Содержание к диссертации
Введение
Глава 1. Предметная область и современное состояние проблемы измерения давления 18
1.1. Структурная схема измерения 18
1.2. Обобщенная схема ИП 21
1.3. Методы и средства измерения давления 31
1.4. Современные схемотехнические решения компенсации погрешностей ИП 35
1.5. Способ компенсации погрешностей ИП следящего уравновешивания на основе функциональной коррекции 42
1.6. Основные задачи исследований 49
Глава 2. Градуировка микропроцессорных ИП и ее автоматизация 51
2.1. Варианты структурных схем микропроцессорных ИП 51
2.2. Модель корректирующей функции и ее назначение 55
2.3. Метод адаптивной идентификации параметров модели корректирующей функции 65
2.4. Исследование устойчивости процесса адаптивной идентификации параметров 72
2.5. Выводы 82
Глава 3. Сокращение времени градуировки микропроцессорных ИП 83
3.1. Анализ известных решений 83
3.2. Сокращение градуировочных экспериментов на основе аппарата ИНС 88
3.3. Выбор структурных параметров ИНС и ее обучение 98
3.4. Оптимальное управление температурным режимом ИП при градуировке 107
3.5. Выводы 120
Глава 4. Аппаратно-программные средства автоматизированной системы градуировки, юстировки и поверки микропроцессорных ИП 121
4.1. Аппаратные средства 121
4.2. Программные средства 127
4.3. Библиотека классов ИНС прямой передачи сигнала 139
4.4. Обсуждение полученных результатов 142
Заключение 144
Библиографический список 146
Приложение
- Современные схемотехнические решения компенсации погрешностей ИП
- Метод адаптивной идентификации параметров модели корректирующей функции
- Сокращение градуировочных экспериментов на основе аппарата ИНС
- Библиотека классов ИНС прямой передачи сигнала
Введение к работе
Актуальность темы.
Безудержная глобализация рынков на современном этапе развития мировой экономики постоянно усиливает международную конкурентную борьбу. Для достижения преимущества в конкуренции нашей стране, находящейся на пути экономического развития, необходима интенсификация высокотехнологичного производства, снижение его издержек без ущерба для качества продукции в немалой степени за счет совершенствования имеющихся и создания новых технологических процессов и материалов.
В современном мире усложнение технологических циклов, автоматизация процессов управления, контроля, диагностирования, обеспечение высочайшей надежности и эффективного применения сложных технических систем требует получения точной, достоверной и своевременной информации. Это оттенило роль измерений (особенно динамических) как на производстве, так и в научном эксперименте, что вызвало резкий рост потребности в датчиках для одновременного измерения самых разнообразных физических величин и параметров. Например, по данным [47, 74] в 1985 г. на мировом рынке было продано датчиков на сумму около 1,2 млрд. долл., в 1990 г. - на 3 млрд. долл., в 1994 г. - на 2,4 млрд. долл., в 1997 - на 5,2 млрд. долл., в 1998 г. - на 27,6 млрд. долл., в 2002 г. - на 35,9 млрд. долл. Это связано в основном с ростом объемов производства и продажи высокоинтеллектуальной и высокотехнологичной продукции в мире, которая уже сегодня опережает объемы продаж энергетической и сырьевой продукции.
Измерительная техника располагает совокупностью средств измерения около 250 различных физических величин, но использует для этого всего около 30 из примерно 400 известных физических явлений.
Огромное количество величин в процессе измерения преобразуется в величины электрические как наиболее удобные для передачи, сравнения, точного воспроизведения измерения. Например, напряжение является одной из немногих величин, которые можно измерять с очень высоким быстродей -8-ствием, и благодаря современным АЦП напряжение является наиболее подходящей величиной для преобразования в цифровой код.
В общемировом производстве ИП физических величин доля полупроводниковых приборов составляет более 70% и имеет устойчивую тенденцию к дальнейшему росту благодаря высокой чувствительности электрических характеристик полупроводников к различным внешним воздействиям. С помощью полупроводниковых приборов можно преобразовать практически все известные виды энергии. К преимуществам таких преобразователей относятся использование технологии интегральных схем при изготовлении полупроводниковых ЧЭ, высокая надежность и долговременная стабильность их параметров.
Достоинства полупроводниковых преобразователей являются вместе с тем и их недостатками. Поскольку чувствительный элемент подобных преобразователей способен воспринимать сразу несколько влияющих величин, измерительная информация оказывается в итоге искаженной, т.е. появляется дополнительная погрешность, вносимая неинформативными параметрами. В качестве примера таких преобразователей можно привести тензометрические преобразователи давления, характеристики которых имеют существенную зависимость от изменения температуры окружающей среды.
В [7, 47, 80] представлен исчерпывающий анализ состояния и основных тенденций развития датчиковых систем, основывающихся на требованиях к их метрологическим, техническим и эксплуатационным характеристикам, предъявляемых современной и особенно перспективной техникой. Основными параметрами, требующими совершенствования в существующих ИП являются точность измерения, динамический диапазон, диапазоны влияющих величин, надежность, срок службы, массо-габаритные показатели.
В частности, современные отечественные ИП давления, используемые в системах автоматического контроля, регулирования и управления технологическими процессами взрывобезопасных и взрывоопасных производств различных отраслей промышленности, таких как нефтегазодобывающая и неф -9-теперерабатывающая (начиная от сопровождения бурения скважин и заканчивая транспортировкой нефтепродуктов), химическая, металлургическая, машино- и приборостроение (авто- и авиаприборы, приборы над- и подводных судов) и т.д., часто имеют недостаточную точность преобразования, которая существенно зависит от воздействия неинформативных величин в широких пределах, особенно от изменения температуры окружающей среды. За последнее десятилетие на российских заводах изготовлено более одного миллиона приборов данного назначения.
В отечественных интегральных ИП давления в основном используются полупроводниковые ЧЭ на основе кремниевых тензорезисторов, изолированных от подложки и друг друга "р-п" переходом, а в зарубежных ИП аналогичного класса в последнее время применяются кремниевые тензорезисторы на структуре "кремний-на-диэлектрике", когда весь полупроводниковый ЧЭ изготовлен на основе монокристаллических кремниевых тензорезисторов, изолированных от кремниевой мембраны пленкой двуокиси кремния, что и обеспечивает их повышенные качественные характеристики. В настоящее время в нашей стране практически отсутствуют разработки ИП давления по отмеченному решению [7].
Развитие конструкторско-технологических методов в нашей стране находится в неудовлетворительном состоянии. Многие передовые технологии, такие как гальваническое осаждение мембран, использование современных композитных материалов, менее чувствительных к влияющим величинам, микроминиатюризация и т.д. находятся в зачаточном состоянии или отсутствуют вовсе.
На сегодняшний день ЧЭ большинства современных ИП являются различными микроэлектромеханическими системами и, соответственно, изготавливаются на основе интеграции технологий интегральных микросхем и объемной или поверхностной микрообработки кремния. Следовательно, технический уровень ЧЭ определяется уровнем развития технологий микросистемной техники, который нельзя назвать удовлетворительным. Проблемам развития микросистемной техники в России посвящено немало выступлений, публикаций и безрезультатных попыток создать национальную научно-техническую программу по аналогии с соответствующими программами развитых стран [80].
Анализ отечественных ЧЭ, основанных на использовании тензорези-стивного эффекта в гетероэпитаксиалыюй пленке кремния, выращенной на поверхности монокристаллической пластины из искусственного сапфира, показал высокую нелинейность преобразования, чувствительность к влияющим факторам, а также большой разброс параметров от датчика к датчику по сравнению с аналогичными ЧЭ ведущих зарубежных производителей. Однако проведенные исследования в рамках данной диссертационной работы выявили достаточную стабильность характеристик каждого отдельного ЧЭ для автоматической компенсации погрешностей развитыми методами, использующими структурно-алгоритмическую и временную избыточность.
В настоящей диссертационной работе разработан и исследован способ коррекции погрешностей на основе комбинированной астатической структуры ИП, включающей инвариантный канал компенсации по неинформативной величине и канал обратной связи по выходной переменной. Предложенная структура позволяет реализовать коррекцию погрешности ИП с использованием следящей самонастройки параметров многопараметрической функции коррекции в обратной связи.
Возможность создания таких устройств открылась с развитием микропроцессорной техники, применение которой позволило не только расширить сервисные функции ИП, такими как автокалибровка, автоматический выбор необходимого диапазона измерений, представление результатов измерений в различных размерных единицах, цифровая коммуникация для удаленного обмена данными и т.д., но и увеличить точность и обеспечить инвариантность к влияющим величинам благодаря новым способам автоматической коррекции погрешностей преобразования. Такие приборы в профессиональ -11 ной литературе все чаще называют "интеллектуальными", подчеркивая их достоинства, перечисленные выше.
Огромную роль в разработке и исследовании различных методов автоматической коррекции погрешностей, а также в развитии цифровых измерительных устройств сыграли Земельман М.А., Орнатский П.П., Скрипник Ю.А., Туз Ю.М., Смолов В.Б, Гитис Э.И., Новицкий П.В. и др. Принцип инвариантности введен в теорию и практику автоматического регулирования благодаря работам советских ученых - академиков Лузина М.Н., Щипано-ваГ.В., Кулебакина B.C., Петрова Б.Н., Ишлинского А.Ю., Кухтенко А.И. и др.
Сегодня промышленностью востребованы ИП давления широкой номенклатуры по типам ИБ (абсолютного давления, избыточного давления, разрежения, давления-разрежения, разности давлений, гидростатического давления), по диапазонам измеряемого давления, по погрешности преобразования, по диапазонам выходной величины (например, тока: 0-5, 0-20, 4-20 мА), с цифровым обменом данными по полевой шине или радиоканалу и т.д. Столь широкий список модификаций ИП, а также сложившаяся сегодня жесткая конкурентная ситуация на рынке этого сектора экономики, требует от предприятия-производителя гибкого производства, способного быстро оптимизироваться под текущую конъюнктуру рынка. Например, минимизировать время производства ИП при приемлемом уровне увеличения производственных издержек или, наоборот, минимизировать энергозатраты при приемлемом увеличении времени производства.
Естественным следствием стремления учесть все большее число факторов, оказывающих влияние на процесс измерения, является усложнение методик градуировки и поверки ИП на этапе их производства. Для базирующейся на микропроцессоре коррекции погрешностей ИП необходимо ресурсоемкое определение параметров математической модели функции коррекции, осуществляемое на основе тестовых измерений при различных комбинациях образцовых значений измеряемой и влияющих величин. С развитием методов коррекции погрешностей, основанных на структурно-алгоритмической и временной избыточности, количество последних неуклонно растет. Сокращение производственных издержек на градуировку ИП без ущерба для их метрологических характеристик представляет важную проблему.
Существенным преимуществом микропроцессорных ИП является возможность практически полной автоматической градуировки, юстировки и поверки, т.е. наиболее дорогостоящих и долговременных операций, завершающих производственный цикл ИП. Являясь показателем его качества, эти операции должны осуществляться предельно ответственно, что осложняется влиянием субъективных факторов производственного персонала. В связи с этим проблема автоматизации становится особенно важной в условиях постоянно растущих объемов выпуска.
Перечисленные обстоятельства подтверждают актуальность задач, решаемых в диссертационной работе, определяют цель и основные направления исследований.
Целью работы является повышение точности и сокращение времени идентификации корректирующей функции прецизионных адаптивных измерительных преобразователей давления с использованием автоматизированной системы градуировки.
Для достижения цели решаются следующие задачи.
1. Разработка и исследование метода адаптивной идентификации параметров корректирующей функции для компенсации погрешностей ИП.
2. Разработка способа сокращения количества измерительных экспериментов для идентификации корректирующей функции ИП на основе ап-парта ИНС.
3. Минимизация времени установления температурного режима градуируемых ИП.
4. Разработка аппаратно-программных средств автоматизированной системы градуировки ИП.
5. Испытание и исследование автоматизированной системы градуировки и ИП с целью подтверждения правильности предложенных решений.
Методы исследования базируются на структурно-алгоритмических методах коррекции погрешностей ИП, на теории дифференциальных уравнений и их разностных аналогов, на математическом аппарате ИНС, на теории погрешностей, на теории автоматического управления, на численных методах оптимизации.
Научная новизна.
1. Способ коррекции погрешностей ИП с использованием следящей самонастройки параметров корректирующей функции в его обратной связи.
2. Комбинированная астатическая структура ИП, реализующая принцип инвариантности на основе многопараметрической функции коррекции.
3. Метод адаптивной идентификации корректирующей функции ИП на основе самонастройки ее параметров.
4. Способ сокращения измерительных экспериментов для идентификации корректирующей функции ИП на основе аппарата ИНС.
5. Алгоритм оптимального управления температурным режимом градуируемых ИП, минимизирующий время установления заданной температуры.
Практическая значимостью внедрение результатов работы Результаты диссертационной работы используются в серийном производстве комплекса унифицированных микропроцессорных ИП давления "Сапфир-22МР" (РИЮУ.406233.049 ТУ).
Внедрение автоматизированной системы градуировки "АСГ-01" на ОАО "Теплоприбор" г. Рязань позволило:
- повысить конкурентоспособность продукции предприятия;
- достичь современного уровня метрологических характеристик ИП: основная погрешность преобразования - 0,1%, дополнительная - не превышает основной в рабочем диапазоне температур от -40°С до +80°С;
- сократить время их градуировки, юстировки и поверки в среднем на 25%;
- обеспечить возможность выпуска до 50-ти преобразователей давления в месяц на каждой системе "АСГ-01", что подтверждается актом внедрения (см. приложение А).
В настоящее время микропроцессорные ИП "Сапфир-22МР" успешно эксплуатируются на предприятиях топливно-энергетического комплекса, химической и металлургической промышленности: Курской АЭС, Игумнов-ской ТЭЦ ОАО "Нижновэнерго" г. Дзержинск, ОАО "Невинномысскои ГРЭС", ОАО "Святогор" г. Красноуральск, ОАО "Воронежсинтезкаучук", ООО "Автозаводской ТЭЦ" г. Нижний Новгород, ОАО "Новорязанской ТЭЦ" и др.
Достоверность и обоснованность научных положений, результатов, выводов и рекомендаций, приведенных в диссертационной работе, обеспечиваются корректным использованием математического аппарата, имитационным моделированием на ПК, натурными экспериментальными исследованиями, достаточной апробацией материалов диссертации.
Апробация работы.
Основные результаты диссертационной работы докладывались и обсуждались на:
- V международной НТК "Современные средства управления бытовой техникой" (Москва, 2003),
- всероссийской НТК "Измерение, автоматизация и моделирование в промышленности и научных исследованиях" (Бийск, 2005),
- всероссийской конференции "Качественная теория дифференциальных уравнений и ее приложения" (Рязань, 2006),
- всероссийской НТК "Биотехнические, медицинские и экологические системы и комплексы" (Рязань, 2002,2004),
- межотраслевом научно-техническом семинаре (Дзержинск, 2006).
По итогам открытого конкурса на лучшую научную работу студентов по естественным, техническим и гуманитарным наукам в вузах РФ (раздел 22 "Новые информационные технологии") автор был награжден дипломом Минобразования России за работу "Программное обеспечение автоматизированной системы градуировки микропроцессорных датчиков давления", в которой были отражены первые результаты исследований по теме диссертации (см. приложение Б).
Публикациилютеме диссертаци и.
Опубликовано 12 печатных работ, среди них 7 статей (2 из которых в журнале центральной печати, включенном в перечень ВАК).
Структура и объем работы.
Диссертация состоит из введения, четырех глав, заключения, библиографического списка из 88 наименований и пяти разделов приложений. Основной раздел изложен на 154 страницах машинописного текста, который поясняется 50 рисунками и одной таблицей. Общий объем диссертации, включая приложения, составляет 162 страницы.
Во введении дается обоснование актуальности темы работы, формулируются цели и задачи исследований, раскрыты научная новизна и практическая значимость, приведены результаты реализации описанных технических решений, представляются основные положения диссертационной работы, выносимые на защиту.
Первая глава посвящена исследованию современного состояния техники измерения давления. Проведен анализ существующих схемотехнических решений, реализующих современные методы компенсации погрешностей ИП на основе структурно-алгоритмической и временной избыточности. Устранить их недостатки и использовать их преимущества позволяет синтезированный в этой главе способ коррекции погрешностей на основе комбинированной астатической структуры ИП, включающей инвариантный канал компенсации по неинформативной величине и канал обратной связи по выходной переменной. Предложенная структура позволяет реализовать коррекцию погрешности ИП с использованием следящей самонастройки параметров многопараметрической функции коррекции в обратной связи,
Во второй главе исследованы потенциальные возможности синтезированного в первой главе способа компенсации погрешностей на примере реализующих его структур микропроцессорных ИП. Установлено, что идентификация функции коррекции не может быть осуществлена алгоритмическим способом, т.е. по результатам градуировочных экспериментов вход-выход. Выбран способ аппроксимации трех- и четырехмерной функции коррекции; разработан метод адаптивной идентификации на основе самонастройки ее параметров; проанализированы погрешности ИП. В конце главы приводится исследование устойчивости предложенного метода адаптивной идентификации.
Третья глава посвящена решению проблемы сокращения времени градуировки микропроцессорных ИП давления. Описывается разработанный способ сокращения измерительных экспериментов для идентификации корректирующей функции на основе аппарата ИНС. Приводится предложенный алгоритм оптимального управления температурным режимом градуируемых измерительных преобразователей, минимизирующий время установления заданной температуры.
В четвертой главе описываются разработанные аппаратно-программные средства автоматизированной системы градуировки, юстировки и поверки ИП "АСГ-01" унифицированного комплекса микропроцессорных ИП "Сапфир-22МР" абсолютного давления, избыточного давления, разрежения, давления-разрежения, разности давлений и гидростатического давления. В этой системе нашли отражение все предложенные автором в рамках диссертационной работы решения.
В заключении приводится обобщение основных результатов диссертационной работы.
Положения выносимые на защиту.
1. Способ компенсации погрешностей ИП давления, синтезированный на основе многомерной корректирующей функции, метода отрицательной обратной связи, интегрирования сигнала некомпенсации и метода вспомогательных измерений.
2. Метод адаптивной идентификации корректирующей функции ИП на основе самонастройки ее параметров.
3. Сокращение времени градуировки ИП за счет использования алгоритма оптимального управления температурным режимом градуируемых ИП, минимизирующего время установления заданной температуры, а также за счет сокращения числа градуировочных экспериментов для идентификации корректирующей функции на основе аппарата ИНС.
Современные схемотехнические решения компенсации погрешностей ИП
Предметом проектирования датчиков является обеспечение по возможности меньшей систематической и случайной погрешностей. Теоретически систематическая часть погрешности может быть скорректирована в электронной схеме ИП благодаря подходящему методу. При этом максимально достижимый коэффициент компенсации ограничивается случайной погрешностью: где дс. - суммарная систематическая погрешность, Д - суммарная случайная погрешность.
Для коррекции систематической погрешности ИП в настоящее время применяют следующие обобщенные структурные схемы.
При чисто аналоговой компенсации (рисунок 1.4.2-а) температуроза-висимые цепи R подключают к ТМ, а также в цепь задания коэффициента усиления с целью устранения аддитивной (температурный дрейф начального сигнала), а также линейной и нелинейной мультипликативной (температурный дрейф чувствительности) составляющих погрешности, вызванной изменением температуры окружающей среды.
Примером т. н. пассивной термокомпенсации может служить датчик X-ducer фирмы Motorola [61], схема которого представлена на рисунке 1.4.2— б. Такие параметры, как смещение выходного сигнала при нижнем и верхнем значении диапазона измеряемого давления калибруются при изготовлении с целью уменьшения разброса характеристик от прибора к прибору. По сравнению с некомпенсированным датчиком пассивная компенсация сужает примерно на порядок как аддитивную, так и мультипликативную составляющие зоны температурной погрешности, что подтверждает высокую эффективность такого решения. Кроме того, результирующая температурная зависимость выходного сигнала датчика близка к параболической, что позволяет проводить дополнительную цифровую коррекцию температурной погрешности по результатам всего трех значений температуры окружающей среды.
Отечественные разработки, использующие пассивную коррекцию на основе шунтирования плеч моста термозависимыми и термонезависимыми резисторами представлены в [55]. Примерами ИП с такой коррекцией могут служить датчики промышленной группы "Микроэлектронные датчики" г. Ульяновск [13].
Недостатком представленных на рисунке 1.4.2 решений является высокая трудоемкость изготовления таких датчиков, связанная с тщательной ручной регулировкой или лазерной подгонкой корректирующих элементов. Следствием этого является низкая степень автоматизации градуировки таких ИП. Причем различие температурных характеристик датчика и терморезисторов является фактором, ограничивающим возможность получения точной температурной корректировки передающей функции датчика в широком диапазоне температур. Введение элементов балансировки снижает надежность датчика, что тоже является недостатком [46].
Решение, показанное на рисунке 1.4.3 также представляет собой аналоговое преобразование сигнала, снимаемого с измерительной диагонали моста. Оно осуществляется с помощью ПУ (усилителя с регулируемым коэффициентом усиления). При этом в сумматоре усиленный сигнал складывается с сигналом смещения, формируемым программно с помощью калибровочных данных, записанных в ППЗУ, а температурная компенсация осуществляется за счет дискретного регулирования коэффициента усиления. Для реализации такой структуры необходим ДТ, сигнал которого подается на вход АЦП2, с выхода которого цифровой код, эквивалентный значению температуры ТМ, поступает в МП. Измерительный сигнал с выхода ПУ может передаваться по аналоговому интерфейсу (например, по стандартной токовой петле 4-20 мА), или предварительно преобразованный в цифровой код АЦП2 - по цифровому интерфейсу (например, посредством интерфейса Foundation FieldBUS), или по гибридному интерфейсу (например, посредством интерфейса HART [82]).
С целью получения наилучшего разрешения сигнала на выходе АЦП, значение усиленного выходного сигнала датчика при изменении параметров рабочей, а также окружающей среды в допустимых пределах не должно быть меньше нижнего или больше верхнего опорного напряжения АЦП. К тому же индивидуальные значения параметров отдельных датчиков отличаются между собой, что при прочих одинаковых условиях может быть причиной выхода усиленного сигнала с датчика за указанные пределы. Для преодоления этого снизу и сверху диапазона АЦП оставляют запас в определенное количество бит для возможного дрейфа сигнала, что негативно сказывается на разрешении выходного сигнала АЦП (см. рисунок 1.4.4).
Метод адаптивной идентификации параметров модели корректирующей функции
Статическая погрешность ИП в реальных условиях эксплуатации есть функция входной величины, равная разности между статической реальной функцией преобразования ИП в момент измерения и его номинальной характеристикой. Проблема обеспечения высокой точности ИП сводится к проблеме минимизации этой разности.
Градуировкой называется метрологическая операция определения, фиксации и официального утверждения характеристики ИП с заранее заданной погрешностью, которая придает преобразователю величины Р в величину J свойства измерительного прибора. Иное определение гласит, что градуировка - это придание показаниям ИП меры измеряемой величины в точно установленных условиях. Эта мера передается с определенной точностью, что выражается в метрологических свойствах градуируемого ИП посредством предельной погрешности ИП [63].
В 1.5 уже был представлен т.н. алгоритмический способ градуировки (согласно терминологии [63]). Этот способ принципиально неприменим для рассматриваемых в данной диссертационной работе ИП в силу сложности пересчета результатов измерительных экспериментов (T P J, В координаты узловых точек КЛА функции коррекции {[T],,[P]j,[U\ . Поэтому в настоящей диссертационной работе разработана модификация конструктивного способа (согласно все той же классификации [63]) адаптивной идентификации параметров корректирующей функции G, структурная схема которого представлена на рисунке 2.3.1.
Суть конструктивного способа градуировки состоит, например по [60], в следующем. Образцовая функция преобразования задается одним или несколькими значениями, для чего используется однозначная или многозначная мера измеряемой величины, что часто позволяет повысить точность преобразования. Необходимое количество значений определяется нелинейностью преобразователя и априорной информацией о характере погрешности преобразователя. В градуировке участвует блок управления, который изменяет коэффициент преобразования до тех пор, пока выходная величина не станет равна значению, вычисленному по номинальной характеристике.
Идентификация, согласно [9, 15, 63], понимается как построение математической модели функционирующего объекта (системы) по априорной информации и измерительным данным. Подробно рассмотрим на примере ИП, структурная схема которого изображена на рисунке 2.1.2, предложенный метод адаптивной идентификации КЛА корректирующей функции на основе самонастройки ее параметров [27].
Градуировка ИП происходит для ряда значений измеряемой величины - давления Р и ряда значений влияющей величины - температуры Т. Для этого ИП (на рисунке 2.3.1 выделен серым фоном) помещают в КХТ, где его температуру доводят до первого значения из ряда градуировочных темпера тур (7 ,...,7 ). И после выхода на термоустановившийся режим приступают к адаптивной идентификации параметров математической модели корректирующей функции, в данном случае трехмерной G(T],[F).
Входной сигнал УС1 устанавливают равным нулю [U] = 0, измеряют ОЦВ текущее значение выходной величины ИП [./] = вычитают из него значение, соответствующее нижнему пределу этой величины [Л Э = [Л»«.1о интегрируют ЦИ2 полученную разность [AJ]0 =[J]0 [./„аи.]0 и используют значение на выходе ЦИ2 в установившемся режиме в качестве смещения ЦАП с. При нулевом значении измеряемой величиныР = Р0 = О значение аддитивного коэффициента первого сегмента KJ1A bt равно значению цифрового кода на выходе АЦП1. Далее на вход ИП с ЗИВ подают первое известное значение давления Р = РХ, измеряют ОЦВ текущее значение выходной величины
ИП [J] = [J]15 вычитают из него значение, вычисленное по номинальной характеристике Ушц\=кт -Pt, интегрируют ЦИ2 полученную разность [ДД =[./], -[J,iav ], и используют значение на выходе ЦИ2 в качестве мультипликативного коэффициента первого сегмента КЛА а,. Коэффициент считается настроенным по завершении переходного процесса. Помимо коэффициентов первого сегмента также фиксируется значение ординаты его узловой точки [[/], при значении измеряемой величины на входе ИП Р = Р}. Далее на вход
ИП подают следующее j-oe известное значение давления Р = Рп измеряют текущее значение выходной величины [./] = [./]_ ОЦВ, сравнивают его со значением, вычисленным по номинальной характеристике [./„„Д =кил-Р;, интегрируют полученную разность [ДД = [Д-[./юД и используют значение на выходе ЦИ2 в качестве мультипликативного коэффициента ар а текущий аддитивный коэффициент вычисляют по формуле где 7 = 2,...,А/. По завершении переходного процесса на выходе ЦИ2 мультипликативный и аддитивный коэффициенты у-го сегмента считаются настроенными. Кроме того фиксируется значение ординаты узловой точки ; -ого сегмента [U]j при значении измеряемой величины на входе ИП Р = РГ После настройки коэффициентов всех М сегментов КЛА на температуре 7] в КХТ устанавливается следующее значение из ряда градуировочных температур и градуировка продолжается по приведенной методике. Как только весь ряд градуировочных температур исчерпан, градуировка ИП считается завершенной.
Для ИП, структурная схема которого представлена на рисунке 2.1.3, необходима четырехмерная корректирующая функция G([Tm],[Tm],[P]). Ее оценка, как уже было отмечено в предыдущем параграфе, строится на основе двух КЛА: первая относится к ИБ, вторая - к ЭБ.
Сокращение градуировочных экспериментов на основе аппарата ИНС
Исследования, проведенные автором в рамках настоящей диссертационной работы на основе экспериментальных данных, полученных при градуировке ИП "Сапфир-22МР" на ОАО "Теплоприбор", выявили следующее положение. ИП, произведенные в едином технологическом цикле, обладают некоторой общей зависимостью, представляющей собой сложное отображение параметров производственного цикла в характеристики ИП где Т - нелинейный оператор; QVQ2,...,&L - параметры технологического цикла; G(P,T) - функция коррекции, выраженная совершенным способом. Эта зависимость обладает свойством проявляться от прибора к прибору в РСФП. Идентификация этого отображения осложнена такими факторами, как недостаточность знаний о числе L и аналитическом описании параметров 0Г. Поэтому его выявление должно осуществляться исключительно на базе наблюдений и представляет собой т.н. неформализуемую задачу поиска нелинейного оператора ЧК преобразования входного пространства состояний в выходное [26]. Решение этой задачи было найдено на основе перспективного направления в этой области - особого класса методов машинного обучения - искусственных нейронных сетей, для которых подобные задачи являются первичной областью применения.
Нейронные сети- это исключительно мощный метод имитации процессов и явлений, позволяющий воспроизводить чрезвычайно сложные зависимости. Нейронные сети по свой природе являются нелинейными, в то время как на протяжении многих лет для построения моделей использовался линейный подход. Кроме того, во многих случаях нейронные сети ПОЗВОЛЯЮТ преодолеть "проклятие размерности", обусловленное тем, что моделирование нелинейных явлений в случае большого числа переменных требует огромного количества вычислительных ресурсов. Другая особенность нейронных сетей связана с тем, что они используют механизм обучения. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически настраивает параметры сети. При этом от пользователя требуется набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов. Теория нейронных сетей развивается в течение последних пяти десятилетий, но нашла широкое применение только в последние 15 лет. Поэтому строгая терминология в области нейронных сетей еще не установилась. Этим теория нейронных сетей отличается от теории управления или оптимизации, где терминология, основные математические методы и процедуры проектирования выверены при решении практических задач в течение многих лет [51]. В основе ИНС лежит искусственный нейрон, структура которого представлена на рисунке 3.2.1. Его функционирование согласно модели Мак-Каллока-Питца [77] заключается в получении суммы взвешенных входных сигналов и функцио нальном преобразовании этой суммы при помощи активационной функции или функции сжатия В качестве активационной функции нейрона используют кусочно-линейную функцию пороговую функцию или функцию единичного скачка Хэвисайда логистическую сигмоидальную функцию где а - некоторый постоянный параметр; сигмоидальную функцию гиперболического тангенса и другие. Если последний слой многослойной ИНС использует такие функции активации, то выходы сети будут ограничены, а если в выходном слое используются линейные нейроны с функцией активации
Библиотека классов ИНС прямой передачи сигнала
Библиотека классов ИНС прямой передачи сигнала состоит из класса TBackNeuroNet - многослойной нейронной сети с обучением по методу обратного распространения ошибки, а также вспомогательных классов TBNNNeuron (нейрон), TBNNBuffer (буфер), TBNNLayer (слой).
Класс TBNNNeuron используется в классе TBackNeuroNet для доступа к массиву весов нейрона. Программист не должен сам создавать экземпляры этого класса. Свойство-массив WfAIndex: Integer]: Double позволяет просматривать и изменять, если это необходимо, значения отдельных весов. Свойство Count: Integer (только для чтения) указывает размер массива W (он равен количеству входов нейрона). Если не используется смещение (свойство Offset: Boolean класса TBackNeuroNet), то количество входов нейрона равно числу нейронов в предыдущем слое (кроме нейронов нулевого слоя - для них число входов равно количеству входов нейронной сети). Если же смещение используется, то число входов всех нейронов будет на единицу больше. При использовании свойства Означение AIndex должно принадлежать промежутку от 0 до (Count-l), иначе генерируется исключение EBNNInvalidlndex. Класс TBNNBuffer используется в классе TBackNeuroNet для доступа к массиву входных или выходных данных нейронной сети. Программист не должен создавать экземпляры этого класса. Свойство Count: Integer (для чтения и записи) определяет размер буфера. Для доступа к данным используется свойство-массив Values [AIndex: Integer]: Double. При этом значение AIndex должно принадлежать промежутку от 0 до (Count-\). В противном случае генерируется исключение EBNNInvalidlndex.
Значение свойства Count должно быть больше нуля. При попытке задать недопустимое значение генерируется исключение EBNNInvalidProperty. Класс TBNNLayer используется в классе TBackNeuroNet для доступа к отдельному слою нейронной сети. Программист, использующий данный модуль, не должен создавать экземпляры этого класса. Свойство Count: Integer (для чтения и записи) определяет количество нейронов в слое. Для доступа к отдельным нейронам используется свойство-массив Neurons[Alndex: Integer]: TBNNNeuron (только для чтения). При этом значение Alndex должно принадлежать промежутку от 0 до {Count-\), иначе генерируется исключение EBNNInvalidlndex. При по пытке установить свойству Count значение меньше единицы генерируется исключение EBNNInvalidProperty. Класс TBackNeuroNet. Экземпляры данного класса создаются и унич тожаются непосредственно программистом, использующим данный модуль. Конструктор Create(lCount, OCount, LCount, NCount: Integer) создаёт сеть с ICount входами, OCount выходами, числом слоев (LCount+І) и количеством нейронов NCount во всех слоях кроме выходного (количество нейронов в вы ходном слое определяется количеством выходов). Параметры ICount и LCount должны быть больше нуля; параметр LCount должен быть неотрица тельным числом; если LCount равен нулю, то NCount тоже должен быть ра вен нулю, в противном случае NCount должен быть больше нуля. При вызове конструктора с неверными параметрами генерируется исключение TBNNInvalidParameter. Процедура Assign(ANeuroNet: TBackNeuroNet) копи рует нейронную сеть, содержащуюся в ANeuroNet, в данный объект. Свойст во InBuffer: TBNNBuffer (только для чтения) задаёт входной буфер. Свойство OutBuffer: TBNNBuffer (только для чтения) задаёт выходной буфер. Свойство Count: Integer (для чтения и записи) определяет полное число слоев нейрон ной сети. При попытке задать свойству Count значение меньше единицы ге нерируется исключение EBNNInvalidProperty.
Свойство-массив Layers [Alndex: Integer]: TBNNLayer позволяет осуществить доступ к отдель ному слою. Входной слой имеет индекс 0, выходной слой имеет индекс (Count-l), внутренние слои (могут отсутствовать) имеют индексы от 1 до (Count-2). При изменении числа нейронов в выходном слое автоматически изменяется число выходов нейронной сети. Свойство Activate: TBNNActivFunc (для чтения и записи) задаёт активационную функцию. По умолчанию установлена сигмоидальная функция. Свойство Ми: Double (для чтения и записи) определяет параметр /л в (3.3.25). Значение Ми должно также принадлежать промежутку от 0 до 10ш. При попытке задать значение вне этого промежутка генерируется исключение EBNNInvalidProperty. По умолчанию свойство имеет значение 0,001. Это значение умножается либо на коэффициент MuDec, когда текущее значение функционала ошибки уменьшается по сравнению с предыдущим, либо на коэффициент Миіпс, когрда текущее значение функционала ошибки возрастает по сравнению с предыдущим. Свойства MuDec: Double и Mulnc: Double имеют значения по умолчанию 0,001 и 10 соответственно. Свойство Offset: Boolean (для чтения и записи) определяет, используется ли нейронное смещение. По умолчанию свойство имеет значение False. Процедура Compute выполняет вычисление выхода нейронной сети. Перед использованием процедуры должны быть установлены входные значения (свойство InBuffer). После вызова процедуры можно считывать выходные значения (свойство OutBuffer). Процедура Correct выполняет обратный проход с целью обучения сети. Перед вызовом Correct необходимо вызвать Compute. Затем считать выходные значения. После этого в буфер выходных значений заносятся разности между реально полученными и желаемыми значениями выхода сети. Если параметр Му не равен нулю и сеть начинает обучаться новому значению, то перед вызовом Correct необходимо вызвать ClearDelta для очистки массива прошлых изменений весов dW. После этого вызывается Correct. Процедура ClearDelta очищает массив прошлых изменений весов dW. Процедура SaveToFile(const FileName: string) сохраняет параметры сети в файле с именем FileName. Сохраняются: значения свойств My, Offset, структура сети, значения весов. Процедура LoadFromFile(const FileName: string) загружает параметры сети из файла с именем FileName. Если файл не является файлом параметров нейронной сети, то генерируется исключение TBNNBadFormat. Параметрам, которые не сохраняются в файле, устанавливаются значения по умолчанию.
