基于模糊神经网络的软测量结果评价方法

人工智能技术应用　基于模糊神经网络的软测量结果评价方法　程留恩　，常玉清　，蔺田　，王福利　（１．冶金自动化研究设计院，北京１００４）７１；２东北大学１　【摘要】在许多工业过程中，软测量技术在一些较难测量的变量估计中有着很重要的应用，但到目前为止．对于　软测量技术的研究主要集中在建模方法、模型校正等同题上。本文提出了一种基于模糊神经网络的软测量结果　评价方法，通过明了该方法的有效性。　【关键词】模糊神经网络；软测量；评价；ＣＳＴＲ　［中圈分类号】ＴＰ１８３　【文献标识码】Ａ　【文章编号】１０００—７０５９（２００２｝０￣００１５—０２　ＦＮＮ－ｂａｓｅｄ　ａｓｓｅｓｓｍｅｎｔ　ｍｏｄｅｌ　ｆｏｒ　ｓｏｆｔ　ｓｅｎｓｉｎｇ　ｏｕｔｐｕｔｓ　ＣＨＥＮＧ　Ｌｉｕ—ｅ　ｎｊ．ＣＲ￣ＮＧ　Ｙｕ　ｑｉｎｇ￣ＬＩＮ　Ｔｌａｎ２，ＷＡＮＧ　Ｆｕｄｉ２　．（１＿Ａｕｔｏｍａｔｉｏｎ　Ｒｅｓｅａｒｃｈ　ａｎｄ　Ｄｅｓｉｇｎ］ｎｓｔｉｔｕｔｅ　ｏ　Ｍｅｔａｌｌｕｒｇｉｃａｌ　Ｉｎｄｕｓｔｒｙ．Ｂｅｌｊｉｎｇ　ＩＯ００７ｔ，Ｃｈｉｎａ；２　Ｎｏｒｔｈｅａｓｔｅｒｎ　Ｕｎｉｖｅｒｓｉｔｙ）　Ａｂｓｔｒａｃｔ：Ｉｎ　ｍｏｓｔ　ｏｆ　ｔｈｅ　ｐｒｏｃｅｓｓｅｓ　ｓｏｆｔ　Ｓｅｎｓｏｒｓ　ｏｆｔｅｎ　ｗｏｒｋ　ｅｆｆｅｃｔｉｖｅｌｙ　ｔｏ　ｍｅａｓｕｒｅ　ｖａｒｉａｂｌｅｓ　ｔｈａｔ　ａｒｅ　ｈａｒｄ　ｔｏ　ｍｅａｓｕｒｅ　ｂｙ　ｉｎｓｔｒｕｍｅｎｔｓ　Ｓｏ　ｆａｒ，ｔｈｅ　ｒｅｓｅａｒｃｈ　ｏｆ　ｓｏｆｔ　ｓｅｎｓｉｎｇ　ｉｓ　ｃｏｎｃｅｎｔｒａｔｅｄ　ｏｎ　ｔｈｅ　ｍｏｄｅｌ—ｂｕｉｌｄｉｎｇ　ｍｅｔｈｏｄｓ　ｍｏｄｅｌ　ｍｏｄｉｉｃａｔｉｆｏｎ　ａｎｄ　ｓ。ｏｎ　Ｉｎ　ｔｈｉｓ　ｐａｐｅｒ，ａ　ｆｕｚｚｙ　ｎｅｕｒａｌ—ｎｅｔｗｏｒｋ—ｂａｒｄ　ｍｏｄｅ【ｆｏｒ　ａｓｓｅｓｓｎｌｅｎｔ　ｔｏ　ｓｏｆｔ　ｉｎｇ　ｏｕｔｐｕｔｓ　ｉｓ　ｐｒｏｐｏｓｅｄ　Ｓｉｍｕｌａｔｉｏｎ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｐｒｏｐｏｓｅｄ　ｍｏｄｅｌ　ｉｓ　ｖａｌｉｄ　Ｋｅｙ　ｗｏｒｄｓ：ｆｕｚｚｙ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ；ｓｏｆｔ　ｓｅｎｓｉ“ｇ；ａ￣ｅｓｓｍｅｎｔ；ＣＳＴＲ　Ｏ　引言　在许多工业过程中，一些需要加以严格控制　考价值。作者从这个目的出发，提出了一种基于　模糊神经网络的软测量结果评价方法　该方法的　主要思想是利用专家经验，根据过程的输入数据　和估计输出来确定软测量结果的可信度。　的、与产品质量密切相关的重要过程参数由于技　术或经济的原因，难以或无法通过传感器进行检　测，因此产生了软测量技术。目前，软测量技术的　研究主要集中在输入输出数据的处理、建立软测　１　基于模糊神经网络的软测量结果评价　方法　评价软测量结果的目的．就是对软测量模型　的每个输出确定其可信任程度，即确定估计结果　的可信度，它是通过赋予估计结果一个在０和１　之间的系数的方法来表示的　某个估计结果的可　量模型的方法、模型的在线校正等问题上．却几乎　没有一篇文献讨论软测量结果的评价问题。　任何信息都有一个让我们可以信任的程度　（可信度）。假如用［０，１】之间的数来描述一条信　息的可信度，那么完全可信信息的可信度就为１，　而完全不可信信息的可信度为０。对于用软测量　信度值越大，它的可信任程度就越高。　１．１　模糊神经网络结构　本文采用的模糊神经网络结构。。　如图１所　示。该评价模型的输入定义为Ｘ　＝［ｘ．０］．其中　ｘ：ｆ　．　ｚ．…，　】为经过归一化处理的二次变　方法获得的主变量值这个信息，更应该有它的可　信度。　对软测量结果进行评价的过程，就是确定软　测量模型估计输出主变量值可信任程度的过程。　软测量结果可信度的给出，对判定主变量的估计　值是否能够用于推断控制等应用有着很重要的参　量，　为软测量模型的估计输出　该评价模型的输　出为估计值　的可信度　。　第ｌ层：输入层，该层神经元直接将输入变　【收稿日期】２００１一ｌ１４１９　【修改稿收到日期】２００２—０３－１２　【作者简开】程留恩（１９５８一），男．山东郓城人、高级工程师　硕士，主要从事工业自动化仪表的应用与研究。　冶金自动化　２００２年第３期　。　躺墨．．　维普资讯 http://www.cqvip.com

基于模糊神经翻络的较潮量结果评价方法　量通过激活函数传递给下一层的神经元。　第４层　输出为产品Ｂ。经过分析，我们把影响产品浓度的　输入原料温度　、反应釜温度＿，０选为二次变量　（模型输入），来估计此刻产品Ｂ的浓度（模型输　出，即软测量结果）。然后利用上面介绍的软测量　第３层　结果评价方法对此模型输出的估计值进行评价，　即对产品Ｂ的浓度的估计值进行评价　利用上述ＣＳＴＲ模型，使　在稳态工作点　±１２．５％的范围内随机变化，以３０　Ｓ为采样周　期，采集５５个样本数据。为了避免数据单位对估　计结果的影响，作者对采集的数据进行了归一化　处理。为了更清晰地说明问题，作者利用前５个采　样数据建立软测量模型１（Ｍ１），再用前５０个数　据建立软测量模型２（Ｍ２），其余的５个数据作为　测试数据。　设二次变量　、＿厂ｏ，产品Ｒ的模糊语言变量　第２层　第１层　模糊神经网络结构　第２层：隶属函数层。该层神经元的激活函数　为确定输入变量属于相应模糊集合的隶属函数，　本文采用梯形隶属函数。　第３层：规则层。神经元个数等于规则数。第　Ｊ个神经元所对应的规则形式如（１）式所示，设此　分别为温度高Ｈ、温度中Ｍ、温度低Ｌ，浓度高ｈ、浓　度中ｍ、浓度低ｌ。　根据模型特点总结出９条可信推理规则，如　规则的可信度为ｙ　，该神经元的输出￡如（２）　式。　Ｒ　Ｊ：ｉｆ（ｚ１　ｉｓＡ　）ａｎｄ（ｚ２　ｉｓＡ　）ａｎｄ…ａｎｄ（ｊ　ｉｓ　表１所示。假设二次变量测量值及每条规则的可　信度均为１。　表１推理规则表　Ａ　）ａｎｄ　ｉｓＡｊ）ｔｈｅｎ　ｉｓ　ｃｒｅｄｉｂｌｅ　（１）　￡＝（（　＾Ａ　）Ａ…＾（　ＡＡＬ）＾Ａ：）×　（２）　其中　为二次变量ｚ．测量值的可信度；　为　第２层神经元的输出。　第４层：输出层。该层只有一个神经元，其输　出为　＝ｎｕｘ（￡，Ｊ＝１，２，…，　）　其中　ｅ为第３层第ｊ个神经元的输出。　１．２　神经网络的建立与学习　（３）　２．２仿真结果　将５个测试数据分别输入到模型１（Ｍ１）及　根据熟练操作人员及专家经验总结出模糊规　则。将模糊规则及初始隶属函数导入如图１所示　的神经网络后，通过学习不断修改梯形隶属函数　的边界值，使模糊规则更加完善。本文采用ＢＰ法　对网络进行学习。学习的目标是使误差函数　Ｅ＝（　一面）　／２　（４）　模型２（Ｍ２）中得出的估计误差绝对值，及采用本　文提出的评价方法得出每个软测量结果的可信度　如表２所示。　表２仿真结果　项目　测试数１测试数２测试数３测试数４测试数５　丽虱　——　丁　■　Ｉ＿　ｉ　Ｍ１估计误差０．１７２　４　０．２６４　５　０　２９８　５　０．００１　４　０．１２５１　Ｍ２估计误差０．００４１　０．００３　０　０　００３　Ｏ　０．００１　２　Ｏ．０００　６　Ｍ１日信度　０　３４　０．２６　０．１７　１　０．４６　Ｍ２日信度　１　１　１　１　１　最小，其中　网络输出。　分别代表估计值的实际可信度及　２仿真　２．１　模型建立及结果评价　从上述仿真结果可以看出，本文采用的软测　量结果评价方法是有效的。　作者采用分布式ＲＢＦ网络　０建立连续搅拌　反应釜（ＣＳＴＲ）中进行的理想绝热一阶放热反应　…过程的软测量模型。此过程的输入为纯净物Ａ，　３　结论　本文提出了一种基于模糊神经网络的软测量　结果评价方法。该方法适用范围广泛，由于模糊　规则中融入了大量的专家经验，所以基于模糊网　（下转第３０页）　Ｍｅｔａｌｌｕｒｇｉｃａｌ　Ｉｎｄｕｓｔｒｙ　Ａｕｔｏｍａｔｉｏｎ　２００２　Ｎｏ　３　・１６・　维普资讯 http://www.cqvip.com

中小型材剪切长度优化算法设计爰分析　志，可对尾部进行灵活处理，尾部锁定．意味着保　（４）计算剩余剪切次数，并最终确定末段倍尺　留剩余尾部而不再进行剪切　尾部锁定策略如判　长度　定表２所示。　为正确使用上述各设定长度值．必须正确计　算剩余剪切次数，并跟踪剪子的动作次数。可以　表２尾部锁定策略　设置一计数器．每剪切一次，计数器减一。所以问　题的关键是正确设定递减计数器的初始值ｃ．其　Ｌ　计算方法如图２流程图所示。根据尾部锁定策略　和剩余次数确定末段倍尺长度Ｌ～，其计算公式　一　，●●、，　如下：　Ｌ　Ｌ　Ｌ　单　当Ｃ＝Ｃ２　并且Ｌｌ　＞ＬＭ１、④时　＋　Ｌ　当Ｃ＝Ｃ２　并且Ｌｌ　＜ＬＭｍ时　当Ｃ＝Ｃｌ　并且Ｌ　＞ＬⅦＮ∞时　叵亘圜　意选用，可以满足不同用户的需求。可以看出，在　两套方案中，实际上都进行了两次优化，第１次是　基于计算出的钢材总长度进行优化。如果该长度　与实际的钢材长度偏差过大，比如受粗轧机后的　尚　飞剪切头及切尾的精度的影响，优化后的尾　度可能与实际长度差别较大，因此钢材尾部到达　ＢＬ后再次对尾部进行长度计算，此时已没有该　影响因素，精度大大提高。实践证明．两种优化方　案一直能够满足生产要求，轧机的生产效率有了　Ｎ　很大提高，特别是轻型材优化算法中最小末段长　度取决于用户参数，最大限度地提高了成材率．取　＜奎　ｌ　得了很好的应用效果　常见的故障及原因有：　（１）第１段不剪切，导致冷床堆钢。检查ＣＢ　≤　ｌｉ＿一　ｌ　　及其电气连接，该ＨＭＤ检测钢材头部信号进行　第１段的长度计算　（２）短尺上冷床。检查程序中ＦＨ的值是否正　确。　图２　剪切次数初始值的确定　（３）不进行优化。检查ＯＰ＿ｒＨ（或ｏ　）及其　电气连接。如果该ＨＭＤ不能正常工作，就不能进　５　应用实践　行优化总长度的计算，从而不能执行优化算法。　由于设计了两套优化方案，并且可由用户任　［编辑：魏衡江】　—　—　．　—　．　．　－‘＾　（上接第１６页）　２】李土勇　模糊控制・神经网络和智能控制理论［Ｍ　ｌ　哈尔　络的评价就是基于专家经验的评价。通过　滨哈尔滨工业大学出檀社　１９９６　明了该评价方法的有效性。　３ｌ王旭东　邵惠鹤．罗荣富．分布式ＲＢＦ神经阿络及其在软测　量方面的应用【Ｊ】控制理论与应用　１９９８　１５（４）５５８—５６３　参考文献　４】Ｄａｓａｒｅ，ｔｈａ　Ｖ　Ｓｒｌｄｈａｒ．ＲＩｃｈａｒｄ　Ｃ　Ｓｅａｇｒａｖｅ　Ｐｒｏｃｅｓｓ　ｍｏｄｅｌｉｎｇ　ｕｓｉｎｇ　ｓｔａｃｋｅｄ　ｎｅｕｒａｌ　ｔｌｅｔｗｏｒｋｓ【Ｊｌ　ＡＩＣｈＥ　Ｊｏｕｒｎａ『，１９９６　４２　１】贺仲雄模糊数学及其应用【Ｍｊ天律：天津科学技术出版　（９）２　５２９—２　５３９　社．１９８３　［编辑：沈蔡额】　Ｍｅｔａｌｌｕｒｇｉｃａｌ　Ｉｎｄｕｓｔｒｙ　Ａｕｔｏｍａｔｉｏｎ　２００２　Ｎｏ　３　戡谨．