基于鲸鱼算法优化极限学习机的热电偶非线性补偿方法

发布时间：2020-03-19 12:37

【摘要】：传感器是测控系统中的核心元件,其测量的准确度严重影响着测控系统的整体性能。随着传感技术的发展,市场对传感器提出了越来越高的要求。在实际应用中,各种传感器由于外界干扰因素或本身非线性因素的影响,导致不同程度的测量误差。因此如何对传感器进行有效的补偿具有重要的理论研究与应用价值。随着人工智能技术的发展,基于神经网络的误差补偿方法已广泛应用在现代传感器信号处理中。本文选取热电偶为传感器补偿对象展开研究,考虑环境温度和本身非线性特性对测量精度的影响,利用先进的人工智能技术对传感器进行补偿,主要的研究工作如下:(1)鲸鱼优化算法的改进针对传统鲸鱼优化算法(WOA)存在的收敛速度慢、收敛精度低等缺点,提出一种改进的鲸鱼优化算法(AWOA)。AWOA算法通过精英个体引导机制,利用精英个体的进化信息自适应地引导鲸鱼种群朝正确的方向进行搜索,避免算法陷入局部最优,提高了算法的效率;在算法后期加入混沌动态权重因子加大在最优解附近的搜索力度,提高算法的局部搜索能力,从而加快了算法的收敛速度。通过23个基准测试函数的仿真实验,结果表明,与基本的WOA算法、文献[38]提出的WOAWC算法和基本的粒子群算法相比,本文提出的AWOA算法具有更高的收敛速度、求解精度和稳定性。(2)热电偶非线性误差的补偿为解决热电偶应用中冷端补偿和非线性校正的问题。本文提出了一种AWOA-KELM热电偶非线性处理方法。利用S型热电偶的分度表数据建立输入输出模型,通过本文提出的改进鲸鱼优化算法对模型的参数进行训练与优化,与基本WOA算法优化模型、WOAWC优化模型以及PSO优化模型进行对比,进一步证明AWOA算法的优越性;另外,将AWOA-KELM的训练结果与传统的最小二乘支持向量机和RBF神经网络相比,从仿真结果可以看出,AWOA-KELM模型实现了更高的补偿精度,而且训练速度更快,能更好地满足实时性要求。本文所提方法能有效地消除热电偶冷端温度变化和非线性热电特性的影响,可以作为高精度热电偶传感器的软件补偿,同时,也可以用于同类非线性系统的补偿,具有较高的实用价值。
【图文】：

启发式算法

算法是将宇宙中的物理规则抽象成数学模型对目标进行寻优，典型的代表有模拟退火算法(SA)[14]、引力搜索算法(GSA)[15]、中央力优化算法(CFO)[16]、黑洞算法(BH)[17]等。进化优化算法是受生物进化规律的启发，其基本思想是首先随机生成种群，然后在下一代中进化演变，其寻优的优势源于下一代中总是最好的个体结合在一起，使得种群在多次进化后达到最优状态。典型代表有遗传算法(GA)[18]、遗传编程算法(BP)[19]、差分算法(DE)[20]、进化策略(ES)[21]等。群体优化算法是模拟生物的群体社会行为，如典型的粒子群算法(PSO)[22]、蚁群算法(ACO)[23]、人工鱼群算法(AFSA)[24]和布谷鸟算法(CS)[25]等，其中粒子群算法是模仿鸟群的觅食行为，在算法初期随机生成一些粒子(候选解)，让它们在搜索空间四处飞行寻找最优解(即全局最优值)。与此同时，这些粒子会在自己的飞行路径中跟踪自身找到的最佳位置（个体最优值）。蚁群算法则模仿蚂蚁的觅食行为，自然界中蚂蚁在发现食物后，通常会寻找食物和蚁巢之间最近的路径将食物搬回蚁巢，蚁群算法的灵感便来源于此。模仿人类行为算法是模仿人类社会活动现象达到寻优搜索的目的，如典型的禁忌搜索算法(TS)[26]、烟花算法(FWA)[27]、内部搜索算法(ISA)[28]、和谐搜索算法(HS)[29]等。

模型分类,算法,学习机,极限

单易用、泛化能力强的优点迅速得到了广泛的应用，受到广大国内外学者的关注，有众多学者对 ELM 算法作了深入的研究并取得了许多研究成果，主要包括两个方面：一方面，将极限学习机与实际工程应用领域相结合，解决实际问题。极限学习机在实际工程应用中，主要用于回归和分类，具有学习效率高和泛化能力强的优点。比如，陆俊、徐志强等人将极限学习机应用在居民用电行为分类上，提高了居民用电检测的正确率并降低了算法的运行时间[51]。董浩、李明星等将极限学习机应用在短期电力负荷预测上，提高了电力负荷预测精度[52]。杨辉姜、湖海等将极限学习机构建 MEMS 陀螺误差补偿模型，并通过实验验证了极限学习机的补偿效果[53]。秦斌、易怀洋等将极限学习机应用在风电机组叶根载荷辨识建模中，并将结果与用支持向量机(SVM)方法进行比较，结果表明 ELM 模型训练速度快、预测精度高[54]。另一方面，针对极限学习机本身存在的一些局限性，，对其结构进行改进与优化，实现更高效的极限学习机模型。到目前为止，已有六种不同的 ELM 模型改进类型[149]，如图 1-2 所示，本文选取具有代表性的几种算法做简要介绍。
【学位授予单位】：湘潭大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18;TP212

【相似文献】