|
传感器 |
|
| 按行业筛选 |
|
|
| 按产品筛选 |
|
|
| |
|
查看本类全部文章 |
| |
|
|
|
|
多传感器信息融合技术在提高孔板测量精度中的应用 |
|
|
作者：苏红 常晓权 |
|
前言
多传感器信息融合技术是当前智能信息处理领域的一种重要方法。所谓多传感器信息融合就是将多个传感器所获得的空间或时间上互补和冗余的观测信息，依据某种优化原则加以自动分析、综合的信息处理过程。单一的传感器信息采集量不足，且易受周围环境等干扰因素的影响，因此很难保证检测信息的准确性和可靠性，从而给系统决策的正确性造成影响。因此，采用多传感器信息融合技术，利用各种传感器在性能上的差异和互补性弥补单一传感器的缺陷，从而得到描述系统的更一致性的解释。
孔板由于其自身所具有的价格低廉、原理简单、可靠性好且易于维护等优点而广泛应用于炼油、化工、储运、天然气等工业生产过程中，是当前和未来工业生产中检测各种气体和液体的主要计量仪表。但是孔板和其他类型的计量仪表相比，测量误差较大，其根本原因是被测介质在工作中的实际特性与孔板设计时设定的特性不符，被测介质的温度、压力和密度发生了一定的变化。为此，文中提出了利用多传感器信息融合技术，采用神经网络的融合方法来消除这些因素对孔板测量精度的影响。
1 系统的融合结构
在用孔板进行流量测量时，设被测实际流量为Q，孔板的输 出差压为p。工作中，孔板的测量结果还受到被测介质的温度、压力和密度与设定的介质温度、压力和密度的偏差量Δt、Δp、Δρ的影响，被测实际流量Q实际上为四元函数，即Q＝f(Δt，Δp，Δρ,p)。因此，在使用孔板的同时，采用温度传感器、压力传感器和在线密度分析仪获得介质的实时特性信息，从而得到与孔板设计时设定的工作特性信息的偏差量；然后，将获得的各种信息经预处理后(包括整形、滤波、去噪，归一化等)，送入融合中心，融合中心采用神经网络的方法对数据进行融合处理。融合后的数据集中了4个传感器的信息，极大的提高了孔板的测量精度。系统的配置结构如图1所示。
图1 系统配置结构
2 神经网络融合的算法与模型
数据融合的算法很多，常用的有Bayes决策理论、卡尔曼滤波法、模糊融合、神经网络融合等。其中，人工神经网络是由大量称之为节点或神经元的简单处理单元相互连接而形成的一个大规模的信息处理系统，它主要从总体结构和功能上模仿人脑，而不是逼真的细节重现，其更注重神经活动中的信息流及其运动方式。每个神经元都是一个独立的信息处理单元，分别对各自接收到的信息做独立的运算处理(而不是直接从记忆中取出)，然后它把结果再传输出去。这种分布式存储可使系统在部分受到损坏时仍能恢复原来的信息，因此具有较强的容错能力和联想记忆的特点；同时由于神经网络具有实时处理大量数据的能力，且信息处理是非程序式的，可根据外部的某个准则进行学习，因而神经网络具有自组织、自学习、自适应的特点，使得神经网络在信息融合中得到了广泛的应用。
2.1 神经网络融合算法
对于BP神经网络，最常用的训练算法为BP算法，其实际上是一种简 单的快速下降静态寻优算法。Ak时，它只是按照k时刻的负梯度方向修正，而没有考虑到以前积累的经验，即以前时刻的梯度方向，故常常使训练学习过程发生振荡，收敛速度较慢。这里，采用学习率自适应调整的策略，改进算法的公式为：
Ak＋1＝Ak＋CkXk
Ck＝2γCk－1
γ＝sign[XkXk－1]
式中Ak＋1为第k＋1次迭代时的网络权值；Ak为第k次迭代时的网络权值：Ck为第k次迭代的步长；Ck－1为第k－1次迭代时的步长；Xk为第k次迭代的负梯度；Xk－1为第k－1次迭代的负梯度；γ为步长调整系数。
当连续两次迭代其梯度方向相同时，表明下降太慢，可使步长加倍；当连续两次迭代其梯度方向相反时，表明下降太快，可使步长减半。该算法的流程如图2所示。
图2 改进的神经网络算法流程
2.2 孔板计量中的神经网络模型
神经网络由输入层、隐含层及输出层组成。整个网络的特性决定于相邻层间神经元的连接权及隐层中神经元的阈值。在训练过程中，以孔板的输出差压p、介质温度、压力和密度与设定的介质温度、压力和密度的偏差量Δt、Δp、Δρ作为神经网络的输入；输出为介质流量Q′，其值 最终将以某个允许偏差逼近被测介质的实际流量Q。网络结构如图3所示。
图3中，输入层有4个输入量，设了20个神经元，隐含层设了40个神经元，输出层为1个输出量，设了10个神经元，网络误差E＝0.1。采用学习率自适应调整的算法，通过试训，使神经网络的输出即被测流量融合值Q′与实际被测介质的流量Q之间的均方差尽快达到最小值。
图3 孔板计量中神经网络融合的模型结构
3 仿真实验
啤酒在生产过程中由于其实际温度、工作压力以及菌体浓度的变化，使得在使用孔板对其流量进行测量时造成的误差较大。下面取某啤酒厂啤酒流量的历史数据对神经网络进行训练。该啤酒厂的部分历史数据如表1。表1 部分用于神经网络训练的历史数据
 将该数据进行归一化处理后，便建立了神经网络的输入输出标准样本库，然后对神经网络进行训练。训练仿真结果表明该神经网络经过2013次训练后达到稳定。再用该训练好的神经网络对另一些未经训练的实验数据进行计算，表2给出了部分测量结果。表2 部分孔板测得数据与融合后的数据对照表 104·N·m3/h
 由表1和表2可以看出，由于受温度、压力和密度变化的影响，孔板测出的介质流量与实际流量偏差较大，而在采用了神经网络多传感器融合技术后，测量结果的精度大大提高了，从而有力地证明了该文所建立的孔板计量神经网络模型及其学习率自适应调整算法的可行性与实用性。
4 结束语
当被测介质的温度、工作压力和密度与孔板设计时的设定值发生变化时，对孔板的测量结果有相当大的影响，使得测量误差较大。仿真实验的结果表明，应用神经网络自适应调整学习率的改进算法对多个传感器的输入信息进行融合，对于提高孔板计量精度的效果十分明显。因此，该测量技术与方法具有重要的实际意义。
参考文献
［1］李人厚.智能控制理论和方法［M］.西安：西安交通大学出版社，1994 ，134－165
［2］刘君华.智能传感器系统［M］.西安：西安电子科技大学出版社，1999，377－406
［3］刘同明.数据融合技术及其应用［M］.北京：国防工业出版社，1998，36－22
［4］王永骥，涂健.神经元网络控制［M］.北京：机械工业出版社，1998，63－102.
华北电力大学 苏红，北京航空航天大学 常晓权(end)
|
|
| 文章内容仅供参考
(投稿)
(如果您是本文作者，请点击此处)
(11/22/2005) |
对 传感器 有何见解？请到 传感器论坛 畅所欲言吧！
|
