自动检测的共性技术及新发展课件.pptVIP

第十三讲 自动检测的共性技术及新发展 9.1 误差修正技术 9.2 MEMS技术与微型传感器√ 9.3 虚拟仪器√ 9.4 无线传感器网络√ 9.5 多传感器数据融合 9.6 软测量技术 传感器网络是以数据为中心的网络 把传感器视为感知数据流或感知数据源 把传感器网络视为感知数据空间或数据库 把数据管理和处理作为网络的应用目标 1．误差处理 从现场采集的测量数据，由于受仪表精度和测量环境的影响，一般都不可避免地带有误差，有时甚至有严重的过失误差。如果将这些现场测量数据直接用于软测量，会导致软测量的精度降低，甚至完全失败。因此，测量数据必须经过误差处理。 测量数据的误差：随机误差、系统误差和过失误差。 随机误差的处理 符合统计规律，工程上多采用数字滤波算法。 如：中位值滤波、算术平均滤波和一阶惯性滤波等。 随着计算机优化控制系统的使用，复杂的数值计算方法对数据的精确度提出了更高的要求，于是出现了数据一致性处理技术。 基本思想： 根据物料或能量平衡等建立精确的数学模型，以估计值与测量值的方差最小为优化目标，构造一个估计模型，为测量数据提供一个最优估计。 过失误差处理 含有过失误差的数据出现的机率较小，但是，一旦出现则可能严重破坏数据的统计特性，导致软测量的失败。 提高测量数据质量的关键：及时侦测、剔除和校正含有过失误差的数据。 侦测过失误差的方法： (i)对各种可能导致过失误差的因素进行理论分析； (ii)借助于多种测量手段对同一变量进行测量，然后进行比较； (iii)根据测量数据的统计特性进行检验等。 2．数据的变换 对数据的变换包括标度、转换和权函数三方面。 工业过程中的测量数据有着不同的工程单位，直接使用这些数据进行计算，不能得到准确结果，甚至结果分散。利用合适的因子对数据进行标度，能够改善算法的精度和稳定性。 转换包含对数据的直接转换以及寻找新的变量替换原变量两个含义。通过对数据的转换，可以有效地降低非线性特性。 权函数则可实现对变量动态特性的补偿。合理使用权函数使我们有可能用稳态模型实现对过程的动态估计。 软测量技术 9.6.1 辅助变量的选取 9.6.2 测量数据的处理 9.6.3 软测量模型的建立 9.6.4 软仪表的在线校正 9.6.5 软测量的工业应用 9. 6. 3 软测量模型的建立 1．软仪表的描述 2. 建模方法 1．软仪表的描述 软仪表的目的：利用所有可获得的信息，求取主导变量的“最佳”估计值 ，即构造从可测信息集 到 的映射。 主导变量 辅助变量 干扰 控制变量 软仪表 性能依赖于过程的描述、噪声和扰动的特性、辅助变量的选取以及“最佳”的含义，即给定的某种准则。 建立软仪表的过程就是构造一个数学模型。 在许多建立软仪表的方法中，要以一般意义下的数学模型为基础。 软仪表与一般意义下的数学模型区别： 数学模型主要反映与或之间动态(或稳态)关系， 软仪表是通过求的估计值。 2. 建模方法 过程建模方法主要有两大类： 机理建模方法 实验建模方法。 构造软仪表的方法也可分为两大类。 机理分析方法 建立在对过程工艺机理的深刻认识的基础上，运用物料平衡、热量平衡和化学反应动力学等原理，找出不可测主导变量与可测辅助变量之间的关系。 对于过程机理较为清楚的工业过程，基于机理模型可以构造良好的软仪表。 对复杂工业过程，其内在机理往往不十分清楚，完全依赖机理分析建模比较困难，通常要选用其它方法，结合机理知识构造软仪表。 系统辨识方法 辨识方法是将辅助变量和主导变量组成的系统看成“黑箱”，以辅助变量为输入，主导变量为输出，通过现场采集、流程模拟或实验测试，获得过程输入、输出数据，以此为依据建立软仪表模型。 状态估计方法 如果已知系统的状态空间模型，而主导变量作为系统状态变量时辅助变量是可观测的，那么构造软仪表的问题可以转化为状态观测或状态估计问题。假设已知对象的状态空间模型为 辅助变量 如果系统的状态关于辅助变量完全可测，那么，软测量问题就转化为典型的状态观测和状态估计问题，估计值就可以表示成Kalman滤波器形式。Kalman滤波器、 Luenberger观测器是解决上述问题的有效方法。 作战环境侦查 战场监测与指挥 传感器网络的特点与挑战 通信能力有限 节点带宽窄，而且经常变化 节点通信覆盖范围只有几十到几百米， 而且经常变化 挑战之一 如何在如此有限通信能力的条件下, 高质量地完成感知数据的查询、分析、挖掘与传输？ 在传感器网络环境下，发现最小化算法通信复杂性的机理是我们面临的第一个挑战问题！ 多源、多跳是主要通信方式 多个传感器节点向一个目标传送信息 一