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，質量流量測量所面臨的任務越來越繁重，質量流量傳感器準確度要求不斷提高，在實際工況壓力、溫度以及介質密度條件下，它的測量準確度是人們較為關心的問題。雖然質量流量傳感器的生產廠家給出了壓力修正系數、溫度修正系數、密度修正系數等，但是在不同的標定工況壓力、工藝溫度、介質密度下質量流量并非完全成線性比例關系。文獻[1-2]分析了質量流量計的發(fā)展狀況；文獻[3]對影響質量流量的壓力、介質密度、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]分析了在壓力對質量流量的影響情況；文獻[6]分析了在壓力的干擾下對質量流量采用BP神經網絡算法進行融合。 然而在實際的現場工作中，質量流量測量的除了受工況壓力的影響，還受到測量介質種類、測量介質特性(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。故選取對質量流量影響最大的壓力、工藝溫度、介質密度等因素進行系統(tǒng)分析研究，用神經網絡算法對工況壓力、工藝溫度、介質密度干擾信號進行抑制，驗證相關方法的有效性。

1　異質傳感器數據的采集

系統(tǒng)設定情況為：相同的質量流量(150 t/h)條件下，標定不同的工況壓力(0.1～30 MPa)，對質量流量、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量流量、介質密度、工藝溫度分別進行測量。

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

2　同一工況下質量流量數據融合

為了使采集的質量流量數據更準確，在同一個工況下對質量流量計進行多次測量，并對質量流量數據進行分布圖法剔除和自適應加權法融合。

將質量流量數據的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據分布結構的參數主要是：中位數、上四分位數、下四分位數、四分位數離散度。剔除方法參照文獻[6]，剔除后剩下數據為：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．

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

對于其他工況下的質量流量的融合結果如表2所示，其中介質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量流量的影響最大，且融合的結果誤差最大接近5 t/h，所以需要對融合數據進一步融合，期望達到精度要求。

表1　一組質量流量傳感器測量數據

表2　不同壓力下各個因素測量數據融合值

3　BP神經網絡模型

由于壓力、介質密度、工藝溫度對質量流量的測量產生了影響，且影響因素中壓力對質量流量測量值的精度影響最明顯，因此為了抑制壓力、介質密度、工藝溫度對測量數據的影響，采取BP神經網絡進行數據融合，以得到更高精度的測量數據。

3．1BP神經網絡結構

研究采用三層BP神經網絡建立預測在異質信號干擾下的質量流量的模型，BP神經網絡包括輸入層、一個隱含層和輸出層，上下層之間實現全連接，每層神經元之間沒連接，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、密度對質量流量的影響，建立壓力、溫度、密度、質量流量神經網絡模型，輸入為壓力、溫度、密度和質量流量，輸出為質量流量。

3．2輸入、輸出數據的歸一化

數據進行神經網絡訓練之前，需要對各影響因素進行歸一化處理，即將數據轉化到[0，1]區(qū)間[8]。

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

由于神經網絡輸入數據是歸一化后的結果，所以輸出的模擬值還要做反歸一化處理，公式如下：

3．3BP神經網絡的學習方法[8-10]

文獻[6]表明BP神經網絡算法中沒有經過改進的梯度下降法的精度最低，所以文中采用BP神經網絡改進后的算法：自適應學習速率調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，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網絡的準確性。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。

附加動量法使網絡在修正其權值時，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，它允許網絡忽略網絡上微小變化特性。該方法在反向傳播法的基礎上，在每個權值的變化上加上一項正比于前次權值變化量的值，并根據反向傳播法來產生新的權值變化。

3．4隱含層隱節(jié)點數的確定

隱含層節(jié)點數的選擇是人工神經網絡最為關鍵的步驟，文中采用試湊法確定最佳隱節(jié)點數。試湊法是確定最佳隱節(jié)數常用的方法，在用試湊法時，確定隱節(jié)點數采用如下經驗公式：

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

4　BP神經網絡訓練結果

把標定壓力為0.1～30 MPa的數據作為訓練樣本。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來達到訓練的要求。文中分別采用自適應學習速率調整法和附加動量法對BP神經網絡模型進行訓練。隱層數選取的方法，改變隱節(jié)數，同樣對每個隱節(jié)數對應的樣本進行10次訓練，對10次的結果進行比較，選取最佳的隱節(jié)點數。保證模型的準確性，改變動量因子，同樣進行10次訓練。BP神經網絡的訓練結果如表3～表5所示。

從表3中對比各個隱節(jié)數時的參數，選取節(jié)點數7為BP神經網絡自適應學習速率調整法的隱含層節(jié)點數。

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

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

表3　自適應學習速率調整法節(jié)點數選取表

表4　附加動量法節(jié)點數選取表

表5　動量因子選取比較表

5　BP算法結果比較

根據上述的訓練結果選取合適的BP神經網絡的參數，對10組不同工況下的數據進行融合，得到對應的質量流量的數據，如表6所示。通過表6比較分析表中兩種不同的BP神經網絡融合結果，可以較為直觀地得到：自適應學習速率調整法和附加動量法所得的融合結果誤差均控制在0.01 t/h以內，融合結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整法和附加動量法的融合結果近似，其中自適應學習速率調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神經網絡算法的融合效果，描繪出兩種BP神經網絡的融合結果曲線圖如圖1，可以看出自適應學習速率調整法整體比附加動量法離真值更加接近，受壓力、工藝溫度、介質密度因素的干擾最小。

表6　BP算法結果比較

表7　融合結果誤差方根分析

圖1　兩種BP神經網絡算法融合結果比較

6　結束語

為了獲得高精度的質量流量值，研究在不同壓力、介質密度、工藝溫度的條件下對采集的異質數據進行信息融合處理。首先利用分布圖法剔除不符合精度低的質量流量數據，然后利用自適應加權算法對某一工況條件下的質量流量進行融合，由于受到壓力、介質溫度，密度的影響，雖然融合結果有明顯的提高，但達不到精度的要求。因為壓力、工藝溫度、介質密度對流量的影響是一種非線性的影響，所以采用BP神經網絡改進后的兩種算法建立誤差小，穩(wěn)定性好的模型，對多組數據進行信息融合。證明BP神經算法對異質傳感器信號數據融合的可行性，其中自適應學習速率調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狀．石油化工自動化，2005(5)：99-101．

[2]任鴻威，高漢超．質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．影響質量流量計準確度的因素及解決辦法．計量技術，2004(8)：55-57．

[4]袁國富．工況壓力對質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量流量數據融合研究．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．神經網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．神經網絡模型及其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．基于加權最小二乘法的異質傳感器數據融．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．