基于人工神经网络标准化转换模型研究.docVIP

基于人工神经网络标准化转换模型研究 　　摘要：在工业管线中，实际测量的数据往往受现场因素的干扰较大，无法直接衡量现场测量值，所以就需要对现场实测数据进行转换以得到标准数据。本文的主要就是研究一个系统模型即实测管线表面温度值和标准条件下热流值之间的转换模型，以便基于此模型对实际条件下测得的温度值和热流值进行标准化转换和预测。为了能够达到要求的技术性能与指标参数，选用基于人工神经网络BP算法建立转换模型。并用MATLAB软件进行了系统仿真，通过仿真结果可以就看出建立的模型满足了预期的技术要求，完成了系统模型的辨识。 　　关键词：转换模型 系统辨识 人工神经网络 BP算法 MATLAB仿真 　　中图分类号：TP183 文献标识码：A 文章编号：1007-9416（2013）05-0079-03 　　在实际工况中通常依据管线表面热流值对比国家标准来判断管线的保温性能是否达到标准。而在实际测量中发现现场因素（如环境温度、风速）对测得的管线表面热流值影响比较大，整个测试的结果受外界干扰，国家标准给出的评定依据为标准条件（环境温度一定、风速较小）下的值，不能直接用于衡量现场测量值。所以项目要求对现场采集的数据进行处理，得到标准条件下的数据，之后就可以用国家标准进行衡量了。从现场实测数据到标准条件下的数据转换基于一个系统模型即实测管线表面温度值和标准条件下热流值之间的转换模型。 　　项目要求通过系统辨识得到一个精确反映管线表面温度值和热流值的去噪滤波模型，以便基于此模型对实际条件下测得的温度值和热流值进行标准化转换和预测。要求能达到以下的技术性能与指标参数：用人工神经网络建立管线表面温度到标准条件下热流值的转换模型。该模型实现根据现场环境温度、环境风速以及被测对象的表面温度值和热流值较为精确的预测得出实验室条件下的标准值，估计出相应标准条件下的热流值，预测精度达到数量级为10-2。 　　1 系统建模基础 　　1.1 神经网络建模基础 　　在本项目中，建立管线表面温度值和热流值的标准化转换模型是研究的核心问题。该系统模型主要用来排除外界环境因素对热流值等测试结果的影响。此??统要求通过若干组在实际工况下测得的环境温度、风速、被测对象的表面温度以及与之对应的实验室条件下（标准环境温度与风速）的热流值，得到转换模型。从而实现输入实际工况下的环境温度，风速以及被测对象的表面温度值，准确估计出标准条件下（环境温度、风速）的热流值。 　　根据项目总体要求，系统需要进行辨识，得到一个精确反映管线表面温度值和热流值的去噪滤波模型，以便基于此模型对实际条件下测得的温度值和热流值进行标准化转换和预测。对于本项目，由于很难找出实际测量值与实验室标准值之间的精确解析关系，所以基于温度转换的内部机理，建立温度转换的解析模型是不可能的。应用所测得输入输出样本数据对进行数值建模分析，建立满足一定精度的温度标准化转换数值模型是解决此问题的一个出路，以下研究基于人工神经网络BP算法的管线表面温度值和热流值的标准化转换模型。 　　1.2 建模方法选择 　　在实际的使用中建立的模型要反映的是一个复杂的系统，系统间的参数传递关系复杂，用一般的数学建模方法难以正确预测系统输出。在这种情况下可以用BP网络来仿真表达这个系统。该方法把系统看成是一个黑箱，先取出若干组输入输出数据对BP网络进行有效学习，然后就可以用BP网络来表达这个系统。在得到系统输入参数后就可以用网络来预测系统的输出值。 　　2 神经网络系统构建 　　2.1 问题的提出 　　根据实验测得的数据，通过神经网络拟合，找到管线表面温度与热流值之间的转换模型。在今后的使用中，就可以利用这个模型通过现场测得的管线表面温度估计出此时管道的热流值，进而判断管道保温材质保温性能的优劣。 　　BP网路的一个重要功能就是非线性映射的能力，这一功能非常适合与函数逼近，也就是说，找出两组数据之间的关系。在研究的内容中，这是要找出管线表面温度和热流值之间的对应关系，所以建立一个BP网络，找出两者之间的关系。 　　2.2 网络建立 　　训练前馈网络的第一步是建立网络对象。函数newff建立一个可训练的前馈网络。这需要4个输入参数。第一个参数是一个Rx2的矩阵以定义R个输入向量的最小值和最大值。第二个参数是一个每层神经元个数的数组。第三个参数是包含每层用到的转移函数名称的细胞数组。最后一个参数是用到的训练函数的名称。 　　net=newff（minmax（p），[5，1]，{tansig，purelin}）； 　　可见，网络的中间层有5个神经元，传递函数为tansig（）；输出层有1个神经元，传递函数为purelin（）。BP网络中间层神经元的数目对网络性能有着比较大的影响，需要通过不断地尝试才能确定。由于没有