多傳感器信息融合技術(shù)在提高孔板測量精度中的應用
加入技術(shù)交流群
多傳感器信息融合技術(shù)是當前智能信息處理領(lǐng)域的一種重要方法。所謂多傳感器信息融合就是將多個(gè)傳感器所獲得的空間或時(shí)間上互補和冗余的觀(guān)測信息，依據某種優(yōu)化原則加以自動(dòng)分析、綜合的信息處理過(guò)程。單一的傳感器信息采集量不足，且易受周?chē)h(huán)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(shù)，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(jià)格低廉、原理簡(jiǎn)單、可靠性好且易于維護等優(yōu)點(diǎn)而廣泛應用于煉油、化工、儲運、天然氣等工業(yè)生產(chǎn)過(guò)程中，是當前和未來(lái)工業(yè)生產(chǎn)中檢測各種氣體和液體的主要計量?jì)x表。但是孔板和其他類(lèi)型的計量?jì)x表相比，測量誤差較大，其根本原因是被測介質(zhì)在工作中的實(shí)際特性與孔板設計時(shí)設定的特性不符，被測介質(zhì)的溫度、壓力和密度發(fā)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(shù)，采用神經(jīng)網(wǎng)絡(luò )的融合方法來(lái)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(jìn)行流量測量時(shí)，設被測實(shí)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(zhì)的溫度、壓力和密度與設定的介質(zhì)溫度、壓力和密度的偏差量Δt、Δp、Δρ的影響，被測實(shí)際流量Q實(shí)際上為四元函數，即Q＝f(Δt，Δp，Δρ,p)。因此，在使用孔板的同時(shí)，采用溫度傳感器、壓力傳感器和在線(xiàn)密度分析儀獲得介質(zhì)的實(shí)時(shí)特性信息，從而得到與孔板設計時(shí)設定的工作特性信息的偏差量；然后，將獲得的各種信息經(jīng)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(jīng)網(wǎng)絡(luò )的方法對數據進(jìn)行融合處理。融合后的數據集中了4個(gè)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
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(jīng)網(wǎng)絡(luò )融合等。其中，人工神經(jīng)網(wǎng)絡(luò )是由大量稱(chēng)之為節點(diǎn)或神經(jīng)元的簡(jiǎn)單處理單元相互連接而形成的一個(gè)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(jīng)活動(dòng)中的信息流及其運動(dòng)方式。每個(gè)神經(jīng)元都是一個(gè)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(shí)仍能恢復原來(lái)的信息，因此具有較強的容錯能力和聯(lián)想記憶的特點(diǎn)；同時(shí)由于神經(jīng)網(wǎng)絡(luò )具有實(shí)時(shí)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(gè)準則進(jìn)行學(xué)習，因而神經(jīng)網(wǎng)絡(luò )具有自組織、自學(xué)習、自適應的特點(diǎn)，使得神經(jīng)網(wǎng)絡(luò )在信息融合中得到了廣泛的應用。
2.1 神經(jīng)網(wǎng)絡(luò )融合算法
對于BP神經(jīng)網(wǎng)絡(luò )，最常用的訓練算法為BP算法，其實(shí)際上是一種簡(jiǎn) 單的快速下降靜態(tài)尋優(yōu)算法。Ak時(shí)，它只是按照k時(shí)刻的負梯度方向修正，而沒(méi)有考慮到以前積累的經(jīng)驗，即以前時(shí)刻的梯度方向，故常常使訓練學(xué)習過(guò)程發(fā)生振蕩，收斂速度較慢。這里，采用學(xué)習率自適應調整的策略，改進(jìn)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(shí)的網(wǎng)絡(luò )權值；Ak為第k次迭代時(shí)的網(wǎng)絡(luò )權值：Ck為第k次迭代的步長(cháng)；Ck－1為第k－1次迭代時(shí)的步長(cháng)；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(cháng)調整系數。
當連續兩次迭代其梯度方向相同時(shí)，表明下降太慢，可使步長(cháng)加倍；當連續兩次迭代其梯度方向相反時(shí)，表明下降太快，可使步長(cháng)減半。該算法的流程如圖2所示。
圖2 改進(jìn)的神經(jīng)網(wǎng)絡(luò )算法流程
神經(jīng)網(wǎng)絡(luò )由輸入層、隱含層及輸出層組成。整個(gè)網(wǎng)絡(luò )的特性決定于相鄰層間神經(jīng)元的連接權及隱層中神經(jīng)元的閾值。在訓練過(guò)程中，以孔板的輸出差壓p、介質(zhì)溫度、壓力和密度與設定的介質(zhì)溫度、壓力和密度的偏差量Δt、Δp、Δρ作為神經(jīng)網(wǎng)絡(luò )的輸入；輸出為介質(zhì)流量Q′，其值 最終將以某個(gè)允許偏差逼近被測介質(zhì)的實(shí)際流量Q。網(wǎng)絡(luò )結構如圖3所示。
圖3中，輸入層有4個(gè)輸入量，設了20個(gè)神經(jīng)元，隱含層設了40個(gè)神經(jīng)元，輸出層為1個(gè)輸出量，設了10個(gè)神經(jīng)元，網(wǎng)絡(luò )誤差E＝0.1。采用學(xué)習率自適應調整的算法，通過(guò)試訓，使神經(jīng)網(wǎng)絡(luò )的輸出即被測流量融合值Q′與實(shí)際被測介質(zhì)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(jīng)網(wǎng)絡(luò )融合的模型結構
啤酒在生產(chǎn)過(guò)程中由于其實(shí)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(jìn)行測量時(shí)造成的誤差較大。下面取某啤酒廠(chǎng)啤酒流量的歷史數據對神經(jīng)網(wǎng)絡(luò )進(jìn)行訓練。該啤酒廠(chǎng)的部分歷史數據如表1。
表1 部分用于神經(jīng)網(wǎng)絡(luò )訓練的歷史數據 
表2 部分孔板測得數據與融合后的數據對照表 104·N·m3/h 
4 結束語(yǔ)
當被測介質(zhì)的溫度、工作壓力和密度與孔板設計時(shí)的設定值發(fā)生變化時(shí)，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(shí)驗的結果表明，應用神經(jīng)網(wǎng)絡(luò )自適應調整學(xué)習率的改進(jìn)算法對多個(gè)傳感器的輸入信息進(jìn)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(shù)與方法具有重要的實(shí)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(xué)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(xué)出版社，1999，377－406
［3］劉同明.數據融合技術(shù)及其應用［M］.北京：國防工業(yè)出版社，1998，36－22
［4］王永驥，涂健.神經(jīng)元網(wǎng)絡(luò )控制［M］.北京：機械工業(yè)出版社，1998，63－102.
評論