CN113091910A - 一种基于神经网络的温度估测方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的温度估测方法，包括步骤：1)在实验条件下，通过传感器测量被测物体在实际工况中不方便测量部位的周边温度数据和被测物体该部位的温度数据作为样本数据，构造训练集和测试集；2)通过步骤1)在不同的时间下获取大量的温度数据，并进行预处理和归一化；3)建立神经网络模型，利用实验中得到的数据训练该神经网络模型，直到温度估测的误差达到满意的误差率；4)在实际工况中，就能利用训练好的神经网络模型来准确估测被测物体在实际工况中不方便测量部位的温度。本发明较以往方法，操作简单，实用性好，且准确率高。

Description

一种基于神经网络的温度估测方法

技术领域

本发明涉及温度测量以及数据建模的技术领域，尤其是指一种基于神经网络的温度估测方法。

背景技术

在温度测量过程中，如果能直接测量被测物体的温度，在加以温度补偿和传感器校正，往往能得到不错的测量温度数据。而且市面上存在多种多样的温度传感器，它们分别能适应不同的环境，有不同的测量精度，可以根据生产环境和使用条件，加以选择。

在很多生产工厂和实验中，温度测量至关重要，存在被测物体在实际使用中，需要准确知道但又不方便直接测量某个部位温度的情况，这种往往只能通过测量被测物体该部位的周边温度，在进行实验建模估测出该部位温度数据或者简单的作为该部位的温度数据来使用。这导致了不小的误差，且常常使用的模型为线性模型，因为它便于建立，可以通过物理方法或数学计算的方式来实现。然而线性模型存在一定的局限性，现实中使用的器具往往具有非线性的特征，这时使用线性模型去建模往往过于复杂或者误差较大。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于神经网络的温度估测方法，通过测量被测物体在实际工况中不方便测量部位的周边温度，准确估测出被测物体该部位的温度，这种方式不用直接测量被测物体实际工况不方便测量的部位温度，而通过采集被测物体在实际工况中不方便测量部位的周边温度，就能估测出较为精确的温度数据，解决了生产环境或者使用条件下，需要知道被测物体不方便测量部位温度的情况，且易于实现，准确度高。

为实现上述目的，本发明所提供的技术方案为：一种基于神经网络的温度估测方法，包括以下步骤：

1)在实验条件下，通过温度传感器测量被测物体在实际工况中不方便测量部位的周边温度数据和被测物体该部位的温度数据作为样本数据，在不同的时间下获取大量的样本数据，并进行预处理和归一化；

2)根据实际情况选取神经网络模型的层数和各层的节点数，利用所得的温度数据训练神经网络模型，直至神经网络模型的误差达到要求为止；

3)在实际工况中，获取被测物体不方便测量部位的周边温度后，利用步骤2)训练好的神经网络模型即可实时估测被测物体不方便测量部位的温度。

在步骤1)中，为了避免测量方式造成的误差，应该根据实际工况，固定好温度传感器放置的位置，保证实验条件和实际工况下的一致性。

在步骤2)中，把步骤1)中获取的大量样本数据存储在一个数组中，从中随机挑选大部分数据作为训练集，用于训练神经网络模型，剩余数据作为测试集，用于检测训练好的神经网络模型的质量；

对于神经网络模型的选择：神经网络模型要有输入层、隐藏层和输出层，其中隐藏层有Q个，Q>0，每层节点的数量记为m_j，其中j表示第j层，0<j<＝Q+2；第一层为输入层，有m₁个节点，m₁根据被测物体在实际工况中不方便测量部位的周边温度个数决定；最后一层为输出层，有m_Q+2个节点，m_Q+2根据在实际工况中需要估测的不方便测量部位的个数决定；其它层的节点数根据实际情况选取；每层之间的参数记为W_j和b_j，它们表示第j-1层和第j层之间的参数，其中W_j为一个m_j*m_j-1的矩阵，b_j为一个有m_j个元素的向量，它包含了第j层每个节点的激活阈值；

输出层的激活函数选取线性函数为：f(x)＝x，其中x为该层的输入值，其余各层之间的激活函数选取为：f(x)＝max(0,x)，则隐藏层的输出O_j为：O_j＝max(0,W_jO_j-1+b_j)，输出层的输出为：Y＝W_jO_j-1+b_j，其中O_j-1为是上一层的输出，且在隐藏层的输出和输出层的输出中O_j-1是不同的，因为它们是不同的层，j不同；

根据以上计算的结果，同时选取损失函数E为：E＝‖o-Y‖²/2，其中o为实验条件下，在实际工况中不方便测量部位的温度数据，Y为神经网络模型估测出来的该部位温度数据；

调整各层之间的权值参数W_j和b_j：当学习率为η时，根据梯度下降法，神经网络模型各层之间的权值参数的调整量ΔW_j、Δb_j为：

根据链式求导得到，学习率选为0.1-1之间的数；

训练时，要考虑温度数据的归一化，把数据压缩在[0,1]；

神经网络模型的训练采用反向传播方法，当实际输出值与期望输出值不相同时，根据上面求得权值参数的调整值来调整各个节点的权值参数，在这个过程中，各层权值会不断调整，直到神经网络模型输出的误差小于设定的值或学习的次数达到设定的值为止时，神经网络模型训练完成；

最后，使用测试集检测神经网络模型的质量，如果没有达到要求，就重新选择神经网络模型参数，再次训练，直到达到要求为止。

本发明与现有技术相比，具有如下优点与有益效果：

1、本发明中使用非线性函数ReLU：f(x)＝max(0,x)作为神经网络模型的激活函数，这使得建立的模型具有良好的非线性的拟合能力，提高估测准确度。

2、本发明通过使用神经网络，利用测量的实际温度数据来训练，使其自动学习，自动优化调整参数，能够拟合出非常复杂的非线性关系，这能无限接近被测物体在实际工况中不方便测量部位的周边温度和该部位温度之间的真实关系，能够估测出准确的数据。

3、本发明使用的方法，不用借助复杂的物理理论来进行建模，且估测得到的温度数据也更精确。

4、本发明使用的神经网络模型，训练好后，可以直接存储进MCU微处理器中，利于在实际的工作现场进行温度估测，且方便移动和安装，和平常的温度传感器一样简单好用。

5、本发明的神经网络模型输出层节点数可为多个，使得训练好的神经网络模型，可以用来估测被测物体多处在实际工况中不方便测量的部位温度，这可以充分利用测量的温度数据，也不用为了估测被测物体多个部位温度时，建立多个估测模型，方便实用。

附图说明

图1为本发明方法流程示意图。

图2为神经网络模型的训练架构图。

图3为神经网络模型在训练过程中误差变化曲线图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

以一个直径20cm，高为20cm的圆桶容器为例，利用电磁炉为其加热，介质为水。如果想精确知道容器内水的温度，就需要使用温度传感器进行测量。在现实生活中，为了使用的方便，温度传感器一般不会直接放入容器中，而置于容器底部测量时，难免受到电磁的干扰且测量的也是容器底部温度，一般远高于容器中介质温度。对此，可以使用本发明所提供的基于神经网络的温度估测方法进行测量，如图1所示，具体步骤如下：

1)通过采集容器外部以底部为基准，垂直向上6cm，10cm，14cm位置的温度数据，其中温度传感器根据实际需求，为了便于容器的移动，容器外表面不宜贴合温度传感器，选取型号为MLX90614的红外温度传感器，该三路红外传感器通过IIC协议与型号为STM32F103的MCU进行通信，测量容器外部固定高度的温度数据。

2)三路红外传感器测量得到的数据通过线路传递到MCU微控制单元，MCU根据接收到的三路温度数据，根据训练好的神经网络模型实时估测出容器内介质温度，并通过OLED显示屏显示出来，具体过程如下：

通过实验，采集容器外部垂直向上6cm，10cm，14cm位置的温度数据同时，也采用pt100温度传感器测取容器中介质温度，构成四路温度数据，形成一组数据记为data。容器中水温从室温20度左右一直加热到100度左右的沸腾状态，数据每2秒采集一次，多次加热，一共采集6000组data数据，从中随机挑选5500组data数据用来训练神经网络模型，剩下500组data数据用来验证训练好的神经网络模型。

神经网络模型的输入层的节点为三个，隐藏层节点选取为九个，输出层为一个。则隐藏层的输入为：net₁＝W₁O₁+b₁，其中

其中

为输入层每个节点的输出，W₁和b₁是输入层和隐藏层之间的参数，W₁是一个9*3的矩阵，b₁是一个有9个元素的向量。输出层的输入为：net₂＝W₂O₂+b₂，其中

其中

为隐藏层每个节点的输出，W₂和b₂是隐藏层和输出层之间的参数，W₂是一个1*9的矩阵，b₂是一个有1个元素的向量。初始化这些参数，把参数的值初始化在0值附近。

输出层的激活函数选取线性函数为：f(x)＝x，其中x为该层的输入值，其余各层之间的激活函数选取为：y＝max(0,x)，则隐藏层的输出为：O₂＝max(0,net₁)。输出层的输出为：y＝net₂。

根据以上计算的结果，同时选取损失函数为：E＝||o-Y||²/2，其中o为容器中介质实际测量的温度，Y为神经网络模型估测出来的温度。

调整输出层和隐含层的权值参数。当学习速率为0.2时，根据梯度下降法，输出层的权值参数的调整量为：

隐藏层的权值参数的调整量为：

可根据链式求导得到：

b₂同理；

b₁同理；

可得新的权值参数为：W₁＝W₁+ΔW₁，W₂＝W₂+ΔW₂，b₁＝b₁+Δb₁，b₂＝b₂+Δb₂，训练架构见图2所示。

训练时，先把温度数据预处理。

神经网络模型的训练采用误差反向传播方法，当实际输出值与期望的输出值不相同时，根据上面求得权值参数的调整值来调整各个节点的权值参数，在这个过程中，各层权值会不断调整，直到神经网络模型输出的误差小于设定的值或学习的次数达到设定的值为止时，神经网络模型训练完成。

神经网络模型的训练过程中误差的变化如图3所示，误差在不断变小。

把训练好的神经网络模型写入到MCU微控制单元中。

3)利用训练好的神经网络模型，把采集到的容器外部6cm、10cm、14cm位置的温度数据输入到模型中，就可以实时得到估测的容器内水的温度。经实验检测，如果直接通过容器外壁近似测量容器内水的温度，与真实的容器内水的温度相比，多次检测，取平均误差一般在3-5度之间，而使用本发明提供的方法，误差一般快速下降到0.9度以下，准确率有了不小的提高。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (3)

1.一种基于神经网络的温度估测方法，其特征在于，包括以下步骤：

1)在实验条件下，通过温度传感器测量被测物体在实际工况中不方便测量部位的周边温度数据和被测物体该部位的温度数据作为样本数据，在不同的时间下获取大量的样本数据，并进行预处理和归一化；

2)根据实际情况选取神经网络模型的层数和各层的节点数，利用所得的温度数据训练神经网络模型，直至神经网络模型的误差达到要求为止；

3)在实际工况中，获取被测物体不方便测量部位的周边温度后，利用步骤2)训练好的神经网络模型即可实时估测被测物体不方便测量部位的温度。

2.根据权利要求1所述的一种基于神经网络的温度估测方法，其特征在于：在步骤1)中，为了避免测量方式造成的误差，应该根据实际工况，固定好温度传感器放置的位置，保证实验条件和实际工况下的一致性。

3.根据权利要求1所述的一种基于神经网络的温度估测方法，其特征在于：在步骤2)中，把步骤1)中获取的大量样本数据存储在一个数组中，从中随机挑选大部分数据作为训练集，用于训练神经网络模型，剩余数据作为测试集，用于检测训练好的神经网络模型的质量；

对于神经网络模型的选择：神经网络模型要有输入层、隐藏层和输出层，其中隐藏层有Q个，Q>0，每层节点的数量记为m_j，其中j表示第j层，0<j<＝Q+2；第一层为输入层，有m₁个节点，m₁根据被测物体在实际工况中不方便测量部位的周边温度个数决定；最后一层为输出层，有m_Q+2个节点，m_Q+2根据在实际工况中需要估测的不方便测量部位的个数决定；其它层的节点数根据实际情况选取；每层之间的参数记为W_j和b_j，它们表示第j-1层和第j层之间的参数，其中W_j为一个m_j*m_j-1的矩阵，b_j为一个有m_j个元素的向量，它包含了第j层每个节点的激活阈值；

输出层的激活函数选取线性函数为：f(x)＝x，其中x为该层的输入值，其余各层之间的激活函数选取为：f(x)＝max(0,x)，则隐藏层的输出O_j为：O_j＝max(0,W_jO_j-1+b_j)，输出层的输出为：Y＝W_jO_j-1+b_j，其中O_j-1为是上一层的输出，且在隐藏层的输出和输出层的输出中O_j-1是不同的，因为它们是不同的层，j不同；

根据以上计算的结果，同时选取损失函数E为：E＝‖o-Y‖²/2，其中o为实验条件下，在实际工况中不方便测量部位的温度数据，Y为神经网络模型估测出来的该部位温度数据；

调整各层之间的权值参数W_j和b_j：当学习率为η时，根据梯度下降法，神经网络模型各层之间的权值参数的调整量ΔW_j、Δb_j为：

根据链式求导得到，学习率选为0.1-1之间的数；

训练时，要考虑温度数据的归一化，把数据压缩在[0,1]；

神经网络模型的训练采用反向传播方法，当实际输出值与期望输出值不相同时，根据上面求得权值参数的调整值来调整各个节点的权值参数，在这个过程中，各层权值会不断调整，直到神经网络模型输出的误差小于设定的值或学习的次数达到设定的值为止时，神经网络模型训练完成；

最后，使用测试集检测神经网络模型的质量，如果没有达到要求，就重新选择神经网络模型参数，再次训练，直到达到要求为止。

Images