基于函数型神经网络的机械参数软测量模型研究

　　1　引　　言

　　在大型机械设备中有许多表征设备工作性能的重要参数无法用传感器直接测量或测量十分困难,例如力矩、冲击力、压实力、轧制力等,而这些变量的实时检测对于生产过程的监测控制又十分重要。操作者希望能随时观察到这些参数的变化情况,以便根据工作状况和施工对象的变化及时调整这些参数,使机械设备始终在高效安全状态下运行。但实际中做不到,因为这些参数很难甚至无法在线测量。这时可用软测量技术来估计这些重要参数[1]。

　　两个具有因果关系的相关物理量在整个测量范围内的特性可用幂级数多项式描述[2]:

　　式中:x表示可直接测量的物理量值,y表示被间接测量的物理量值,b和wi(i=1,2,…)表示二个物理量之间的相关特性参数。

　　文中用函数型连接神经网络模拟幂级数多项式(1),通过神经网络学习,估计出b和wi,从而找到一种软测量的计算方法。

　　2　基于函数型连接神经网络的幂级数多项式估计模型

　　考虑两个相关物理量x和y,设容易测量的物理量x有I个标准测量模式{x(k)},与x相关的不易测量物理量y对应有I个待估计模式{y(k)},其中k=0,1,2,…,I-1。每个标准测量模式可扩展到N个分量{xi(k)},i=0,1,2,…,N-1,即可得到一个数据扩展集{1,x(k),x2(k),…,xN-1(k)}。将N个分量{xi(k)}作为神经网络的输入,待估计模式y(k)作为神经网络的期望输出,构成一个函数型连接神经网络,如图1所示。

　　在一个函数型连接神经网络中,函数型连接的作用是将输入模式的每个分量乘以整个模式向量,其结果是产生一个原始模式向量的张积,即外积。理论研究表明[2],在神经网络中引入“高阶”项,构成函数型神经网络,不仅可提高网络的学习速度,而且可简化网络的结构和学习规则。

　　图1所示函数型连接神经网络的学习算法可由下式表示:

　　3　模型估计算法研究

　　在工程测量中,根据问题的复杂程度不同(1)式中i的取值不同,相关特性参数b和wi也随着系统传递特性和干扰等条件变化。利用函数型连接神经网络模型估计算法的具体步骤如下[3]:

　　(1)对初始测量的数据对{x(k),y(k)}进行变换。以{1,x(k),x2(k),x3(k),…,xi-1(k)}为输入样本,y(k)为输出样本,建立一个有i个输入、1个输出的函数型神经网络。

　　(2)网络训练。按图1原理进行网络参数训练,在神经网络内部,由{1,x(k),x2(k),x3(k),…,xi-1(k)}构成的扩展输入集在训练过程中产生一个输出y⌒(k)真实值y(k)与估计值y⌒(k)的差ei用于参数的修正。将每个输入输出数据对顺序地加到神经网络,直至差值ei满足要求,则训练完成。此时wi和b确定下来作为物理量x、y之间的相关特性参数。