基于自联想神经网络的测量数据自校正检验方法.docVIP

基于自联想神经网络的测量数据自校正检验方法 导语：?20世纪90年代以来，以DCS（集散控制系统）为代表的现代化自动控制系统在火电机组中得到了普遍应用，数以千计的传感器数据提供了大量反映电站设备运行状态的信息。 1 引言　　20世纪90年代以来，以DCS（集散控制系统）为代表的现代化自动控制系统在火电机组中得到了普遍应用，数以千计的传感器数据提供了大量反映电站设备运行状态的信息。但是由于传感器的故障、漂移和各种干扰的存在使得测量数据中可能会产生一些不良值，从而使基于这些数据开发的系统性能下降，甚至造成系统无法工作。对测量数据中不良值的检验已经引起了国内外学者的重视[1]。　　测量数据优化估计值的求取是不良数据检验问题的关键，当前有如下几种求取方法：基于硬件冗余的互判法，该方法简单实用，但是要增加相应的硬件投入，只能适用于对一些关键参数的测量，而且当冗余传感器的数目较少时不能准确定位故障传感器；基于采样数据的时间序列关系的AR、ARMA以及Kalman等时间序列预测模型，但它们对过程数据的突变会产生误判，同时其模型参数要求大采样，实际过程常常不能满足；带时间窗的新陈代谢方法，采用有限样本进行预测，避免了大采样的要求，但该方法只能对不良数据进行质疑，不能完全检验，同时不能实现纠错的目的；基于机理模型，采用解析冗余技术进行参数预测，但是这要求有足够精确的机理模型，同时对于非线性复杂系统模型计算量大，有时不能满足实时的要求[2～4]。[align=left]　 本文给出了基于自联想神经网络AANN（Auto-associate Neural Networks）的不良数据自校正检验方法，利用AANN进行过程参数间的主要特征识别与相关估计，采用参数预测模型并通过残差决策逻辑实现网络输入数据的选择，有效地避免“野点”引起的“残差污染”问题，以便正确估计测量参数。[b]2 自联想神经网络AANN　　2.1 AANN网络结构[/b]　　自联想神经网络是在1987年由Ballard针对编码/解码问题首先提出的[5]，其网络原型是一种具有对称拓扑结构的五层前馈传递网络，如图1所示。AANN应用到数据检验问题时具有比较明显的物理意义，首先通过输入层、映射层以及瓶颈层实现了输入数据信息的压缩。从网络输入的高维参数空间中提取了反映系统结构的最具代表性的低维子空间，同时有效地滤去了测量数据中的噪声和测量误差，再通过瓶颈层、解映射层和输出层实现数据的解压缩，将前面压缩的信息还原到各个参数值，从而实现各测量数据的重构。　　为了达到信息压缩的目的，AANN网络瓶颈层节点数目明显小于输入层，又为了防止形成输入输出之间的简单单一映射，除了输出层激励函数采用线形函数外，其它各层均采用非线形的激励函数。　　[b]2.2 AANN样本选择与学习算法　　2.2.1 样本选择[/b]　　AANN学习的是输入参数间的相关性，一般可以认为测量数据中的噪声是不相关的，因此可直接将带有噪声的测量数据同时作为网络的输入和训练目标值，并以式（1）作为网络训练的目标函数[/align][img=272,47]/cepee_kjlw_pic/files/wx/zgdjgcxb/2002-6/153-1.jpg[/img][align=left]　式中 n为训练样本数；xi、yi分别为网络的输入输出数据。　　由于噪声的存在，网络训练结束的条件不是E的最小化，而是当E收敛到一个小的定值而趋向不变时就停止训练，否则网络将试图对噪声进行学习，即所谓的“过学习”，从而降低网络的“泛化”能力。　　2.2.2 改进的BP算法　　本文在AANN训练时应用改进的BP算法，训练时增加了附加动量因子并采用自适应学习速率[6]。　　节点权值的调整公式为[/align][img=348,203]/cepee_kjlw_pic/files/wx/zgdjgcxb/2002-6/153-2.jpg[/img][img=352,43]/cepee_kjlw_pic/files/wx/zgdjgcxb/2002-6/153-3.jpg[/img][align=left][b]3 基于AANN的测量数据自校正检验方法　　3.1 常规检验方法[/b][/align][img=346,101]/cepee_kjlw_pic/files/wx/zgdjgcxb/2002-6/153-4.jpg[/img]　　AANN网络能够提取测量数据中主要信息，滤去噪声等次要信息，通过数据重构可以对测量数据进行估计，因此可以直接用来进行测量数据的检验，如图2所示。将过程测量矢量x （k）作为网络输入，网络输出矢量y（k）即为测量数据的估计