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(gè)傳感器所獲得的空間或時(shí)間上互補(bǔ)和冗余的觀測(cè)信息，依據(jù)某種優(yōu)化原則加以自動(dòng)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(cè)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(jià)格低廉、原理簡(jiǎn)單、可靠性好且易于維護(hù)等優(yōu)點(diǎn)而廣泛應(yīng)用于煉油、化工、儲(chǔ)運(yùn)、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(cè)各種氣體和液體的主要計(jì)量?jī)x表。但是孔板和其他類型的計(jì)量?jī)x表相比，測(cè)量誤差較大，其根本原因是被測(cè)介質(zhì)在工作中的實(shí)際特性與孔板設(shè)計(jì)時(shí)設(shè)定的特性不符，被測(cè)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(duì)孔板測(cè)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(cè)量時(shí)，設(shè)被測(cè)實(shí)際流量為Q，孔板的輸 出差壓為p。工作中，孔板的測(cè)量結(jié)果還受到被測(cè)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(cè)實(shí)際流量Q實(shí)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(shí)，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(shí)時(shí)特性信息，從而得到與孔板設(shè)計(jì)時(shí)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(duì)數(shù)據(jù)進(jìn)行融合處理。融合后的數(shù)據(jù)集中了4個(gè)傳感器的信息，極大的提高了孔板的測(cè)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(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(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(dòng)中的信息流及其運(yùn)動(dòng)方式。每個(gè)神經(jīng)元都是一個(gè)獨(dú)立的信息處理單元，分別對(duì)各自接收到的信息做獨(dú)立的運(yùn)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(chǔ)可使系統(tǒng)在部分受到損壞時(shí)仍能恢復(fù)原來的信息，因此具有較強(qiáng)的容錯(cuò)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(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(gè)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(diǎn)，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(duì)于BP神經(jīng)網(wǎng)絡(luò)，最常用的訓(xùn)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(fù)梯度方向修正，而沒有考慮到以前積累的經(jīng)驗(yàn)，即以前時(shí)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(shí)的網(wǎng)絡(luò)權(quán)值；Ak為第k次迭代時(shí)的網(wǎng)絡(luò)權(quán)值：Ck為第k次迭代的步長(zhǎng)；Ck－1為第k－1次迭代時(shí)的步長(zhǎng)；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(zhǎng)調(diào)整系數(shù)。
當(dāng)連續(xù)兩次迭代其梯度方向相同時(shí)，表明下降太慢，可使步長(zhǎng)加倍；當(dāng)連續(xù)兩次迭代其梯度方向相反時(shí)，表明下降太快，可使步長(zhǎng)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(jì)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(gè)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(gè)允許偏差逼近被測(cè)介質(zhì)的實(shí)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(gè)輸入量，設(shè)了20個(gè)神經(jīng)元，隱含層設(shè)了40個(gè)神經(jīng)元，輸出層為1個(gè)輸出量，設(shè)了10個(gè)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(cè)流量融合值Q′與實(shí)際被測(cè)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(jì)量中神經(jīng)網(wǎng)絡(luò)融合的模型結(jié)構(gòu)
3 仿真實(shí)驗(yàn)
啤酒在生產(chǎn)過程中由于其實(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(duì)其流量進(jìn)行測(cè)量時(shí)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(duì)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(duì)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(duì)另一些未經(jīng)訓(xùn)練的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行計(jì)算，表2給出了部分測(cè)量結(jié)果。
表2 部分孔板測(cè)得數(shù)據(jù)與融合后的數(shù)據(jù)對(duì)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(cè)出的介質(zhì)流量與實(shí)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(cè)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(jì)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(shí)用性。
4 結(jié)束語
當(dāng)被測(cè)介質(zhì)的溫度、工作壓力和密度與孔板設(shè)計(jì)時(shí)的設(shè)定值發(fā)生變化時(shí)，對(duì)孔板的測(cè)量結(jié)果有相當(dāng)大的影響，使得測(cè)量誤差較大。仿真實(shí)驗(yàn)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(duì)多個(gè)傳感器的輸入信息進(jìn)行融合，對(duì)于提高孔板計(jì)量精度的效果十分明顯。因此，該測(cè)量技術(shù)與方法具有重要的實(shí)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(guó)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)
