基于模糊数学的软测量方法
第五讲-软测量技术
软测量的结构
基于工艺机理分析的软测量方法
• ◆ 主要是运用物料平衡、 能量平衡、化学反 应动力学等原理，通过对过程对象的机理分析， 找出不可测主导变量与可测辅助变量之间的关 系（建立机理模型），从而实现对某一参数的 软测量。 ◆ 对于工艺机理较为清楚的工艺过程，该 方法能构造出性能良好的软仪表；但是对于机 理研究不充分、尚不完全清楚的复杂工业过程， 则难以建立合适的机理模型。
主元分析和主元回归
• 主元回归方法是基于对数据矩阵X所进行的主元 分析，其基本思想是：先运用主元分析从数据矩 阵X中提取主元，他们是原有变量的线性组合， 且彼此相交，其中前k个主元在满足正交约束的 条件下，已包含了绝大部分信息量，而剩下的那 些主元基本上不含有多少有用的信息，将这些剩 下的主元略去，可以消除多元线性回归存在的问 题，并使模型降阶。然后，采用前k个主元作为 新的自变量进行回归，获得新的回归模型。
软测量技术
• 软测量技术是一门有着广阔发展前景的新 兴工业技术，已发展成为过程检测技术与 仪表研究的主要方向之一。本讲将介绍前 沿的软测量应用技术，能从控制系统整体 出发考虑如何应用软测量设计方法完成复 杂难测过程参数的在线检测。
• 软测量通常是在成熟的硬件传感器基础上， 以计算机技术为核心，通过软测量模型运 算处理完成的。
• 根据最小二乘估计原理， 的最小二乘估计值为：
(X T X ) 1X T Y
• 则得线性回归方程（软测量模型）为：
y 0 1 x 1 ...... p x p
主元分析和主元回归
• 在研究工业过程时，为了全面了解和分析问题，通 常记录了许多与之有关的变量。这些变量虽然不同 程度的反映了过程的部分信息，但某些变量之间可 能存在相关性，即当X中存在线性相关的变量时，( X T X )1 不存在，不能采用多元线性回归方法。若X的变量接 近线性关系，则多元线性回归方法计算不稳定。为 了解决线性回归时由于数据共线性而导致病态协方 差矩阵不可逆问题，以及在尽可能保持原有信息的 基础上减少变量个数，简化建模，可以采用统计学 中的主元分析和主元回归方法。
糊神经网络的刀具磨损量软测量技术
文章编号!"##$%#&""’$##$(#)%*+&%#&基于随机模糊神经网络的刀具磨损量软测量技术王军平"敬忠良$王安"’",西北工业大学自动控制系西安-"##-$.$,上海交通大学航空航天信息与控制研究所上海$###+#(摘要!刀具磨损检测对于提高加工过程的自动化/高精度化/智能化具有重要意义,本文通过检测电流信号基于随机模糊神经网络建立了刀具磨损量的软测量模型,该模型的创新之处在于利用切削参数实时地调整网络的部分参数0从而可以减小切削参数与电流信号之间关系对于刀具磨损估计的影响并且使得模型具有动态性/实时性,实验验证表明该方法是正确而有效的,1关键词!数控系统.刀具磨损估计.软测量技术.随机模糊神经网络中图分类号!23"+文献标识码!4566789:;9<5=>:5=6?@A<6B5C<9?<=?D59E F?676D A@:<9G6?<56E F:<5=EB H I I A?9H;:7?9586;JKL M N O P Q%R S Q T"O U M N V W X Q T%Y S Z Q T$KL M N L Q"’",[\]^_‘a\b‘c de f‘c a^‘g h i c b‘_c j0kc_‘l m\n‘\_bo c j p‘\h l b g h^j q b g r\_n g‘p0s g t^b-"##-$$,u b n‘g‘f‘\c de\_c n]^h\u b d c_a^‘g c b^b vi c b‘_c j0w l^b x l^g y g^c‘c b xq b g r\_n g‘p0w l^b x l^g$###+#( :z{|}~!|!2X X Y"#Z$%#Z&P$#%#Q’"X P Y()#Z T$#Z’&S T Q S*S+Z Q+#*X$S%R$X,S Q T’W#Z P’X%Z’S X Q0Z++P$Z+-Z Q(S Q’#Y Y#T#Q+#X*’W#%Z Q P*Z+’P$S Q TR$X+#&&,2W$X P T W%#Z&P$S Q T’W##Y#+’$S++P$$#Q’&S T Q Z Y0’W#&X*’%&#Q&% S Q T%X(#Y P&#(*X$’X X Y"#Z$#&’S%Z’S X Q)Z&#(X Q&’X+W Z&’S+*P..-Q#P$Z Y Q#’"X$/’01M M(S&R$#&#Q’#(S Q’W S& R Z R#$,U Q’W#%X(#Y0’W#+P’’S Q T R Z$Z%#’#$&Z$#P&#(’X Z(2P&’&#,#$Z Y R Z$Z%#’#$&X*01M M X QY S Q#0&X’W#S Q% *Y P#Q+#X Q’W#’X X Y"#Z$#&’S%Z’S X Q)-’W#$#Y Z’S X QX*’W##Y#+’$S++P$$#Q’&S T Q Z Y Z Q(’W#+P’’S Q TR Z$Z%#’#$&S& #Y S%S Q Z’#(Z Q(’W#%X(#Y S&(-Q Z%S+,2W##3R#$S%#Q’Z Y$#&P Y’&W Z,#&W X"Q’W##**#+’S,#Q#&&X*’W S&%#’W X(, J4567}8{!9M90’X X Y"#Z$#&’S%Z’S X Q0&X*’%&#Q&S Q T’#+W Q X Y X T-0&’X+W Z&’S+*P..-Q#P$Z Y Q#’"X$/:引言’=;|}78<!|=7;(刀具磨损检测是自适应加工过程中的重要课题0也是保证自动化加工顺利进行的前提之一,对于刀具磨损的检测需求来源于两个方面!一方面是用于状态识别0从而完成自动化加工中的刀具监控.另一方面是进行加工误差补偿,对于刀具状态的测量0目前还缺乏有效的手段,目前还主要处于研究阶段0虽然不断有新方法/新技术涌现0但总体来说0实现技术比较复杂/实现代价比较昂贵0一时还难以实用化,一般来讲0刀具磨损检测多采用间接方法0最为常见也最为有效的便是利用切削力/电机电流/声发射信号进行估计,由于切削力信号检测法需要专门的测力装置0一种加工方式对应一种测力系统0尤其对于单件或小批量加工方式不适用.另外一个原因就是测力装置的安装需要对机床作一些改动0改变机床结构,通过检测电流信号来检测刀具磨损是最受欢迎的方法,因为其安装方便0对机床不用作改动0成本较低,目前0对于刀具磨损检测大多数研究者的工作集中在定性分类上0采用方法多为计算智能技术0包括模糊逻辑/神经网络/小波技术/遗传算法以及它们的综合与集成>"?+@,定性分类的结果仅能满足刀具监控的需要0若能结合定量估计则不但能提高刀具监控的能力0又能满足误差补偿方面对于刀具磨损量估计的需要0从而提高加工中心的自动化/高精度化/智能化,文献>&0*@对考虑输入输出数据含噪声污染的一类随机模糊神经网络’01M M(进行了研究并通过仿真表明该系统由于引入了随机的概念0使网络能更有效地防止噪声的干扰,可以说基于01M M的建模与预测是一种更有效更有发展前景的方法,因此0第+"卷第)期$##$年"$月信息与控制U Q*X$%Z’S X QZ Q(9X Q’$X YA X Y,+"0M X,)BB B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B B BC#+,0$##$1收稿日期!$##$D#+D"*基金项目!国家教育部留学回国人员基金和跨世纪优秀人才培养计划基金/航天科技创新基金资助本文利用主轴电流和进给电流信号基于随机模糊神经网络提出了一种刀具磨损量软测量技术!即通过电机电流信号并考虑切削参数对电流信号的影响利用"#$$作为估计磨损量的软测量模型来估计刀具的磨损量%实验验证表明该方法是正确而有效的%&随机模糊神经网络’()*+,-.)/+0122345167-845)9*7:;"#$$的结构如图<所示!一共有五层%第<层的节点是输入节点!它代表输入语言变量%第=层的节点是模糊产生器节点!它把输入变量模糊化%第>层的每个节点是一规则节点!它代表模糊规则!第>层的所有节点形成模糊规则库!模糊规则数将通过结构学习来确定最优值%第?层是模糊推理机节点%第>层和第?层的连接作为神经模糊推理机!它能避免规则匹配过程%第@层的节点是输出或模糊消除器节点!它把模糊集映射成一确定点%"#$$中的模糊逻辑采用非单值模糊产生器!乘积推理规则!改进型中心平均模糊消除器和高斯隶属函数%对于多入单出的随机模糊神经网络!其输入输出关系为ABC D ’E ;C F GH C <B I J H K J H L M N O P O B I J H P Q J H K J H R =R S T U C <L M N O P ’E U P Q V H U;=W =V H U X W =E H UR F G H C <<K J H L M N O P O B I J H P Q J H K J H R =R S T U C <L M N O P ’E U P Q V H U;=W =V H U X W =E H UR ’<;式中!B I J H !Q J H !K J H !Q V H U !W E H U 和W V H U是可调参数!可通过参数学习算法确定%隐层最优节点数即最优模糊规则数可通过结构学习算法确定%对于详细的"#$$的参数学习算法和结构学习算法参考文献O ?!@R %在非随机情况下!即当W E H U CY 及B I J H C Q J H 时!"#$$又退化为单值模糊神经网络’#$$;%因此!"#$$更具有一般性%图<多层前向"#$$的结构图#Z [%<#Z [%<\]^_‘Z N _L _a b L c d L L e f d g c h a c e"#$$i 刀具磨损量软测量模型’j **895-75.)/6k -)/*4l 3(*0)6.54./4m)5+,4*8*m 3;i %n 切削参数对电流信号的影响以钻削过程为例A 电流信号不但与刀具磨损量o ’]];有关!与切削参数即切削速度p ’]q ]Z r ;s 进给速度p ’]]q c L t ;s 刀具参数如钻头直径等也有很大的关系%此外!加工材料s 刀具材料也会影响电流信号的大小%因此要通过检测电流信号来估计刀具磨损量!首先得分析刀具磨损状态与电流信号的关系%研究表明O >RA随着刀具磨损加剧!电流信号幅值增加!这是因为刀具与工件之间的摩擦增加所致的%同时!主轴电流信号和进给电流信号随着刀具磨损几乎成线性关系!发现刀具磨损对进给电流信号的影响较主轴电流大u 电流信号随着钻头直径的增加而增加%进给电流几乎与刀具直径成线性关系!主轴电流信号与刀具直径成平方关系u 随着切削速度的增加电流信号的幅值增大u 进给速度增加时电流信号的幅值增大%由上述结论可知!在钻削过程中刀具磨损s 主轴速度s 进给速度和刀具直径都会对电流信号产生影响%因而!建立切削过程中的电流信号模型时都得考虑上述因素!显然用简单的数学模型很难描述上述因素间的关系%i %&软测量技术近年来!软测量技术的研究受到国内外学者的广泛重视%国际著名控制专家vw \w g b 指出软测量技术是未来过程控制重点研究发展方向的首位%所谓软测量是指利用软件手段!对因技术经济原因不能很快或容易地进行在线检测的主导变量的值进行估计%其基本原理是A 根据一定的优化准则!选择一组与主导变量有密切关系的s 较易在线精确测量的过程量’或称辅助变量;!根据它们的值以及事先构造好的辅助变量与主导变量之间的关系模型!用软件手段实现对主导变量的实时在线估计%建立刀具磨损量软测量模型的主要目的为A 当检测到电流信号的幅值以及当时的切削条件时!根据模型就可以直接估算出刀具的磨损量%这个软测@>@x 期王军平等Ay y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y y基于随机模糊神经网络的刀具磨损量软测量技术量模型实际上就是要建立电流信号与刀具磨损量之间的关系式!由以上分析"选择刀具磨损量为主导变量"切削速度#$%&’&()*#进给速度$%&&’+,-*#刀具参数如钻头直径以及主轴电流的幅值./和进给电流的幅值.0为辅助变量来建立软测量模型!由于因素间的复杂性"可用随机模糊神经网络来建立该模型!由于主轴电流信号和进给电流信号随着刀具磨损几乎成线性关系但又受到切削参数的影响"因此"本文利用实时的切削参数根据电流信号与切削参数之间的回归模型所确定的模型计算值作为随机模糊神经网络中规则前件的模糊集合隶属函数1234%5*的中心值6234"随机模糊神经网络中的其他参数仍然通过参数学习算法以及结构学习算法来获得!则该随机模糊神经网络同文献78"9:介绍的网络模型的不同之处在于该模型为动态模型"即考虑了切削条件的变化"从而该模型具有实时性!软测量模型的原理框图如图;所示!<!<电流信号与切削参数之间的回归模型钻削过程中电流信号.与切削速度$#进给速度0#刀具直径=#刀具磨损量>相关!假设主轴电流的幅值./和进给电流的幅值.0满足下式?./@A B $A C 0A ;=A D%;*.0@E B$E C 0E ;=E D %D *式中"A B "E B 为刀具和工件材料以及其他因素的影响指数F A 4"E 4%4GC ";"D *为切削参数的影响指数!由上式知"在一定的切削条件下"刀具磨损状态一定时"输出一个对应的电流值"为方便计算对上式取对数可得H I ./@A B J A C H I $J A ;H I 0J A D H I =%8*H I .0@E B J E C H I $J E ;H I 0J E DH I =%9*假设模糊规则有3条即由回归模型输出3个值作为6234"从而相应地有如下3组不同的表示式?H I ./4@A 4B J A 4C H I $J A 4;H I 0J A 4D H I ="%4G C "K"3*%L *H I .04@E 4B J E 4C H I $J E 4;H I 0J E 4D H I ="%4G C "K"3*%M *设样本数为N "以主轴电流为例建立回归模型"即确定式%L *"%M *中的系数!根据刀具磨损量将样本数分为3类"记第4类的样本数为N 4"%4O 3*将%L *式写成矩阵形式有PG Q R%S *PGP C P ;P T U VW 33X CGH I ./C H I ./;H I ./T U V W 33X C"QGQ C Q ;Q T U V W 33X CGA CB AC C A C ;A CD A ;B A ;C A ;;A ;D ????A 3B A 3C A 3;A T U V W 3D 3X 8"R GC H I $H I 0T U V W H I =8X CP 4G Q 4R %4O 3*%Y *则%Y *式中的系数阵可由最小二乘法确定"如下式?Q Z 4G %R Z 4R 4*[C R Z4P 4%C B *式中P 4GH I ./4CH I ./4;H I ./4T U V W N 4N 4X C "Q Z4GA 4B A 4C ?A T U VW 4D 8X C "R 4GC H I $4CH I 04C H I =4C C H I $4;H I 04;H I =4;????C H I $4N 4H I 04N 4H I =4N T U V W 4N 4X 8<!\软测量模型建模流程给定样本集后"建立软测量模型的步骤为?%C *利用样本集中的切削参数集根据式%L *]%C B *建立电流信号与切削参数之间的回归模型"然后据此求得^_‘‘的参数6234F %;*利用样本集中的电流信号与实测磨损数据集进行^_‘‘中其他参数和结构学习F软测量模型实际就是回归模型和^_‘‘的集成!在使用时"模型的输入参数包括实时的电流信号和切削参数!首先根据切削参数求出^_‘‘的参数6234"^_‘‘的其他参数为训练所得参数F 然后由电流信号利用^_‘‘即可求得刀具磨损量!\仿真实验%a b c d e f g b h ij k l j m b c j i g*为验证理论的正确性"本文将前面所提出的软测量模型用于钻削过程中刀具磨损检测!刀具磨损LD 9信息与控制D C n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n 卷图!软测量模型的原理框图图"刀具磨损检测原理框图#$%&!’($)*$+,-.$/%(/012312453-)3$)%01.-,#$%&"6*7-0/4$*.$/%(/01247--8+-($0-)4/,3-459+检测原理框图如图"所示&利用文献:";所提供的实验数据进行验证&所得结果如表<所示&从实验结果可以看出=利用主轴电流值或进给电流值估计刀具磨损量是可行的=而且两者具有较好的一致性&估计结果的精度较好=将所建立的软测量模型用于测试也取得较好的效果=但精度仍需进一步提高&表>测试结果/@&<?-34(-39,43序号磨损量A00B估计磨损量<A00B估计磨损量!A00B相对误差<A CB相对误差!A CB <D&<E E D&<E"F D&<E G H I!&H H""I<&F D J G!D&<J!D&<J F D&<J K J!&F K F"<&G"J G"D&<H<D&<G E!D&<G E K I<&<<J D ID&E E"JK D&G D D D&K E H K D&K E G E ID&F!D D ID&J!D DG D&K H K D&K H H!D&K H F F D&K F K<D&F E F KH D&G<<D&G D F J D&G D F F ID&H!H!ID&H K G JF D&F E J D&F JGH D&F E<"I<&G G"E ID&J"E HJ D&J D D D&F E G H D&F E K J ID&G G D D ID&H G D DE D&F H H D&F H E"D&F H E K D&K"D J D&K K"E<D D&J<D D&J D<G D&F E F K I<&D K E K I<&G G G HL结束语A M N O P Q R S T N O B本文利用电流信号基于随机模糊神经网络建立了刀具磨损量的软测量模型&该模型利用切削参数实时地调整网络的部分参数=从而可以减小切削参数与电流信号之间关系对于刀具磨损估计的影响并且使得模型具有动态性U实时性&通过实验验证表明该方法是正确的且分别利用主轴电流值和进给电流值估计刀具磨损量具有较好的一致性&参考文献A V W X W Y W O P W S B<Z$/1,$[$=\$)%89-\/1=]7-^9)\9/)&_)I,$)-?11,‘1).$4$1) a1)$41($)%93$)%b/c-,-4#9d d ef-9(/,f-4g1(h&i19()/,12j)5 4-,,$%-)4a/)92/*49($)%<E E F=k A K B l!F<m!F J!b/)%]71)%0$)=b/)%Z$)e$-4/,&a1)$41($)%?11,b-/( 64/4-3$)?9($)%n/3-.1)b/c-,-4o)/,e3$3&i&n-$^$)%j)34$494-12?-*7)1,1%e=!D D<=>p A<B l<D<m<D F"李小俚&基于小波和模糊神经网络的刀具状态智能监测技术研究&哈尔滨工业大学博士论文=<E E FK][i$)%=o‘i[91=a?10$d9h/&o341*7/34$*=29d d e=)-9(/, )-4g1(h21()1,$)-/(.e)/0$*3e34-03&j)4-()/4$1)/,i19()/,12 j)4-,,$%-)4‘1)4(1,/).6e34-03=<E E J=q A!B l<E"m!D"G张骏&随机模糊神经网络理论及应用&西北工业大学博士论文&<E E E作者简介王军平A<E F K IB=男=博士生&研究领域为高性能运动控制及应用=模式识别与智能控制等&敬忠良A<E H D IB=男=教授=博士生导师=国家教育部r长江学者奖励计划s特聘教授&研究领域为高性能运动控制及应用=信息融合理论=模式识别与智能控制等&王安A<E H D IB=男=副教授&研究领域为过程控制及自动化仪表=数字信号处理&F"GH期王军平等lt t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t基于随机模糊神经网络的刀具磨损量软测量技术基于随机模糊神经网络的刀具磨损量软测量技术作者：王军平， 敬忠良， 王安作者单位：王军平,王安(西北工业大学自动控制系,西安,710072)， 敬忠良(上海交通大学航空航天信息与控制研究所,上海,200030)刊名：信息与控制英文刊名：INFORMATION AND CONTROL年，卷(期)：2002，31(6)被引用次数：14次1.Xiaoli Li.Yingxue Yao.Zhejun Yuan On-line Tool Condition Monitoring using Wavelet Fuzzy Neural Network 1997(04)2.Wang Zhongmin.Wang Xinyi Monitoring Tool Wear States in Turing Based on Wavelet Analysis 2001(01)3.李小俚基于小波和模糊神经网络的刀具状态智能监测技术研究[学位论文] 19974.Z L Jing.A C J Luo.M Tomizuka A stochastic, fuzzy, neural network for nolinear dynamic systems 1998(02)5.张骏随机模糊神经网络理论及应用[学位论文] 19991.学位论文钦兰云异形螺杆铣削过程中刀具监控系统的研究和开发2004在异形螺杆铣削加工过程中,刀具磨损和破损是不可避免的故障之一,它给加工自动化带来了诸多不良影响.因此,刀具状态监测成为自动化加工的重要组成部分.尽管国内外学者对刀具监控技术的研究已有相当长的历史,并取得了丰硕的研究成果,但针对变切削参数条件下铣刀磨损监测和补偿以及破损的监测研究还很少.为了保证变切削参数条件下铣削工件的质量和加工精度,寻求一条利用多传感信息融合技术研制出智能的、高可靠性、实用的刀具监控系统的有效途径是非常必要的.基于以上的目的,该文旨在利用Intel公司的16位高性能芯片80C196KC作为内核,构建刀具监控系统.此系统能够实时采集并显示反映刀具状态的信号:机床功率信号、振动信号、工件径向变化量信号,并对这些信号进行预处理及特征量提取.利用基于这些信号的刀具磨损/破损的数学模型,实时计算出刀具破损阈值和特征值及刀具磨损估计值.在此基础上进行如下工作:1)根据刀具破损状态的软测量方程,实时估算刀具破损特征值,并与阈值进行比较,决定是否送数控系统刀具破损预警信息;2)实时比较工件径向位移信号是否超出预设范围,同时参考刀具磨损方程的定量估计结果,决定是否送机床刀具补偿信号.由此可见,该课题的重点在于刀具监控系统的软硬件设计.在硬件设计方面,主要在于以主控芯片80C196KC为核心的16位微控制系统的搭建:系统的外存扩展及译码电路,机床通讯电路及报警电路设计,液晶显示及键盘接口设计等.在软件设计方面的重点在于实时提取反映刀具状态的特征信号及基于这些特征信号的刀具磨损/破损模型实时计算刀具磨损、破损的特征量,以及刀具补偿软件的开发等.系统硬件开发采用澳大利亚Protel Technology公司的CAD开发软件Protel99SE,该软件基于Windows平台的32位EDA设计系统.系统软件开发采用Tasking公司的C196编译器及Intel公司的ApBUILDER单片机初始化工具软件.1.马旭数控机床刀具磨损监测数据处理方法[期刊论文]-组合机床与自动化加工技术 2009(7)2.彭晓波.桂卫华.李勇刚.王凌云.陈勇基于动态T-S递归模糊神经网络的闪速熔炼过程参数软测量[期刊论文]-仪器仪表学报 2008(10)3.王超厚.罗良玲.徐晗基于软测量与虚拟仪器的刀具故障诊断系统[期刊论文]-机床与液压 2008(4)4.朱彬基于LabVIEW的数控刀具磨损实时监控系统[期刊论文]-机械 2008(3)5.王超厚.罗良玲.徐晗软测量技术及其在刀具故障诊断中的应用[期刊论文]-工具技术 2007(10)6.范峥.郭海针.赵建敏基于数据融合和随机模糊神经网络技术的刀具磨损软测量系统[期刊论文]-工具技术2007(9)7.冯艳.罗良玲.夏林基于LabVIEW的刀具磨损在线监控系统[期刊论文]-制造技术与机床 2006(12)8.李相波.陈光章.王洪仁.赵庆娟虚拟试验技术在舰船材料寿命预测中的应用[期刊论文]-装备环境工程 2006(4)9.冯艳.罗良玲.夏林基于软测量技术的刀具磨损的在线监测[期刊论文]-机床与液压 2006(12)10.冯艳.罗良玲.夏林基于LabVIEW的刀具磨损在线监控系统[期刊论文]-大众科技 2006(8)11.张永辉铝粉氮气雾化分级过程集成优化控制系统研究[学位论文]博士 200612.骆中华基于数据驱动的软测量建模技术及其工业应用[学位论文]硕士 200613.高宏力切削加工过程中刀具磨损的智能监测技术研究[学位论文]博士 200514.刘瑞兰软测量技术若干问题的研究及工业应用[学位论文]博士 2004本文链接：/Periodical_xxykz200206012.aspx下载时间：2010年7月6日。
检测技术与仪表智慧树知到答案章节测试2023年临沂大学
第一章测试1.下面属于典型的自动化装置的是哪个选项（）。
A:控制器B:执行器C:测量仪表D:测量变送器答案:ABD2.下面哪项是检测技术的新的发展方向（）。
A:传感器、变送器的网络化产品B:智能传感器的发展C:微机械量检测技术D:成组传感器的复合检测答案:ABCD3.检测的目的就是获取被测对象的定量检测结果。
（）A:错B:对答案:A4.检测技术的发展能够推动科学技术的发展，同样，科学技术的发展也能推动检测技术的发展。
（）A:对B:错答案:A5.如果把人看做一个自动控制系统，人的大脑相当于系统中的（）。
A:传感器B:控制器C:执行器D:计算器答案:B第二章测试1.下面不属于电学法测量方法的是（）。
A:热电偶测温B:热电阻测温C:电容传感器测位移D:超声波测速答案:D2.利用弹簧秤称物体的重量属于（）。
A:闭环检测B:比较检测C:偏差法D:间接检测答案:C3.用光电池作为传感器，是属于能量变换型检测.（）A:错B:对答案:B4.对于一个物理量的检测，可以采用不同的敏感元件来实现。
（）A:对B:错答案:A5.用天平秤物体的重量，属于偏位式测量。
（）A:对B:错答案:B第三章测试1.要测量一个长度为1米的木板，小明用米尺测得长度为1.02米，相对误差为（）。
A:2%B:-2%C:0.02%D:-0.02%答案:A2.仪表精度等级越高，测量结果越准确。
（）A:错B:对答案:A3.下面对仪表的说法错误的是（）。
A:精度高的仪表重复性好B:再现性数值越小，仪表质量越高C:有效度越大，仪表可靠度高D:重复性好的仪表精度高答案:A4.一台测温仪表，其零点为-200℃，量程为500℃，它能测量的最高温度为（）。
A:500℃B:700℃C:-200℃D:300℃答案:D5.仪表的零点迁移后，其量程也随之迁移。
（）A:对B:错答案:B第四章测试1.一个温度为40℃的物体，其温度在华氏温度下为（）。
A:40℉B:94℉C:104℉D:72℉答案:C2.膨胀式温度计是利用液体的热胀冷缩特性做成的。
基于自适应模糊神经网络的风速软测量
基于自适应模糊神经网络的风速软测量董海鹰;魏占宏;杨玺;李晓青【摘要】针对风力发电系统有效风速无法直接测量的问题,提出了基于自适应模糊神经网络的风速软测量方法,在该方法中利用优化的自适应模糊神经网络建立了风速软测量模型,以发电机功率、桨距角和风力机转速作为模型的输入,有效风速作为模型的输出,网络学习中采用可变的学习速率和可变的动量学习率.仿真结果表明,与传统的神经网络风速软测量模型相比,基于自适应模糊神经网络的风速软测量方法是有效的,风速的估计值较好地跟踪了有效风速的变化趋势,具有较高的准确性.%For the effective wind speed of wind power generation systems can not be measured directly,wind speed soft sensor method based on adaptive fuzzy neural network was proposed,in which wind speed soft sensor modeling was established by adopting optimized adaptive fuzzy neural network. The model uses wind generator power,pitch angle and speed of wind turbine as the input,and effective wind speed as the output. Variable learning rate and momentum rate are adopted in network learning. Simulation results show that compared with traditional neural network wind speed soft sensor model,the method of wind speed soft measurement based on adaptive fuzzy neural network is effective,and the trend of effective wind speed is better and more accurate followed by the estimates of effective wind speed.【期刊名称】《电力系统及其自动化学报》【年(卷),期】2013(025)001【总页数】6页(P60-65)【关键词】风力发电;有效风速;软测量;自适应模糊神经网络【作者】董海鹰;魏占宏;杨玺;李晓青【作者单位】兰州交通大学自动化与电气工程学院,兰州730070;兰州交通大学自动化与电气工程学院,兰州730070;兰州交通大学自动化与电气工程学院,兰州730070;兰州交通大学自动化与电气工程学院,兰州730070【正文语种】中文【中图分类】TM614风速的研究是风力发电系统的重要组成部分，尤其对于大型的风力发电系统的研究具有重要的现实意义。
软测量技术现状及其发展
软测量技术及其发展内容摘要:软测量技术是现代检测中的研究热点。
本文简要介绍了该技术的发展以及基本原理，详细说明了技术组成，阐述了目前软测量建模的机理建模、回归分析、状态估计等主要方法，并对软测量建模方法进行了展望。
关键字：软测量建模发展软测量技术，作为间接测量的一个发展方向，自20世纪80年代中后期作为一个概括性的科学术语被提出以来，研究异常活跃，发展十分迅速，应用日益广泛，几乎渗透到工业领域的各个方面，已成为检测技术的主要研究方向之一。
特别是近年来，国内外对软测量技术进行了大量的研究，著名国际过程控制专家McaVoy教授将软测量技术列为未来控制领域需要研究的几大方向之一，具有广阔的应用前景。
一、软测量技术基本情况软测量技术主要由辅助变量的选择、数据采集和处理、软测量模型及在线校正四个部分组成，理论根源是基于软仪表的推断控制。
推断控制的基本思想是采集过程中比较容易测量的辅助变量，通过构造推断估计器来估计并克服扰动和测量噪声对主导变量的影响。
1 、机理分析与辅助变量的选择首先明确软测量的任务，确定主导变量。
在此基础上深人了解和熟悉软测量对象及有关装臵的工艺流程，通过机理分析可以初步确定影响主导变量的相关变量—辅助变量。
辅助变量的选择包括变量类型、变量数目和检测点位臵的选择。
这三个方面互相关联、互相影响，由过程特性所决定的。
在实际应用中，还受经济条件、维护的难易程度等外部因素制约。
2 、数据采集和处理从理论上讲，过程数据包含了工业对象的大量相关信息，因此，数据采集量多多益善，不仅可以用来建模，还可以检验模型。
实际需要采集的数据是与软测量主导变量对应时间的辅助变量的过程数据。
其次，数据覆盖面在可能条件下应宽一些，以便软测量具有较宽的适用范围。
为了保证软测量精度，数据的正确性和可靠性十分重要。
采集的数据必须进行处理，数据处理包含两个方面，即换算(sealing)和数据误差处理。
数据误差分为随机误差和过失误差两类，前者是随机因素的影响，如操作过程微小的波动或测量信号的噪声等，常用滤波的方法来解决;后者包括仪表的系统误差(如堵塞、校正不准等)以及不完全或不正确的过程模型(受泄漏、热损失等不确定因素影响)。
化工过程软测量建模方法研究进展_曹鹏飞罗雄麟
2012－00－00收到初稿，2012－00－00收到修改稿。
第一作者：曹鹏飞(1988—)，男，博士研究生。
联系人：罗雄麟(1963—)，男，教授。
基金项目：国家重点基础研究发展计划项目(973计划：2012CB720500).Received date: 2012－00－00. Corresponding author: Luo Xionglin E-mail: luoxionglin@ Foundation item: Supported by the National Basic Research Program of China (973 Program:2012CB720500).化工过程软测量建模方法研究进展曹鹏飞 罗雄麟(中国石油大学自动化研究所，北京 昌平 102249)摘要：软测量仪表是解决化工过程中质量变量难以实时测量的重要手段。
软测量仪表的核心问题是软测量建模。
阐述了软测量建模与辨识和非线性建模的关系：质量变量和易测变量的动态关系存在于增量之间，辨识模型依赖于增量数据，软测量建模则是依赖于实测变量数据来获取这个动态关系；非线性建模建立了变量间的静态关系，忽略了对象动态特性，而软测量建模要兼顾对动态特性的表征。
随着人们对过程特性的认识加深，软测量建模方法不断发展，经历了从机理建模到数据驱动建模，从线性建模到非线性建模，从静态建模到动态建模的过程。
详细讨论了软测量建模的发展过程，众多建模方法的优缺点及适用情况和现在建模的热点，最后对软测量建模方法进行了总体展望。
关键词：软测量建模；辨识；非线性建模；数据驱动建模；非线性动态建模 中图分类号： 文献标志码：A 文章编号：Modeling of Soft Sensor for Chemical ProcessCAO Pengfei, LUO Xionglin(Research Institute of Automation, China University of Petroleum, Beijing, 102249, China)Abstract: In the commercial chemical process, many primary product variables cannot be measured online, and soft sensor is an important means to solve this problem. Soft sensing modeling is the core issue of soft sensor. In this paper the relationship between soft sensing modeling and identification and nonlinear modeling is presented. The dynamic relationship between quality variables and variables that are easy to measure exists between the increments, and identification depends on incremental data, while soft sensing modeling depends on the measured data to get the relationship. Nonlinear modeling establishes the static relationship between these variables, ignoring the dynamic characteristics, which soft sensing modeling should take into account. With deeper understanding of the chemical process properties, the types and structures of soft sensing model have undergone a great change in the last decades, and soft sensing modeling method evolves from mechanism modeling to data-driven modeling, from linear modeling to nonlinear modeling, and from static modeling to dynamic modeling. The development of the soft sensing modeling method is reviewed. The advantages and disadvantages of the proposed methods are analyzed, and the applications of these methods are shown. In the end, the hot issues and the directions of development of soft sensing modeling method are presented. Key words: soft sensing modeling; identification; nonlinear modeling; data-driven modeling; nonlinear dynamic modeling引 言网络出版时间：2012-09-06 15:47网络出版地址：/kcms/detail/11.1946.TQ.20120906.1547.019.html许多重要质量变量(如油品粘度、组分等)难以实时测量给化工过程控制与优化带来很大影响。
软测量方法原理及实际应用
主导变量：
3 软测量建模方法的分类 软测量建模方法的
目前主要软测量建模的方法: 目前主要软测量建模的方法
机理建模、回归分析、状态估计、模式识别、 机理建模、回归分析、状态估计、模式识别、 人工神经网络、模糊数学、基于支持向量机(SVM) 人工神经网络、模糊数学、基于支持向量机 方法、过程层析成像、相关分析和现代优化算法 现代优化算法等 方法、过程层析成像、相关分析和现代优化算法等 多种建模方法。 多种建模方法。
◆
基于知识的软测量方法：
基于人工神经网络的软测量建模方法是近年来研究最多、 基于人工神经网络的软测量建模方法是近年来研究最多、 人工神经网络的软测量建模方法是近年来研究最多 发展很快和应用范围很广的一种软测量建模方法。 发展很快和应用范围很广的一种软测量建模方法。由于能适 用于高度非线性和严重不确定性系统， 用于高度非线性和严重不确定性系统，因此它为解决复杂系 统过程参数的软测量问题提供了一条有效途径。 统过程参数的软测量问题提供了一条有效途径。
基于工艺机理分析的软测量方法： 基于工艺机理分析的软测量方法：
◆
主要是运用物料平衡、 能量平衡、 主要是运用物料平衡、 能量平衡、化学反应动力学等
原理，通过对过程对象的机理分析， 原理，通过对过程对象的机理分析，找出不可测主导变量与 可测辅助变量之间的关系（建立机理模型）， ），从而实现对某 可测辅助变量之间的关系（建立机理模型），从而实现对某 一参数的软测量。 一参数的软测量。 对于工艺机理较为清楚的工艺过程， 对于工艺机理较为清楚的工艺过程，该方法能构造出性 能良好的软仪表；但是对于机理研究不充分、 能良好的软仪表；但是对于机理研究不充分、尚不完全清楚 的复杂工业过程，则难以建立合适的机理模型。 的复杂工业过程，则难以建立合适的机理模型。
模糊数学在软件测试质量评价的应用
模糊数学在软件测试质量评价的应用作者：贺英杰栾静来源：《电子技术与软件工程》2015年第04期本文通过对测试活动的分析，建立软件测试过程模型，确定出不同测试阶段的度量元，并采用模糊数学方法对测试过程进行度量和评判，为测试过程持续改进提供准确的依据。
【关键词】模糊数学质量评价度量指标体系1 引言随着军队机械化向信息化迈进步伐的加快，软件在军队信息化建设中所占的比重越来越大，软件规模越来越大，复杂度不断增高，软件质量成为军事行动成败的关键因素之一，因此，军方和工业部门都对军用装备软件的质量倍加关注。
作为软件质量保证手段之一的软件测试越来越受到各级主管部门的重视，软件测试已成为各类军用软件研制和定型中的一个必要环节。
随着软件测试理论的不断完善，软件的评价和软件质量的度量获得了很大的进步。
选择科学合理的评价方法成为软件测试质量评价的首要问题，也是当前软件测试质量评价研究中的难点。
本文以软件测试方法为基础，提出了通过建立软件测试质量评价指标体系，运用模糊理论进行软件测试质量评价的方法，对软件测试质量进行定性与定量的综合评价。
2 度量指标体系的确立对测试项目的整体质量做一个客观评价时需有一个度量标准来实施，因此应建立一个软件测试质量指标体系。
标准的软件质量测度是这样建立的：软件质量模型分为三个层次，第一层有6个影响质量的主要因素，在标准中称之为“质量特性”。
而每个质量特性又可以通过第二层的若干个子特性测量，第二层的每个子特性在评价时要定义并实施若干个度量。
在这里我们可以使用ISO 9126-2001质量模型。
通过软件测试质量指标体系可以看出，由于软件测试的特殊性，虽然指标值在承诺范围内，但仅用“好”与“不好”来描述测试的质量并不符合实际。
测试方案之间的质量差异不很明显，质量的变化存在模糊性，因此在识别质量变化时，模糊方法比经典数学方法可行。
运用模糊方法评价信息不是“非此即彼”，反映了测试人员主观评价测试质量的真实感受，可以更准确地描述测试人员对测试质量的感受程度，使软件测试质量的评价信息更接近实际。
软测量技术原理及应用
X ( L at ) / 2
管道长度为 L , X 点为泄漏点，a为 t 管输介质中压力波的传播速度， 为上、下游传感器接收压力波的时 间差。 K (t ) / (t )
a(t ) 1
图 2负压力波检测原理
K (t ) D C1 E e
Company Logo
Company Logo
2.软测量数据处理方法
在实际测量中，由于测量者读数据或记录数据的错 误，或由于检测仪器受到随机干扰，都会造成异常的结果， 这类数据称为异常数据。判断样本数据是否为异常数据， 并将它们去除，对于建模来说非常重要。本节主要介绍小 波分析（wavelet analysis）、数据校正（data rectification ）和传统的主元分析法（principal component analysis，PCA）。
在输入输出数据的基础上从给定的模型类中确定与所测系统等价的模型其目的是根据过程所提供的测量信息在某种准则条件下估计出模型位置参数辨识表达式模型辨识算法过程辨识框图hk为过程输入yk为过程输出ek为干扰zk为测量输出模型参数未知辨识得到其估在k时刻根据前一时刻的估计参数计算出该时刻的输出即输出预报值wwwxjtueducnwwwthemegallerycomcompanylogo
小波变换的原理为：
所谓小波是由满足条件： (1) (T ) dt （其中
ˆ ( ) 1 2
2
(2)
0
ˆ () 1d
2
f (t )e jt dt
）的解析函数经过平移、缩放得到的正交函数族
1 2
a ,b a
软测量方法
PCR 数据压缩和提取方法，通过对原始数据进行压缩，找出变量的线性组 合，从而将高维数据矩阵降维简化。
PLS 单步分解和回归的方法，特征向量与主元有直接关系，能用于非常复 杂的混合情况，预测没有出现在初始校准集合、含噪声的样本，非常 适合处理化工对象。 计算速度缓慢，模型抽象，难以理解和解释。
➢3.基于状态估计的软测量建模
354-383 [3]李修亮.软测量建模方法研究与应用：[博士论文].杭州：浙江
大学，2009 [4] Kishore Muvvala,V. Kumar,B. C. Meikap and Sudipto Chakraborty.
Development of Soft Sensor to Identify Flow Regimes in Horizontal Pipe UsingDigital Signal Processing Technique[J]. American Chemical Society,2010
➢ 软测量技术主要包括四个方面：
机理分析和辅助变量的选取
变量类型、数目、检测点位置
数据采集及处理
采集量多，数据覆盖面宽； 换算、误差处理
软测量模型的建立
机理建模、经验建模、机理建模与经验建模相结合
软测量模型的在线校正
自适应法，增量法和多时标法
第二节 软测量建模方法
软测量介绍
型与传统的数学模型不同，它是一种以系统的输入、 输出数
据为基础，通过对系统特征提取而构成的模式描述模型。该方 法的优势在于它适用于缺乏系统先验知识的场合，可利用日常
操作数据来实现软测量建模。在实际应用中，这种软测量建模
方法常常和人工神经网络以及模糊技术等结合在一起使用。
第7章 软测量技术 5) 基于模糊数学的软测量建模 基于模糊数学的软测量模型是一种知识性模型。该方法特
第7章 软测量技术 3) 软测量模型的建立 软测量模型是研究者在深入理解过程机理的基础上，开
发出的适用于估计的模型，它是软测量方法的核心。不同生
产过程的过程机理不同，其测量模型千变万化，因此软测量 模型的建立方法和过程也有差异。
第7章 软测量技术
4) 软测量模型的在线校正
由于过程的时变性，软测量模型的在线校正是必要的。 尤其对于复杂的工业过程，很难想象软测量模型能够“一次 成型”、“一劳永逸”。 对软测量模型进行在线校正，一般采用定时校正和满足 一定条件时校正两种方法。 定时校正是指软测量模型在线运 行一段时间后，用积累的新样本采用某一算法对软测量模型 进行校正，以得到更适合于新情况的软测量模型。满足一定 条件时校正则是指以现有的软测量模型来实现被估计量的在 线软测量，并将这些软测量值和相应的取样分析数据进行比 较。 若误差小于某一阈值，则仍采用该软测量模型；否则， 用累积的新样本对软测量模型进行在线校正。
根据某种最优准则选择一组既与主导变量（即待测变量或待估
变量）有密切联系而又容易测量的变量 ——称为辅助变量(又称 二变量)的量， 通过构造某种数学关系用计算机软件实现对主
导变量的估计。
第7章 软测量技术 1. 软测量技术的实现方法 1) 辅助变量的选择
基于模糊数学的软测量方法
基于模糊数学的软测量方法简介随着计算技术的快速发展，软测量技术在工业生产过程中得到了广泛应用。
软测量技术可以通过利用已有的过程数据和先进的模型算法，对缺失或者不可测量的指标进行预测和估计。
在软测量技术中，模糊数学方法是一种强大的工具，可以用于建立模糊模型来描述不确定和模糊的过程。
模糊数学的基本概念模糊数学是一种用于处理不确定性问题的数学方法。
它使用数学方法来描述和处理模糊和不确定的信息。
在模糊数学中，模糊集合是一种描述隶属函数的数学结构，它可以模拟实际问题中的模糊性和不确定性。
与传统的集合论不同，模糊集合中的元素不是绝对的成员，而是具有隶属度的概念。
模糊数学在软测量中的应用模糊数学在软测量中可以用于建立模糊模型来描述不确定和模糊的过程。
通过将模糊数学引入软测量方法，可以更好地处理实际生产过程中存在的模糊性和不确定性。
下面介绍几种常见的基于模糊数学的软测量方法。
模糊推理模糊推理是模糊数学中的一种经典方法，它可以通过模糊规则来进行推断和决策。
在软测量中，可以通过建立一系列模糊规则来推断和预测未知的过程指标。
模糊推理可以通过考虑多个输入和输出以及它们之间的关联性，来获得更准确和可靠的推断结果。
模糊聚类模糊聚类是一种将数据进行分组的方法，它可以处理模糊和不确定的数据。
在软测量中，可以利用模糊聚类方法将过程数据进行分类和分组，从而提取出不同的过程状态和特征。
通过对不同状态下的数据进行建模和分析，可以为软测量提供更准确和可靠的预测模型。
模糊神经网络模糊神经网络是一种结合了模糊推理和神经网络的方法，它可以用于建立非线性的模糊系统模型。
在软测量中，可以利用模糊神经网络来建立复杂的非线性模型，从而更好地描述和预测实际生产过程中的不确定性和模糊性。
总结模糊数学是一种强大的工具，可以用于解决软测量中的不确定性和模糊性问题。
基于模糊数学的软测量方法可以通过建立模糊模型来描述不确定和模糊的过程，并通过模糊推理、模糊聚类和模糊神经网络等方法来进行数据分析和预测。
软件测试中的模糊测试方法
软件测试中的模糊测试方法在软件开发过程中，测试是不可或缺的环节。
而在测试中，模糊测试是一种被广泛应用的方法。
模糊测试通过输入各种随机的、异常的或无效的数据来评估软件系统的鲁棒性和稳定性。
本文将介绍模糊测试的定义、原理及方法，并探讨其在软件测试中的应用。
一、模糊测试的定义和原理模糊测试，又称为Fuzz测试、黑盒测试，是一种通过随机生成输入来评估软件系统的方法。
其原理是向被测试的软件系统输入非预期的、无效的或异常的数据，观察系统的反应并分析结果。
模糊测试基于以下两个假设：第一，软件系统的边界条件和异常情况处理可能存在问题；第二，攻击者可能利用这些问题来发动恶意攻击。
模糊测试的基本原理是构造输入数据，包括正常数据、异常数据和边界数据，并通过随机变异这些输入数据，以便尽可能地覆盖软件系统的各种情况。
通常，模糊测试通过以下几个步骤来实现：1. 构造种子输入: 首先，选择一组合适的种子输入，这些输入应该代表软件系统可能接收的各种输入。
例如，对于图像处理软件，可以选择不同类型和分辨率的图像作为种子输入。
2. 变异输入数据: 通过对种子输入进行变异生成多个测试用例。
变异方法可以包括随机更改字符、添加或删除数据、对输入进行格式化等。
3. 输入数据注入和执行: 将变异后的输入数据注入到被测试的软件系统中，并执行相应的操作，观察系统的反应和输出结果。
4. 异常与错误处理: 分析软件系统对模糊输入的处理情况。
观察系统是否崩溃、产生异常或者输出错误结果。
二、模糊测试方法在实际应用中，模糊测试有许多方法和技术。
下面介绍几种常见的模糊测试方法：1. 随机模糊测试(Random Fuzzing): 这是最简单和最基础的模糊测试方法。
它通过对输入数据进行随机变异来生成测试用例。
然后将变异后的输入数据注入到被测试的软件系统中，观察系统的反应和输出结果。
2. 边界值模糊测试(Boundary Value Fuzzing): 边界值模糊测试是一种将输入数据限制在边界情况的模糊测试方法。
软测量读书报告
软测量读书报告动023 020557 冀占峰一.综述软测量技术也称软仪表技术(Soft sensor technique)概括地讲，所谓软测量技术就是利用易测过程变量，依据这些易测变量与难以直接测量的待测过程变量之间的数学关系(软测量模型)，通过各种数学计算和估计方法，从而实现对待测过程变量的测量与在线测量相比，其主要优势是：安装及维护费用低，测量实时性好，可靠性及精度高[1]。
软测量技术的主要内容有:机理分析与辅助变量的选择、数据采集和预处理、软测量模型的建立和在线校正等如下四个方面。
1.机理分析与辅助变量的选择辅助变量的选择是建立软测量模型的第一步，直接关系到软测量技术的成败。
明确软测量的任务，确定主导变量。
在此基础上深入了解和熟悉软测量对象及有关装置得工艺流程，通过机理分析可以初步确定影响主导变量得相关变量—辅助变量。
辅助变量的选择确定了软测量的输入信息，因而直接决定了软测量模型的结构和输出。
所以要求对过程有深入、全面得了解，充分熟悉工艺机理，掌握对象的控制和检测方法。
如果缺乏机理知识，则可用回归分析的方法找出影响主导变量的主要因素。
辅助变量的选择包括变量类型、变量数目和检测点位置的选择。
这3个方面式互相关联、互相影响的，并由过程特性所决定，在实际应用中，它们还受经济条件、维护的难易程度等外部因素的制约。
辅助变量类型的选择对象是可测变量集，在实际工业生产中有许多检测变量，必须根据以下的原则[2,3,4]来选择辅助变量:(1) 灵敏性:能对过程输出或不可测扰动作出快速反应。
(2) 特异性:对过程输出或不可测扰动之外的干扰不敏感。
(3) 过程适用性:工程上易于获得并能达到一定的精度。
(4) 鲁棒性:构成的软测量估计器对模型误差不敏感。
(5) 精确性:构成的软测量估计器满足精度要求。
软仪表中使用广泛的是与主导变量动态特性相近，关系密切的可测参数，如精馏塔和反应器过程中的温度、温差和双温差，生物发酵反应中的尾气浓度等。
软测量
返
回
上一页
下一页
5.人工神经网络方法
以辅助变量为输入，待测变量为输出，形成足够多的 理想样本，通过学习可以得到软仪表的神经网络模型。理 论上，神经网络不需要有过程的先验知识，学习非线性特 性的能力比较强，是解决软测量问题的较为理想的方法。 实际应用中，样本的数量和质量在一定程度上决定了网络 的性能。
返
回
上一页
下一页
2.1.2过失误差处理
含有过失误差的数据出现的机率较小，但是， 一旦出现则可能严重破坏数据的统计特性，导致软测量的 失败。所以为了保证测量数据质量，应当及时侦测、剔除 和校正含有过失误差的数据。
返
回
上一页
下一页
检测过失误差的方法：
1.对各种可能导致过失误差的因素进行理论分析； 2.借助于多种测量手段对同一变量进行测量，然后 进行比较； 3.根据测量数据的统计特性进行检验。
返
回
上一页
下一页
7.模糊数学的方法
模糊数学模仿人脑逻辑思维特点，是处理复杂系统 的一种有效手段，基于模糊数学软测量模型是一种知 识性模型。该法特别适合应用于复杂工业过程中被测 对象呈现亦此亦彼的不确定性、难以用常规数学定量 描述的场合。实际应用中常将模糊技术和其它人工智 能技术相结合，例如模糊数学和人工神经网络相结合 构成模糊神经网络。
返
回
上一页
下一页
3.软测量模型的建立
软测量的核心问题是其模型的建立，即利用所有可获 ^ 得的信息，求取主导变量的最佳估计值 y ，即构造从可 ^ ^ 测信息集 到 y 的映射。 干扰 主导变量
控制变量
辅助变量
返
回上Leabharlann 页下一页软测量建模的方法多种多样，目前，软测量建模
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
A3 (x) p (x)dx A2 (x) 1 A1 (x) A3 (x)
5.1.1 模糊数学的基本概念
0
• 隶属函数参数化： trig
( x;
a,
ቤተ መጻሕፍቲ ባይዱb,
c)
x a ba
cx
三角形隶属函数 ◆
cb 0
0
◆ 梯形隶属函数
xa
Trap(
1
xc a
2b
5.1.1 模糊数学的基本概念
• 建立隶属函数的原则：
◆ 隶属函数必须满足凸模糊集的要求 ◆ 隶属函数的形状应满足控制特性 ◆ 隶属函数在论域上应该合理分布
5.1.1 模糊数学的基本概念
• 几个名词术语：
◆ 支集（Support）： 支集(A) {x | A(x) 0}
C AB
◆ 并（析取） C max( A(x), B (x)) A(x) B (x) ◆ 交（合取）C A B
C min( A (x), B (x)) A B ◆ 补（负） A, A或非A
A (x) 1 A(x)
5.1.1 模糊数学的基本概念
上的不确定性（主观不确定性）
天气冷热 雨的大小 风的强弱
人的胖瘦 年龄大小 个子高低
5.1.1 模糊数学的基本概念
• 模糊性与随机性：
◆ 随机性是在事件是否发生的不确定性中表现出来的 一种不确定性，而事件本身的性态和类属是确定的； 模糊性则是事物本身性态和类属的不确定性。因此， 随机性是一种外在的不确定性，模糊性是一种内在的 不确定性 ◆ 随机性用概率论方法来处理，概率把信息转化为事 件发生或出现的频度；模糊性用隶属函数来刻画，它 表示物体对不精确定义性质的相似程度
x1
x2
xn
- 序偶法：A {(x1, A(x1)), (x2, A(x2 )), (xn, A(xn ))}
- 向量表示法： A [A(x1) A(x2 ) ... A(xn )]
◆ 当X为有限连续域时： A A(x)
Xx
5.1.1 模糊数学的基本概念
• 隶属函数的确定方法：
A B = 0.5/X1+ 1/X2+0.8/X3+ 0.4/X4
5.1.1 模糊数学的基本概念
• 模糊集合的其他运算：
◆ 三角范式 AB(x) T(A(x), B(x)) A(x) ~ B(x)
- 交（极小）：A B min(A (x), B (x))
- 代数积： AB (x) A (x)B (x)
精确集合
X 6
X 6
1 模糊集合
A 0
A 1
13
X 6
A(x) 1
A(x) [01]
1
13
6
5.1.1 模糊数学的基本概念
• 模糊集合的表示方法：
◆ 当X为有限集｛x1 ，x2 ， xn}时：
- Zadeh法：A A (x1) A (x2 ) A (xn )
x,
a,
b,
c,
d
)
ba
1
dx
d c
高斯型隶属函数 0
◆
1( xc )2
g(x;c, ) e 2
xa a xb b xc
cx xa
a xb b xc cxd
dx
c代表MF的中心； 决定MF的宽度。
一般钟形隶属函数 ◆
bell(x; a,b, c) 1
• 举例说明：设论域U={x1 ,x2 ,x3, x4}，A及B是U上的两 个模糊集合，已知： A=0.3/X1+0.5/X2+0.7/X3+0.4/X4 B=0.5/X1+1/X2+0.8/X3 利用模糊集合的交、并、补运算可得：
A =0.7/X1+0.5/X2+0.3/X3+0.6/X4; B = 0.5/X1+0.2/X3+1/X4; A B = 0.3/X1+ 0.5/X2+ 0.7/X3
• 几个名词术语：
◆
正则模糊集：
max
xX
A
(
x)
1
◆ 凸模糊集：A(x) min(A(a), A(b)), x (a,b)
◆ 模糊数：正则凸模糊集
5.1.1 模糊数学的基本概念
x2
x1
不符合凸
函数条件
5.1.1 模糊数学的基本概念
• 模糊集合的运算：
◆ 包含或子集 A B A(x) B (x)
◆ 核（Core）：核( A) {x | A(x) 1}
◆ 截集： 截集（A） {x | A(x) }
◆ 交叉点： 交叉点（A） {x | A(x) 0.5} ◆ 模糊单点（Singleton）：A(x) 1 的单点支集
核
截集
支集
交叉点
5.1.1 模糊数学的基本概念
* 模糊统计法：利用足够多的随机试验，对于要确定的
模糊概念在讨论的论域中逐一写出定量范围，再进
行统计处理，以确定被大多数人认可的隶属度函数
A ( x)
x属于A的次数 n
* 三分法：利用随机区间的思想来处理模糊性的实验模
型，每一个模糊试验确定论域的一次划分，每次划
分确定一对分界点 x
A1 (x) x p (x)dx
- 有界积： AB (x) (A (x) B (x) 1) 0
-
强积：
A
B
A B
(x) (x)
0
B (x) 1 A(x) 1 A (x) 1, B (x) 1
5.1.1 模糊数学的基本概念
第五章 基于模糊数学的软测量方法
黄福珍 Huangfzh@
本章主要内容
• 模糊检测技术概述 • 模糊检测技术应用实例 • 本章小结
5.1 模糊检测技术概述
• 模糊数学的基本概念 • Matlab模糊逻辑工具箱 • 模糊检测系统的基本结构
5.1.1 模糊数学的基本概念
• 模糊的概念：对概念的定义以及语言意义理解
5.1.1 模糊数学的基本概念
• 模糊集合和隶属函数：
精确集合（非此即彼）： A={X|X >6}
精确集合的隶属函数： A 模糊集合：
1 0
如果 X A 如果 X A
如果 X 是对象x的集合，则 X 的模糊集合 A ：
A {( x, A(x)) | x X}
A(x) 称为模糊集合A的隶属函数（简写为MF )