数据抑制（共2篇）
数据抑制 篇1
0 引言
质量流量传感器的使用数量不断增加,其应用范围愈加广泛。质量流量传感器应用于实际工况压力条件下,其测量准确度的变化情况是众多企业、科研人员所关心的问题。虽然质量流量传感器的生产厂家能给出压力修正系数,但在不同标定工作压力下质量流量并非完全与压力成线性比例关系。国内外针对压力对质量流量测量的影响问题进行了研究。文献[1,2]分析了工况压力对质量流量计测量准确度的影响。文献[3]对被测介质压力变化影响质量流量计测量准确度进行了研究,得到了压力与流量测量误差的关系,给出了压力引起质量流量测量误差的修正方法。文献[4]设计了基于相对距离的加权数据融合算法与温度融合算法,提高了流量测量的精度。
为了切实提高质量流量传感器的测量准确度,本文在试验中设定不同工况压力下被测流体的质量流量,采用多功能、高精度数据采集卡获得多路质量流量采样数据,对采集的数据进行自适应加权数据融合。在此基础上,考虑不同压力对质量流量测量精度的影响,基于神经网络对压力干扰信号进行抑制。通过对不同融合算法的融合结果进行比较,验证了对压力信号进行干扰抑制的有效性。
1 质量流量传感器数据采集
本系统在标定相同的质量流量(150t/h)条件下,标定不同的工况压力(0.1～1MPa),采用均匀分布在流场不同位置处的10个质量流量传感器对流场不同点的质量流量值进行测量,对于每一压力,质量流量控制系统中有10个传感器同时对同一质量流量进行测量,每0.5s测量一次,5s的测量结果为一组。利用上位机软件编写程序,结合NI公司高速PCI数据采集卡、EMERSON公司DS型质量流量传感器实现数据采集开停、数据保存、测量数据值实时曲线显示。表1所示为标定0.30MPa压力下5s内采集的一组传感器测量数据。
2 同一压力下质量流量数据融合
为了获得尽可能高精度的质量流量数据,首先在某一压力下采用多个质量流量传感器进行多次测量,对质量流量数据进行融合以获取某一压力下尽可能高精度的质量流量值。图1为某一压力下质量流量数据融合过程示意图,采用10个质量流量传感器同时进行测量,每10次的测量数据为一组,取其平均值;对10个平均质量流量值进行数据融合获得该压力下该组质量流量数据融合值。
对表1所示的每个质量流量传感器的一组质量流量数据取平均值,对应得到10个质量流量均值:(149.56,146.71,149.91,150.55,149.68,149.96,150.36,150.02,149.00,149.80)t/h,对应的方差为(0.210,10.843,0.037,0.323,0.120,0.068,0.162,0.038,1.062,0.058)t/h。
将质量流量数据qm的10个平均值qm i(i=1,2,…,10)按从小到大顺序排列,结果为(146.71,149.00,149.56,149.68,149.80,149.91,149.96,150.02,150.36,150.55)t/h。
应用分布图法[5]对质量流量数据平均值进行疏失数据剔除,其中位数qm M=(149.80+149.91)/2=149.855t/h,上四分位数qm U=150.02t/h,下四分位数qm D=149.56t/h,四分位数离散度DS=qm U-qm D=0.46t/h。由|qmi-qm M|>DS,可剔除质量流量平均值146.71t/h、149.00t/h、150.36t/h、150.55t/h。
根据自适应加权数据融合法[6,7]编写MATLAB程序得到质量流量数组(149.56,149.68,149.80,149.91,149.96,150.02)(t/h),其对应的加权值数组为(0.0484,0.0847,0.1752,0.2747,0.1495,0.2675),则其融合的结果为149.8912t/h,较原测量数据精度大大提高,且误差小于0.02t/h。
由于测量方法和融合过程相同,因此对0.30～1.00MPa压力范围内不同压力下的质量流量自适应加权融合结果不逐一给出计算过程,其质量流量自适应加权融合值如表2所示。由表2可以看出,随着压力的增大,质量流量测量值误差逐渐增大;通过自适应加权融合,质量流量值精度均不同程度地提高,误差控制在0.55t/h范围内。
3 质量流量数据神经网络训练
由于压力对质量流量测量产生了不同程度的影响,且随着压力的增大,质量流量测量值的精度逐渐变差,因此,为了能够抑制压力对流量测量的干扰,下面构造BP神经网络进行数据融合,以期获得更趋近于真值的测量数据。
3.1 BP神经网络结构设计[8]
大多数通用的神经网络都预先确定了网络的层数,而BP神经网络可以包含不同的隐层。理论上已经证明,在不限制隐层节点的情况下,两层(只有一个隐层)的BP神经网络可以实现任意非线性映射。在模式样本相对较少的情况下,选择两层BP神经网络及较少的隐层节点可以实现模式样本空间的超平面划分;当模式样本数很多时,增加一个隐层是必要的,但为减小网络规模,BP神经网络隐层数一般不超过两层。
为了能抑制压力信号对质量流量的影响,获得高精度的质量流量值,首先需确定BP神经网络的结构。本文采用两层BP神经网络建立质量流量融合模型。两层BP神经网络结构主要包含输入层、一个隐含层和输出层,上下层之间实现全连接,而每层神经元之间无连接。网络中的每一层都包含若干神经元,输入层和输出层的神经元个数由模型中的变量数决定,即输入层为2个节点、输出层为1个节点,输入为压力和一级融合后的质量流量,输出为质量流量期望值。
3.2 输入、输出数据的归一化
归一化是利用神经网络进行融合过程中的重要一步。在神经网络学习阶段,需要对所有输入数据和对应的已知输出值进行归一化处理,即把数据处理成0-1之间的小数值[9]。对于表2所示的质量流量输入样本数据,其最大值、最小值分别为qmmax、qmmin。对每一个质量流量的值qmxi做归一化处理,即
其中,xi为归一化样本的第i个数据;设定参数a=0.9,b=(1-a)/2。
对于归一化样本数据,采用BP神经网络算法训练其网络权值,获得稳定的BP网络结构。归一化质量流量数据经BP网络计算后的输出仍为归一化值,需经反归一化获得对应的真实质量流量值,即
3.3 隐含层隐节点数的确定
一个具有无限隐层节点的两层BP网络可以实现任意从输入到输出的非线性映射。但对于有限个输入模式到输出模式的映射,并不需要无限个隐层节点,这就涉及如何选择隐层节点数的问题,鉴于这一问题的复杂性,至今为止尚未找到一个很好的解析式,隐层节点数往往根据前人设计所得的经验和自己进行实验来确定。一般认为,隐层节点与求解问题的要求、输入输出单元数的多少都有直接的关系。另外,隐层节点数太多会导致学习时间过长;而隐层节点数太少则容错性差,识别未经学习的样本的能力低,所以必须综合多方面的因素进行设计。
隐层节点数的选择是人工神经网络最关键的步骤,本文采用试凑法确定最佳隐层节点数[9]。试凑法是确定最佳隐层节数常用的方法,它通过如下经验公式确定隐层节点数:
式中,k为隐层节点数;n为输入层节点数;m为输出层节点数;α为1～10之间的常数。
训练网络时,先设置较少的隐层节点,然后逐渐增加隐层节点数,采用同一样本对网络进行集中训练。由于含有不同隐层节点数的网络对应同一样本训练具有不同的误差,因此以该误差中最大者Emax及误差均方根Erms代表网络的总误差,从而以总误差最小、网络最稳定时对应的隐层节点数作为用于质量流量数据融合的网络隐层节点数。
3.4 BP神经网络训练算法[9,10]
应用BP神经网络算法梯度下降法、BP神经网络的改进算法自适应学习速率调整法和附加动量法对BP神经网络权值进行训练。自适应学习速率调整法考虑了每一个具体网络都存在一个合适的学习速率。为提高神经网络的准确性,在误差曲面的不同部分可能需要不同的学习速率。为了加速收敛过程,自适应学习速率调整法自适应地改变学习速率,使网络的训练在不同的阶段自动设置不同学习速率。附加动量法使网络在修正其权值时,不仅考虑误差在梯度上的作用,而且考虑在误差曲面上变化趋势的影响;在没有附加动量的作用下,网络可能陷入局部极小值,而利用附加动量法的作用则有可能滑过极小值达到最优值。
3.5 BP神经网络训练结果分析
采用上述三种方法对BP神经网络进行训练以确定网络的权值。隐层、输出层的神经元转移函数采用Sigmoid函数,可以避免神经元的输出进入饱和状态[10]。训练过程中如果精度达到要求即可停止训练,否则可以通过增加训练次数来达到训练的要求。
下面分别采用梯度下降法、自适应学习速率调整法和附加动量法对BP神经网络权值进行10次训练,对BP神经网络性能进行比较,如表3～表6所示。由表3可以看出,梯度下降法对应的隐含层节点数为8时网络总误差达到最小,收敛速度较快;由表4可以看出,自适应学习速率调整法对应的BP神经网络的隐含层节点数为5时的收敛速度与隐节点数为7时的收敛速度相当,但隐含层节点数为5时对应的网络总误差最小;附加动量法对应的BP神经网络的隐含层节点数为5时网络总误差最小,收敛速度最快(表5);改变附加动量法的动量因子对BP神经网络的性能进行比较,由表6可以看出动量因子取0.85时,网络收敛速度最快,其误差亦很小,网络最稳定。
4 质量流量融合结果分析
按上述方法将标定压力为0.30～1.00MPa的数据作为训练样本获得稳定可靠、精度高的BP神经网络后,对7个压力下对应的质量流量数据进行融合,得到对应压力的质量流量融合数据,见表7。比较表7中三种不同融合方法得到的质量流量融合值可知:三种不同融合方法得到的融合结果误差均控制在0.05t/h以内,融合结果的控制精度得以提高;梯度下降法融合结果精度相对较差,自适应学习速率调整法和附加动量法的融合结果近似,精度高。
为了进一步比较三种融合方法的融合效果,对压力在0～1MPa范围内的质量流量数据采用BP神经网络进行融合,融合结果与压力之间的变化曲线见图2。由图2可看出,随着压力的增大,融合结果误差逐渐增大;采用BP神经网络融合的结果非常接近于真值,较自适应加权融合结果的精度大大提高;在BP神经网络三种融合算法的融合结果中,梯度下降法的融合结果误差最大,精度最低,自适应学习速率调整法次之,附加动量法的融合结果精度最高,即受压力影响最小。
为了更好地比较三种BP神经网络算法的融合效果,对0～2.5MPa范围内的质量流量进行融合研究。按上述方法构造BP神经网络,经过网络权值训练获得隐层节点数为6、稳定且误差最小的神经网络。将三种BP网络算法融合结果与真值进行比较,如图3所示。由图3可看到,梯度下降法的融合结果随着压力的增大误差逐渐增大;自适应学习速率调整法对应的初始误差较大,随着压力的增大,融合误差逐渐减小且趋于0,但压力继续增大时,融合值大于真值,误差增大;附加动量法的融合结果总体上波动量最小,与真值最接近,融合结果精度最高,受压力干扰影响最小。
5 结语
为了获得高精度的质量流量测量值,本文在不同压力下通过多路传感器多次采样后对测量数据进行处理。首先剔除疏失测量数据,然后由自适应加权融合方法得到同一压力下的质量流量融合值,融合结果表明,随着压力的增大,融合值误差逐渐增大,但较原测量数据精度大大提高,误差均小于0.55t/h。为了消除压力对流量测量的影响,采用BP神经网络三种训练算法对网络权值进行训练,得到误差小、稳定性高的网络结构,应用多组数据进行融合研究,证明BP神经网络可以获得精度很高的质量流量值,误差均小于0.05t/h;同时对三种BP网络融合算法的融合精度进行了比较,梯度下降法融合精度较差,自适应学习速率调整法次之,附加动量法最佳,其融合结果波动量最小,精度最高。本文的质量流量数据融合方法的研究为高精度质量流量传感器电控单元的开发提供了技术保障。
摘要：质量流量测量精度受压力的影响,且随着压力的增大其测量精度变差。采用多个质量流量传感器进行多处测量,对质量流量测量数据进行自适应加权融合。在此基础上,为了消除压力对流量测量值的影响,采用BP神经网络进行压力干扰抑制的质量流量数据融合研究。研究结果表明,BP神经网络质量流量融合值的精度较自适应加权融合值的精度大大提高,且附加动量法获得的BP网络融合精度最高,自适应学习速率调整法次之,梯度下降法最差。
关键词：质量流量,压力,数据融合,神经网络
参考文献
[1]袁国富.工况压力对质量流量计测量准确度的影响[J].工业控制计算机,2004,17(4):5-6.
[2]Wang Tao,Hussain Y.Pressure Effects on CoriolisMass Flowmeters[J].Flow Measurement and In-strumentation,2010,21(4):504-510.
[3]邵熙,任东顺.科里奥利质量流量计压力影响实验分析[J].自动化仪表,2007,28(1):56-59.
[4]Zhao Weiguo,Song Zhihuan,Liang Guowei,et al.The Gas Mass Flow Measurement Base on Multi-sensor Information Fusion[C]//Proceedings of the7th World Congress on Intelligent Control and Au-tomation.Chongqing,2008:8349-8352.
[5]张娟,陈杰,蔡振江.基于多传感器数据融合的温室温度采集[J].传感器与仪器仪表,2007,23(11):153-154.
[6]王峰,孔李军,艾英山.粮情测控系统中多传感器信息融合技术的应用[J].农机化研究,2010(2):166-169.
[7]邓蕴昊,张纳温.一种改进的加权融合算法[J].弹箭与制导学报,2008,28(6):311-313.
[8]张德丰.MATLAB神经网络应用设计[M].北京:机械工业出版社,2009:39-46.
[9]Hagan M T,Demuth H B,Beale M.Neural NetworkDesign[M].Beijing:China Machine Press,2002.
[10]施彦,韩力群,廉小亲.神经网络设计方法与实例分析[M].北京:北京邮电大学出版,2009.
抑制计时器简析 篇2
距离矢量协议采用触发更新来加速收敛过程，请记住，除触发更新外，使用距离矢量路由协议的路由器还会发送定期更新。假设现在存在一个不稳定的网络。在很短的时间内，接口被重置为 up，然后是 down，接着再重置为 up。该路由将发生摆动。使用触发更新时，路由器可能会反应过快，从而在不知情的情况下造成路由环路。此外，路由器在不稳定期间发送的定期更新也可能导致路由环路。抑制计时器可以防止在上述情况中出现路由环路。抑制计时器还有助于防止计数至无穷大情况的出现。
抑制计时器可用来防止定期更新消息错误地恢复某条可能已经发生故障的路由。抑制计时器指示路由器将那些可能会影响路由的更改保持一段特定的时间。如果确定某条路由为 down(不可用)或 possibly down(可能不可用)，则在规定的时间段内，任何包含相同状态或更差状态的有关该路由的信息都将被忽略，
这表示路由器将在一段足够长的时间内将路由标记为 unreachable(不可达)，以便路由更新能够传递带有最新信息的路由表。
抑制计时器通过以下方式工作：
1. 路由器从邻居处接收到更新，该更新表明以前可以访问的网络现在已不可访问。
2. 路由器将该网络标记为 possibly down 并启动抑制计时器。
3. 如果在抑制期间从任何相邻路由器接收到含有更小度量的有关该网络的更新，则恢复该网络并删除抑制计时器。
4. 如果在抑制期间从相邻路由器收到的更新包含的度量与之前相同或更大，则该更新将被忽略。如此一来，更改信息便可以继续在网络中传播一段时间。