異質(zhì)信號干擾下質(zhì)量流量數(shù)據(jù)融合研究

林　勝

(合肥工業(yè)大學機械與汽車工程學院，安徽合肥　230009)

0　引言

隨著工業(yè)的飛速發(fā)展，質(zhì)量流量測量所面臨的任務越來越繁重，質(zhì)量流量傳感器準確度要求不斷提高，在實際工況壓力、溫度以及介質(zhì)密度條件下，它的測量準確度是人們較為關(guān)心的問題。雖然質(zhì)量流量傳感器的生產(chǎn)廠家給出了壓力修正系數(shù)、溫度修正系數(shù)、密度修正系數(shù)等，但是在不同的標定工況壓力、工藝溫度、介質(zhì)密度下質(zhì)量流量并非完全成線性比例關(guān)系。文獻[1-2]分析了質(zhì)量流量計的發(fā)展狀況；文獻[3]對影響質(zhì)量流量的壓力、介質(zhì)密度、工藝溫度因素進行了研究，得到了各因素對流量的影響的關(guān)系，并給出了各因素的修正方法；文獻[4-5]分析了在壓力對質(zhì)量流量的影響情況；文獻[6]分析了在壓力的干擾下對質(zhì)量流量采用BP神經(jīng)網(wǎng)絡算法進行融合。 然而在實際的現(xiàn)場工作中，質(zhì)量流量測量的除了受工況壓力的影響，還受到測量介質(zhì)種類、測量介質(zhì)特性(溫度、黏度、相態(tài)、導電性、腐蝕性等)和流量變動特性的適應能力以及對環(huán)境條件適應能力等方面的影響。故選取對質(zhì)量流量影響最大的壓力、工藝溫度、介質(zhì)密度等因素進行系統(tǒng)分析研究，用神經(jīng)網(wǎng)絡算法對工況壓力、工藝溫度、介質(zhì)密度干擾信號進行抑制，驗證相關(guān)方法的有效性。

1　異質(zhì)傳感器數(shù)據(jù)的采集

系統(tǒng)設定情況為：相同的質(zhì)量流量(150 t/h)條件下，標定不同的工況壓力(0.1～30 MPa)，對質(zhì)量流量、密度、溫度進行測量。其中采用均勻分布在不同位置處的10個質(zhì)量流量傳感器、5個密度傳感器、5個溫度傳感器對同一工況條件下的質(zhì)量流量、介質(zhì)密度、工藝溫度分別進行測量。

表1是在標定0.1 MPa壓力下，質(zhì)量流量控制系統(tǒng)中有10個傳感器同時對質(zhì)量流量進行采集，每0.5 s采集1次，5 s的采集結(jié)果算作1組，將10次測量的平均值作為該傳感器所采集的質(zhì)量流量的數(shù)據(jù)。

2　同一工況下質(zhì)量流量數(shù)據(jù)融合

為了使采集的質(zhì)量流量數(shù)據(jù)更準確，在同一個工況下對質(zhì)量流量計進行多次測量，并對質(zhì)量流量數(shù)據(jù)進行分布圖法剔除和自適應加權(quán)法融合。

將質(zhì)量流量數(shù)據(jù)的10個平均值按從小到大順序排列：148.84 t/h，149.82 t/h，149.89 t/h，149.94 t/h，149.95 t/h，149，96 t/h，149.96 t/h，150.06 t/h，150.55 t/h，151.42 t/h．

應用分布圖法進行疏失誤差的剔除。在分布圖中能反映數(shù)據(jù)分布結(jié)構(gòu)的參數(shù)主要是：中位數(shù)、上四分位數(shù)、下四分位數(shù)、四分位數(shù)離散度。剔除方法參照文獻[6]，剔除后剩下數(shù)據(jù)為：149.82 t/h，149.89 t/h，149.94 t/h，149.95 t/h，149 t/h，96 t/h，149.96 t/h，150.06 t/h，150.55 t/h．

根據(jù)自適應加權(quán)法的Matlab程序得出質(zhì)量流量數(shù)組[149.82，149.89，149.94，149.95，149，96，149.96，150.06，150.55]，相對應加權(quán)因子數(shù)組 [ 0.059 5、0.033 2、0.142 9、0.099 3、0.239 1、0.069 7、0.139 5、0.216 9]，融合的結(jié)果為149.954 2 t/h，融合結(jié)果較測量的數(shù)據(jù)精度提高，且誤差小于0.05 t/h.

對于其他工況下的質(zhì)量流量的融合結(jié)果如表2所示，其中介質(zhì)密度和工藝溫度采用多個傳感器多次測量求平均值的方法測得，從表2看出壓力的增大對質(zhì)量流量的影響最大，且融合的結(jié)果誤差最大接近5 t/h，所以需要對融合數(shù)據(jù)進一步融合，期望達到精度要求。

表1　一組質(zhì)量流量傳感器測量數(shù)據(jù)

表2　不同壓力下各個因素測量數(shù)據(jù)融合值

3　BP神經(jīng)網(wǎng)絡模型

由于壓力、介質(zhì)密度、工藝溫度對質(zhì)量流量的測量產(chǎn)生了影響，且影響因素中壓力對質(zhì)量流量測量值的精度影響最明顯，因此為了抑制壓力、介質(zhì)密度、工藝溫度對測量數(shù)據(jù)的影響，采取BP神經(jīng)網(wǎng)絡進行數(shù)據(jù)融合，以得到更高精度的測量數(shù)據(jù)。

3．1BP神經(jīng)網(wǎng)絡結(jié)構(gòu)

研究采用三層BP神經(jīng)網(wǎng)絡建立預測在異質(zhì)信號干擾下的質(zhì)量流量的模型，BP神經(jīng)網(wǎng)絡包括輸入層、一個隱含層和輸出層，上下層之間實現(xiàn)全連接，每層神經(jīng)元之間沒連接，輸入層為4個節(jié)點，輸出層為1個節(jié)點。針對工況壓力、溫度、密度對質(zhì)量流量的影響，建立壓力、溫度、密度、質(zhì)量流量神經(jīng)網(wǎng)絡模型，輸入為壓力、溫度、密度和質(zhì)量流量，輸出為質(zhì)量流量。

3．2輸入、輸出數(shù)據(jù)的歸一化

數(shù)據(jù)進行神經(jīng)網(wǎng)絡訓練之前，需要對各影響因素進行歸一化處理，即將數(shù)據(jù)轉(zhuǎn)化到[0，1]區(qū)間[8]。

式中：xki為歸一化后數(shù)據(jù)；Qmax，Qmin為輸入數(shù)據(jù)的第i個分量的樣本的最大值和最小值；設定參數(shù)a=0.9，b=0.05[8]。

由于神經(jīng)網(wǎng)絡輸入數(shù)據(jù)是歸一化后的結(jié)果，所以輸出的模擬值還要做反歸一化處理，公式如下：

3．3BP神經(jīng)網(wǎng)絡的學習方法[8-10]

文獻[6]表明BP神經(jīng)網(wǎng)絡算法中沒有經(jīng)過改進的梯度下降法的精度最低，所以文中采用BP神經(jīng)網(wǎng)絡改進后的算法：自適應學習速率調(diào)整法和附加動量法對樣本進行訓練。

在標準的BP算法中，學習速率η定為常數(shù)，然而在實際應用中，很難確定一個由始至終都合適的最佳學習率。采用自適應學習速率法，在誤差曲面的不同部分采用不同的學習速率能提高神經(jīng)網(wǎng)絡的準確性。為了加速收斂過程，一個較好的思想是自適應改變學習率，使網(wǎng)絡的訓練在不同的階段自動設置不同學習速率。

附加動量法使網(wǎng)絡在修正其權(quán)值時，不僅考慮誤差在梯度上的作用，而且考慮在誤差曲面上變化趨勢的影響，其作用如同一個低通濾波器，它允許網(wǎng)絡忽略網(wǎng)絡上微小變化特性。該方法在反向傳播法的基礎(chǔ)上，在每個權(quán)值的變化上加上一項正比于前次權(quán)值變化量的值，并根據(jù)反向傳播法來產(chǎn)生新的權(quán)值變化。

3．4隱含層隱節(jié)點數(shù)的確定

隱含層節(jié)點數(shù)的選擇是人工神經(jīng)網(wǎng)絡最為關(guān)鍵的步驟，文中采用試湊法確定最佳隱節(jié)點數(shù)。試湊法是確定最佳隱節(jié)數(shù)常用的方法，在用試湊法時，確定隱節(jié)點數(shù)采用如下經(jīng)驗公式：

式中：k為隱層節(jié)點數(shù)；n為輸入層節(jié)點數(shù)；m為輸出層節(jié)點數(shù)；α為1～10之間的常數(shù)[8-9]。

4　BP神經(jīng)網(wǎng)絡訓練結(jié)果

把標定壓力為0.1～30 MPa的數(shù)據(jù)作為訓練樣本。運算過程中如果精度達到要求即可停止訓練，否則可以通過增加訓練次數(shù)來達到訓練的要求。文中分別采用自適應學習速率調(diào)整法和附加動量法對BP神經(jīng)網(wǎng)絡模型進行訓練。隱層數(shù)選取的方法，改變隱節(jié)數(shù)，同樣對每個隱節(jié)數(shù)對應的樣本進行10次訓練，對10次的結(jié)果進行比較，選取最佳的隱節(jié)點數(shù)。保證模型的準確性，改變動量因子，同樣進行10次訓練。BP神經(jīng)網(wǎng)絡的訓練結(jié)果如表3～表5所示。

從表3中對比各個隱節(jié)數(shù)時的參數(shù)，選取節(jié)點數(shù)7為BP神經(jīng)網(wǎng)絡自適應學習速率調(diào)整法的隱含層節(jié)點數(shù)。

從表4中選取節(jié)點數(shù)13作為BP神經(jīng)網(wǎng)絡附加動量法節(jié)的隱含層節(jié)點數(shù)。

從表5中選選定動量因子為0.90作為BP神經(jīng)網(wǎng)絡附加動量法節(jié)的附加動量因子。

表3　自適應學習速率調(diào)整法節(jié)點數(shù)選取表

表4　附加動量法節(jié)點數(shù)選取表

表5　動量因子選取比較表

5　BP算法結(jié)果比較

根據(jù)上述的訓練結(jié)果選取合適的BP神經(jīng)網(wǎng)絡的參數(shù)，對10組不同工況下的數(shù)據(jù)進行融合，得到對應的質(zhì)量流量的數(shù)據(jù)，如表6所示。通過表6比較分析表中兩種不同的BP神經(jīng)網(wǎng)絡融合結(jié)果，可以較為直觀地得到：自適應學習速率調(diào)整法和附加動量法所得的融合結(jié)果誤差均控制在0.01 t/h以內(nèi)，融合結(jié)果的控制精度得以保證；通過表7對比分析對于自適應學習速率調(diào)整法和附加動量法的融合結(jié)果近似，其中自適應學習速率調(diào)整法的融合精度要優(yōu)于附加動量法。

為了更好地比較兩種BP神經(jīng)網(wǎng)絡算法的融合效果，描繪出兩種BP神經(jīng)網(wǎng)絡的融合結(jié)果曲線圖如圖1，可以看出自適應學習速率調(diào)整法整體比附加動量法離真值更加接近，受壓力、工藝溫度、介質(zhì)密度因素的干擾最小。

表6　BP算法結(jié)果比較

表7　融合結(jié)果誤差方根分析

圖1　兩種BP神經(jīng)網(wǎng)絡算法融合結(jié)果比較

6　結(jié)束語

為了獲得高精度的質(zhì)量流量值，研究在不同壓力、介質(zhì)密度、工藝溫度的條件下對采集的異質(zhì)數(shù)據(jù)進行信息融合處理。首先利用分布圖法剔除不符合精度低的質(zhì)量流量數(shù)據(jù)，然后利用自適應加權(quán)算法對某一工況條件下的質(zhì)量流量進行融合，由于受到壓力、介質(zhì)溫度，密度的影響，雖然融合結(jié)果有明顯的提高，但達不到精度的要求。因為壓力、工藝溫度、介質(zhì)密度對流量的影響是一種非線性的影響，所以采用BP神經(jīng)網(wǎng)絡改進后的兩種算法建立誤差小，穩(wěn)定性好的模型，對多組數(shù)據(jù)進行信息融合。證明BP神經(jīng)算法對異質(zhì)傳感器信號數(shù)據(jù)融合的可行性，其中自適應學習速率調(diào)整法的融合精度要優(yōu)于附加動量法。

參考文獻：

[1]張學慶．流量測量的意義及流量傳感器的現(xiàn)狀．石油化工自動化，2005(5)：99-101．

[2]任鴻威，高漢超．質(zhì)量流量計及其應用綜述．化工自動化及儀表，1997，24(5)：62-65．

[3]李彥林，梁新連．影響質(zhì)量流量計準確度的因素及解決辦法．計量技術(shù)，2004(8)：55-57．

[4]袁國富．工況壓力對質(zhì)量流量計測量準確度的影響．工業(yè)控制計算機，2004，17(4)：5-6．

[5]李江，李洪陽，張鵬．質(zhì)量流量計壓力損失的能耗研究．化工自動化及儀表，2010，37(12)：63-65．

[6]汪洪波，唐志國，馬培勇，等．壓力信號干擾抑制的質(zhì)量流量數(shù)據(jù)融合研究．中國機械工程，2012，23(18)：2223-2227.

[7]劉貴霞，沈興武．流量測量儀表的應用現(xiàn)狀和發(fā)展趨勢．中國化工裝備，2004(1)：21-23．

[8]施彥，韓力群，廉小親．神經(jīng)網(wǎng)絡設計方法與實例分析．北京：北京郵電大學出版社，2009．

[9]周開利，康耀紅．神經(jīng)網(wǎng)絡模型及其MATLAB仿真程序設計．北京：清華大學出版社，2009．

[10]GAO J B，HARRIS C J．Some remarks on Kalman filters for the multisensor fusion．Information Fusion，2002(3)：191-201．

[11]焦竹青，熊偉麗，徐保國．基于加權(quán)最小二乘法的異質(zhì)傳感器數(shù)據(jù)融．吉林大學學報，工學版，2010，40(3)：816-820．

[12]SUN X J，GAO Y，LI Z，et al．Multi-model information fusion Kalman filtering and white noise deconvolution．Information Fusion，2010(11)：163-173．