RBF-PSO在N型热电偶非线性校正中的应用

　　热电偶是温度测量的主要传感器, N 型热电偶自70 年代由澳大利亚首次研制成功以来, 由于其优越的性能, 已逐渐成为可以替代K、E、J、T 等贱金属热电偶和部分S 型贵金属热电偶的一种主要的温度传感器. 由于热电偶的输出信号与被测温度之间的关系是非线性的, 所以在实际应用中, 需要对其进行非线性校正, 通常比较费时.

　　目前, 常用的非线性校正方法有[ 1] : 分段线性化的模拟电路校正法, 微处理器( 或单片机) 查表的冷端补偿和校正法, 以及增大间隔度数法等; 但由于这些方法在传感器受到外部环境及自身特性影响而发生变化时, 其非线性校正功能将被破坏, 使得在高精度温度自动校正和高精确温度测量与控制系统中使用时, 无法满足要求. 近年来, 随着智能技术的发展,BP 网络对热电偶等传感器的非线性校正, 已取得了一定的效果[ 2-3] , 但由于BP 网络本身是基于经验风险最小化原则的, 所以在历史样本数据有限的情况下, 容易出现过学习问题, 并且存在局部极小点、结构和类型的选择过分依赖经验等缺陷; 同时, 基于RBF 网络的校正方法也取得了一定的成果[ 4] , 但是其常用的网络权值调整算法, 如最小二乘法、局部学习法和梯度下降法, 在网络训练的过程中, 网络权值的求解存在病态问题, 而且这三种方法对初始条件都具有一定的依赖性, 中心和宽度参数的初值对网络的性能具有一定的影响, 所以网络的初始参数如果选择不好就会影响校正的效果; 上世纪90 年代中期提出的支持向量机理论成为解决问题的一种方案, 但由于其是专门针对小样本的理论方法, 因此,需要一种针对大样本问题的拟合和优化方法, 以解决大样本数据时N 型热电偶的非线性校正方法.

　　本文针对这些问题, 提出一种在可以获得较详细测量数据( 大样本) 条件下的RBF-PSO 温度测量和优化校正方法, 通过采用粒子群优化算法( PSO) ,克服RBF 网络训练中原有训练方法存在的问题, 从而解决了N 型热电偶在温度实际测量中的非线性校正问题.

　　经过仿真实验和在阳极焙烧系统燃烧室温度测量中的应用说明, 这种方法适合于所有温度测量系统. 并且与已有的BP 网络和RBF 网络以及ANFIS 网络方法进行了比较, 表明这一方法的校正精度都高于它们.

　　1 问题的描述

　　热电偶具有性能稳定、准确度高、经变送器信号能远传等特点, 是目前工业生产中最常用的测温传感器, 一般热电偶的测温模型可以表示为:

　　如果对于任意输出E, 都可以找到输入输出特性曲线上对应的输入T , 使补偿后的输出具有理想特性, 则p = T. 显然g (E) 也是非线性的, 而且实际过程中非常复杂, 很难用解析式表达, 为此, 我们用RBF- PSO 方法对其进行学习, 然后取代g(E) .