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器所獲得的空間或時間上互補(bǔ)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(zhǔn)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(bǔ)性彌補(bǔ)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。
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(hù)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(jìn)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Δt、Δp、Δρ的影響，被測實際流量Q實際上為四元函數(shù)，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(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(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(jìn)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。
圖1 系統(tǒng)配置結(jié)構(gòu)
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(xì)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)，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(qiáng)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(zhǔn)則進(jìn)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(fù)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(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；Ck－1為第k－1次迭代時的步長；Xk為第k次迭代的負(fù)梯度；Xk－1為第k－1次迭代的負(fù)梯度；γ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。
圖2 改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法流程
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E＝0.1。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(dá)到最小值。
圖3 孔板計量中神經(jīng)網(wǎng)絡(luò)融合的模型結(jié)構(gòu)
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(jìn)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(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。該啤酒廠的部分歷史數(shù)據(jù)如表1。
表1 部分用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的歷史數(shù)據(jù)
將該數(shù)據(jù)進(jìn)行歸一化處理后，便建立了神經(jīng)網(wǎng)絡(luò)的輸入輸出標(biāo)準(zhǔn)樣本庫，然后對神經(jīng)網(wǎng)絡(luò)進(jìn)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2013次訓(xùn)練后達(dá)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(jìn)行計算，表2給出了部分測量結(jié)果。
表2 部分孔板測得數(shù)據(jù)與融合后的數(shù)據(jù)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(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(jìn)算法對多個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際意義。
參考文獻(xiàn)
［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(tǒng)［M］.西安：西安電子科技大學(xué)出版社，1999，377－406
［3］劉同明.數(shù)據(jù)融合技術(shù)及其應(yīng)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(jī)械工業(yè)出版社，1998，63－102.
華北電力大學(xué) 蘇紅，北京航空航天大學(xué) 常曉權(quán)
