基于遺傳算法優(yōu)化最小二乘支持向量機的機械式溫度儀表誤差預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)計一種機械式溫度儀表誤差預(yù)測方法，尤其是一種基于遺傳算法優(yōu)化最 小二乘支持向量機的機械式溫度儀表誤差預(yù)測方法。
【背景技術(shù)】
[0002] 在自動化過程儀表領(lǐng)域內(nèi)，溫度作為最基本的檢測參數(shù)之一，在石油化工工業(yè)、安 全生產(chǎn)W及汽車工業(yè)等領(lǐng)域中得到廣泛應(yīng)用。隨著實際應(yīng)用的場合不斷增加，測量溫度的 環(huán)境愈加惡劣，使得具有穩(wěn)定性好、抗干擾能力強的機械式溫度儀表成為干擾信號較多場 合下的主要測溫儀器。在實際應(yīng)用中較為常見的便是壓力式溫度儀表，在其封閉系統(tǒng)內(nèi)充 灌了低沸點液體、飽和蒸汽或者其他介質(zhì)，受熱膨脹之后產(chǎn)生壓力變化，由此研發(fā)的液體壓 力式溫度儀表同樣具有使用簡便、讀數(shù)直觀W及測溫距離遠(yuǎn)等優(yōu)點，但是依然會受到環(huán)境 溫度的影響使儀表內(nèi)部結(jié)構(gòu)產(chǎn)生額外壓力導(dǎo)致測量誤差。因此，對于機械式溫度儀表誤差 的研究預(yù)測是實現(xiàn)惡劣環(huán)境下精確測溫的重要工作。
[0003]在機械式溫度儀表的誤差補償中，誤差線性分析W及誤差模型的研究是極為關(guān)鍵 的步驟?，F(xiàn)階段國內(nèi)外對此研究鮮有提及，目前對機械式溫度儀表誤差研究的方法包括PID 算法和最小二乘法。PID算法在給定模型下控制穩(wěn)態(tài)性能好，能夠消除靜差。但在溫度儀表 由于環(huán)境溫度、特征參數(shù)W及結(jié)構(gòu)改變等，在受控之前就必需根據(jù)不同的受控體和環(huán)境來 設(shè)置或調(diào)整P、I、D參數(shù)，很難應(yīng)用到實際測量中。應(yīng)用最小二乘法對溫度誤差進(jìn)行建模預(yù)測 時，液體壓力式溫度儀表中波登管、毛細(xì)管W及內(nèi)部交互機構(gòu)之間相互禪合，且極易受到外 部環(huán)境與制造誤差的影響，從統(tǒng)計角度看，溫度儀表誤差呈現(xiàn)出非線性的趨勢。因此利用傳 統(tǒng)PID算法和最小二乘法對溫度儀表的誤差建模預(yù)測存在相當(dāng)?shù)木窒扌浴?br>
【發(fā)明內(nèi)容】

[0004]為了克服已有機械式溫度儀表的誤差補償方式的精度較低、計算復(fù)雜、訓(xùn)練時間 長的不足，本發(fā)明提供一種精度較低、簡化計算、縮短訓(xùn)練時間的基于遺傳算法優(yōu)化最小二 乘支持向量機的機械式溫度儀表誤差預(yù)測方法。
[000引本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：
[0006] -種基于遺傳算法優(yōu)化最小二乘支持向量機的機械式溫度儀表誤差預(yù)測方法，所 述預(yù)測方法包括W下步驟：
[0007] (1)獲得模型輸入和輸出，將測定機械式溫度儀表的特征參數(shù)作為模型輸入，采樣 獲得儀表的誤差值和誤差變化率作為模型輸出；
[0008] (2)對原始溫度誤差數(shù)據(jù)進(jìn)行預(yù)處理，將數(shù)據(jù)歸一化到[-1，1 ]區(qū)間內(nèi)，生成數(shù)據(jù)集 進(jìn)行分組獲得訓(xùn)練集和測試集；
[0009] (3)選取高斯徑向基核函數(shù)作為最小二乘支持向量機模型的核函數(shù)，確定模型的 參數(shù)組合(σ2, 丫），其中丫為核參數(shù)，σ2為懲罰參數(shù)；
[0010] (4)采用遺傳算法對最小二乘支持向量機的參數(shù)組合(O2, 丫）進(jìn)行尋優(yōu)，在全局范 圍內(nèi)得到最優(yōu)參數(shù)組合；
[0011] (5)利用尋優(yōu)之后的最佳參數(shù)組合，結(jié)合訓(xùn)練樣本集構(gòu)建基于遺傳算法優(yōu)化最小 二乘支持向量機的機械式溫度儀表誤差預(yù)測模型；
[0012] (6)輸入數(shù)據(jù)集利用訓(xùn)練得到的最小二乘支持向量機模型對液體壓力式溫度儀表 誤差進(jìn)行預(yù)測；
[0013] (7)將溫度儀表誤差預(yù)測結(jié)果和實際溫度誤差進(jìn)行對比，分析溫度誤差值W及溫 度誤差變化率的變化趨勢。
[0014]進(jìn)一步，所述步驟(4)采用遺傳算法對最小二乘支持向量機的參數(shù)組合(σ2,丫）進(jìn) 行尋優(yōu)，過程如下：（4.1)讀入溫度誤差數(shù)據(jù)訓(xùn)練樣本集；
[0015] (4.2)對最小二乘支持向量機參數(shù)進(jìn)行編碼，隨機產(chǎn)生初始種群；（4.3)確定種群 規(guī)模，終止進(jìn)化次數(shù)，交叉概率，變異概率，參數(shù)σ2和丫的初始取值范圍；
[0016] (4.4)使用參數(shù)組合(〇2,Υ)建立最小二乘支持向量機預(yù)測模型結(jié)合訓(xùn)練樣本集 進(jìn)行模型訓(xùn)練，W均方根(MSE)作為種群各個個體的適應(yīng)度函數(shù)衡量最小二乘支持向量機 模型的準(zhǔn)確性的判定函數(shù)；
[0017] (4.5)根據(jù)個體適應(yīng)度，按照輪盤賭法規(guī)則從當(dāng)前種群選出個體進(jìn)入下一代進(jìn)行 交叉操作，產(chǎn)生兩個新個體；
[0018] (4.6)隨機選取種群中的個體W-定的變異概率進(jìn)行變異操作，通過隨機改變個 體中的某些基因而產(chǎn)生新個體，并利用新個體建立模型計算適應(yīng)度；
[0019] (4.7)判斷適應(yīng)度，若平均適應(yīng)度值變化持續(xù)小于某一常數(shù)，則所得到的具有最大 適應(yīng)的個體作為最優(yōu)解輸出，算法終止;若平均適應(yīng)度值沒有達(dá)到要求，則重復(fù)執(zhí)行W上步 驟(4.4)至步驟(4.6)直至達(dá)到最大迭代次數(shù)；
[0020] (4.8)對得到的最優(yōu)參數(shù)組合解譯，得到最優(yōu)參數(shù)組合。
[0021 ]再進(jìn)一步，所述步驟（1)中，W液體壓力式溫度儀表為研究對象，其特征參數(shù)是通 過分析液體壓力式溫度儀表的測溫結(jié)構(gòu)和誤差特點得出，其中包括環(huán)境溫度、恒溫槽溫度、 毛細(xì)管長度、毛細(xì)管內(nèi)徑、波登管寬度、波登管厚度、波登管角度共屯個參數(shù);模型輸出包括 因環(huán)境溫度引起的探頭溫度與實測溫度的差值W及該誤差值對于毛細(xì)管長度的變化率。
[0022] 更進(jìn)一步，所述步驟(2)中，對原始溫度誤差數(shù)據(jù)進(jìn)行預(yù)處理，過程如下：（2.1)設(shè) 置0°C、5°C、25°C、35°C、45°C、50°C、55°C作為實驗數(shù)據(jù)的樣本采集點，在0°C和50°C恒溫槽 下進(jìn)行實驗的溫度儀表，而在5°0、25°0、35°0、45°0和55°0直溫槽下進(jìn)行實驗的溫度儀表， 由于存在20米毛細(xì)管，采集的實驗數(shù)據(jù)作為誤差值W及誤差變化率的分析數(shù)據(jù)；
[0023] (2.2)由于數(shù)據(jù)樣本中的7個輸入和2個輸出的差別較大且量綱不同，在建模之前 對樣本進(jìn)行歸一化處理，將各個輸入和輸出的值在-1到1之間：
式中，為t 溫度相對應(yīng)的歸一化處理后的溫度數(shù)據(jù)，Xt為t溫度下原始溫度數(shù)據(jù)，Xmax為原始溫度數(shù)據(jù) 的最大值，Xmin為原始溫度數(shù)據(jù)的最小值。
[0024]所述步驟(5)中，構(gòu)建基于遺傳算法優(yōu)化最小二乘支持向量機的機械式溫度儀表 誤差預(yù)測模型的過程如下：
[0025] (5.1)將液體壓力式溫度儀表誤差模型轉(zhuǎn)化為輸入樣本X為7維向量，N個樣本及其 輸出值為(X1，X)，…，（xn，X)ErXR，利用最小二乘支持向量機中函數(shù)估計問題中的非線性 映射函數(shù)φ( ·)將輸入樣本映射到高維特征空間；
[0026] (5.2)綜合考慮VC維最小和經(jīng)驗風(fēng)險最小的原則，該問題表示成為一個等式約束 的優(yōu)化問題，則函數(shù)回歸問題描述為求解如下最優(yōu)化問題的目標(biāo)函數(shù)：
式中目標(biāo)函數(shù)的第一項對應(yīng)著模型的泛化能力， 而第二項對應(yīng)著模型的精確性，xi為輸入樣本，yi為目標(biāo)值，EiER為誤差變量，Φ(Xi) :r一RDh為核空間映射函數(shù)，ωERnh為權(quán)向量，丫為模型泛化能力與精度之間可調(diào)參數(shù)，b為偏參 量;從而構(gòu)建拉格朗日函數(shù)：
式 中ai(i=l，. . .1