（信号与信息处理专业论文）智能传感器动态非线性研究及其补偿.pdf

河海大学硕士学位论文智能传感器动态非线性研究及其补偿 摘要 由于智能传感器的动态非线性响应特性，导致智能传感器系统存在动态测量误差 等问题。针对这些问题，本文采用h 锄m e r s t e i n 模型和w i e n e r 模型描述其动态非线性， 并提出了基于h a m m e r s t e i n 模型和w i e n e r 模型的动态非线性组合神经网络的智能传感 器系统辨识和补偿方法。 智能传感器系统可以看成静态非线性模块和动态线性模块组合而成。本文提出的 h a m m e r s t e i n 模型和w i e n e r 模型都是由一个非线性静态子环节和一个线性动态子环节 串联的模型体系，主要区别在于模型中两个环节顺序的不同。针对这两种模型相似的 结构特征，分别采用u ) n 线性神经网络模拟两个模型中的线性动态子环节和p i d 非 线性神经网络模拟非线性静态子环节，利用该组合神经网络来对h a m m e r s t e i n 模型和 w i e n e r 模型进行系统辨识。该辨识方法具有对静态非线性环节的系数和线性动态子环 节的系数进行同步辨识和分离的效果，辨识后可得到h a m m e r s t e i i l 模型和、m e n e r 模型 的动态线性环节和静态非线性环节，从而确定系统的动态非线性。仿真结果验证了组 合神经网络辨识算法的有效性，具有较高的辨识精度。 在组合神经模型辨识的基础上，进一步提出了基于h a m m e r s t e i i l 模型和w i e n e r 模 型的动态非线性两步补偿方法，包括动态线性补偿和静态非线性校正，并且对于误差 较大的部分，采用了p i d 控制器进行信号的控制跟踪补偿处理。通过仿真和对实验数 据的处理证明，两步补偿方法改善了智能传感器动态响应特性，p i d 控制器能对信号 进行优良的跟踪，进行实时动态校正，校正系统得到最终较好的系统响应。 关键词：智能传感器；动态非线性；组合神经网络；辨识；补偿 a b s t r a c t t h e r ea r et h ee 玎o r si nt h es y s t e m so ft h ei n t e l l i g e i l c es e n s o r sb e c a u s e0 fan o n l i n e a r d y n a m i cp r o b l e m i nt h er e s p o n s eo ft h ei n t e l l i g e n ts e n s 0 1 1 s t 1 l eh 锄m e r s t e i nm o d e l 锄dt h e w i e n e rm o d e la r ei n t r o d u c e dt od e s c r i b et h a tp r o b l e m ，a n do nt h i sb a s i s ，a na l g 耐t h mb a s e d o nh y b r i dn e u r a ln e t w o r l 【si su s e dt oi d e n t i f ya n dc o m p e n s a t et h et w om o d e l s n es y s t e m so fi m e l l i g e n ts e n s o r sc a i lb ed i v i d e dt oan o n l i n e a rs t a t i cp a r t 觚da l i n e a r d y n 锄i cp a r t t h eh 锄m e r s t e i i lm o d e l a n dt h ew i e n e rm o d e lw h i c ht h i sp a p e rs u g g e s t sa r e t h ec o n n e c t e dm o d e ls y s t e m sb yan o n l i n e a rs t a t i cs u b - l i i l k 粕dal i n e a rd y n 锄i cs u b - l i i 出 s e r i e s 硼1 em a i nd i f f e r e n c ei st h eo r d e r ，i nv i e w0 ft h e s et w 0k i n d so fm o d e ls i m i l a r s t n l c t u r e ，t h en o i l l i i l e a rd y n a m i cc h a r a d e r i s t i co f s e n s o ri se x p r e s s e db yc a s c a d i n ga n o n l i n e a rs t a t i cs u b u n i t ( n l s s ) w i t hal i n e a rd y n 栅i cs u b u n i t ( l d s ) a c c o r d i n gt 0t h e c h a r a c t e r i s t i co ft h em o d e l ，ap i dn o n l i n e a rn e u r a ln e t w o r k ( p i d n u 、i n ) s i m u l a t i n gt h e n l s sa i l dal d nl i n e a rn e u r a ln e 觚o r k ( i d n l n n ) s i m u l a t i n gt h el d sf o 肌ah y b r i d n e u r a ln e t w o r k ( h n n ) ，w h i c hi su s e dt oi d e n t i f yh a m m e r s t e i nm o d e l b ym e a i l so ft h e h n n a p p r o a c h ，t h ep a r a m e t e ro ft h em o d e l e a nb ei d e n t i f i e da n ds e p a l r a t e di n t 0t w op a n s s i m u l t a n e o u s l y o n ep a r ti st h ec o e f f i c i e n to ft h en l s s ，a i l dt h eo t h e r i st h e c o e f f i c i e m0 ft h e l d s t 1 l es i m u l a t i o nh a sp r o v e dt h ee f c i c i e n c yo ft h ep r o p o s e dm e t h o d ，g e t t i n gn l s sa n d l d so ft h em o d e l s o nt h eb a s i s0 fh n n ，a ”觚o s t e pc o m p e n s a t i o n ”m e t h o di sp u tf b 州a r d ，w h i c hc o n s i s t s o fal i n e a fd ) r i l a m i cc o m p e n s a t i o ns u b s y s t e ma i l dan o n l i n e a rs t a t i cc o n e c t i o ns u b s y s t e m ， a n dr e g a r d i n gt h ee 仃o n e o u sm a j o rp a n ，h a su s e dp i dc o n t r o l l e rt 0f o l l o wt h es i 弘a l s t t l e s i m u l a t i o nh a sp r o v e dt h ee f f i c i e n c yo ft h em 州m e t h o da n dt h e ”t 、7 1 7 0 - s t e pc o m p e n s a t i o n ”， p i dc o n t r o l l e rc a i lw e l lf o l l o wt h es i g i l a l s ，a n dt h es y s t e m sc o h e c t e dh a v eg o t t e nt h e e x c e l l e n tr e s p o n s e k 0 y w o r d s ：i l l t e l l i g e n ts e n s o r ；n o n l i i l e a rd y n a m i c ；h y b r i dn e u r a ln e 咐o r k ；i d e m i f i c a t i o n ； c 1 0 m p e n s a t i o n i i 学位论文独创性声明： 本人所呈交的学位论文是我个人在导师指导下进行的研究工作及取 得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文 中不包含其他人已经发表或撰写过的研究成果。与我一同工作的同事对本 研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。如不 实，本人负全部责任。 论文作者( 签名) ：乏趁砼2 0 0 8 年月【r 日 学位论文使用授权说明 河海大学、中国科学技术信息研究所( 含万方数据库) 、国家图书 馆、中国学术期刊( 光盘版) 电子杂志社有权保留本人所送交学位论文的 复印件或电子文档，可以采用影印、缩印或其他复制手段保存论文。本人 电子文档的内容和纸质论文的内容相一致。除在保密期内的保密论文外， 允许论文被查阅和借阅。论文全部或部分内容的公布( 包括刊登) 授权河海 大学研究生院办理。 论文作者( 签名) ：e 棚协2 0 0 8 年月【f 日 河海大学硕士学位论文 智能传感器动态非线性研究及其补偿 第一章综述 1 1 传感器发展状况 在高度发展的现代社会中，科学技术的突飞猛进和生产过程的高度自动化已成为 人所共知的发展趋势，而它们的共同要求是必须建立在有着不断发展与提高的信息工 业基础上，信息技术对社会发展、科学进步起到了决定性的作用。现代信息技术的基 础包括信息采集、信息传输与信息处理。人们只有从外界获取大量准确，可靠的信息 后，经过一系列的科学分析、处理、加工与判断，进而认识和掌握自然界与科学技术 中的各种现象与其相关的变化规律，并通过相应的系统与方法加以实现科学实验研究 与生产过程的高度自动化。换一言之，工业生产过程的现代化面临的第一个问题是必 须采用各种传感器来检测，监视和控制科学实验与生产过程的各个静动态参数，使设 备与系统以及科学研究工作能正常运行和处于最佳状态，从而保证科研工作的成功与 生产的高效率，高质量。所以，进行信息采集的传感器技术是重要的前期基础工作。 此后，才有后期的信息分析、处理、加工技术问题。 近几十年来快速发展的i c 技术及计算机技术，为传感器的高速发展提供了非常良 好与可靠的科学技术基础，也提出了更高的要求与强有力的鞭策。如果传感器技术落 后，那将是“脑子发达，五官迟钝”，这将大大影响科学技术的高度发展与生产过程的 高度自动化。硅微电子技术的成熟使得在单个芯片中实现复杂结构的微电子机械系统 成为现实，也给传感器的微型化提供了基础。同时采用了i c 技术将信号处理和控制电 路集成了到单个的芯片中，大大提高了传感器的性能并扩展了传感器的功能，即实现 所谓的智能化。同过去的i c 技术给经济技术带来的影响一样，这种集成技术的应用的 同样经济和技术发展带来新的机遇。对于传感器来说，不仅是简单的改变了加工制造 的方法，同时对传统的传感器测量的控制系统的设计也带来了深刻的影响。并且对传 感器本身的设计的方法也带来了变革，使得传感器的设计的测量控制系统的设计及构 成变得简单容易。与传统的系统相比，更加可靠、便宜，并且扩展性更好。很显然， 这些特点的实现主要得益于在传感器内部嵌入微处理芯片。与传统的传感器输出模拟 1 河海大学硕士学位论文智能传感器动态非线性研究及其补偿 原始信号不同，这种传感器可以在内部实现对原始数据的加工处理，并可以通过标准 的接口与外界实现数据交换，从而实现了传感器的智能化。所以，世界各国都将传感 器技术列为尖端技术。 对传感器普遍认可的定义是能感受规定的被测量并校一定的规律转换成可用输出 信号的器件或装置。简单的说，能把被测非电量信自、转换为电信号输出的器件或装 置称为传感器。因此，传感器的定义包含着三层含义：l 、传感器是一个测量装置；2 、 在规定的条件下感受外界信息；3 、按一定规律转换成易于传输与处理的电信息。 传感技术早已渗透到工业生产、军事国防、宇宙探测、海洋开发、环境保护、资 源调查、医学诊断、生物工程、文物保护、安全防范、家用电器等及其广泛的领域。 因此，从茫茫太空到浩瀚的海洋，从各种复杂工程系统到日常生活的衣食住行，几乎 每一个领域都离不开各种各样的传感器。可以毫不夸张地说，2 1 世纪的社会，将是充 满传感器的世界。 传感技术知识密集程度甚高，边缘学科色彩极浓，涉及的学科与领域十分广泛， 制造技术复杂，工艺难度大，具有品种繁多，应用广泛等特点。 1 2 问题提出 传感器是将外界参量如物理、化学、机械等参量转化为电学量或光学量的一种装 置。它象人的五官一样，是获取信息的重要工具，在工业生产、国防建设和科学技术 领域发挥着巨大作用。随着工业现代化的飞速发展，以及测控系统自动化、智能化的 技术进步，要求传感器准确度高、可靠性高、稳定性好，而且具备一定的数据处理能 力，并能自检、自校、自补偿，传统的传感器( 国外称为d 硼曲s e i l s o r ) 已不能满足要 求。现代材料工艺及技术，特别是计算机技术使传感器技术产生了巨大的飞跃，随着 大规模集成电路技术的发展和微处理器( m c u ) 的问世，在信息检测领域中，也越来 越多地将微电子技术、微处理器和传感器相结合，产生了功能强大的智能传感器( 国 外称为s m a ns e n s o r ) 。智能传感器是传感器向前发展的方向，也是传感器克服自身局 限性、适应现代自动化系统发展的必然趋势。智能传感器不但具有传统传感器的功能， 即检测信息的能量转换功能，还同时具有判断信息和处理信息的能力。因此智能传感 2 河海大学硕士学位论文智能传感器动态非线性研究及其补偿 器也越来越广泛地被应用到各个领域中。 智能传感器系统主要由三部分组成，位于信息系统最前端的传感器，能进行运算、 分析和判断的微型机，以及连接传感器和微型机的预处理电路和接口电路组成。所以， 智能传感器系统误差的来源主要有：传感器本身的误差、预处理电路中引入的误差、 a d 转换器的固有误差及智能传感器系统中的随机误差。误差的存在使智能传感器系 统的输入输出特性为非线性。而非线性问题又往往出现在智能传感器动态研究中， 动态非线性的存在，极大地限制了以往线性的建模和补偿的方法在智能传感器上的应 用。传感器动态非线性主要由以下几个方面而引起： ( 1 ) 传感器的动态非线性可以由传感器静态非线性引起。静态非线性的存在主要 由传感器内部结构和本身信号转换的原理引起； ( 2 ) 传感器动态特性欠佳，其幅频特性的平坦段非常有限。如果输入信号的频率 成分超出幅频特性的线性范围，就引起了动态非线性； ( 3 ) 动态输入瞬时值( 幅值) 过大，导致传感器进入非线性工作区； ( 4 ) 由传感器动态耦合所致，即多维传感器中非正向转换通道可能存在非线性； ( 5 ) 传感器的工作状态影响，如传感器所受负载大小不同而引起工作零点的变化， 或者安装条件的不理想而引起的动态非线性等。 因此，动态非线性问题影响了传感器的动态测量精度，阻碍了传感器动态性能的 进一步提高，于是，对于传感器动态特性的研究不可避免地要考虑到非线性因素。只 有解决了传感器动态非线性问题，才能实现传感器，特别是智能传感器准确度、稳定 性、工作条件和环境的辨识上的要求。 随着生产生活和科技的高速发展，随着智能传感器应用领域日益的广泛，因此研 究智能传感器动态非线性重要性已被人们充分认识： ( 1 ) 在生产和科研中，愈来愈多地要求测量动态非电量； ( 2 ) 电路的动态特性决定了系统响应能力的大小； ( 3 ) 智能传感器广泛用于自动控制，当作为闭环系统的反馈环节，要求其能迅 速、准确地反映被控参数的变化； ( 4 ) 在例如军事武器研制领域，或机器人研发过程中，作为关键结构部分的智 能传感器，对于其动态特征的研究是至关重要的。 3 河海大学硕士学位论文智能传感器动态非线性研究及其补偿 对智能传感器动态非线性问题的认识的加深，对其研究也逐步地展开。主要针对 智能传感器非线性研究中的几个关键问题，即研究动态非线性的判断方法，探索动态 非线性建模方法，提出实时性好、应用范围较宽的动态非线性校正方法，研制实时动 态非线性校正系统，但是由于非线性问题的存在，使得动态非线性问题成为智能传感 器动态特性研究中的关键问题。 1 3 国内外研究现状 国内殷铭提出用神经网络逆系统来校正传感器的动态非线性【l l 。所谓逆系统是一 个动态微分器和b p 网络的串联。用微分器来提高传感器的响应速度，用b p 网络来校 正传感器的静态非线性。这种方法存在多个问题：首先根据一种非线性关系训练出来 的b p 网络不一定适应另一种非线性；其次，实时性得不到保障，传感器的响应速度 往往低于被测量对象的变化率；最后，并没有很好的研究传感器的动态性能。王平等 分别在时域和频域上分析了加速度传感器的动态非线性特征【2 - 3 】。贾林等利用 h a m m e r s t e i i l 模型来描述腕力传感器的动态非线性【4 】，利用一步辨识的方法进行模型辨 识，但是并没有在频域上进行深一步的研究。李成等分别在时域和频域上研究了机器 人多维腕力传感器的动态非线性特征，提出用神经元网络方法校正动态非线性。汪晓 东等提出了应用支持向量机( l s s v m ) 实现传感器非线性动态补偿方法【5 j ，遵循了结 构风险最小化原则。丁国清等人根据动态校准实验结果建立传感器的动态数学模型【6 】， 以研究传感器的动态性能，采用了递归神经网络模型，但模型建立的时候略微繁琐了 些。郭毓等提出采用h a m m e r s t e i i l 模型构造薄膜热电偶的模型，但是没能提出分离 动态线性环节和静态非线性环节的方法，因此无法对动态非线性进行校正。姚雅红等 研究了非线性模型的估计方法【8 】，但不能很好地分离动态和静态特征。黄正良【9 】等提 出了辨识h a i t 瑚e r s t e i n 模型的两步法。辨识分为两步，分别得到静态非线性环节和动 态线性环节。两步法虽然有一定的实用性，但是很难应用随机输入信号，而且需要引 入中间辅助量x ( k ) ，增加了实验的复杂度。高璐【1 0 】等提出利用f l 6 斟n ( f u n c t i o n a ll i i l l 【 州丘c i a ln e u r a ln e t 、) l ，o r k ) 神经网络和遗传算法来辨识出传感器的静态和动态模型，该 方法是利用了传统的两步法，算法也较为复杂，因此辨识的精度不能得到很好的保证。 4 河海大学硕士学位论文智能传感器动态非线性研究及其补偿 国外学者vb 删m e 设计了c 沁l a y 序列【l l 】，在时域用互相关分析法辨识具有弱二 次、三次非线性畸变的线性时变系统模型。b o m o l d o v 锄u 等研究了饱和式磁力仪测 量电路的动态非线性特征1 2 1 ，进行了计算机仿真。a m t i d n i op a r d 等提出基于神经元网 络的非线性逆动态系统【1 3 1 ，去解决气敏传感器系统的动态非线性问题。w 砒d e m a r m i n k i n a 【1 4 】认为温度传感器在测量大范围温度变化的情况，需要建立动态非线性模型。 他根据阶跃响应，建立了热电偶的动态非线性模型。m w | e i s s 等研究非线性级联模型 的辨识问题【1 5 】，用多频率正弦信号去测量v 0 l t e 订a 核。e r w | e ib d l 6 1 等人提出利用黑箱 系统来逼近非线性增益的思想，采用两步法对h a i i 曲e r s t e i l l 模型进行辨识，在该方法 中由于要求非线性增益部分存在适当的近似线性区域，无法达到较好的辨识效果。 趾洲s h “1 7 1 等人提出利用b p 网络单独逼近非线性增益的思想，采用两步法对 w i e l l e r 模型进行辨识，在该方法中由于要求非线性增益部分存在适当的近似线性区域， 因此无法达到较好的辨识效果。p a m l a 期r a ：吐l y 【18 】等人提出了一种推广的动态人工神经 网络模型及响应的学习算法，由于要求知道模型中线性子系统的传递函数，因此它的 使用受到限制。 动态非线性控制问题是当前控制理论的主要问题，也是传感器动态研究中关键的 问题。动态非线性问题主要依赖于精确的数学分析计算，随着传感器应用过程的日益 扩大，特别是智能传感器的研究日益的扩大，以前的研究理论已经有了很大的局限性， 这就不仅对数学基础提出了要求，更向智能传感器的应用提出了挑战。如何判断动态 非线性特征；如何在时，频域内对智能传感器的动态非线性特征进行建模；怎样提出 实时性好、应用范围较宽的动态非线性校正补偿方法，并根据智能传感器系统辨识和 补偿的结果对系统进行智能化控制，这些都是所要解决的问题。 尽管国内外的学者对该领域提出众多的研究方法，但是还是存在着很多的问题。 目前，国内外在此方面研究中存在的主要问题有： ( 1 ) 传感器系统具有很强的时变和非线性，而目前国内外学者提出来的各种传感 器动态非线性数学建模模型在研究非线性的同时，并没有很好地考虑实时性因数，提 出的建模太过简单和单一化，而造成模型辨识的不精确。 ( 2 ) 以往提出的非线性模型并没有将智能结合在一起，如何让传感器完成自校正， 自补偿，动态非线性的智能控制仍是智能传感器研究领域中存在的较大难题。 s 河海大学硕士学位论文智能传感器动态非线性研究及其补偿 ( 3 ) 近年来神经网络和模糊系统在系统建模和控制中的应用引起了极大的兴趣。 理论证明两者都能逼近任意非线性函数。这符合w e i e r s 缸氍s 函数逼近论的定理。但并 未提出工程上令人满意的实现方法，关键的问题在于尚缺乏真正快速的又不陷入局部 最优的学习算法。 ( 4 ) 对于传感器的动态非线性校正方面，国内外学者提出了基于神经元网络的校 正方法，由于采用的前向反馈神经元网络( b p 网络) ，计算量较大，实时性较差，只 能适用于响应速度很慢的传感器，而且对传感器的输入信号有较高的要求，因此该方 法有着很大的局限性，对于有精确度很高要求的智能传感器，该方法是远远不能适用 的。 因此，针对存在的问题，在研究动态非线性判断，探索动态非线性建模的方法上， 应要提出实时性好、应用范围较宽的动态非线性校正方法，研制实时动态非线性校正 系统，实现传感器的智能化。在进行实验时，应要在时域和频域上多角度地研究的动 态非线性特征的研究，从而总结出较为普遍适用的方法和方案，进一步解决智能传感 器的动态非线性问题。 1 4 本论文研究的内容 通过以上的问题分析，并借鉴国内外学者已经取得的成果和经验，本论文将采 用h a m m e r s t e i i l 模型和w i e n e r 模型这两种特殊的模型结构来进行描述和分析智能传感 器动态非线性特征，结合这两个模型将通过完成以下工作来进行论文的研究： ( 1 ) 描述h a m m e r s t e i l l 和w i e n e r 模型这两个模型的特征，根据特殊的结构来完 全模拟智能传感器动态非线性系统，两个都是用来描述系统动态非线性的模型。在许 多化工的非线性程序中，常可以利用一个静态的非线性增益以及一个动态线性模块串 连来表示，再依据区域连接的先后次序，可将非线性程序的模式分为简单的 h a m m e r s t e i i l 模型和晰e n e r 模型。在h a 瑚m e r s t e i i l 模型中利用输入信号先求出在静态 非线性环节中响应，再经由线性动态结构改变响应的增益值而求得模块的输出结果。 而利用类似的辨识原理，在w i e n e r 模型中利用输入信号先求出在线性动态结构中的响 应，再经由静态非线性函数改变响应的增益值进而求得模块的输出结果。 6 河海大学硕士学位论文智能传感器动态非线性研究及其补偿 ( 2 ) 分别基于h a i i 皿e r ! 滟i n 和晰e n e r 模型对智能传感器的动态非线性的组合神 经网络辨识方法的研究。本文提出的辨识组合神经是由l 【) n 线性神经网络和p d 非 线性网络组合而成。l d n 线性神经网络正好对应了h a m m e r s t e i i i 模型和w i e n e r 模型 中的动态线性结构模块，而p i d 非线性网络则正好对应它们的静态非线性结构。两个 神经网络的先后顺序的不同组合则完全模拟了h 嬲1 i i l e r s t e i i l 和晰e n e r 模型，从而非常 方便地利用m a t l a b 神经网络工具来辨识两种组合神经网络模型。辨识后的参数分离为 两部分，一部分是静态非线性环节的系数，另一部分是动态线性环节的系数。 ( 3 ) 利用遗传算法改进函数链神经网络的智能传感器非线性补偿研究。改进的函 数链神经网络具有很强的非线性映射能力和柔性网络结构，而且克服了传统网络局部 寻优和收敛速度慢的缺点，针对智能传感器动态非线性的问题，构造拟合函数发生器 来对非线性函数的任意精度进行逼近。 ( 4 ) 对于补偿后出现的局部收敛不佳的结果，采用p i d 控制器对信号进行追踪， 并进行实时动态校正，得到较好的补偿响应结果，很好地实现了智能传感器的智能控 制。 7 河海大学硕士学位论文智能传感器动态非线性研究及其补偿 第二章智能传感器系统动态非线性建模 2 1 智能传感器动态非线性建模的意义 人们对智能传感器的认识随着科学技术的不断发展而逐步深化。通常认为带有微 处理器兼有检测信息和信息处理功能的传感器就是智能传感器。随着人工智能技术的 发展，人们更加注重其智能化功能，认为“一个真正意义上的智能传感器必须具备学 习、推理、感知、通信以及管理等功能 。 智能传感器硬件系统可用于对传感器输出的微弱信号进行放大、处理、存储和计 算机通信，系统构成情况由其应具备的功能而定。 由于智能传感器本身的误差、预处理电路中引入的误差、a d 转换器的固有误差 及智能传感器系统中的随机误差都使得智能传感器系统的输入输出特性为非线性。 而针对系统的非线性，智能传感器动态非线性特性研究和一般传感器动态非线性研究 的原理是一样的，主要内容是对传感器进行建模，建立其动态数学模型，描述传感器 测量突变信号特性。利用模型，采用数字处理方法，确定传感器的各项性能指标。传 感器动态建模方法有两种：机理分析建模法和实验建模法。 机理分析建模法是根据传感器工作原理，结合力学、电磁学、热力学等基本理论 知识，经过分析和抽象，建立传感器的数学模型该方法推导过程消晰，数学模型能够 清楚地反映传感器输入、输出和各参数之间关系。但是，由于在建模过程中常常对一 些条件做假设和简化，导致建模结果与实测结果相差很大。所以，这种方法实用性较 差，仅仅适用于结构和原理简单的传感器。 实验建模法的基本原理是将传感器当成一个“黑箱 。首先对传感器进行动态标 定实验，根据实验记录的传感器输入、输出数据，采用系统辨识等方法，建立传感器 的动态数学模型。因为动态标定实验对传感器实际使用情况进行了真实模拟，所以建 立的动态模型，能真实反映传感器的动态性能。该建模方法实用价值较高。 8 河海大学硕士学位论文智能传感器动态非线性研究及其补偿 2 2 系统动态非线性建挨模型 能够描述传感器动态非线性特性的模型，按照结构的不同，分为四种： n a r m a x 模型、神经网络模型、核函数模型和块联模型【1 9 1 。 2 2 1n a r m a x 模型 一般非线性系统可由一个连续非线性泛函来表征，n a r m a x ( n o i l l i n e a ra u t 0 r e g r e s s i v em o 咖ga v e m j 萨谢me x o g e n o u si n p u t s ) 模型就是采用非线性函数来描述离 散非线性系统，其数学表达式为： y ( 七) = 0 ( 七) g + p ( 后) ( 2 1 ) 其中只( 后) = 只( y ( 七一1 ) ，y ( 七一刀，) ，甜( 七一1 ) ，“( 七一疗。) ，p ( 七一1 ) ，p ( 尼一，z 。) ) 为 回归项，是一些事件延迟的输入、输出和噪声的乘积，最大的乘积数即为模型的度，q ， 为被估计的参数。 n a r m a x 模型提供了一个统一的动态非线性系统表达式，它的逼近精度高、收效 速度快，但是，模型的度和乘积组合方式很难确定。目前对线性参数模型可采用最小 二乘方法实现模型结构和参数的辨识，但是，对于非线性参数模型，仍没有方法实现 结构和参数辨识，有待进一步研究和突破。 2 2 2 神经网络模型 当前广泛使用的神经网络模型有两种，一为多层神经网络，另一种为循环神经网 络。多层神经网络用于描述静态非线性，循环神经网络用于描述动态非线性。从结构 上来看，神经网络模型具有天然的非线性，描述非线性系统的能力非常强，但其参数 辨识方法复杂耗时，计算量大，难以收敛。所以，采用神经网络模型进行建模，均离 不开计算机的辅助。 2 2 3 核函数模型 根据扩展、e i e r s t r 嬲s 函数通近定理，由连续泛函表征的动态非线性系统，可由一 9 河海大学硕士学位论文智能传感器动态非线性研究及其补偿 函数序列来无限逼近。这种由函数级数通近的动态非线性模型即为核函数模型，用来 逼近非线性系统的函数级数为模型的核函数。 目前以v o l t e n a 级数模型为主要代表，v o l t e m 函数级数模型给动态非线性系统提 供了一个整体式的描述方案，一般的动态非线性系统均可通过函数级数模型来表达。 从结构角度来说，采用v o l t e n a 函数级数描述动态非线性系统，具有两个独特的优势： 首先v o h e r r a 模型与幕级数有着天然的联系，易为工程技术和科研人员接受。其次 v o h e m 核具有鲜明的物理意义通过多维傅立叶变换，v o l t e r r a 核具有自己的频域表达 式。如同采用一维傅立叶变换和线性传递函数分析处理线性系统，可采用多维傅立叶 变换和类似的非线性传递函数，对v o l t 解a 级数模型描述的非线性动态系统进行分析处 理。但是，从辨识应用角度来说，由于模型中需要辨识的v o l t e 吼核被包含于积分之中， v o h e r r a 模型极难辨识，尤其是高阶、v o l t e 彻级数模型。总之，v o l t e 玎a 级数模型对非 线性系统理论、通近理论和辨识方法等的发展有着重要的推动作用，但是，它很难应 用于工业过程建模。 2 2 4 块联模型 根据非线性动态系统分解定理，连续泛函所表征的非线性动态系统，当输入信号 为有限能量时，总可以分解为一个线性动态系统和一个非线性静态系统。这样一般的 非线性系统可用线性动态系统和非线性系统的块联模型来表征。 块联模型的模型结构非常简单，易于被研究人员所接受，并且有很多辨识方法都 可以对块联模型进行系数辨识。模型的应用性非常广泛，能够很好地模拟传感器的动 态非线性性能。 2 3h a m m e r s t e i n 模型和w i e n e r 模型的介绍 h a i i 蚰e r 咖i 1 1 模型和w i e n e r 模型是最常用的两种块联模型【2 0 l ，可以描述非常广泛 的一类动态非线性，适合描述p h 值或具有幂函数、死区、开关等非线性特性的过程。 利用辨识结果获得的中间层输出，选择合适的性能指标，就可以把原非线性系统的控 制问题分解为线性模块的动态优化问题和非线性模块的静态求根问题，因此可以有 效结合线性模块预测控制的成熟理论解决这类非线性对象的控制问题，避免传统非传 l o 河海大学硕士学位论文智能传感器动态非线性研究及其补偿 统非线性控制方法计算量大，收敛性和闭环稳定性不能得到保证等诸多问题，这就是 基于h 粼r s t e i l l 模型和晰e n e r 模型进行建模的意义所在【2 ，本文因此利用这两个 块联模型来进行对智能传感器动态非线性的建模研究。 h 黝e 腓i i l 模型和w i e n e r 模型有着广泛的应用领域，不仅用于非线性系统的辨 识，也广泛应用于非线性系统的预测控制，在工业上，尤其在化工工业中，两类模型 被广泛地使用。 在许多化工的非线性程序中，常可以利用一个静态的非线性增益以及一个动态线 性模块串连来表示。再依据区域连接的先后次序可将非线性程序的模式简单的w i e n e r 和h a m m e r 咖i i l 模型。在晰e i 埘模型中利用输入信号先求出在线性动态结构中的响应， 再经由静态非线性函数改变响应的增益值进而求得模块的输出结果。例如，在p h 中 和程序中，p h 值的计算是通过线性的酸，碱液的混合，连同非线性的p h 滴定曲线来 求得的。而在h a m m e r s t e i n 模型中，输入信号先经由静态非线性模块，再透过线性动 态模块的响应得到输出信号。在化工工程中，蒸馏塔的模凝中包括非线性的气液平衡 以及线性的混合项所构成。虽然在真实的情况下，许多系统物理化学的特性无法有明 确的定义，但是混合或反应或相平衡的现象所存在，利用两个模型来进行系统的模式 识别，还是有效可行的。 h a i i l i i l e r s t e 证模型和w i e n e r 模型是描述动态非线性的常用工具，h 觚1 i i l e r s t e i i l 模 型是静态非线性环节后串接动态线性环节，而w i 朗e r 模型是动态线性环节后串接静 态非线性环节( 见图2 1 ，图2 2 ) ，这是这两个模型的结构本质的区别。 图中甜( 后) ，y ( 七) 和刀( 七) 分别是测试输入，系统输出和噪声。x ( 尼) 是中间 输入信号，在h a m m e r s t e i n 模型中既是线性动态的输入又是非线性部分的输出，在 w i e i 埘模型中x ( 后) 则是非线性部分的输入又是线性动态的输出，实际过程中是不 可测量的。 “( 后) a 】无记忆静态 石( 后)g 刮b ( g 。1 ) 非线性增益 么( g - 1 ) 动态线性子系 统 图2 1h 姗e r s t e i i l 模型 l l 河海大学硕士学位论文智能传感器动态非线性研究及其补偿 “( 七) g db ( g 一1 ) x ( 七) 4 ( g _ 1 ) 以 无记忆非线 性增益 动态线性子系统 图2 2w i e n e r 模型 其中：非线性增益环节使用p 阶升幂多项式来近似表示的， 即： 例如在h a i i l i i l e r s t e 证模型中： 厂【】= “( 后) + 吃“2 ( 后) + + 厶“，( d 线性动态环节的传递函数表达式为： 州，= 雩擎警 l + c l 口+ + 口。口“ 其中：m n ，d 为延迟因子。 2 4 小结 ( 2 2 ) ( 2 3 ) 本章主要介绍了h a m m e r s t e 访模型和w i e n e r 模型这两种建模模型结构，要找到一 个均能适用于这两个模型的有效、简单模型辨识算法是较为困难的，因而在研究学者 以前研究的基础上，根据两种模型相似的结构特征，在下一章中提出了基于组合神经 网络的智能传感器的模型辨识方法，并进行了详细的介绍说明。 1 2 河海大学硕士学位论文 智能传感器动态非线性研究及其补偿 第三章基于组合神经网络模型的智能传感器系统辨识 3 1 引言 基于h 黝e r s t e i i l 模型和晰锄e r 模型对系统动态非线性模型的辨识有多种方法， 有传统的二步法，以及最近几年来研究学者提出的一步法，神经网络方法等等。 对于h 锄e r s t e i n 模型二步法的模型辨识，首先需要根据静态标定数据，辨识块 联模型静态非线性参数：然后利用动态标定实验数据，结合已辨识的静态非线性环 节参数，辨识出动态线性环节模型。而对于w i e n e r 模型系统的辨识，采用二步法辨识 的原理和h 猢e r s t e i i l 模型的基本相同，不同指出在于中间变量的估计。因为w i e l l e r 模型中静态非线性环节在后面，所以，要利用动态阶跃响应和已辨识的静态特征，采 用方向插值的方法估计出中间变量，因此模型的二步辨识法的辨识精度比较低，实现 过程也较为复杂。 通过文【1 9 对热膜式m a f 传感器的h a m m e r s t e i n 模型和w i e n e r 模型的动态非线性 系统辨识仿真后，可以明显得出结论：在热膜式m a f 传感器动态非线性建模中，无论是 建模效果，还是模型的阶数，h 锄e r s t e i n 模型均优于w i e n e r 模型。正因为在w i e n e r 模型辨识过程中，所要求的中间变量值都是由前一步的辨识值来进一步辨识得到的， 这样累计了误差量，使得热膜式m a f 传感器的w i e n e r 模型二步法辨识有着较大的误 差，最终得不到很好的辨识效果。 不仅对热膜式m a f 传感器辨识来讲，对于其他传感器动态非线性的辨识，采用两 个模型进行建模时，在使用二步法辨识过程中，如果是涉及到中间变量时，h 锄e r s t e i n 模型的系统辨识一般都优于w i e n e r 模型，因此在使用h a m m e r s t e m 模型或w i e n e r 模型对 传感器动态非线性进行建模时，如果要想采用二步法来进行传感器动态非线性辨识的 时候，而应将h a m m e r s t e i n 模型考虑在首位。 在使用二步法时，h a m m e r s t e i i l 模型辨识过程是较为简单一些，而在文【2 6 】中贾林 提出的传感器动态非线性辨识的一步法只能适用于h 觚皿e r s t 咖模型，因为在一步法算 法中，中间变量完全由信号的输入和系统响应输出替代，因此就能对所需辨识的参数 1 3 河海大学硕士学位论文智能传感器动态非线性研究及其补偿 进行一次性辨识；而如果使用w i e n e r 模型进行辨识，由于非线性增益在线性环节的后 面，因此在辨识的过程中，不可能用输入和输出来完全替代中间变量，而中间变量在 实际过程中是不可测的，这样就不能应用文【2 6 】一步法来辨识w i e n e r 模型了。 对于文【2 6 中传感器动态非线性辨识的一步法只能适用于h a m m e r s t e i n 模型，因 为在一步法算法中，中间变量完全由信号的输入和系统响应输出替代，因此就能对所 需辨识的参数进行一次性辨识：而如果使用w i e n e r 模型进行辨识，由于非线性增益在 线性环节的后面，因此在辨识的过程中，不可能用输入和输出来完全替代中间变量， 而中间变量在实际过程中是不可测的，这样就不能应用贾林提出的一步法来辨识 w i e n e r 模型了，因此该方法就不具有一定的广泛性。 针对上述各种辨识方法的问题，本文提出了组合神经网络的辨识模型，该组合模 型结构有着结构简单，计算量小等优点，并且通过神经网络的训练，能一步实现模型 系数的辨识，该方法同时适用于h a m m e r s t e m 模型和w i e n e r 模型，有着较好的广泛性。 下文将主要介绍组合神经网络的辨识模型以及相关算法。 3 2 组合神经网络的辨识模型算法 本节主要介绍了可用于辨识智能传感器模型的人工神经网络技术，以及在神经网 络技术基础上所研究的组合神经网络的模型算法。 3 2 1 人工神经网络概述 神经网络是新技术领域中的一个时尚词汇。很多人听过这个词，但很少人真正明 白它是什么。“神经网络”这个词实际是来自于生物学，而现在所指的神经网络正确的 名称应该是“人工神经网络( m 、n s ) ”。神经网络是一门活跃的边缘性交叉学科。 随着科学技术的发展，在测控系统中，实现高性能、多功能的传感器是工业现场 提出的一个迫切要求，因此对传感器的准确度、稳定性、工作条件和环境的辨识就显 得越来越重要。一般地，实际传感器的输入输出特性大多为非线性。这种非线性主要 由传感器转换原理的非线性、非电量转换电路的非线性、使用条件特征的非线性。环 境和干扰因素包括温度影响的非线性综合确定的。目前，工业现场都采用一些硬件或 软件的方法来进行线性化或非线性补偿和修正的途径来处理传感器测量中的非线性问 1 4 河海大学硕士学位论文 智能传感器动态非线性研究及其补偿 题。 自从1 9 5 8 年，f ：r d s e n b l a t t 首次引进了模拟人脑感知和学习能力的感知器概念后， 逐步确立了从系统角度进行人工神经网络研究的基础。随着人工神经网络技术的发展， 神经网络的应用领域也越来越广泛，在人工智能、自动控制、计算机科学、信息处理、 机器人、模式识别等方面都有着重要的应用。 神经网络理论是巨量信息并行处理和大规模平行计算的基础，神经网络既是高度 非线性动力学系统，又是自适应组织系统，可用来描述认知、决策及控制的智能行为。 它的中心问题是智能的认知和模拟。从解剖学和生理学来看，人脑是一个复杂的并行 系统，它不同于传统的n e u l l i l 锄式计算机，更重要的是它具有“认知“意识”和“感情” 等高级脑功能。本文以人工方法摸拟这些功能，毫无疑问，有助于加深对思维及智能 的认识。 神经网络也许是计算机计算的将来，一个了解它的好方法是用一个它可以解决的 难题来说明。假设给出5 0 0 个字符的代码段，它们可能是c 、c + + 或者j a v a 。现在构造 一个程序，来识别编写这段代码的语言。一种解决方案是构造一个能够学习识别这些