多傳感器信息融合技術(shù)在提高孔板測量精度中的應(yīng)用

1、多傳感器信息融合技術(shù)在提高孔板測量精度中的應(yīng)用        摘要：針對孔板工作時由于受介質(zhì)的溫度、壓力以及密度變化的影響，從而測量精度較低的不足，提出了應(yīng)用多傳感器信息融合技術(shù)來減小孔板測量誤差的方法。4個傳感器輸出的信息反映了介質(zhì)的實時工作特性，系統(tǒng)將它們送入融合中心進行融合處理。融合技術(shù)運用了神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率自適應(yīng)調(diào)整的改進算法，仿真實驗證實了該測量技術(shù)與方法的有效性，大大提高了孔板的測量精度，具有重要的實際意義。0前言多傳感器信息融合技術(shù)是當(dāng)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傳感

2、器所獲得的空間或時間上互補和冗余的觀測信息，依據(jù)某種優(yōu)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(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(tǒng)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(tǒng)的更一致性的解釋?？装逵捎谄渥陨硭哂械膬r格低廉、原理簡單、可靠性好且易于維護等優(yōu)點而廣泛應(yīng)用于煉油、化工、儲運、天然氣等工業(yè)生產(chǎn)過程中，是當(dāng)前和未來工業(yè)生產(chǎn)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(zhì)在工作中

3、的實際特性與孔板設(shè)計時設(shè)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)的融合方法來消除這些因素對孔板測量精度的影響。 1系統(tǒng)的融合結(jié)構(gòu)在用孔板進行流量測量時，設(shè)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(jié)果還受到被測介質(zhì)的溫度、壓力和密度與設(shè)定的介質(zhì)溫度、壓力和密度的偏差量t、p、的影響，被測實際流量Q實際上為四元函數(shù)，即Qf(t，p，,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(zhì)的實時特性信息，從而得到與孔板設(shè)計時設(shè)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(yù)處理后(

4、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(shù)據(jù)進行融合處理。融合后的數(shù)據(jù)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(tǒng)的配置結(jié)構(gòu)如圖1所示。 2神經(jīng)網(wǎng)絡(luò)融合的算法與模型數(shù)據(jù)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)是由大量稱之為節(jié)點或神經(jīng)元的簡單處理單元相互連接而形成的一個大規(guī)模的信息處理系統(tǒng)，它主要從總體結(jié)構(gòu)和功能上模仿人腦，而不是逼真的細節(jié)重現(xiàn)，其更注重神經(jīng)活動中的信息流及其運動方式。每個神經(jīng)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)，

5、然后它把結(jié)果再傳輸出去。這種分布式存儲可使系統(tǒng)在部分受到損壞時仍能恢復(fù)原來的信息，因此具有較強的容錯能力和聯(lián)想記憶的特點；同時由于神經(jīng)網(wǎng)絡(luò)具有實時處理大量數(shù)據(jù)的能力，且信息處理是非程序式的，可根據(jù)外部的某個準則進行學(xué)習(xí)，因而神經(jīng)網(wǎng)絡(luò)具有自組織、自學(xué)習(xí)、自適應(yīng)的特點，使得神經(jīng)網(wǎng)絡(luò)在信息融合中得到了廣泛的應(yīng)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(xùn)練算法為BP算法，其實際上是一種簡 單的快速下降靜態(tài)尋優(yōu)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(jīng)驗，即以前時刻的梯度方向，故常常使訓(xùn)練學(xué)習(xí)過程發(fā)生振蕩，收斂速度較慢。這里，采用學(xué)習(xí)率自適應(yīng)調(diào)整的策略，改進算法的

6、公式為： 式中Ak1為第k1次迭代時的網(wǎng)絡(luò)權(quán)值；Ak為第k次迭代時的網(wǎng)絡(luò)權(quán)值：Ck為第 k次迭代的步長；Ck1為第k1次迭代時的步長；Xk為第k次迭代的負梯度；Xk1為第k1次迭代的負梯度；為步長調(diào)整系數(shù)。當(dāng)連續(xù)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(dāng)連續(xù)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。 2.2孔板計量中的神經(jīng)網(wǎng)絡(luò)模型神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層及輸出層組成。整個網(wǎng)絡(luò)的特性決定于相鄰層間神經(jīng)元的連接權(quán)及隱層中神經(jīng)元的閾值。在訓(xùn)練過程中，以孔板的輸出差壓p、介質(zhì)溫度、壓力和密度與設(shè)定的介質(zhì)溫度、壓力和密度的偏差量t、p、作為神經(jīng)網(wǎng)絡(luò)的輸入

7、；輸出為介質(zhì)流量Q，其值 最終將以某個允許偏差逼近被測介質(zhì)的實際流量Q。網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。圖3中，輸入層有4個輸入量，設(shè)了20個神經(jīng)元，隱含層設(shè)了40個神經(jīng)元，輸出層為1個輸出量，設(shè)了10個神經(jīng)元，網(wǎng)絡(luò)誤差E0.1。采用學(xué)習(xí)率自適應(yīng)調(diào)整的算法，通過試訓(xùn)，使神經(jīng)網(wǎng)絡(luò)的輸出即被測流量融合值Q與實際被測介質(zhì)的流量Q之間的均方差盡快達到最小值。 3仿真實驗啤酒在生產(chǎn)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>' target='_blank' class='infotextkey&#

8、39;>歷史數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。該啤酒廠的部分>' target='_blank' class='infotextkey'>歷史數(shù)據(jù)如表1。 將該數(shù)據(jù)進行歸一化處理后，便建立了神經(jīng)網(wǎng)絡(luò)的輸入輸出標準樣本庫，然后對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。訓(xùn)練仿真結(jié)果表明該神經(jīng)網(wǎng)絡(luò)經(jīng)過2 013次訓(xùn)練后達到穩(wěn)定。再用該訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對另一些未經(jīng)訓(xùn)練的實驗數(shù)據(jù)進行計算，表2給出了部分測量結(jié)果。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(zhì)流量與實際流量偏差較大，而在采用了神經(jīng)網(wǎng)絡(luò)多傳感器融合技術(shù)后，測量結(jié)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(jīng)網(wǎng)絡(luò)模型及其學(xué)習(xí)率自適應(yīng)調(diào)整算法的可行性與實用性。 4結(jié)束語當(dāng)被測介質(zhì)的溫度、工作壓力和密度與孔板設(shè)計時的設(shè)定值發(fā)生變化時，對孔板的測量結(jié)果有相當(dāng)大的影響，使得測量誤差較大。仿真實驗的結(jié)果表明，應(yīng)用神經(jīng)網(wǎng)絡(luò)自適應(yīng)調(diào)整學(xué)習(xí)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(shù)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(xué)出版社