CN111982302A - 一种带噪声滤波和环境温度补偿的测温方法 - Google Patents

一种带噪声滤波和环境温度补偿的测温方法 Download PDF

Info

Publication number
CN111982302A
CN111982302A CN202010856803.2A CN202010856803A CN111982302A CN 111982302 A CN111982302 A CN 111982302A CN 202010856803 A CN202010856803 A CN 202010856803A CN 111982302 A CN111982302 A CN 111982302A
Authority
CN
China
Prior art keywords
temperature
noise
deviation
value
measurement
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010856803.2A
Other languages
English (en)
Other versions
CN111982302B (zh
Inventor
赖冠宇
邱伟文
黄凯
黄玮俊
林创权
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202010856803.2A priority Critical patent/CN111982302B/zh
Publication of CN111982302A publication Critical patent/CN111982302A/zh
Application granted granted Critical
Publication of CN111982302B publication Critical patent/CN111982302B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/0022—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation of moving bodies
    • G01J5/0025—Living bodies
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/02—Constructional details
    • G01J5/06—Arrangements for eliminating effects of disturbing radiation; Arrangements for compensating changes in sensitivity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/02—Constructional details
    • G01J5/06—Arrangements for eliminating effects of disturbing radiation; Arrangements for compensating changes in sensitivity
    • G01J5/068—Arrangements for eliminating effects of disturbing radiation; Arrangements for compensating changes in sensitivity by controlling parameters other than temperature
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
    • A61B2560/0247—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value
    • A61B2560/0252—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value using ambient temperature

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种带噪声滤波和环境温度补偿的测温方法，包括包括以下步骤：对获取的温度测量值数据先进行数据的噪声的预处理，所述噪声包括低频噪声和中高频噪声；建立环境温度补偿模型及其温度预测；根据噪声与环境造成的测量偏差对对获取的温度测量值进行综合处理，得出实际温度值，不仅考虑噪声干扰的影响，还考虑环境温度对于体表测温问题的补偿，提高测量的精度，使得体温监测更加准确可靠。

Description

一种带噪声滤波和环境温度补偿的测温方法
技术领域
本发明涉及温度检测技术领域，特别是一种带噪声滤波和环境温度补偿的测温方法。
背景技术
随着技术的发展，非接触式的红外测量系统可以代替人类在限定距离下完成快速获取体温数值的任务。由于其鲁棒性强、快速性好、应用场合广泛等优势，非接触式红外测量系统能够降低人员近距离接触带来的风险。然而，非接触式的红外测量系统由于环境温度以及噪声干扰的影响，体温测量结果存在着精度不足的情况，首先对于无接触的温度测量中，温度测量值容易受环境因素的影响，比如在低温环境测量下体表温度低于体内温度，在阳光照射环境下体表的温度高于体内温度，其次存在噪声干扰，对温度值的精度有较大的影响，在一些噪声变化情况下难以保证良好数据质量，进而测量结果的准确度。
发明内容
针对现有技术中存在的问题，本发明的目的在于提供一种带噪声滤波和环境温度补偿的测温方法。
为解决上述问题，本发明采用如下的技术方案。
一种带噪声滤波和环境温度补偿的测温方法，包括以下步骤：
对获取的温度测量值数据先进行数据的噪声的预处理，所述噪声包括低频噪声和中高频噪声；
建立环境温度补偿模型及其温度预测；
根据噪声与环境造成的测量偏差对对获取的温度测量值进行综合处理，得出实际温度值。
作为本发明的进一步改进，对获取的温度测量值先进行数据的噪声的预处理，包括以下步骤：
步骤1、对中高频信号进行快速傅里叶变换：
首先，时间序列信号进行快速傅里叶变换，获得测温信号在频域上的信号序列
Figure RE-RE-DEST_PATH_IMAGE001
；
需要计算频域信号集中区域的宽度，作为频域信号值的截断长度，宽度的计算过程如下：
根据频域值计算能量谱，找到功率谱能量占比与设定阈值之间的数值关系，反推出频域信号集中区域宽度：
Figure RE-294796DEST_PATH_IMAGE002
其中，
Figure RE-RE-DEST_PATH_IMAGE003
表示频域信号序列， L为所求的宽度，N为数据窗的长度，i为FFT的采样点序号，SET为设定阈值；
对截断长度内的频域值进行FFT逆变换作为新的信号序列，进而获得过滤中高频噪声的信号序列；
步骤2、对低频信号进行宽度学习的滤波：
输入层:提取时间序列的样本作为输入
Figure RE-398887DEST_PATH_IMAGE004
；
利用输入向量映射出
Figure RE-RE-DEST_PATH_IMAGE005
组特征节点：
Figure RE-408651DEST_PATH_IMAGE006
；
其中
Figure RE-RE-DEST_PATH_IMAGE007
表示映射的权值，
Figure RE-993740DEST_PATH_IMAGE008
和
Figure RE-RE-DEST_PATH_IMAGE009
分别表示映射的转移参数和放缩参数，这些由k-means算法确定；
Figure RE-588539DEST_PATH_IMAGE010
为第i个激活函数；
特征节点串联为：
Figure RE-RE-DEST_PATH_IMAGE011
；
根据多组特征节点，映射出
Figure RE-860601DEST_PATH_IMAGE012
组增量节点：
Figure RE-RE-DEST_PATH_IMAGE013
；
其中，其中
Figure RE-783427DEST_PATH_IMAGE014
表示激活函数，
Figure RE-RE-DEST_PATH_IMAGE015
和
Figure RE-169278DEST_PATH_IMAGE016
分别表示增量节点的阈值参数和权值；增量节点串联为：
Figure RE-RE-DEST_PATH_IMAGE017
；
将输入层与增量层节点串联，利用伪逆值算法获得输出层的权值参数：
Figure RE-621512DEST_PATH_IMAGE018
；
其中
Figure RE-RE-DEST_PATH_IMAGE019
和
Figure RE-208351DEST_PATH_IMAGE020
分别为输出层的权值矩阵和样本的参考输出，
Figure RE-RE-DEST_PATH_IMAGE021
为
Figure RE-474598DEST_PATH_IMAGE022
的伪逆值，计算如下：
Figure RE-RE-DEST_PATH_IMAGE023
；
根据所获得的权值参数，在输出层通过映射得到预测的低频噪声：
Figure RE-805085DEST_PATH_IMAGE024
。
根据滤波数学模型消除低频噪声信号，即：
Figure RE-RE-DEST_PATH_IMAGE025
；
其中，
Figure RE-46579DEST_PATH_IMAGE026
为对低频噪声信号的预测值，而
Figure RE-RE-DEST_PATH_IMAGE027
为输入信号
Figure RE-335478DEST_PATH_IMAGE028
受低频噪声
Figure RE-RE-DEST_PATH_IMAGE029
干扰后输出信号；
得到由噪声造成测量误差
Figure RE-501405DEST_PATH_IMAGE030
，由原信号与经滤波后信号的差值决定。
作为本发明的进一步改进，建立环境温度补偿模型及其温度预测，包括以下步骤：
步骤1、为温度测量环境建立数学模型；
读取环境测温仪的温度值，得到温度在
Figure RE-RE-DEST_PATH_IMAGE031
三个维度的样本，使用最小二乘法进行环境温度模型在被控对象的单位阶跃节约响应数据的拟合，从一阶滞后环节、一阶惯性滞后环节、二阶滞后环节、二阶惯性滞后环节等找出与该温度模型拟合度最高的数学模型，以一阶惯性滞后环节为例：
Figure RE-229058DEST_PATH_IMAGE032
其中，
Figure RE-RE-DEST_PATH_IMAGE033
为静态增益，
Figure RE-860414DEST_PATH_IMAGE034
为时间常数，
Figure RE-RE-DEST_PATH_IMAGE035
为纯滞后时间；
离散化后，模型的差分方程为：
Figure RE-447777DEST_PATH_IMAGE036
其中，
Figure RE-RE-DEST_PATH_IMAGE037
为k时刻的模型预测输出，
Figure RE-816180DEST_PATH_IMAGE038
为k-1-b时刻的控制输入；
Figure RE-RE-DEST_PATH_IMAGE039
，
Figure RE-344594DEST_PATH_IMAGE040
为系统采样时间；
Figure RE-RE-DEST_PATH_IMAGE041
；
去掉纯滞后的预测输出函数：
Figure RE-888577DEST_PATH_IMAGE042
第v步的预测输出为：
Figure RE-RE-DEST_PATH_IMAGE043
步骤2、设计被控对象的模糊PID控制器，具体如下：
设定经验值PID参数
Figure RE-53367DEST_PATH_IMAGE044
；
构建包括模糊器，模糊推理机、知识库和解模糊器的模糊控制器，具体如下：
温度偏差
Figure RE-RE-DEST_PATH_IMAGE045
与偏差率
Figure RE-456535DEST_PATH_IMAGE046
最为模糊控制器的输入，以三个参数
Figure RE-RE-DEST_PATH_IMAGE047
作为模糊控制器的输出，这三个输出参数分别调整PID控制器的三个参数
Figure RE-729253DEST_PATH_IMAGE048
；模糊机上，
Figure RE-RE-DEST_PATH_IMAGE049
的基本论域为
Figure RE-179DEST_PATH_IMAGE050
；模糊论域对应的语言变量，负大、负中、负小、正小、正中、正大：
Figure RE-RE-DEST_PATH_IMAGE051
；
基本论域的量进行离散化和模糊处理，若输入语言的范围在基本论域
Figure RE-332940DEST_PATH_IMAGE052
内，进行搭配模糊子集论域
Figure RE-RE-DEST_PATH_IMAGE053
的线性转化：
Figure RE-895509DEST_PATH_IMAGE054
根据控制的计算量及稳定性，隶属度函数选取上，使用三角形隶属度函数；
建立模糊规则库：
当系统偏差较大时，为加快响应速度，选取较大的
Figure RE-RE-DEST_PATH_IMAGE055
，为防止微分饱和，选取较小的
Figure RE-644022DEST_PATH_IMAGE056
；当系统偏差和偏差率中等时，为避免系统超调，选取中等的
Figure RE-RE-DEST_PATH_IMAGE057
，为确保响应速度，选取中等的
Figure RE-244155DEST_PATH_IMAGE058
；当系统偏差较小时，应选取适当较大的
Figure RE-RE-DEST_PATH_IMAGE059
，为提高控制精度，当偏差率较大时，选择较小的
Figure RE-544555DEST_PATH_IMAGE056
，当偏差率较小时，选择较大的
Figure RE-532103DEST_PATH_IMAGE056
。
根据分析，建立模糊规则表；
进一步，目标函数
Figure RE-818727DEST_PATH_IMAGE060
为：
Figure RE-RE-DEST_PATH_IMAGE061
其中，
Figure RE-1929DEST_PATH_IMAGE062
为k时刻对k+j时刻的输出预测，
Figure RE-RE-DEST_PATH_IMAGE063
为k+1时刻的参考信号；
Figure RE-676492DEST_PATH_IMAGE064
和
Figure RE-RE-DEST_PATH_IMAGE065
为输出误差加权系数和控制加权系数；
Figure RE-948074DEST_PATH_IMAGE066
和
Figure RE-RE-DEST_PATH_IMAGE067
为预测时域长度和控制时域长度，且
Figure RE-366286DEST_PATH_IMAGE068
；
Figure RE-RE-DEST_PATH_IMAGE069
为k时刻的未来控制输入的增量，
根据测量温度与预测温度构成的目标函数，通过模糊推理机做出决策，解模糊器处理后，得到相应的PID参数增益
Figure RE-675432DEST_PATH_IMAGE070
。经验PID参数与参数增益相加，可得调整后的PID参数：
Figure RE-RE-DEST_PATH_IMAGE071
使得在减少目标函数，即减少预测量与参考量之间的偏差，进而实现在模糊PID算法下对环境温度的预测。
根据预测的环境温度，计算环境温度对测量结果的偏差
Figure RE-583214DEST_PATH_IMAGE072
。
作为本发明的进一步改进，根据噪声与环境造成的测量偏差对第一测量值以及第二测量值进行综合处理，得出实际温度值：
Figure RE-RE-DEST_PATH_IMAGE073
其中，
Figure RE-607670DEST_PATH_IMAGE074
为最终输出的温度值，
Figure RE-RE-DEST_PATH_IMAGE075
为未考虑噪声干扰与环境温度偏差影响的输出值，
Figure RE-501677DEST_PATH_IMAGE076
和
Figure RE-RE-DEST_PATH_IMAGE077
分别为噪声与环境造成的测量偏差。
本发明的有益效果
相比于现有技术，本发明的优点在于：
本发明使用FFT与宽度学习进行滤波模型的建立，能够提高滤波的效率与效果。不仅考虑噪声干扰的影响，还考虑环境温度对于体表问题的补偿，提高测量的精度，使得体温监测更加准确可靠。
附图说明
图1为本发明的原理框图。
具体实施方式
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，都属于本发明保护的范围。
请参阅图1，一种带噪声滤波和环境温度补偿的测温方法，包括包括以下步骤：
对获取的温度测量值数据先进行数据的噪声的预处理，所述噪声包括低频噪声和中高频噪声；
建立环境温度补偿模型及其温度预测；
根据噪声与环境造成的测量偏差对对获取的温度测量值进行综合处理，得出实际温度值。
对获取的温度测量值数据先进行数据的预处理，包括以下步骤：
步骤1、对中高频信号进行快速傅里叶变换：
首先，时间序列信号进行快速傅里叶变换，获得测温信号在频域上的信号序列
Figure RE-948487DEST_PATH_IMAGE001
；
需要计算频域信号集中区域的宽度，作为频域信号值的截断长度，宽度的计算过程如下：
根据频域值计算能量谱，找到功率谱能量占比与设定阈值之间的数值关系，反推出频域信号集中区域宽度：
Figure RE-371378DEST_PATH_IMAGE002
其中，
Figure RE-86393DEST_PATH_IMAGE003
表示频域信号序列， L为所求的宽度，N为数据窗的长度，i为FFT的采样点序号，SET为设定阈值；
对截断长度内的频域值进行FFT逆变换作为新的信号序列，进而获得过滤中高频噪声的信号序列；
步骤2、对低频信号进行宽度学习的滤波：
输入层:提取时间序列的样本作为输入
Figure RE-111987DEST_PATH_IMAGE004
；
利用输入向量映射出
Figure RE-64899DEST_PATH_IMAGE005
组特征节点：
Figure RE-127533DEST_PATH_IMAGE006
；
其中
Figure RE-801616DEST_PATH_IMAGE007
表示映射的权值，
Figure RE-427638DEST_PATH_IMAGE008
和
Figure RE-500636DEST_PATH_IMAGE009
分别表示映射的转移参数和放缩参数，这些由k-means算法确定；
Figure RE-858805DEST_PATH_IMAGE010
为第i个激活函数；
特征节点串联为：
Figure RE-282833DEST_PATH_IMAGE011
；
根据多组特征节点，映射出
Figure RE-53825DEST_PATH_IMAGE012
组增量节点：
Figure RE-981329DEST_PATH_IMAGE013
；
其中，其中
Figure RE-385766DEST_PATH_IMAGE014
表示激活函数，
Figure RE-890565DEST_PATH_IMAGE015
和
Figure RE-999336DEST_PATH_IMAGE016
分别表示增量节点的阈值参数和权值；增量节点串联为：
Figure RE-515768DEST_PATH_IMAGE017
；
将输入层与增量层节点串联，利用伪逆值算法获得输出层的权值参数：
Figure RE-953090DEST_PATH_IMAGE018
；
其中
Figure RE-945185DEST_PATH_IMAGE019
和
Figure RE-857647DEST_PATH_IMAGE020
分别为输出层的权值矩阵和样本的参考输出，
Figure RE-494164DEST_PATH_IMAGE021
为
Figure RE-830949DEST_PATH_IMAGE022
的伪逆值，计算如下：
Figure RE-44762DEST_PATH_IMAGE023
；
根据所获得的权值参数，在输出层通过映射得到预测的低频噪声：
Figure RE-433018DEST_PATH_IMAGE024
。
根据滤波数学模型消除低频噪声信号，即：
Figure RE-517517DEST_PATH_IMAGE025
；
其中，
Figure RE-231395DEST_PATH_IMAGE026
为对低频噪声信号的预测值，而
Figure RE-604608DEST_PATH_IMAGE027
为输入信号
Figure RE-65064DEST_PATH_IMAGE028
受低频噪声
Figure RE-879436DEST_PATH_IMAGE029
干扰后输出信号；
得到由噪声造成测量误差
Figure RE-295374DEST_PATH_IMAGE030
，由原信号与经滤波后信号的差值决定。
建立环境温度补偿模型及其温度预测，包括以下步骤：
步骤1、为温度测量环境建立数学模型；
读取环境测温仪的温度值，得到温度在
Figure RE-952620DEST_PATH_IMAGE031
三个维度的样本，使用最小二乘法进行环境温度模型在被控对象的单位节约响应数据的拟合，从一阶滞后环节、一阶惯性滞后环节、二阶滞后环节、二阶惯性滞后环节等找出与该温度模型拟合度最高的数学模型，以一阶惯性滞后环节为例：
Figure RE-213837DEST_PATH_IMAGE032
其中，
Figure RE-945033DEST_PATH_IMAGE033
为静态增益，
Figure RE-266293DEST_PATH_IMAGE034
为时间常数，
Figure RE-283272DEST_PATH_IMAGE035
为纯滞后时间；
离散化后，模型的差分方程为：
Figure RE-82600DEST_PATH_IMAGE036
其中，
Figure RE-668302DEST_PATH_IMAGE037
为k时刻的模型预测输出，
Figure RE-160464DEST_PATH_IMAGE038
为k-1-b时刻的控制输入；
Figure RE-464406DEST_PATH_IMAGE039
，
Figure RE-801847DEST_PATH_IMAGE040
为系统采样时间；
Figure RE-773214DEST_PATH_IMAGE041
；
去掉纯滞后的预测输出函数：
Figure RE-170697DEST_PATH_IMAGE042
第v步的预测输出为：
Figure RE-292761DEST_PATH_IMAGE043
步骤2、设计被控对象的模糊PID控制器，具体如下：
设定经验值PID参数
Figure RE-433892DEST_PATH_IMAGE044
；
构建包括模糊器，模糊推理机、知识库和解模糊器的模糊控制器，具体如下：
温度偏差
Figure RE-994187DEST_PATH_IMAGE045
与偏差率
Figure RE-562571DEST_PATH_IMAGE046
最为模糊控制器的输入，以三个参数
Figure RE-841106DEST_PATH_IMAGE047
作为模糊控制器的输出，这三个输出参数分别调整PID控制器的三个参数
Figure RE-51507DEST_PATH_IMAGE048
；模糊机上，
Figure RE-466308DEST_PATH_IMAGE049
的基本论域为
Figure RE-491681DEST_PATH_IMAGE050
；模糊论域对应的语言变量，负大、负中、负小、正小、正中、正大：
Figure RE-195195DEST_PATH_IMAGE051
；
基本论域的量进行离散化和模糊处理，若输入语言的范围在基本论域
Figure RE-678129DEST_PATH_IMAGE052
内，进行搭配模糊子集论域
Figure RE-213015DEST_PATH_IMAGE053
的线性转化：
Figure RE-123203DEST_PATH_IMAGE054
根据控制的计算量及稳定性，隶属度函数选取上，使用三角形隶属度函数；
建立模糊规则库：
当系统偏差较大时，为加快响应速度，选取较大的
Figure RE-110750DEST_PATH_IMAGE055
，为防止微分饱和，选取较小的
Figure RE-990850DEST_PATH_IMAGE056
；当系统偏差和偏差率中等时，为避免系统超调，选取中等的
Figure RE-383173DEST_PATH_IMAGE057
，为确保响应速度，选取中等的
Figure RE-995420DEST_PATH_IMAGE058
；当系统偏差较小时，应选取适当较大的
Figure RE-470264DEST_PATH_IMAGE059
，为提高控制精度，当偏差率较大时，选择较小的
Figure RE-295000DEST_PATH_IMAGE056
，当偏差率较小时，选择较大的
Figure RE-538900DEST_PATH_IMAGE056
。
根据分析，建立模糊规则表；
进一步，目标函数
Figure RE-56469DEST_PATH_IMAGE060
为：
Figure RE-221871DEST_PATH_IMAGE061
其中，
Figure RE-850298DEST_PATH_IMAGE062
为k时刻对k+j时刻的输出预测，
Figure RE-945775DEST_PATH_IMAGE063
为k+1时刻的参考信号；
Figure RE-634245DEST_PATH_IMAGE064
和
Figure RE-83681DEST_PATH_IMAGE065
为输出误差加权系数和控制加权系数；
Figure RE-250220DEST_PATH_IMAGE066
和
Figure RE-468712DEST_PATH_IMAGE067
为预测时域长度和控制时域长度，且
Figure RE-328083DEST_PATH_IMAGE068
；
Figure RE-264815DEST_PATH_IMAGE069
为k时刻的未来控制输入的增量，
根据测量温度与预测温度构成的目标函数，通过模糊推理机做出决策，解模糊器处理后，得到相应的PID参数增益
Figure RE-235045DEST_PATH_IMAGE070
。经验PID参数与参数增益相加，可得调整后的PID参数：
Figure RE-576553DEST_PATH_IMAGE071
使得在减少目标函数，即减少预测量与参考量之间的偏差，进而实现在模糊PID算法下对环境温度的预测。
根据预测的环境温度，计算环境温度对测量结果的偏差
Figure RE-341246DEST_PATH_IMAGE072
。
根据噪声与环境造成的测量偏差对第一测量值以及第二测量值进行综合处理，得出实际温度值：
Figure RE-499695DEST_PATH_IMAGE073
其中，
Figure RE-273616DEST_PATH_IMAGE074
为最终输出的温度值，
Figure RE-794596DEST_PATH_IMAGE075
为未考虑噪声干扰与环境温度偏差影响的输出值，
Figure RE-261350DEST_PATH_IMAGE076
和
Figure RE-907095DEST_PATH_IMAGE077
分别为噪声与环境造成的测量偏差。
以上所述，仅为本发明较佳的具体实施方式；但本发明的保护范围并不局限于此。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，根据本发明的技术方案及其改进构思加以等同替换或改变，都应涵盖在本发明的保护范围内。

Claims (4)

1.一种带噪声滤波和环境温度补偿的测温方法，其特征在于，包括以下步骤：
对获取的温度测量值数据先进行数据的噪声的预处理，所述噪声包括低频噪声和中高频噪声；
建立环境温度补偿模型及其温度预测；
根据噪声与环境造成的测量偏差对对获取的温度测量值进行综合处理，得出实际温度值。
2.根据权利要求1所述的一种带噪声滤波和环境温度补偿的测温方法，其特征在于：
对获取的温度测量值先进行数据的噪声的预处理，包括以下步骤：
步骤1、对中高频信号进行快速傅里叶变换：
首先，时间序列信号进行快速傅里叶变换，获得测温信号在频域上的信号序列
Figure DEST_PATH_IMAGE001
；
需要计算频域信号集中区域的宽度，作为频域信号值的截断长度，宽度的计算过程如下：
根据频域值计算能量谱，找到功率谱能量占比与设定阈值之间的数值关系，反推出频域信号集中区域宽度：
Figure 262951DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示频域信号序列， L为所求的宽度，N为数据窗的长度，i为FFT的采样点序号，SET为设定阈值；
对截断长度内的频域值进行FFT逆变换作为新的信号序列，进而获得过滤中高频噪声的信号序列；
步骤2、对低频信号进行宽度学习的滤波：
输入层:提取时间序列的样本作为输入
Figure 953696DEST_PATH_IMAGE004
；
利用输入向量映射出
Figure DEST_PATH_IMAGE005
组特征节点：
Figure 379998DEST_PATH_IMAGE006
；
其中
Figure DEST_PATH_IMAGE007
表示映射的权值，
Figure 130785DEST_PATH_IMAGE008
和
Figure DEST_PATH_IMAGE009
分别表示映射的转移参数和放缩参数，这些由k-means算法确定；
Figure 357717DEST_PATH_IMAGE010
为第i个激活函数；
特征节点串联为：
Figure DEST_PATH_IMAGE011
；
根据多组特征节点，映射出
Figure 307612DEST_PATH_IMAGE012
组增量节点：
Figure DEST_PATH_IMAGE013
；
其中，其中
Figure 181896DEST_PATH_IMAGE014
表示激活函数，
Figure DEST_PATH_IMAGE015
和
Figure 369164DEST_PATH_IMAGE016
分别表示增量节点的阈值参数和权值；增量节点串联为：
Figure DEST_PATH_IMAGE017
；
将输入层与增量层节点串联，利用伪逆值算法获得输出层的权值参数：
Figure 37387DEST_PATH_IMAGE018
；
其中
Figure DEST_PATH_IMAGE019
和
Figure 69934DEST_PATH_IMAGE020
分别为输出层的权值矩阵和样本的参考输出，
Figure DEST_PATH_IMAGE021
为
Figure 470828DEST_PATH_IMAGE022
的伪逆值，计算如下：
Figure DEST_PATH_IMAGE023
；
根据所获得的权值参数，在输出层通过映射得到预测的低频噪声：
Figure 563418DEST_PATH_IMAGE024
；
根据滤波数学模型消除低频噪声信号，即：
Figure DEST_PATH_IMAGE025
；
其中，
Figure 521534DEST_PATH_IMAGE026
为对低频噪声信号的预测值，而
Figure DEST_PATH_IMAGE027
为输入信号
Figure 623351DEST_PATH_IMAGE028
受低频噪声
Figure DEST_PATH_IMAGE029
干扰后输出信号；
得到由噪声造成测量误差
Figure 878752DEST_PATH_IMAGE030
，由原信号与经滤波后信号的差值决定。
3.根据权利要求2所述的一种带噪声滤波和环境温度补偿的测温方法，其特征在于：
建立环境温度补偿模型及其温度预测，包括以下步骤：
步骤1、为温度测量环境建立数学模型；
读取环境测温仪的温度值，得到温度在
Figure DEST_PATH_IMAGE031
三个维度的样本，使用最小二乘法进行环境温度模型在被控对象的单位阶跃节约响应数据的拟合，从一阶滞后环节、一阶惯性滞后环节、二阶滞后环节、二阶惯性滞后环节等找出与该温度模型拟合度最高的数学模型，以一阶惯性滞后环节为例：
Figure 407822DEST_PATH_IMAGE032
其中，
Figure DEST_PATH_IMAGE033
为静态增益，
Figure 261026DEST_PATH_IMAGE034
为时间常数，
Figure DEST_PATH_IMAGE035
为纯滞后时间；
离散化后，模型的差分方程为：
Figure 900955DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE037
为k时刻的模型预测输出，
Figure 620649DEST_PATH_IMAGE038
为k-1-b时刻的控制输入；
Figure DEST_PATH_IMAGE039
，
Figure 713763DEST_PATH_IMAGE040
为系统采样时间；
Figure DEST_PATH_IMAGE041
；
去掉纯滞后的预测输出函数：
Figure 643542DEST_PATH_IMAGE042
第v步的预测输出为：
Figure DEST_PATH_IMAGE043
步骤2、设计被控对象的模糊PID控制器，具体如下：
设定经验值PID参数
Figure 821583DEST_PATH_IMAGE044
；
构建包括模糊器，模糊推理机、知识库和解模糊器的模糊控制器，具体如下：
温度偏差
Figure DEST_PATH_IMAGE045
与偏差率
Figure 723679DEST_PATH_IMAGE046
最为模糊控制器的输入，以三个参数
Figure DEST_PATH_IMAGE047
作为模糊控制器的输出，这三个输出参数分别调整PID控制器的三个参数
Figure 591623DEST_PATH_IMAGE048
；模糊机上，
Figure DEST_PATH_IMAGE049
的基本论域为
Figure 274277DEST_PATH_IMAGE050
；模糊论域对应的语言变量，负大、负中、负小、正小、正中、正大：
Figure DEST_PATH_IMAGE051
；
基本论域的量进行离散化和模糊处理，若输入语言的范围在基本论域
Figure 646221DEST_PATH_IMAGE052
内，进行搭配模糊子集论域
Figure DEST_PATH_IMAGE053
的线性转化：
Figure 671333DEST_PATH_IMAGE054
根据控制的计算量及稳定性，隶属度函数选取上，使用三角形隶属度函数；
建立模糊规则库：
当系统偏差较大时，为加快响应速度，选取较大的
Figure DEST_PATH_IMAGE055
，为防止微分饱和，选取较小的
Figure 713108DEST_PATH_IMAGE056
；当系统偏差和偏差率中等时，为避免系统超调，选取中等的
Figure DEST_PATH_IMAGE057
，为确保响应速度，选取中等的
Figure 883058DEST_PATH_IMAGE058
；当系统偏差较小时，应选取适当较大的
Figure DEST_PATH_IMAGE059
，为提高控制精度，当偏差率较大时，选择较小的
Figure 668480DEST_PATH_IMAGE056
，当偏差率较小时，选择较大的
Figure 338977DEST_PATH_IMAGE056
；
根据分析，建立模糊规则表；
进一步，目标函数
Figure 348390DEST_PATH_IMAGE060
为：
Figure DEST_PATH_IMAGE061
其中，
Figure 740058DEST_PATH_IMAGE062
为k时刻对k+j时刻的输出预测，
Figure DEST_PATH_IMAGE063
为k+1时刻的参考信号；
Figure 329171DEST_PATH_IMAGE064
和
Figure DEST_PATH_IMAGE065
为输出误差加权系数和控制加权系数；
Figure 797717DEST_PATH_IMAGE066
和
Figure DEST_PATH_IMAGE067
为预测时域长度和控制时域长度，且
Figure 837086DEST_PATH_IMAGE068
；
Figure DEST_PATH_IMAGE069
为k时刻的未来控制输入的增量，
根据测量温度与预测温度构成的目标函数，通过模糊推理机做出决策，解模糊器处理后，得到相应的PID参数增益
Figure 981628DEST_PATH_IMAGE070
，经验PID参数与参数增益相加，可得调整后的PID参数：
Figure DEST_PATH_IMAGE071
使得在减少目标函数，即减少预测量与参考量之间的偏差，进而实现在模糊PID算法下对环境温度的预测；
根据预测的环境温度，计算环境温度对测量结果的偏差
Figure 43607DEST_PATH_IMAGE072
。
4.根据权利要求3所述的一种带噪声滤波和环境温度补偿的测温方法，其特征在于：
根据噪声与环境造成的测量偏差对第一测量值以及第二测量值进行综合处理，得出实际温度值：
Figure DEST_PATH_IMAGE073
其中，
Figure 612997DEST_PATH_IMAGE074
为最终输出的温度值，
Figure DEST_PATH_IMAGE075
为未考虑噪声干扰与环境温度偏差影响的输出值，
Figure 498301DEST_PATH_IMAGE076
和
Figure DEST_PATH_IMAGE077
分别为噪声与环境造成的测量偏差。
CN202010856803.2A 2020-08-24 2020-08-24 一种带噪声滤波和环境温度补偿的测温方法 Active CN111982302B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010856803.2A CN111982302B (zh) 2020-08-24 2020-08-24 一种带噪声滤波和环境温度补偿的测温方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010856803.2A CN111982302B (zh) 2020-08-24 2020-08-24 一种带噪声滤波和环境温度补偿的测温方法

Publications (2)

Publication Number Publication Date
CN111982302A true CN111982302A (zh) 2020-11-24
CN111982302B CN111982302B (zh) 2023-12-29

Family

ID=73443797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010856803.2A Active CN111982302B (zh) 2020-08-24 2020-08-24 一种带噪声滤波和环境温度补偿的测温方法

Country Status (1)

Country Link
CN (1) CN111982302B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112504491A (zh) * 2020-12-11 2021-03-16 无锡博智芯科技有限公司 一种基于可穿戴设备的体温测量方法
CN112648794A (zh) * 2020-12-28 2021-04-13 中电海康集团有限公司 一种医用冷藏箱的快速精确控温方法及医用冷藏箱
CN112763225A (zh) * 2020-12-25 2021-05-07 哈尔滨工业大学 一种基于拉普拉斯特征映射算法的传感器误差识别及消除方法
CN112763086A (zh) * 2020-12-26 2021-05-07 广东电网有限责任公司电力科学研究院 一种测温补偿系统及测温补偿装置
CN113721529A (zh) * 2021-09-03 2021-11-30 成都理工大学 一种基于fpga的数据采集系统
CN114018972A (zh) * 2021-11-04 2022-02-08 株洲国创轨道科技有限公司 基于分散模糊推理机制的固液相变材料表面热流测量方法及系统
WO2022120563A1 (zh) * 2020-12-08 2022-06-16 深圳迈瑞生物医疗电子股份有限公司 温度预测方法、装置和存储介质
CN117309159A (zh) * 2023-09-04 2023-12-29 安徽中盛轨道交通产业有限公司 基于红外热成像的列车机柜火焰预警方法
CN117638325A (zh) * 2024-01-25 2024-03-01 武汉理工大学 一种动力电池低温热管理方法及系统
CN117824224A (zh) * 2024-03-04 2024-04-05 无锡冠亚恒温制冷技术有限公司 一种增强稳定性的低温系统的控制方法
CN118010165A (zh) * 2024-04-08 2024-05-10 宁波泰利电器有限公司 一种直发梳自动感应温度预警方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684937A (zh) * 2018-12-06 2019-04-26 国电南瑞科技股份有限公司 一种基于fft及数学形态法的信号去噪方法及装置
CN110222700A (zh) * 2019-05-30 2019-09-10 五邑大学 基于多尺度特征与宽度学习的sar图像识别方法及装置
CN110864816A (zh) * 2019-12-05 2020-03-06 国网河南省电力公司焦作供电公司 多光谱高压带电设备参数采集仪用红外测温仪
CN111160392A (zh) * 2019-12-03 2020-05-15 广东工业大学 一种基于小波宽度学习系统的高光谱分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684937A (zh) * 2018-12-06 2019-04-26 国电南瑞科技股份有限公司 一种基于fft及数学形态法的信号去噪方法及装置
CN110222700A (zh) * 2019-05-30 2019-09-10 五邑大学 基于多尺度特征与宽度学习的sar图像识别方法及装置
CN111160392A (zh) * 2019-12-03 2020-05-15 广东工业大学 一种基于小波宽度学习系统的高光谱分类方法
CN110864816A (zh) * 2019-12-05 2020-03-06 国网河南省电力公司焦作供电公司 多光谱高压带电设备参数采集仪用红外测温仪

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022120563A1 (zh) * 2020-12-08 2022-06-16 深圳迈瑞生物医疗电子股份有限公司 温度预测方法、装置和存储介质
CN112504491A (zh) * 2020-12-11 2021-03-16 无锡博智芯科技有限公司 一种基于可穿戴设备的体温测量方法
CN112763225B (zh) * 2020-12-25 2022-12-30 哈尔滨工业大学 一种基于拉普拉斯特征映射算法的传感器误差识别及消除方法
CN112763225A (zh) * 2020-12-25 2021-05-07 哈尔滨工业大学 一种基于拉普拉斯特征映射算法的传感器误差识别及消除方法
CN112763086A (zh) * 2020-12-26 2021-05-07 广东电网有限责任公司电力科学研究院 一种测温补偿系统及测温补偿装置
CN112648794A (zh) * 2020-12-28 2021-04-13 中电海康集团有限公司 一种医用冷藏箱的快速精确控温方法及医用冷藏箱
CN113721529A (zh) * 2021-09-03 2021-11-30 成都理工大学 一种基于fpga的数据采集系统
CN114018972A (zh) * 2021-11-04 2022-02-08 株洲国创轨道科技有限公司 基于分散模糊推理机制的固液相变材料表面热流测量方法及系统
CN114018972B (zh) * 2021-11-04 2024-05-28 株洲国创轨道科技有限公司 基于分散模糊推理机制的固液相变材料表面热流测量方法及系统
CN117309159A (zh) * 2023-09-04 2023-12-29 安徽中盛轨道交通产业有限公司 基于红外热成像的列车机柜火焰预警方法
CN117638325A (zh) * 2024-01-25 2024-03-01 武汉理工大学 一种动力电池低温热管理方法及系统
CN117638325B (zh) * 2024-01-25 2024-04-16 武汉理工大学 一种动力电池低温热管理方法及系统
CN117824224A (zh) * 2024-03-04 2024-04-05 无锡冠亚恒温制冷技术有限公司 一种增强稳定性的低温系统的控制方法
CN117824224B (zh) * 2024-03-04 2024-05-28 无锡冠亚恒温制冷技术有限公司 一种增强稳定性的低温系统的控制方法
CN118010165A (zh) * 2024-04-08 2024-05-10 宁波泰利电器有限公司 一种直发梳自动感应温度预警方法及系统

Also Published As

Publication number Publication date
CN111982302B (zh) 2023-12-29

Similar Documents

Publication Publication Date Title
CN111982302A (zh) 一种带噪声滤波和环境温度补偿的测温方法
CN109992921B (zh) 一种燃煤电厂锅炉热效率的在线软测量方法及系统
Ren et al. Experimental and fuzzy modelling analysis on dynamic cutting force in micro milling
Al-Mahasneh et al. Applications of general regression neural networks in dynamic systems
CN110633846A (zh) 燃气负荷预测方法和装置
CN108595892A (zh) 基于时间差分模型的软测量建模方法
CN112504682A (zh) 基于粒子群优化算法的底盘发动机故障诊断方法及系统
CN114298134A (zh) 风电功率预测方法及装置、电子设备
CN110245398B (zh) 空气预热器转子热变形量的软测量深度学习方法
CN114403486B (zh) 基于局部峰值编码循环网络的气流式烘丝机智能控制方法
CN113536696A (zh) Sto-tcn热误差预测模型建模方法及其迁移学习方法
CN116975645A (zh) 一种基于vae-mrcnn的工业过程软测量建模方法
CN114626304A (zh) 一种矿浆铜品位在线预测软测量建模方法
CN112001115A (zh) 一种半监督动态软测量网络的软测量建模方法
Qi et al. Using stacked auto-encoder and bi-directional LSTM for batch process quality prediction
CN116880201A (zh) 基于模糊神经网络的水网渠道状态控制系统
Wu et al. Time series online prediction algorithm based on least squares support vector machine
CN115563579A (zh) 一种电容式传感器测量含沙量的数据融合方法
CN113804833B (zh) 基于凸集投影和极限学习机的电子鼻漂移通用校准方法
Li et al. Optimization of processing parameters for microwave drying of selenium-rich slag using incremental improved back-propagation neural network and response surface methodology
Zhang et al. Machine Tools Thermal Error Modeling with Imbalanced Data Based on Transfer Learning
CN113671916A (zh) 一种考虑输入约束的流程工业过程优化控制方法及装置
Chen et al. Modeling of wastewater treatment process using recurrent neural network
Guo et al. Modelling for multi-phase batch processes using steady state identification and deep recurrent neural network
Wang A new variable selection method for soft sensor based on deep learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant