一种面向液压缸综合测试台的软测量方法及系统
技术领域
本发明涉及液压缸综合测试台装置被测试缸位移的软测量技术领域,具体涉及一种面向液压缸综合测试台的软测量方法及系统。
背景技术
在现代工业生产中,为获得更多合格的高质量产品,进而提高经济效益,就需要对产品质量进行严格控制。液压系统实验室是针对工程机械的工作特点,为其液压元件、液压系统提供一个高精度的大型综合试验平台。可在计算机控制下模拟工程机械的各种工况,对被试元件及系统进行加载,从而在不进行实机试验的情况下,对液压元件及液压系统进行其静态、动态等特性的测试。该实验系统不仅可用于单个元件的性能测试,还可进行模拟工程机械工况的系统模拟匹配试验。各试验台分站以工控机上的LabVIEW程序作为人机界面,操作人员通过它进行试验过程和试验参数的设置,并完成数据的采集和处理。试验过程中的各个可测状态参数的数据采集处理过程由相应的采集硬件和LabVIEW程序实现。受实验室现场环境的限制,在对实验数据的采集过程中,由于导轨的限制和位移连杆的传动的原因,对于系统采集到的位移数据存在较大的延时和误差,而且位移是系统非常重要的评测液压缸性能的试验数据。系统的速度也是有位移求得,大量被测试缸的性能参数都与位移的准确性相关。所以位移数据的实时性与准确性对于实验结果有较大的影响,在线装置不能很好的达到测量要求。因此需要一种代替在线分析仪表的软测量方法。而在面对许多复杂的输入变量时,如何快速准确的实现对多个输入变量进行有效建模,以及对该液压缸综合性测试实验台位移的预测成为一个十分困难的测量难题。
发明内容
针对位移数据的实时性与准确性对于实验结果有较大的影响,在线装置不能很好的达到测量要求的问题,本发明提供一种面向液压缸综合测试台的软测量方法及系统。
本发明的技术方案是:
一方面,本发明技术方案提供一种面向液压缸综合测试台的软测量方法,包括如下步骤:
设计MI-LSTM算法对历史数据进行处理然后进行位移预测;
将MI-LSTM算法嵌入LabVIEW中实时在线预测被测试缸位移。
进一步的,所述的设计MI-LSTM算法对历史数据进行处理然后进行位移预测的步骤包括:
将历史数据通过MI算法进行变量筛选,剔除无关变量;
将剩余变量作为LSTM网络输入数据进行建模对被测试缸的位移进行预测。
进一步的,将MI-LSTM算法嵌入LabVIEW中实时在线预测被测试缸位移的步骤包括:
基于互信息MI策略的输入变量选择算法确定评价标准、制定搜索策略和停止准则;
将MI算法得到的有效数据作为LSTM网络输入数据,采用LSTM网络进行被测试缸位移预测;
对LSTM网络进行调整参数训练和优化网络,将训练好的网络参数提取出来,并把参数整合在LabVIEW中进行编程,实时在线预测被测试缸位移。
进一步的,评价标准,用于衡量待选变量子集的优劣;
搜索策略,用于生成待选变量子集;
停止准则,用于确定最优或次优变量子集的个数。
进一步的,确定评价标准:基于互信息MI(Mutual Information)策略,根据变量选择的目标,采用最小值或直接用均值来表示变量子集的互信息水平;
制定搜索策略,选择随机式搜索算法具体步骤包括:确定编码规则;确定适应度函数;
停止准则:事先指定要选择的变量数目,当达到此数目时即停止,或者在变量数目为定值时,选取变量选择标准最佳值对应的各个变量;
根据设定的准则自动确定变量规模,包括:前后变量选择标准的变化程度满足设定条件即停止,或满足设定标准的最小规模变量集合。
进一步的,将MI-LSTM算法嵌入LabVIEW设计的具体实现包括:
S331:两个离散随机变量X和Y的互信息可以定义为:
其中p(x,y)是X和Y的联合概率密度函数,而p(x)和p(y)分别是X和Y的边缘概率密度函数;在连续随机变量的情形下,求和被替换成了二重定积分:
其中p(x,y)当前是X和Y的联合概率密度函数,而p(x)和p(y)分别是X和Y的边缘概率密度函数;
S332:v-fold交叉验证;原始采样数据分割成V份,一个单独的样本保留作为验证模型的数据,其他V-1个样本用来训练。交叉验证重复V次,每个子样本验证一次,平均V次的结果得到一个估测;
S333:LSTM网络进行调整参数训练和优化网络,计算公式如下所示:
ft=σ(Wfxxt+Wfhht-1+bf) (3)
it=σ(Wixxt+Wihht-1+bi) (4)
ot=σ(Woxxt+Wohht-1+bo) (6)
St=gt⊙it+St-1⊙ft (7)
式中:f
t,i
t,g
t,o
t,h
t和S
t分别为遗忘门、输入门、输入节点、输出门、中间输出和状态单元的状态;W
fx,W
ix,W
ox分别为相应门和输入x
t相乘的矩阵权重;W
fh,W
ih,W
oh分别为相应门和中间输出h
t-1相乘的矩阵权重;W
gx,W
gh分别为x
t,h
t-1和输入节点g
t相乘的矩阵权重;b
f,b
i,b
o分别为相应门的偏置项;b
g为输入节点的偏置项;⊙表示向量中元素按位相乘;σ表示sigmoid函数变化;
表示tanh函数变化;
S334:LabVIEW根据训练好参数进行编程实现对位移的预测。
本方法,首先通过传感器元件进行数据采集,通过信号信号处理电路对采集的数据进行处理后通过无线通信模块将数据传输至上位机,上位机利用建立的预测模型进行软测量,利用历史数据反复建模并将通过将MI-LSTM算法嵌入LabVIEW中实时在线预测被测试缸位移。
另一方面,本发明技术方案提供一种面向液压缸综合测试台的软测量系统,包括液压缸综合测试台装置、电源模块、主控模块、通信模块;
电源模块,用于在给测量系统供电;
主控模块,用于接收数据并将数据输入建好的模型从而输出软测量结果;
通信模块,用于接收现场采集的数据,并向上位机发送数据;
上位机,用于实时接收来自液压缸综合测试台装置的可测输入变量,利用MI-LSTM算法在LabVIEW建立的预测模型实现软测量。
进一步的,液压缸综合测试台装置设置有压力传感器、温度传感器、流量传感器;
压力传感器、温度传感器、流量传感器分别与主控模块进行通讯连接;
压力传感器,用于测量液压缸综合测试台装置各个管道位置的压力;
温度传感器,用于测油箱中及管道中液压油的温度;
流量传感器,用于对泵口和管口液压油流量进行测量。
从以上技术方案可以看出,本发明具有以下优点:基于MI的LSTM网络预测方法,它结合了MI算法和LSTM网络的各自特点,相比于传统的线性建模或神经网络建模算法,MI算法进行变量筛选,为LSTM网络模型提供大量的有效输入数据,从而提高了预测准确率和降低了模型的复杂度。将MI-LSTM算法嵌入到LabVIEW软测量系统预测精准且计算成本低,基于此方法的测量装置克服了普通传感器价格昂贵、滞后和维护保养困难的缺点,具有较好的实用性和经济性。
此外,本发明设计原理可靠,结构简单,具有非常广泛的应用前景。
由此可见,本发明与现有技术相比,具有突出的实质性特点和显著地进步,其实施的有益效果也是显而易见的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1液压缸综合测试实验台装置原理图;
图2为系统主控程序流程图;
图3为MI-LSTM算法流程示意图;
图4为基于MPX2050的四运放的精密压力-电压变换器电路图;
图5为基于AD590集成温度传感器的精密温差测量电路图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
实施例一
本发明实施例提供一种面向液压缸综合测试台的软测量方法,包括如下步骤:
S1:设计MI-LSTM算法对历史数据进行处理然后进行位移预测;
S2:将MI-LSTM算法嵌入LabVIEW中实时在线预测被测试缸位移。
本实施例中,互信息MI(Mutual Information)是信息论里一种有用的信息度量,它是指两个事件集合之间的相关性。两个离散随机变量X和Y,不同于相关系数,互信息并不局限于实值随机变量,它一般且决定着联合概率密度函数p(x,y)和分解的边缘概率密度函数的乘积p(x) p(y)的相似程度。
LSTM(Long Short-Term Memory)长短期记忆网络,是一种时间循环神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM网络解决了在模型训练中“梯度消失”的问题,可以学习时间序列长短期依赖信息,是目前最成功的时间循环神经网络(Recurrent Neural Network,RNN)架构,在许多场景中获得应用。
基于MI的LSTM网络预测方法,它结合了MI和LSTM网络的各自特点,相比于传统的线性建模或神经网络建模算法,MI进行变量筛选,为LSTM网络模型提供大量的有效输入数据,从而提高了预测准确率和降低了模型的复杂度。选择液压缸综合测试台装置的18个可测输入变量,首先利用历史数据使用MI算法进行变量筛选,剔除无关变量。然后将剩余变量作为输入数据来构造输出变量的预测方程。互信息(MI)与LSTM的预测算法有效的解决了变量筛选的问题,提高了输入数据的有效性。LSTM网络克服了由于管道长度的原因导致测量数据读取延时的问题。互信息(MI)能够描述变量之间的线性与非线性关系,且对数据的统计分布没有任何约束,对输入变量进行必要的选择,增加有限样本集相关估计量的置信度。LabVIEW是一种程序开发环境,使用的是图形化编辑语言G编写程序,产生的程序是框图的形式,它的开发环境集成了工程师和科学家快速构建各种应用所需的所有工具。采用MI-LSTM算法嵌入到LabVIEW中,相比于传统的线性建模或神经网络建模算法,能够有效的进行变量选择,预测精度更高,稳定性更好,并且有较好的实用性。
MI-LSTM算法通过对数据的预处理后,MI能充分考虑不同输入、输入与输出之间的潜在关系,基于互信息的输入变量选择算法降低了模型复杂度,缩短了建模时间,提高了神经网络的预测精度,MI-LSTM算法流程图如图3所示。MI-LSTM算法嵌入LabVIEW的具体步骤如下:
S31:基于互信息的输入变量选择算法首先确定评价标准,然后制定搜索策略和停止准则。评价标准用于衡量待选变量子集的优劣,搜索策略用于生成待选变量子集,停止准则用于确定最优或次优变量子集的个数;
本实施例中,MI算法输入变量选择的关键步骤有:确定评价标准、制定搜索策略和停止准则。
1)基于互信息MI(Mutual Information)策略,不失一般性情况下,对任意均值始终位于最小值与最大值之间。从近似的角度,最小值是对均值的保守估计,最大值则是对均值的乐观估计。根据变量选择的目标,一般会采用最小值或直接用均值来表示变量子集的互信息水平。
2)选择随机式搜索算法,按照某种规则在此空间中随机的游走寻找最优解。易于理解和编程实现,有较高的寻优效率和精度,主要的步骤有两个:①确定编码规则;②确定适应度函数。
3)停止准则的通常的做法有两种:①事先指定要选择的变量数目,当达到此数目时即停止,或者变量数目为定值时,选取变量选择标准最佳值对应的各个变量;②根据一定的准则自动确定变量规模,如前后变量选择标准的变化程度满足一定条件即停止,或满足一定标准的最小规模变量集合。
S32:将MI算法得到的有效数据作为LSTM网络输入数据,再采用LSTM网络进行位移预测;
S33:对LSTM网络进行调整参数训练和优化网络。将训练好好的网络参数提取出来,并把参数整合在LabVIEW中进行编程。
将MI-LSTM算法嵌入LabVIEW设计的具体实现包括:
S331:两个离散随机变量X和Y的互信息可以定义为:
其中p(x,y)是X和Y的联合概率密度函数,而p(x)和p(y)分别是X和Y的边缘概率密度函数;在连续随机变量的情形下,求和被替换成了二重定积分:
其中p(x,y)当前是X和Y的联合概率密度函数,而p(x)和p(y)分别是X和Y的边缘概率密度函数;
S332:v-fold交叉验证;原始采样数据分割成V份,一个单独的样本保留作为验证模型的数据,其他V-1个样本用来训练。交叉验证重复V次,每个子样本验证一次,平均V次的结果得到一个估测;
S333:LSTM网络进行调整参数训练和优化网络,计算公式如下所示:
ft=σ(Wfxxt+Wfhht-1+bf) (3)
it=σ(Wixxt+Wihht-1+bi) (4)
ot=σ(Woxxt+Wohht-1+bo) (6)
St=gt⊙it+St-1⊙ft (7)
式中:f
t,i
t,g
t,o
t,h
t和S
t分别为遗忘门、输入门、输入节点、输出门、中间输出和状态单元的状态;W
fx,W
ix,W
ox分别为相应门和输入x
t相乘的矩阵权重;W
fh,W
ih,W
oh分别为相应门和中间输出h
t-1相乘的矩阵权重;W
gx,W
gh分别为x
t,h
t-1和输入节点g
t相乘的矩阵权重;b
f,b
i,b
o分别为相应门的偏置项;b
g为输入节点的偏置项;⊙表示向量中元素按位相乘;σ表示sigmoid函数变化;
表示tanh函数变化;
S334:LabVIEW根据训练好参数进行编程实现对位移的预测。
液压缸综合测试台装置最后得到的试验报表部分性能参数由被测试缸的位移确定,液压缸综合测试台装置中难以得到实时准确的被测试缸的位移数据,如表1所示,通过对装置中18个可测输入变量进行变量选择,然后将剩余变量作为LSTM网络输入数据,采用LSTM网络建模对被测试缸的位移进行预测。系统利用MI-LSTM算法建模的方法,综合了每个算法的优点。并将此算法嵌入到LabVIEW中构成一套软测量系统,这套软测量系统可以实时在线预测被测试缸位移。这种方法具有响应迅速、投资低、维护保养简单等优点。
表1液压缸综合测试台装置的可测输入变量表
序号 |
变量描述 |
1 |
1#变频电机转速 |
2 |
1#变频电机电流 |
3 |
系统压力 |
4 |
油箱油温 |
5 |
油冷机油温 |
6 |
2#变量泵流量 |
7 |
2#变量泵转速 |
8 |
2#变量泵电流 |
9 |
实验台被试缸A压力 |
10 |
实验台被试缸A流量 |
11 |
实验台被试缸B压力 |
12 |
实验台加载缸A压力 |
13 |
实验台加载缸A流量 |
14 |
实验台加载缸B压力 |
15 |
实验台加载缸B流量 |
16 |
系统流量 |
17 |
内泄漏质量 |
18 |
拉压力值 |
MI可以进行准确的变量选择,剔除无关变量。可以有效的降低模型的复杂度,从而提高该软测量系统的性能。此外,液压缸综合测试台装置还要考虑经济性、维护的难易程度等。实践证明,MI-LSTM算法嵌入LabVIEW的软测量方法可以有效的剔除无关变量,进而提高系统的预测精度和降低计算成本。
实施例二
本发明实施例提供一种面向液压缸综合测试台的软测量系统,包括液压缸综合测试台装置、电源模块、主控模块、通信模块;
电源模块,用于在给测量系统供电;同时能起到稳压、保护传感器的作用;
主控模块,用于接收数据并将数据输入建好的模型从而输出软测量结果;
通信模块,用于接收现场采集的数据,并向上位机发送数据;
上位机,用于实时接收来自液压缸综合测试台装置的18个可测输入变量,利用MI-LSTM算法在LabVIEW建立的预测模型实现软测量。液压缸综合测试台装置原理图如图1所示;
液压缸综合测试台装置设置有压力传感器、温度传感器、流量传感器;
压力传感器、温度传感器、流量传感器分别与主控模块进行通讯连接。
所述的压力传感器采用MPX2050系列硅压力传感器,MPX2050系列硅压力传感器是具有片内温度补偿与修正,将应变仪和薄膜温度补偿、校正电阻网络集成在同一硅片上,用激光修正技术实现精确地量程校正、零位偏差校正和温度补偿,具有很高的精度。此传感器广泛应用于液压泵、马达控制器、遥控设备测量等方面。此传感器最大压力200kPa,最大冲击压力500kPa,工作温度为-40℃~125℃。该MPX2050系列硅压力传感器主要用于测量各个管道位置的压力,基于MPX2050系列硅压力传感器连接成一个四运放的精密压力-电压变换器电路如图4所示。
温度传感器,用于测油箱中及管道中液压油的温度;所述的温度传感器采用AD590集成温度传感器,AD590集成温度传感器的工作温度范围在-50℃~+150℃,具有输出阻抗高、抗干扰能力强的优点,可直接与计算机测试系统接口。AD590集成温度传感器不需要外围温度补偿和线性处理电路,接口简单,使用方便。使用直流的电源范围比较宽,电源电压范围为+4V~+30V。该AD590集成温度传感器主要用于测油箱中及管道中液压油的温度。图5是基于AD590温敏元件设计的精密温差测量电路。其中两只AD581是电压基准,为两只AD590提供±10V电源,AD542W为高输入阻抗的运算放大器,实现电流电压的转换,DVM为数字面板表;
流量传感器,用于对泵口和管口液压油流量进行测量。流量传感器采用SWINGWIRLⅡ电容式涡街流量传感器,SWINGWIRLⅡ电容式涡街流量传感器是电容检测电路按“差动开关电容”原理设计,仅产生一个由电容差值所决定的差动信号,而原来的两个基本电容值则在形成电动信号时被抵消了。差动信号是一个正弦波信号,经处理后以4~20mA的电流脉冲形式输出,其频率与流量成正比。电源电压为24V直流电,介质温度范围为:-50℃~+400℃。该SWINGWIRLⅡ电容式涡街流量传感器主要用于对泵口和主要管口液压油流量的测量。
该系统的主控程序流程如图2所示,首先通过传感器元件进行数据采集,通过信号信号处理电路对采集的数据进行处理后通过无线通信模块将数据传输至上位机,上位机利用建立的预测模型进行软测量,利用历史数据反复建模并将通过将MI-LSTM算法嵌入LabVIEW中实时在线预测被测试缸位移。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述,但本发明并不限于此。在不脱离本发明的精神和实质的前提下,本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换,而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。