏度高、测量的非接触性及不受烟雾、灰尘的干扰等优点,在工业生产中得到了广泛的应用。它在常温下可以实现高精度的测量,但在高温环境中,电涡流传感器的测量精度就会变差。这主要是由于被测导体所处的环境温度T、激励频率f等因素的变化,使被测导体的磁导率μ发生改变,进而影响到电涡流传感器探头线圈的自身参数(等效电感L和品质因数Q),从而使电涡流传感器的测量精度下降甚至无法继续正常测量。针对上述电涡流传感器检测存在的实际问题,本文展开了相应的研究,具体内容如下:分析了电涡流传感器的工作原理、影响磁导率的因素等。发现激励频率、被测导体所处环境温度等因素对电涡流传感器探头线圈自身参数(L和Q)的影响机理非常复杂,无法通过解析法或简单的非线性拟合方法求出电涡流传感器探头线圈的品质因数、等效电感值、激励频率与传感器所测位移、被测导体所处环境温度之间的关系。所以将电涡流传感器探头放在温控箱内,从室温开始,梯度(△AT=20℃)加热至400℃,在每个温度梯度保温足够时间(40分钟)后,采用LCR测试仪的扫描模式,在激励频率f从100kHz-1MHz(△f=10κHz)变化时,扫描并记录电涡流传感器探头线圈的电感值L与品质因数Q随检测位移x(检测位移范围0-30mm,△x=2mm)的变化数据,并将采集的温度T、检测位移x、电感L、激励频率f、品质因数Q进行保存。然后用上述实验保存的相关数据,并利用神经网络方法建立电涡流传感器探头线圈的品质因数、等效电感值、激励频率与传感器检测位移、被测导体所处环境温度之间的模型。本文建立了 LSTM网络模型,模型的输入变量为电涡流传感器探头线圈的等效电感L、激励频率f、品质因数Q,输出变量为电涡流传感器检测位移x、被测导体所处环境温度T;然后,用Python进行了仿真实验,并将LSTM网络模型与传统的BP、RBF、MOSVR网络模型进行了比较。实验结果表明,LSTM网络模型可以有效地预测电涡流传感器检测位移x和被测导体所处环境温度T,并且优于其他预测方法。最后将BP、LSTM网络模型在STM32H743IIT6单片机上进行了实现,对将来在高温条件下,电涡流传感器的温度补偿以及智能传感器的温度和位移同时检测具有重要的实际意义。