![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于自回归与长短期记忆网络混合模型的热电偶动态补偿方法研究.pdf
《基于自回归与长短期记忆网络混合模型的热电偶动态补偿方法研究.pdf》由会员分享,可在线阅读,更多相关《基于自回归与长短期记忆网络混合模型的热电偶动态补偿方法研究.pdf(10页珍藏版)》请在咨信网上搜索。
1、引用格式:引用格式:崔志文,李文军,虞思思,等.基于自回归与长短期记忆网络混合模型的热电偶动态补偿方法研究J.中国测试,2023,49(9):63-72.CUI Zhiwen,LI Wenjun,YU Sisi,et al.Research on dynamic compensation method of thermocouples based onautoregressive and long short term memory network hybrid modelJ.China Measurement&Test,2023,49(9):63-72.DOI:10.11857/j.issn
2、.1674-5124.2021110062基于自回归与长短期记忆网络混合模型的热电偶动态补偿方法研究崔志文,李文军,虞思思,金敏俊(中国计量大学计量测试工程学院,浙江杭州310018)摘要:热电偶在动态温度测量时由于热惯性存在动态误差。为补偿热电偶的动态误差,提出一种基于自回归与长短期记忆网络混合模型的补偿算法。该算法通过自回归模型对热电偶动态响应进行辨识,再由长短期记忆网络作为非线性补偿器校正动态误差。采用不同强度的高斯白噪声模拟噪声环境,仿真构建热电偶模拟测量数据集。在模拟测量数据集上对算法做验证。计算结果表明,该算法在不同噪声环境下均能有效地减少动态误差。搭建热电偶动态温度测量实验平台,
3、以 K 型镍铬/镍硅热电偶为实验对象,取得实验测量数据集。实验和计算结果表明,经算法补偿后的热电偶动态响应得到改善,平均动态误差为 0.0028,标准差为 0.0102。关键词:动态温度测量;热电偶;动态误差补偿;自回归与长短期记忆网络混合模型中图分类号:TP212.1;TB9文献标志码:A文章编号:16745124(2023)09006310Research on dynamic compensation method of thermocouples based onautoregressive and long short term memory network hybrid model
4、CUIZhiwen,LIWenjun,YUSisi,JINMinjun(CollegeofMetrologyandMeasurementEngineering,ChinaJiliangUniversity,Hangzhou310018,China)Abstract:Thermocoupleshavedynamicerrorindynamictemperaturemeasurementduetothermalinertia.Inordertocompensatethedynamicerrorofthermocouples,acompensationalgorithmbasedonautoregr
5、essiveandlongshorttermmemorynetworkhybridmodelisproposed.Thedynamicresponsesofthermocoupleswereidentified by autoregressive model,and then the long short term memory network was used as nonlinearcompensatortocorrectthedynamicerror.Gaussianwhitenoisewithdifferentintensitywasusedtosimulatenoiseenviron
6、ments,andtheanalogmeasurementdatasetofthermocoupleswasconstructed.Thealgorithmwasverifiedontheanalogmeasurementdataset.Thecalculationresultsshowthatthealgorithmcaneffectivelyreduce the dynamic error under different noise environments.The dynamic temperature measurementexperimentalplatformwasassemble
7、d.TakingK-typeNiCr/NiSithermocouplesastheexperimentalobject,theexperimentalmeasurementdatasetwasobtained.Theexperimentalandcalculationresultsshowthatthe收稿日期:2021-11-09;收到修改稿日期:2021-12-03作者简介:崔志文(1997-),男,浙江杭州市人,硕士研究生,专业方向为热工参数检测和仪器。通信作者:李文军(1970-),男,浙江杭州市人,副教授,研究方向为热工测量等相关技术。第49卷第9期中国测试Vol.49No.9202
8、3年9月CHINAMEASUREMENT&TESTSeptember,2023dynamic responses of the thermocouples compensated by the algorithm were improved,with an averagedynamicerrorof0.0028andthestandarddeviationof0.0102.Keywords:dynamictemperaturemeasurement;thermocouple;dynamicerrorcompensation;autoregressiveandlongshorttermmemor
9、ynetworkhybridmodel0 引言温度测量根据被测物体温度在测量过程中的状态分为静态温度测量和动态温度测量。工程应用中,被测温度往往是时变的,研究动态温度测量乃至瞬态温度测量更具价值。此外,动态温度测量作为工业控制中的重要环节,其测量精度将直接影响后续控制的准确性,因此提高动态温度测量精度非常迫切。热电偶由于其成本低、响应快、结构简单常应用于工业动态温度测量。然而在时变温度测量中,热电偶动态响应由于滞后或偏离实际温度产生动态误差1,进而影响测量精度。开发更高精度的温度传感器,包括薄膜热电偶2-3、蓝宝石光纤传感器4-5等,以及采用更有效的温度测量方法,如多热电偶法6-7、冷线温度脉
10、动法8-9等,能够有效提高动态温度测量精度。然而上述方法通常需要更高的成本。从测量数据入手,数据驱动建模规避了高成本和实验中复杂的模型假设,逐步成为一种主流的提高动态温度测量精度的方法10-12。近年来,基于数据驱动的自回归模型(autogressivemodel,AR)13、带外部输入自回归模型(autoregressivewithexogenous,ARX)14应用于提高动态温度测量精度。然而上述模型对实际测量中的含噪声数据的处理效果并不理想15。随着神经网络的发展,人工神经网络(artificialneuralnetwork,ANN)16、哈默斯坦神经网络(Hammersteinneur
11、al network)17、卷 积 神 经 网 络(convolutionalneuralnetwork,CNN)18等相继应用于动态温度测量中,然而,上述方法忽略了输入数据的时序,并不适用于处理动态温度数据。长短期记忆网络(longshorttermmemory,LSTM)19通过对长短期信息的选择性记忆和遗忘,保留数据的时间信息,在处理动态温度数据上更为合适。热电偶动态响应包含线性和非线性趋势,使用单一模型必然会忽略其中一部分信息。因此,提出了一种基于自回归和长短期记忆网络混合模型(autoregressivemodel-longshorttermmemory,AR-LSTM)的动态误差补
12、偿算法处理热电偶温度测量数据,通过 AR 模型对数据进行辨识,再由 LSTM进行非线性补偿以修正热电偶测量的动态误差。本文搭建了动态温度测量实验平台,在双气流环境下对热电偶进行动态激励,采用 AR-LSTM 模型补偿动态误差,提高了动态温度测量精度。1 热电偶动态响应补偿1.1 补偿原理动态温度测量中,热电偶的输出响应总是滞后于输入,无法及时反映输入温度的时变,产生动态误差。为了补偿热电偶的动态误差,本文提出了一种基于 AR-LSTM 混合模型的动态误差补偿算法。如图 1 所示为动态误差补偿的原理图。补偿器优化算法最小化(t)G(s)G(s)o(t)u(t)yr(t)yc(t)(t)图 1 动
13、态误差补偿原理G(s)G(s)u(t)o(t)yr(t)由图 1 可知,实际热电偶系统为,理想热电偶系统为。针对动态激励信号,热电偶的动态响应为;理想状态下的热电偶动态响应为。yc(t)(t)o(t)s(t)s(t)yr(t)c(t)c(t)s(t)c(t)yc(t)为提高热电偶的动态测量精度,引入非线性补偿修正动态误差,为热电偶补偿后的动态响应,为动态补偿误差。通过 AR 模型对热电偶动态响应进行辨识,得到输出序列。与理想动态响应之差为 AR 模型残差序列,利用LSTM 模型对残差序列进行建模。最后将 AR模型输出序列和 LSTM 模型输出加和,得到热电偶经补偿后的动态响应,如图 2 所示。
14、yc(t)yr(t)(t)JAR-LSTM()补偿后的热电偶动态响应越接近理想热电偶的动态响应,动态补偿误差越小,则模型的动态误差补偿效果越好。因此可以将准则函数设置如下:64中国测试2023年9月minJAR-LSTM()=minw(t)2dt=minw(yr(t)yc(t)2dt(1)1.2 热电偶自回归模型AR(p)首先,把热电偶的响应过程视为离散时间系统13,通过 AR 模型对其进行辨识描述。热电偶AR 模型的一般形式为:o(k)=+pi=1io(ki)+e(k)=s(k)+e(k)(2)记:s(k)=+pi=1io(ki)(3)o(k)Nk=1式中:热电偶动态响应序列;e(k)Nk=
15、1白噪声序列;常数项;ipi=1回归系数。L引入单位滞后算子 来表示序列前一时刻的值,即:Lo(k)=o(k1)(4)i一般地。对于任意整数,有:Lio(k)=o(ki)(5)如图 3 所示为热电偶 AR 模型的结构图。o(k)Li(i=1,p)pipi=1由图 3 可知,将离散的热电偶动态响应输出序列通过滞后算子表示序列 时刻前的值和回归系数进行线性加和得到 AR 模型s(k)预测输出热电偶动态响应。1.3 长短期记忆网络c(k)c(k)c(k)Nk=1本文采用 LSTM 模型补偿热电偶动态误差,将离散的 AR 模型残差序列作为输入,输出热电偶动态误差的补偿序列。对于 AR 模型残差序列,L
16、STM 输出通过下式进行迭代计算:fk=(c(k)Wxf+hk1Whf+Wcfcsk1+bf)(6)ik=(c(k)Wxi+hk1Whi+Wcicsk1+bi)(7)csk=fkcsk1+iktanh(c(k)Wxc+hk1Whc+bc)(8)outk=(c(k)Wxo+hk1Who+Wcocsk+bo)(9)hk=outktanh(csk)(10)fkikoutkk式中:、时刻的遗忘门、输入门、输出门的输出值;cskk 时刻细胞状态;Wb和 对应门的权重和偏置项参数;矩阵乘积计算;()tanh()和非线性函数 sigmoid 函数和tanh 函数。如图 4 所示为 LSTM 的动态误差补偿图
17、。LSTMs(k)c(k)c(k)yr(k)yc(k)图 4 LSTM 动态误差补偿模型s(k)yr(k)c(k)c(k)s(k)c(k)yc(k)由图 4 可知,AR 模型预测输出热电偶动态响应与理想动态响应做差,得到动态误差序列,通过 LSTM 对进行建模,最后将 AR 模型输出和 LSTM 输出加和得到补偿后的热电偶动态响应。1.4 自回归与长短期记忆网络混合模型热电偶动态响应包含线性和非线性趋势,单一模型必然会忽略其中一部分信息,预测的效果并不热电偶动态响应o(t)热电偶理想动态响应yr(t)AR 模型辨识动态激励u(t)模型参数估计AR 模型预测s(t)AR 模型残差序列c(t)LS
18、TM非线性残差补偿AR-LSTM 混合模型yc(t)c(t)模型分析图 2 补偿器流程图输入L1L1L1o(k)o(k1)o(k2)o(kp)12p1ps(k)图 3 热电偶自回归辨识模型第49卷第9期崔志文,等:基于自回归与长短期记忆网络混合模型的热电偶动态补偿方法研究65理想。基于此,提出 AR-LSTM 混合模型,通过 AR模型对热电偶动态响应进行辨识,提取线性信息,再由 LSTM 作为非线性补偿器补偿非线性动态误差。如图 5 所示为 AR-LSTM 混合模型的结构图。热电偶动态响应热电偶理想动态响应模型补偿后热电偶动态响应L1L1L1LSTMo(k)o(k1)o(k2)o(kp)12p
19、1ps(k)c(k)c(k)yr(k)yc(k)图 5 AR-LSTM 混合模型JAR-LSTM()由图 5 可知,AR-LSTM 混合模型综合了自回归模型 AR 辨识环节以及 LSTM 动态误差补偿环节,最终输出补偿后的热电偶响应序列,针对离散的序列,我们定义 AR-LSTM 模型的准则函数如下:JAR-LSTM()=min12NNk=1(k)2=min12NNk=1(yr(k)yc(k)2=min12NNk=1(c(k)c(k)2(11)1.5 模型评价指标计 算 模 型 的 均 方 根 误 差 RMSE(root meansquareerror),定义如下:RMSE=vut1NNk=1(
20、T(k)T(k)2(12)N式中:采样的序列长度;T理想的热电偶动态响应;T模型补偿后的热电偶动态响应。GF定义拟合优度,对模型进行评价,定义如下:GF=1Nk=1?T(k)T(k)?Nk=1?T(k)T?100%(13)TT式中:的平均值;范数计算。2 仿真2.1 热电偶动态响应数据集本文采用调幅伪随机序列作为激励温度,设定序列的采样时间为 200s,采样频率为 50Hz,如图 6 所示。020406080 100 120 140 160 180 200时间/s0.20.40.60.81.0无量纲温度图 6 激励信号xy图 6 中,轴表示采样时间,轴表示介于 01之间的无量纲温度。其中 0
21、表示低温温度激励,1表示高温温度激励,01 之间的值则对应表示介于低温和高温之间的温度激励。模拟测量值由理论测量值和噪声组成以一支热电偶为例,将其视为一个一阶滞后系统,并假设时间常数为 1s,则其传递函数如下:G(s)=1s+1(14)将图 6 所示的调幅伪随机序列作为激励温度,应用于式(14)中的热电偶,得到热电偶理论测量值,如图 7 所示。由图 7 可知,热电偶的理论测量值滞后于激励温度,引起系统误差。然而,在实际测量中还存在随机误差的干扰。因此,在上述理论测量值中加入66中国测试2023年9月高斯噪声获得热电偶的模拟测量值。利用信噪比(signal-to-noiseratio,SNR)控
22、制附加噪声的强度。信噪比的定义如下:SNR=10lg(PSPN)(15)PSPN其中和分别代表信号和噪声的有效功率。改变 SNR,可以获得多组模拟测量值。本文将SNR 范围定为 20dB 到 70dB,以 10dB 为步长,获得多组模拟测量值。如图 8 所示为噪声环境为 2070dB 下的热电偶模拟测量值。将上述不同噪声环境下的热电偶模拟测量数据进行模型训练集和测试集的划分,其中前 70%用于训练模型,剩余的 30%用作模型检验。020406080 100 120 140 160 180 200时间/s(a)SNR=20 dB0.51.0无量纲温度020406080 100 120 140 1
23、60 180 200时间/s(b)SNR=30 dB0.51.0无量纲温度020406080 100 120 140 160 180 200时间/s(c)SNR=40 dB0.51.0无量纲温度020406080 100 120 140 160 180 200时间/s(d)SNR=50 dB0.51.0无量纲温度020406080 100 120 140 160 180 200时间/s(e)SNR=60 dB0.51.0无量纲温度020406080 100 120 140 160 180 200时间/s(f)SNR=70 dB0.51.0无量纲温度图 8 热电偶模拟测量值2.2 计算结果针对热
24、电偶模拟测量数据集对 AR-LSTM 模型进行分析。如图 9 所示为信噪比为 2070dB 的噪声环境下模型的补偿结果。020406080 100 120 140 160 180 200时间/s0.20.40.60.81.0无量纲温度图 7 热电偶理论测量值第49卷第9期崔志文,等:基于自回归与长短期记忆网络混合模型的热电偶动态补偿方法研究67020406080 100 120 140 160 180 200时间/s(a)SNR=20 dB0.200.20.40.60.81.0无量纲温度热电偶模拟测量值(20 dB)AR-LSTM 模型激励信号热电偶模拟测量值(30 dB)AR-LSTM 模型
25、激励信号热电偶模拟测量值(40 dB)AR-LSTM 模型激励信号热电偶模拟测量值(50 dB)AR-LSTM 模型激励信号热电偶模拟测量值(60 dB)AR-LSTM 模型激励信号热电偶模拟测量值(70 dB)AR-LSTM 模型激励信号020406080 100 120 140 160 180 200时间/s(b)SNR=30 dB0.200.20.40.60.81.0无量纲温度020406080 100 120 140 160 180 200时间/s(c)SNR=40 dB0.200.20.40.60.81.0无量纲温度020406080 100 120 140 160 180 200时
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 回归 长短 记忆 网络 混合 模型 热电偶 动态 补偿 方法 研究
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。