基于多传感器数据融合的热处理炉温度测量方法.docx

基于多传感器数据融合的热处理炉温度测量方法.docx

《基于多传感器数据融合的热处理炉温度测量方法.docx》由会员分享，可在线阅读，更多相关《基于多传感器数据融合的热处理炉温度测量方法.docx（6页珍藏版）》请在冰豆网上搜索。

基于多传感器数据融合的热处理炉温度测量方法

第21卷第2期

2000年4月计量学报ACTAMETROLOGICASINICAVol.21,l2April,2000文章编号:

1000-1158（200002-0148-05

基于多传感器数据融合的热处理

炉温度测量方法

滕召胜

（国防科技大学ATR国防重点实验室,长沙410073

摘要:

温度是制约热处理性能的主要指标,对热处理炉温度的准确、可靠测量是目

前亟待解决的技术问题。

本文提出了一种基于多传感器参数估计数据融合的热处理炉

温度测量方法,给出数据融合算法。

实际应用结果验证了算法的准确性。

这种温度数

据融合方法计算简便,可以获得比有限个传感器的算术平均值更准确的测量结果,具有

较高的可靠性,可用于其它测量结果具有正态分布特性的多传感器测量系统。

关键词:

热处理;温度;参数估计;数据融合

中图分类号:

TH811文献标识码:

A

收稿日期:

1999-05-04;修订日期:

1999-08-31

基金项目:

国防预研基金资助项目;兵器工业总公司资助项目

1引言

温度的准确、可靠测量对于保证热处理工艺的稳定性和产品质量的再现性,提高生产效率,都具有重要意义。

智能化的测量控制是当今热处理技术发展的重要内容,基于新型信息计算机技术的现代测量技术在热处理中的应用,是国际热处理行业现代化的主要标志之一[1],其发展与应用为热处理技术进步带来了新的活力。

为保证热处理质量,热处理炉内各温区的温度必须严格控制在允许范围,对均温性也有较高的要求。

较之其它工业领域,热处理行业的计算机应用起步晚,测量信号的处理方法较为简单,过去的温度测量大多以同一温区几个热电偶测量结果的算术平均值为温区温度示值。

由于是在线测量控制,温度测量的影响因素较多、误差较大。

温度测量误差直接影响控制精度,成为制约热处理质量的亟待解决的技术问题。

本文介绍一种基于多传感器参数估计数据融合的热处理炉温度测量方法,它不需要任何关于热处理炉温度测量的统计资料,仅对有限个温度传感器（热电偶测量结果中剔除了疏失误差的一致性测量数据进行融合值计算,就可以获得比有限个测量数据的算术平均值更可靠的测量结果,从而提高了测量的准确性。

2热处理炉温度测量系统的构成

图1为热处理炉温度智能测量系统的构成框图。

系统由多路温度传感器、调节放大电路、A/D采集存储电路、接口电路及计算机组成。

计算机选用586/266以上工控机,配有键盘、显

示器、打印机、控制输出接口和通信接口。

热处理炉各温区的典型位置均设有测温传感器（每个温区共有八个。

测温电路将传感器获得的温度测量信号转换成为0~5V直流电压信号,经A/D采集存储电路变换成数字量并存储后,送入计算机剔除疏失误差,获得一致性测量结果,再进行数据融合计算。

计算机还可以根据各温区的温度设定值与测量值确定温度的控制方式,通过温度控制输出接口控制热处理炉发热元件的通电电流,从而实现各温区温度的负反馈闭环控制[2]

。

图1温度测量系统原理框图

3多传感器分批估计数据融合方法

数据融合是80年代初期开始发展的模仿人类大脑综合信息处理能力的新型信息处理方法,主要用于战场态势估计和机器人领域[3]。

热处理炉温度测量数据融合的目的是依据有限的传感器资源,消除测量中的不确定性,获得比有限个传感器测量信息的算术平均值更准确、更可靠的测量结果。

由于采用了数据融合处理,当热处理炉温度测量系统中的某些传感器失效时,系统可以依据其它非失效传感器提供的信息,通过数据融合获得各温区的准确温度。

311测量数据一致性检验

对热处理炉进行温度测量时,由于现场的突发性强干扰、测量设备本身的故障和热处理件传送的影响,不可避免地要产生疏失误差,影响测量数据的一致性。

因此,在进行数据融合前,疏失误差应予以剔除。

在传感器数量有限、测量次数较少的热处理炉温度测量中,利用数据探测技术中的分布图法剔除疏失误差的可靠性高,而且计算机编程也比较容易。

热处理炉温度测量的分布图中反映数据分布结构的参数主要是:

中位数TM、上四分位数FU、下四分位数FL和四分位数离散度dF。

设某一温区的八个温度传感器同时独立地进行温度测量,得到一列已按从小到大的顺序排列的测量列:

T1,T2,,,T8

则T1称为测量列的下极限,T8称为上极限。

定义中位数TM为

TM=

T4+T52（1上四分位数FU为区间[TM,T8]的中位数,下四分位数FL为区间[T1,TM]的中位数。

四分位数离散度为

dF=FU-FL

（2认定与中位数的距离大于AdF的数据为离异数据,即无效数据的判断区间为149第21卷第2期滕召胜:

基于多传感器数据融合的热处理炉温度测量方法

|Ti-TM|>AdF

（3

式中,A为常数,其大小视系统的测量误差要求而定,一般取015、110、210等值。

测量列剔除了疏失误差后,余下的数据被认为是有效的一致性测量数据,计算机将对一致性测量数据进行数据融合处理。

312数据融合算法

等精度温度传感器的测量结果具有正态分布特性,因此,热处理炉温度测量的数据融合可以采用算术平均值算法与分批估计相结合的融合算法。

具体方法是:

对安放在热处理炉内典型位置的八个温度传感器得到的测量列,首先得出一致性测量数据,然后按照炉内空间位置相邻两传感器不在一组的原则分为两组,对两组测量数据的算术平均值采用分批估计算法,估计出接近温度真实值的融合值T^+,从而得到炉内温度的准确测量结果,消除测量过程中的不确定性。

设被测温度的真值为T0,则温度测量方程可表示为

T=HT0+V

（4式中,T为温度测量值;系数矩阵H=;V为测量噪声。

设第一组一致性测量数据为

T11,T12,,,T1mm[4

第二组一致性测量数据为

T21,T22,,,T2nn[4

两组测量数据的算术平均值分别为

T（1=m

Emp=1T1p（5T（2=n

Enq=1T2q（6相应的标准偏差分别为

^R（1=m-1Ep=1（T1p-T（12（7

^R（2=n-1Eq=1

（T2q-T（22（8同时考虑第一、第二组的测量结果,测量方程（4可变成

T=T（1

T（2=T0+V（1V（2（9

式中,V（1、V（2分别为T（1、T（2的测量噪声,即剩余误差。

此时,T（1（2为同一批的两个测量数据,在此之前没有任何有关温度测量的统计资料,即此前测量结果的方差^R-=],则（^R--1

=0。

根据分批估计理论[4],对已有的测量结果T（1、T（2进行分批估计,得到的温度融合值的

方差为

^R+=[（^R--1+HTR-1H]-1=[11]1^R（100^R2（2-1=^R2（1^R2（2^R（1+^R（2（10150计量学报2000年4月

式中,HT为H的转置矩阵;R为测量噪声的协方差,且

R=E[VVT]=E[V2（1]

E[V（1V（2]E[V（2V（1]E[V

2（2]=^R2（1

00^R2（2（11

由分批估计导出的温度数据融合值T^+为

T^+=[^R+（^R--1]T^-+[^R+HTR-1]T=[^R+HTR-1]T

（12将式（11代入式（12得

T^+=^R2（1^R2（2^R2（1+^R2（2[11]^R（100^R（2T（1（2=^R2（2^R（1+^R（2（1+^R2（1^R（1+^R（2

（2（13

式（13即为基于多传感器参数估计数据融合的温度值。

传统的估计算法是建立在可靠的测量初值基础上的,没有可靠的测量初值,估计算法就失去了意义。

基于算术平均值与分批估计相结合的数据融合方法,是在获得两组具有较高可靠性的测量数据即二个较可靠的测量初值的基础上,根据二者方差进行加权融合处理。

由式

（13可见,方差大的测量数据赋予了较小的权数,而方差小的数据赋予了较大的权数,因此这种数据融合方法可以获得比算术平均值更可靠的测量结果。

理论与实际应用都证明,二组数据的误差越大,以式（13的数据融合值为测量结果对误差的改善效果越明显;二组数据误差越小,数据融合相对算术平均值的优越性也越小。

特殊情况下,当二者方差相等,即^R2（1=^R2（2时,式（13的计算实际上成为算术平均值的计算。

4温度测量数据融合实验

以八个温度传感器在相同时间对某恒温槽单独测量,得到的测量结果如表1所示。

表1多传感器温度测量结果单位:

e传感器

S1S2S3S4S5S6S7S8测量值848118521085119

8491985616849138481084813八次测量的平均值为T（8=8E8i=1

Ti=85015e,与恒温槽实际温度（85010e相比,测量偏差为+015e。

利用前文介绍的分布图法剔除传感器S5得到的疏失误差值后,余下七个测量数据的算术平均值为T（7=84916e,测量偏差为-014e。

七个一致性传感器可分为两组,第一组为S1、S3、S7,第二组为S2、S4、S6、S8。

两组传感器温度测量数据的算术平均值及其标准偏差分别为T（1=84913e^R（1=2122

T（2=84919e^R（2=1156

由式（13计算出这7个测量数据的温度融合值为

T^+

=84917e

温度融合值的偏差为-013e。

151第21卷第2期滕召胜:

基于多传感器数据融合的热处理炉温度测量方法

可见,数据融合得到的测量结果比算术平均值测量结果更接近被测量真值。

实际应用中,热处理炉温度测量的分散性较大,数据融合对测量结果的改善效果更显著。

5结论

本文提出的基于多传感器参数估计数据融合的热处理炉温度测量方法,具有计算量小、计算机编程容易等优点。

作者在620产品热处理炉温度智能测控专家系统的改进方案中采用了这种数据融合方法。

实际运行表明,改进后的专家系统具有测量准确度高、可靠性好等特点,能够保证热处理炉四个不同温区温度的准确测量与控制。

这种数据融合方法可用于其它测量结果具有正态分布特性的测量系统,尤其适用于缓变物理量分布式测量控制系统的数据处理。

参考文献

[1]李茂山,吴光荣.金属热处理的现状及发展趋势（二[J].国外金属热处理,1998,19（2:

6.

[2]滕召胜,郑舜生,童调生.热处理炉温度智能测控专家系统的设计与实现[J].金属热处理学报,1999,20（3:

25.

[3]WaltzE,LlinasJ.MultisensorDataFusion[M].NewYork:

ArtechHouse,1990.

[4]章燕申.最优估计与工程应用[M].北京:

宇航出版社,1991.

AMethodfortheMeasurementofTemperatureofHeat2treatment

BasedonMultisensorDataFusion

TENGZhao2sheng

（ATRLab,NationalUniversityofDefenseTechnology,Changsha410073

Abstract:

Theperformanceofheat2treatmentisrestrictedbytemperature.Atpresent,itisatechnicalproblemthatshouldbesolvedimmediatelyforaccuratelyandreliablymeasuringthetem2peratureofheat2treatment.Thispaperpresentsanewmethodofmultisensordatafusionformea2suringthetemperaturebasedonparameterestimation,andgivesthedatafusionalgorithm.Theresultsshowthatthealgorithmisright.Itisoptimalandmorereliably,comparedwitharithmeticmeansoffinitesensors,andcanbeusedinmultisensorsystemswhichthemeasurementdatabe2longtonormaldistribution.

Keywords:

Heat2treatment;Temperature;Parameterestimation;Datafusion

152计量学报2000年4月