中煤科工集团常州研究院有限公司 天地(常州)自动化股份有限公司 江苏 常州 213015
一、引言
正常情况下,矿用传感器输入-输出拟合关系都是在经过多次测量后,通过经验找到输入-输出之间的曲线。由于探头之间存在差异性,需要一个标校点对曲线进行调节才能达到期望输出。这种曲线拟合校正的方法,使得传感器存在无论出厂标校或矿方标校时,调节工作量大且容易标校错误等问题。这里提出一种对传感器进行信号处理的科学方法-神经网络拟合,寻求传感器特性参数之间的数学模型,对其输出特性进行拟合或非线性补偿,对保证传感器测控系统的精确性及实现智能控制[1-2]。
以下用矿用风速传感器为例,传统的拟合方式应用于风速传感器中,需要不断地对每个探头的每个测点进行反算,以寻找合适的曲线以及标校点。该方法不足之处如下:
牺牲某些测点的精度,例如使用9m/s进行标校,会出现低端风速表现良好、高端风速表现较差的情况,还需要对其进行补偿,如下表1所示;
表1 9m/s标校下风速对应值
测量风速m/s | 0.4 | 1 | 2 | 3 | 6 | 9 | ||||||
探头1拟合 | 0.427558972 | 0.995550364 | 2.028361761 | 3.037289847 | 6.000617363 | 8.993628089 | ||||||
0.459139844 | 0.999285156 | 2.021478101 | 3.028235249 | 6.017323163 | 8.993628089 | |||||||
测量风速m/s | 10 | 11 | 12 | 13 | 14 | 15 | ||||||
探头2拟合 | 9.980637213 | 10.96406887 | 11.93475328 | 12.91199781 | 13.85389801 | 14.69275547 | ||||||
9.988742544 | 10.97516605 | 11.95166213 | 12.92619115 | 13.88391163 | 14.77433331 |
生产效率低,例如一般一台风速传感器测试下来需要40分钟左右(包括在生产中调校零点和线性),这样造成在生产中浪费不必要的时间;
矿方使用复杂,当上位机提醒工人进行传感器标校时,由于工人对传感器使用方式不熟悉,有可能间接造成调节错误致使输出异常,如图1所示为某地计量局标校错误。
图1 某地计量局测量风速传感器
针对如上问题,总结如下:
传统的拟合方式在非线性条件下,可能需要增加补偿的工序;
增加的标校功能给生产和工人带来低效率和错误标校的问题。
随着传感器智能化的发展,智能计算应用越来越广泛,BP神经网络(Back Propagation)在人工神经网络的实际应用中使用最为广泛的模型,其突出的优点就是具有很强的分类和非线性映射能力,解决了传统感知器无法做到高精度拟合的问题,将其用于传感器拟合中可大大提高经验处理的时间和简化使用方式[3]。
二、BP神经网络
BP神经网络是一种多层前馈神经网络,该网络的主要特点是信号前向传递,误差反向传播。在前向传递中,输入信号从输入层经隐含层逐层处理,直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出,则转入反向传播,根据预测误差调整网络权值和阔值,从而使BP神经网络预测输出不断逼近期望输出[4-5]
。BP神经网络的拓扑结构如图2所示。
图2 BP神经网络拓扑结构图
图2中,X1,X2,...,Xn是BP神经网络的输入值,Y1,Y2,...,Ym是BP神经网络的预测值,ωij和ωjk为BP神经网络权值。从图2可以看出,BP神经网络可以看成一个非线性函数,网络输入值和预测值分别为该函数的自变量和因变量。当输入节点数为n、输出节点数为m 时,BP神经网络就表达了从n个自变量到m个因变量的函数映射关系。
BP 神经网络预测前首先要训练网络,通过训练使网络具有联想记忆和预测能力。BP神经网络的训练过程包括以下几个步骤 。
步骤l:网络初始化。根据系统输入输出序列(X,Y)确定网络输入层节点数n、隐含层节点数L,输出层节点数m,初始化输入层、隐含层和输出层神经元之间的连接权值ωij,ωjk,初始化隐含层阈值α,输出层阈值b,给定学习速率和神经元激励函数。
步骤2:隐含层输出计算。根据输入变量X,输入层和隐含层间连接权值ωij以及隐含层阈值α,计算隐含层输出H。
式中,L为隐含层节点数;f为隐含层激励函数,该函数有多种表达形式,所选函数为
步骤3:输出层输出计算。根据隐含层输出H,连接权值ωjk和阈值b, 计算BP神经网络预测输出O。
步骤4:误差计算。根据网络预测输出O和期望输出Y,计算网络预测误差e。
步骤5:权值更新。根据网络预测误差e更新网络连接权值ωij,ωjk。
式中,η为学习速率。
步骤6:阑值更新。根据网络预测误差e更新网络节点阈值α,b。
步骤7:判断算法迭代是否结束,若没有结束,返回步骤2。
三、矿用风速传感器网络模型建立
基于BP神经网络的矿用风速传感器探头采集的数据拟合算法流程可以分为BP神经网络构建、BP神经网络训练和BP神经网络预测三步,如图3所示。
BP神经网络构建根据拟合风速特点确定BP神经网络结构,由于矿用风速传感器对应函数有一个输入参数,一个输出参数,所以BP神经网络结构为1-8-1 ,即输入层有 1 个节点,隐含层有8个节点,输出层有1个节点。
BP神经网络选择了0.4、1、2、3、6、9、12、15m/s测点进行测试,通过不同探头测试得到了200组压力数据,为这两百组数据设置了测点标签,并打乱了顺序。选择了150组进行网络训练,50组数据进行测试用于测试网络的拟合性能。
神经网络预测用训练好的网络预测函数输出,并对预测结果进行分析。
图3 算法流程
四、仿真分析
在Matlab中,150组样本分别对BP神经网络进行了训练。BP神经网络经7次训练后收敛,训练曲线如图4所示。
在风速检测范围内,选0.4、1、2、3、6、9、12、15m/s为检定点,经BP神经网络拟合结果见表2,通过对比,可以发现如果低风速段调零措施做的不够好,有可能会造成误差偏大。总体来说拟合误差范围较小,由图5知,BP神经网络的拟合误差范围在+/-0.15m/s(误差单位为m/s),拟合效果较好,弥补了传统拟合高端效果不好的问题,且输出信号无需进行标校即可达到测量误差范围内。
图4 BP网络训练次数
表2 拟合输出
样本 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
检定点m/s | 9 | 9 | 6 | 15 | 2 | 1 | 3 | 12 | 12 | 6 |
拟合输出 | 8.991527021 | 8.982633075 | 6.023811213 | 15.0090271 | 1.895642384 | 0.864569049 | 3.004881164 | 11.99286327 | 12.00656254 | 5.973791282 |
样本 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 |
检定点m/s | 15 | 6 | 6 | 6 | 2 | 0.4 | 3 | 1 | 15 | 6 |
拟合输出 | 14.99697939 | 6.005158351 | 6.011597928 | 5.911376763 | 1.984728004 | 0.497646959 | 2.959657019 | 0.868027463 | 14.99406989 | 5.97718174 |
样本 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 |
检定点m/s | 1 | 15 | 9 | 0.4 | 15 | 3 | 3 | 15 | 0.4 | 3 |
拟合输出 | 1.009605604 | 15.00099232 | 9.036001533 | 0.487788714 | 14.98345028 | 3.056273185 | 3.029262131 | 14.96486556 | 0.475706142 | 2.992761185 |
样本 | 31 | 32 | 33 | 34 | 35 | 36 | 37 | 38 | 39 | 40 |
检定点m/s | 2 | 3 | 9 | 3 | 3 | 15 | 12 | 6 | 0.4 | 2 |
拟合输出 | 2.042382978 | 3.053339159 | 9.02830711 | 2.948221829 | 2.996471868 | 14.97141416 | 11.9917201 | 6.023811213 | 0.493816136 | 1.980925816 |
样本 | 41 | 42 | 43 | 44 | 45 | 46 | 47 | 48 | 49 | 50 |
检定点m/s | 0.4 | 9 | 2 | 6 | 15 | 2 | 12 | 15 | 9 | 12 |
拟合输出 | 0.488885296 | 9.053036168 | 1.997661045 | 5.98828123 | 15.00894863 | 1.987574613 | 11.98966111 | 14.98064433 | 9.034058591 | 12.00365319 |
图5 BP网络预测输出的误差
五、结语
结果表明,该算法相较于传统拟合方式,无需标校,逼近精度高,且操作简单较少工作量。但是传感器仍需要进行调零标校和定期进行测试,如何增加定期标校周期将是接下来的研究重点,即如何增加干扰集并扩大数据集样本。当输入样本数据的复杂程度较高时,会导致网络的收敛速率变慢,影响了学习效率。同时,对网络模型中的权重系数和偏置进行调节,会造成网络结构的改变,这使得其性能也会不一致,可能会使得网络模型输出结果陷入局部最优的问题。所以,需要对BP神经网络拟合进行改进或者加入深层次网络进行拟合以达到矿用风速传感器输出精度更高,抗干扰能力强。
总的来说,将神经网络思想应用于风速传感器,既拓宽了神经网络模型的应用范围,也为风速传感器非线性校正提供了新的方法和思路,同时对其他矿用传感器的曲线拟合和误差校正也有借鉴意义。
参考文献
[1] 辛忠玉,葛令建,冯浩,王伟峰.矿用传感器静态特性补偿方法与研究进展[J].陕西煤炭,2016,35(06):5-11.
[2]张立斌,蒋泽,王启峰.矿用传感器的伪数据滤除方法[J].工矿自动化,2011,37(08):1-4.
[3]李泽芳.矿用传感器技术发展现状与展望[J].煤炭与化工,2021,44(08):74-76.DOI:10.19286/j.cnki.cci.2021.08.023.
[4]郎琦.基于RBF神经网络矿用红外甲烷传感器补偿方法研究[J].自动化与仪器仪表,2021(03):55-57.DOI:10.14016/j.cnki.1001-9227.2021.03.055.
[5]张丽,王汝琳,王瑛,贺玉凯.基于神经网络的矿用红外瓦斯传感器检测模型的研究[J].工矿自动化,2009,35(08):18-21.