基于BP神经网络的连续频变信号实时测量方法及系统与流程

摘要: 本发明属于连续频变信号实时测量,涉及一种基于bp神经网络的连续频变信号实时测量方法及系统。背景技术:1、在旋转物体的运动控制与状态监测中,广泛采用霍尔传感器将转...
基于BP神经网络的连续频变信号实时测量方法及系统与流程

本发明属于连续频变信号实时测量,涉及一种基于bp神经网络的连续频变信号实时测量方法及系统。

背景技术:

1、在旋转物体的运动控制与状态监测中,广泛采用霍尔传感器将转速转换为频率连续变化的电信号。该信号经模数转换器(adc)采样后,由微控制器(mcu)实时计算频率值并向外发送。由于系统对功耗和成本有严格约束,常选用stm32等基于cortex-m内核的低功耗mcu作为处理核心,其adc采样速率通常受限,导致一个信号周期内的采样点数偏少,通常在10至20个点之间。

2、传统的频率测量方法以测周法为代表,其原理是通过检测信号波形的过零点来确定周期长度,进而换算为频率。然而在低采样率条件下,过零点的精确时刻难以直接采样获得,只能通过相邻采样点进行线性插值估算,由此引入不可忽略的过零点位置误差。已有专利文献提出使用过零点附近的采样值来预测过零点时刻,试图在较低采样率条件下实现高精度的频率计算。另有方法采用数字积分并插值的方式处理连续的数字采样信号,根据采样值和插值获取的积分结束点计算信号的零点-。这些方法本质上仍依赖于过零点的检测与定位。

3、更为严重的是,当工作环境中存在电磁干扰,且干扰信号恰好叠加在过零点附近的采样点上时,插值推算出的过零点时刻将发生剧烈跳变,导致频率测量结果出现大幅抖动。这种由过零点干扰引起的测量误差,难以通过简单的多点平均或滤波手段根除,严重制约了连续频变信号在低功耗平台上的测量精度与稳定性。

4、针对上述问题,已有研究尝试将神经网络应用于频率测量领域。例如,有文献提出基于多层前馈神经网络的频率测量方法,采用bp神经网络的构造过程和训练方法进行频率测量;也有方案利用bp神经网络建立过零点交点与频率的映射关系。然而,这些方法仍然未能摆脱对过零点的依赖,抗干扰能力有限,且未充分考虑嵌入式低功耗平台的实时部署约束。此外,现有技术中尚缺乏针对连续频变信号场景、能够从原理上消除过零点依赖并适配stm32等低功耗mcu的完整频率测量方案。

技术实现思路

1、本发明的目的在于:提供了一种基于bp神经网络的连续频变信号实时测量方法及系统,解决了上述技术问题。

2、本发明采用的技术方案如下:

3、一方面本申请实施例提供了一种基于bp神经网络的连续频变信号实时测量方法,包括:以固定采样率采集连续频变信号的波形数据,获取当前信号周期内的m个采样点,记为采样点序列s=[s0, s1, s2, …, s_{m-1}];构建固定维度的输入特征向量:当m≥n时,对所述采样点序列s执行线性插值重采样,得到维度为n的特征向量t=[t0, t1, t2, …, t_{n-1}];当m

4、可选地,所述归一化处理具体为:

5、求取特征向量t中的最大值t_max和最小值t_min,按照公式x_i = 2×(t_i-t_min)/(t_max-t_min)-1将每个元素映射至[-1,1]区间。

6、可选地,所述前向bp神经网络的权重和偏置参数在离线阶段训练获得,并量化为8位或16位定点数,以常量数组形式存储于mcu的flash中。

7、可选地,所述前向bp神经网络为全连接结构,包含输入层、若干隐藏层和输出层,隐藏层激活函数选用relu或sigmoid,输出层不含激活函数。

8、可选地,将所述归一化特征向量输入前向bp神经网络并输出频率值的处理过程采用定点乘累加运算,激活函数通过查表法实现,将浮点激活函数离散为有限个分段区间并预存查找表,推理时根据输入值直接查表获取输出。

9、可选地,所述离线训练在pc端完成,训练数据集覆盖目标应用的全部工作频率范围,并包含多种谐波畸变程度和噪声强度的仿真波形样本,以每个波形周期的采样点向量作为输入、对应频率真值作为标签,以均方误差为损失函数,采用反向传播算法训练至收敛。

10、可选地,所述连续频变信号由霍尔传感器产生,所述mcu为stm32系列低功耗微控制器。

11、另一方面,本申请实施例提供了一种基于bp神经网络的连续频变信号实时测量系统,所述系统包括:

12、霍尔传感器,用于将旋转物体的转速转换为频率连续变化的电信号;

13、信号调理电路,用于对所述霍尔传感器输出的电信号进行调理;

14、mcu内置adc,用于以固定采样率将调理后的模拟信号转换为离散采样序列;

15、特征向量构建模块,用于在每个信号周期结束后,将该周期内的全部采样点构建为固定维度的归一化特征向量;

16、基于前向bp神经网络的频率推理引擎,部署于所述mcu中,用于接收所述特征向量并输出当前周期的频率值;

17、通信输出模块,用于将所述频率值以数字化形式实时发送。

18、综上所述,由于采用了上述技术方案,本发明的有益效果是:

19、1、根除过零点误差:本发明将一个信号周期内全部adc采样点组成的完整向量作为频率计算的唯一输入,网络无需知晓过零点位置,所有采样点平等参与计算,从原理上消除了因采样率不足导致的过零点定位偏差。

20、2、强抗过零点干扰能力:即使过零点附近的个别采样点因电磁干扰产生异常,也仅改变输入向量中个别分量的值,网络依据向量整体形态准确推算频率,测量抖动得到显著抑制。实测表明,在过零点位置注入脉冲干扰时,本发明输出频率抖动幅度小于0.08%,而传统测周法抖动超过2.5%。

21、3、适合stm32等低功耗mcu实时处理:推理仅需定点乘加与函数查表操作,无浮点运算单元依赖,单周期计算耗时可忽略,满足连续频变信号的实时测量要求。

22、4、良好的通用性与可维护性:通过重训练,可适配不同型号霍尔传感器的输出波形特征(包括正弦波、方波等不同类型),无需更改硬件电路和算法框架-。训练数据生成策略可覆盖全部工作频率范围及多种干扰形态,保证了方法在不同应用场景下的适应性。

23、5、全频段高精度测量:实测表明,在200hz至3khz工作频率范围内,本发明方法的频率测量误差小于0.15%,可平滑跟踪连续频变信号的实际频率变化,无相位滞后累积。

1.一种基于bp神经网络的连续频变信号实时测量方法,其特征在于,包括:

2.根据权利要求1所述的一种基于bp神经网络的连续频变信号实时测量方法,其特征在于,所述归一化处理具体为:

3.根据权利要求1所述的一种基于bp神经网络的连续频变信号实时测量方法,其特征在于,所述前向bp神经网络的权重和偏置参数在离线阶段训练获得,并量化为8位或16位定点数,以常量数组形式存储于mcu的flash中。

4.根据权利要求1所述的一种基于bp神经网络的连续频变信号实时测量方法,其特征在于,所述前向bp神经网络为全连接结构,包含输入层、若干隐藏层和输出层,隐藏层激活函数选用relu或sigmoid,输出层不含激活函数。

5.根据权利要求1所述的一种基于bp神经网络的连续频变信号实时测量方法,其特征在于,将所述归一化特征向量输入前向bp神经网络并输出频率值的处理过程采用定点乘累加运算,激活函数通过查表法实现,将浮点激活函数离散为有限个分段区间并预存查找表,推理时根据输入值直接查表获取输出。

6.根据权利要求1所述的一种基于bp神经网络的连续频变信号实时测量方法,其特征在于,所述离线训练在pc端完成,训练数据集覆盖目标应用的全部工作频率范围,并包含多种谐波畸变程度和噪声强度的仿真波形样本,以每个波形周期的采样点向量作为输入、对应频率真值作为标签,以均方误差为损失函数,采用反向传播算法训练至收敛。

7.根据权利要求1所述的一种基于bp神经网络的连续频变信号实时测量方法,其特征在于,所述连续频变信号由霍尔传感器产生,所述mcu为stm32系列低功耗微控制器。

8.一种基于bp神经网络的连续频变信号实时测量系统,其特征在于,所述系统包括: