[发明专利]一种距离测量巨磁阻抗传感器信号的处理方法

摘要

本发明公开了一种距离测量巨磁阻抗传感器信号的处理方法，具体步骤包括：采集磁性目标运动时巨磁阻抗传感器的输出信号；分别建立幅值变化率和能量变化率测量模型，在此基础上建立巨磁阻抗传感器信号的数据处理融合模型；计算目标运动方向上采集的巨磁阻抗传感器输出信号的小波能量特征，将其作为神经网络的输入样本训练以得到小波神经网络模型，建立其与目标位置的关系；对于所述运动方向上任一位置的目标，先通过小波神经网络模型判断目标所在的位置区间，再选择数据处理融合模型中对应位置区间的模型进行反演计算，得到最终的目标位置。本发明提供的处理方法具有通用性，解决了测量结果的多值性问题，提高了测量精度，拓宽了测量范围。

主权项

一种距离测量巨磁阻抗传感器信号的处理方法，其特征包括如下步骤：一、巨磁阻抗传感器获取磁性目标按照一定距离间隔运动时的距离信号，采集所述巨磁阻抗传感器的输出信号；(一)幅值变化率(1)求信号的幅值变化率，得到幅值变化率曲线；确定所述磁性目标在位置i时的幅值变化率U_r(i)：$U_r\left(i\right)=\frac{|U\left(i\right)-U\left(0\right)|}{U\left(0\right)}\×100\%$U(i)表示对应目标在位置i时的巨磁阻抗传感器输出信号的幅值，U(0)为仅有环境磁场时巨磁阻抗传感器输出信号的幅值，U_r(i)是该位置信号的幅值变化率；以目标位置为横坐标，以幅值变化率为纵坐标，将所有目标位置点的幅值变化率连接成幅值变化率曲线；(2)建立幅值变化率测量模型；找出幅值变化率曲线峰值对应的位置d₁，作为第一个分界点；以d₁为界将输出信号的幅值变化率曲线分为左、右两部分，分别建立每部分的幅值变化率测量模型；采用基于最小误差平方和准则的多项式拟合方法对以d₁为界左侧的幅值变化率曲线进行拟合，拟合后的曲线即为对应的左侧幅值变化率测量模型，表达式为y₁：y₁＝m₁x⁴‑m₂x³+m₃x²‑m₄x+m₅(x＜d₁)式中，x表示目标所在的位置，m₁，m₂,m₃,m₄,m₅是多项式曲线拟合系数；采用基于最小误差平方和准则的高斯拟合方法对以d₁为界右侧的幅值变化率曲线进行拟合，拟合后的曲线即为对应的右侧幅值变化率测量模型，表达式为y₂：$y_2=a_1{e}^{-{\left(\frac{x-a_2}{a_3}\right)}^2}+a_4{e}^{-{\left(\frac{x-a_5}{a_6}\right)}^2}+a_7{e}^{-{\left(\frac{x-a_8}{a_9}\right)}^2}+a_{10}{e}^{-{\left(\frac{x-a_{11}}{a_{12}}\right)}^2}(x\≥d_1)$式中，x表示目标所在的位置，a₁，a₂，…，a₁₂是高斯曲线拟合系数；(二)能量变化率(1)求信号的能量变化率，得到能量变化率曲线；确定所述磁性目标在位置i时巨磁阻抗传感器输出信号的能量变化率E_r(i)：$E_r\left(i\right)=\frac{|E\left(i\right)-E\left(0\right)|}{E\left(0\right)}\×100\%$式中，E(i)为目标在位置i时的巨磁阻抗传感器输出信号的能量在一个采样周期的平均值，E(0)为仅有环境磁场时巨磁阻抗传感器输出信号的能量在一个采样周期的平均值，E_r(i)是位置i的能量变化率；以目标位置为横坐标，以能量变化率为纵坐标，将所有目标位置点的能量变化率连接成能量变化率曲线；(2)建立能量变化率测量模型；能量变化率曲线峰值对应的位置与幅值变化率曲线峰值对应的位置相同，故以d₁为界对右侧的能量变化率曲线基于最小误差平方和准则进行高斯拟合，拟合后的曲线即为对应的能量变化率测量模型，表达式为y₃：$y_3=b_1{e}^{-{\left(\frac{x-b_2}{b_3}\right)}^2}+b_4{e}^{-{\left(\frac{x-b_5}{b_6}\right)}^2}+b_7{e}^{-{\left(\frac{x-b_8}{b_9}\right)}^2}+b_{10}{e}^{-{\left(\frac{x-b_{11}}{b_{12}}\right)}^2}$式中，x表示目标所在的位置；b₁，b₂，…，b₁₂是高斯曲线拟合系数；二、以d₁和d₂为界建立所述巨磁阻抗传感器信号的数据处理融合模型；基于能量变化率和幅值变化率测量模型进行测量均有误差，设右侧幅值变化率测量模型与能量变化率测量模型误差曲线交点对应的位置为d₂，将d₂确定为第2个分界点；基于测量误差最小原则，将左侧幅值变化率测量模型y₁、能量变化率测量模型y₃和右侧幅值变化率测量模型y₂进行组合，得到数据处理融合模型：$y=\left[\begin{array}{cc}{m}_1{x}^4+m_2{x}^3+m_3{x}^2+m_{4}x+m_5,& (x\≤d_1)\\ b_1{e}^{-{\left(\frac{x-b_2}{b_3}\right)}^2}+b_4{e}^{-{\left(\frac{x-b_5}{b_6}\right)}^2}+b_7{e}^{-{\left(\frac{x-b_8}{b_9}\right)}^2}+b_{10}{e}^{-{\left(\frac{x-b_{11}}{b_{12}}\right)}^2},& (d_1\≤x\≤d_2)\\ a_1{e}^{-{\left(\frac{x-a_2}{a_3}\right)}^2}+a_4{e}^{-{\left(\frac{x-a_5}{a_6}\right)}^2}+a_7{e}^{-{\left(\frac{x-a_8}{a_9}\right)}^2}+a_{10}{e}^{-{\left(\frac{x-a_{11}}{a_{12}}\right)}^2},& (x\≥d_2)\end{array}\right]$式中，x表示目标所在的位置，m₁，m₂,m₃,m₄,m₅是以d₁为界左侧幅值变化率测量模型的拟合系数，b₁，b₂，…，b₁₂是介于d₁和d₂之间的能量变化率测量模型的拟合系数，a₁，a₂，…，a₁₂是以d₂为界的右侧幅值变化率测量模型的拟合系数；三、计算目标运动方向上采集的巨磁阻抗传感器输出信号的小波能量特征，并将该小波能量特征作为神经网络的输入样本训练以得到小波神经网络模型，建立小波能量特征与以d₁和d₂为界的目标位置区间的关系；四、对于所述运动方向上任一位置的目标，先通过小波神经网络模型判断目标可能出现的位置区间，再选择步骤二中数据处理融合模型的相应测量模型进行反演计算，得到最终的目标位置。