多传感器信息融合技术在提高孔板测量精度中的应用

《多传感器信息融合技术在提高孔板测量精度中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、多传感器信息融合技术在提高孔板测量精度中的应用

2、第1摘　要：针对孔板工作时由于受介质的温度、压力以及密度变化的影响，从而测量精度较低的不足，提出了应用多传感器信息融合技术来减小孔板测量误差的方法。4个传感器输出的信息反映了介质的实时工作特性，系统将它们送入融合中心进行融合处理。融合技术运用了神经网络学习率自适应调整的改进算法，仿真实验证实了该测量技术与方法的有效性，大大提高了孔板的测量精度，具有重要的实际意义。　　0前言　　多传感器信息融合技术是当前智能信息处理领域的一种重要方法。所谓多传感器信息融合就是将多个传感器所获得的空间或

3、时间上互补和冗余的观测信息，依据某种优化原则加以自动分析、综合的信息处理过程。单一的传感器信息采集量不足，且易受周围环境等干扰因素的影响，因此很难保证检测信息的准确性和可靠性，从而给系统决策的正确性造成影响。因此，采用多传感器信息融合技术，利用各种传感器在性能上的差异和互补性弥补单一传感器的缺陷，从而得到描述系统的更一致性的解释。　　孔板由于其自身所具有的价格低廉、原理简单、可靠性好且易于维护等优点而广泛应用于炼油、化工、储运、天然气等工业生产过程中，是当前和未来工业生产中检测各种气体和液体的主要计量仪表。但是孔板和其他类型的计量

4、仪表相比，测量误差较大，其根本原因是被测介质在工作中的实际特性与孔板设计时设定的特性不符，被测介质的温度、压力和密度发生了一定的变化。为此，文中提出了利用多传感器信息融合技术，采用神经网络的融合方法来消除这些因素对孔板测量精度的影响。1系统的融合结构　　在用孔板进行流量测量时，设被测实际流量为Q，孔板的输出差压为p。工作中，孔板的测量结果还受到被测介质的温度、压力和密度与设定的介质温度、压力和密度的偏差量Δt、Δp、Δρ的影响，被测实际流量Q实际上为四元函数，即Q＝f(Δt，Δp，Δρ,p)。因此，在使用孔板的同时，采用温度传感

5、器、压力传感器和在线密度分析仪获得介质的实时特性信息，从而得到与孔板设计时设定的工作特性信息的偏差量；然后，将获得的各种信息经预处理后(包括整形、滤波、去噪，归一化等)，送入融合中心，融合中心采用神经网络的方法对数据进行融合处理。融合后的数据集中了4个传感器的信息，极大的提高了孔板的测量精度。系统的配置结构如图1所示。500)this.style.ouseg(this)">2神经网络融合的算法与模型　　数据融合的算法很多，常用的有Bayes决策理论、卡尔曼滤波法、模糊融合、神经网络融合等。其中，人工神经网络是由大量称之为节点或神

6、经元的简单处理单元相互连接而形成的一个大规模的信息处理系统，它主要从总体结构和功能上模仿人脑，而不是逼真的细节重现，其更注重神经活动中的信息流及其运动方式。每个神经元都是一个独立的信息处理单元，分别对各自接收到的信息做独立的运算处理(而不是直接从记忆中取出)，然后它把结果再传输出去。这种分布式存储可使系统在部分受到损坏时仍能恢复原来的信息，因此具有较强的容错能力和联想记忆的特点；同时由于神经网络具有实时处理大量数据的能力，且信息处理是非程序式的，可根据外部的某个准则进行学习，因而神经网络具有自组织、自学习、自适应的特点，使得神经网

7、络在信息融合中得到了广泛的应用。2.1神经网络融合算法　　对于BP神经网络，最常用的训练算法为BP算法，其实际上是一种简单的快速下降静态寻优算法。Ak时，它只是按照k时刻的负梯度方向修正，而没有考虑到以前积累的经验，即以前时刻的梯度方向，故常常使训练学习过程发生振荡，收敛速度较慢。这里，采用学习率自适应调整的策略，改进算法的公式为：　　500)this.style.ouseg(this)">　　500)this.style.ouseg(this)">　　式中Ak＋1为第k＋1次迭代时的网络权值；Ak为第k次迭代时的网络权值：Ck

8、为第k次迭代的步长；Ck－1为第k－1次迭代时的步长；Xk为第k次迭代的负梯度；Xk－1为第k－1次迭代的负梯度；γ为步长调整系数。　　当连续两次迭代其梯度方向相同时，表明下降太慢，可使步长加倍；当连续两次迭代其梯度方向相反时，表明下降太快，可使步长减半。该算法的流程如图2所示。500)this.style.ouseg(this)">2.2孔板计量中的神经网络模型　　神经网络由输入层、隐含层及输出层组成。整个网络的特性决定于相邻层间神经元的连接权及隐层中神经元的阈值。在训练过程中，以孔板的输出差压p、介质温度、压力和密度与设定的

9、介质温度、压力和密度的偏差量Δt、Δp、Δρ作为神经网络的输入；输出为介质流量Q′，其值最终将以某个允许偏差逼近被测介质的实际流量Q。网络结构如图3所示。　　图3中，输入层有4个输入量，设了20个神经元，隐含层设了40个神经元，输出层为1个输出量，