發布日期：2022-05-11 點擊率：80
前言
多傳感器信息融合技術是當前智能信息處理領域的一種重要方法。所謂多傳感器信息融合就是將多個傳感器所獲得的空間或時間上互補和冗余的觀測信息，依據某種優化原則加以自動分析、綜合的信息處理過程。單一的傳感器信息采集量不足，且易受周圍環境等干擾因素的影響，因此很難保證檢測信息的準確性和可靠性，從而給系統決策的正確性造成影響。因此，采用多傳感器信息融合技術，利用各種傳感器在性能上的差異和互補性彌補單一傳感器的缺陷，從而得到描述系統的更一致性的解釋。
孔板由于其自身所具有的價格低廉、原理簡單、可靠性好且易于維護等優點而廣泛應用于煉油、化工、儲運、天然氣等工業生產過程中，是當前和未來工業生產中檢測各種氣體和液體的主要計量儀表。但是孔板和其他類型的計量儀表相比，測量誤差較大，其根本原因是被測介質在工作中的實際特性與孔板設計時設定的特性不符，被測介質的溫度、壓力和密度發生了一定的變化。為此，文中提出了利用多傳感器信息融合技術，采用神經網絡的融合方法來消除這些因素對孔板測量精度的影響。
1 系統的融合結構
在用孔板進行流量測量時，設被測實際流量為Q，孔板的輸 出差壓為p。工作中，孔板的測量結果還受到被測介質的溫度、壓力和密度與設定的介質溫度、壓力和密度的偏差量Δt、Δp、Δρ的影響，被測實際流量Q實際上為四元函數，即Q＝f(Δt，Δp，Δρ,p)。因此，在使用孔板的同時，采用溫度傳感器、壓力傳感器和在線密度分析儀獲得介質的實時特性信息，從而得到與孔板設計時設定的工作特性信息的偏差量；然后，將獲得的各種信息經預處理后(包括整形、濾波、去噪，歸一化等)，送入融合中心，融合中心采用神經網絡的方法對數據進行融合處理。融合后的數據集中了4個傳感器的信息，極大的提高了孔板的測量精度。系統的配置結構如圖1所示。
圖1 系統配置結構
2 神經網絡融合的算法與模型
數據融合的算法很多，常用的有Bayes決策理論、卡爾曼濾波法、模糊融合、神經網絡融合等。其中，人工神經網絡是由大量稱之為節點或神經元的簡單處理單元相互連接而形成的一個大規模的信息處理系統，它主要從總體結構和功能上模仿人腦，而不是逼真的細節重現，其更注重神經活動中的信息流及其運動方式。每個神經元都是一個獨立的信息處理單元，分別對各自接收到的信息做獨立的運算處理(而不是直接從記憶中取出)，然后它把結果再傳輸出去。這種分布式存儲可使系統在部分受到損壞時仍能恢復原來的信息，因此具有較強的容錯能力和聯想記憶的特點；同時由于神經網絡具有實時處理大量數據的能力，且信息處理是非程序式的，可根據外部的某個準則進行學習，因而神經網絡具有自組織、自學習、自適應的特點，使得神經網絡在信息融合中得到了廣泛的應用。
2.1 神經網絡融合算法
對于BP神經網絡，最常用的訓練算法為BP算法，其實際上是一種簡 單的快速下降靜態尋優算法。Ak時，它只是按照k時刻的負梯度方向修正，而沒有考慮到以前積累的經驗，即以前時刻的梯度方向，故常常使訓練學習過程發生振蕩，收斂速度較慢。這里，采用學習率自適應調整的策略，改進算法的公式為：
Ak＋1＝Ak＋CkXk
Ck＝2γCk－1
γ＝sign[XkXk－1]
式中Ak＋1為第k＋1次迭代時的網絡權值；Ak為第k次迭代時的網絡權值：Ck為第k次迭代的步長；Ck－1為第k－1次迭代時的步長；Xk為第k次迭代的負梯度；Xk－1為第k－1次迭代的負梯度；γ為步長調整系數。
當連續兩次迭代其梯度方向相同時，表明下降太慢，可使步長加倍；當連續兩次迭代其梯度方向相反時，表明下降太快，可使步長減半。該算法的流程如圖2所示。
圖2 改進的神經網絡算法流程
2.2 孔板計量中的神經網絡模型
神經網絡由輸入層、隱含層及輸出層組成。整個網絡的特性決定于相鄰層間神經元的連接權及隱層中神經元的閾值。在訓練過程中，以孔板的輸出差壓p、介質溫度、壓力和密度與設定的介質溫度、壓力和密度的偏差量Δt、Δp、Δρ作為神經網絡的輸入；輸出為介質流量Q′，其值 最終將以某個允許偏差逼近被測介質的實際流量Q。網絡結構如圖3所示。
圖3中，輸入層有4個輸入量，設了20個神經元，隱含層設了40個神經元，輸出層為1個輸出量，設了10個神經元，網絡誤差E＝0.1。采用學習率自適應調整的算法，通過試訓，使神經網絡的輸出即被測流量融合值Q′與實際被測介質的流量Q之間的均方差盡快達到最小值。
圖3 孔板計量中神經網絡融合的模型結構
3 仿真實驗
啤酒在生產過程中由于其實際溫度、工作壓力以及菌體濃度的變化，使得在使用孔板對其流量進行測量時造成的誤差較大。下面取某啤酒廠啤酒流量的歷史數據對神經網絡進行訓練。該啤酒廠的部分歷史數據如表1。
表1 部分用于神經網絡訓練的歷史數據
將該數據進行歸一化處理后，便建立了神經網絡的輸入輸出標準樣本庫，然后對神經網絡進行訓練。訓練仿真結果表明該神經網絡經過2013次訓練后達到穩定。再用該訓練好的神經網絡對另一些未經訓練的實驗數據進行計算，表2給出了部分測量結果。
表2 部分孔板測得數據與融合后的數據對照表 104·N·m3/h
由表1和表2可以看出，由于受溫度、壓力和密度變化的影響，孔板測出的介質流量與實際流量偏差較大，而在采用了神經網絡多傳感器融合技術后，測量結果的精度大大提高了，從而有力地證明了該文所建立的孔板計量神經網絡模型及其學習率自適應調整算法的可行性與實用性。
4 結束語
當被測介質的溫度、工作壓力和密度與孔板設計時的設定值發生變化時，對孔板的測量結果有相當大的影響，使得測量誤差較大。仿真實驗的結果表明，應用神經網絡自適應調整學習率的改進算法對多個傳感器的輸入信息進行融合，對于提高孔板計量精度的效果十分明顯。因此，該測量技術與方法具有重要的實際意義。
參考文獻
［1］李人厚.智能控制理論和方法［M］.西安：西安交通大學出版社，1994 ，134－165
［2］劉君華.智能傳感器系統［M］.西安：西安電子科技大學出版社，1999，377－406
［3］劉同明.數據融合技術及其應用［M］.北京：國防工業出版社，1998，36－22
［4］王永驥，涂健.神經元網絡控制［M］.北京：機械工業出版社，1998，63－102.
華北電力大學 蘇紅，北京航空航天大學 常曉權
下一篇： PLC、DCS、FCS三大控
上一篇： 索爾維全系列Solef?PV
