1、动态测量误差的软件处理方法自动化仪表第 24 卷第 1l 期 2003 年 11 月动态测量误差的软件处理方法ProcessingDynamicMeasuringErrorsByUsingSoftware盛旺纠支彦(长沙大学,长沙 410003)摘要讨论厂在动态信号测中干扰信号造成的系统误差,随机误差以及粗大误差的软件处理方法,提出了对各类误差处理的算法和处理流程.其中算法包括滑动平均法,最小二乘法和零差拟合法,对强干扰信号的处理给出 r 流程框图(保留一替代流程).关键词干扰误差软件处理AbstractThemethodofprocessingsystemem)r,FdrldomelTora
2、nd 几】ugherrorcausedbyinterferencesigamlsindynamicslgIlalmeasuremmtbyusingsoftwareisdiscussed.TnealgorithmandprxessingflowchartforvariouselTOrSisstated.Thealgorithmsincludeslidingaveraging,leastsquareandzell3elrorfitting.3heflowchartpmcessingheavyinterferencesignalisalsogiven(Feserve-replacepmcess).K
3、eywordsInterferenceErrorPn:essingbysoftware在仪器系统巾,测量精度是首要的技术指标.而式(1)巾,当 n/m=i,i=1,2,3时,sin(mr/m)=精度受干扰信号的影响,因此对干扰信号的处理就成 0,=0.可见,只要调整好 n/m,使之等于整数,那为至关重要的技术问题.本文讨论在动态信号测量中么干扰信号的 n 个相邻采样值之和恒为零.干扰造成的系统误差,随机误差以及粗大误差的软件通常,被测信号 S(t)与 f 扰信号 E(t)是线性叠处理方法,并给出相应算法和处理流程.加的,1 单频率干扰信号的处理用示波器观察被测信号波形时,往往聚焦很困难,这是由
4、于某一正弦干扰信号叠加在被测波形上.这类干扰可能来自供电电源(50Hz 或 400Hz),仪器内部电路振荡或外界干扰.所造成的误差属系统误差.通常处理这类干扰的方法是用硬件滤波,双积分 A/D 转换等技术.但是,硬件处理缺乏灵活性,用软件处理可弥补这一缺点.设干扰为角频率等于的正弦信号,即(t)=sinot.对此干扰采样,其采样频率为 m(m2),采样周期为 T=27r/trio.取 n 个相邻采样点值之和,即:sinto(t+71):(sic.s 叫 71+c.inokT)=singotsin(号叫 (半)/sin等+cosotsin(号)_I(n 等U(t)=5(t)+E(t)(2)式中:
5、U(t)为直接测量结果.这里所研究的被测信号随时间的变化较干扰信号变化更为缓慢,当对 U(t)进行采样时,采样频率应按照干扰频率来确定.根据叠加原理,U(t)的每个采样值也是线性叠加的(不考虑量化误差),即Uk=S+(3)现在以点为中心,前后各取 i 个相邻采样值求平均值,即=02i15+一+J.2iI+(4)+-J 一+J,.式(4)的后一项是 n 个相邻干扰采样点值的平均值,这里的 n=2i+I.由前述分析可知 ,只要选择 n/m 为整数,该项恒为 0.例如,当干扰频率为 501lz 时,选择采样频率为 250Hz,i=2,相当于式(1)中 m=5,n=5,必有E:0,nn一一玎 sino
6、(+Tn+l)/sin(1)那么,= 苎 5 州(5)20PROCESSAUTOMATIONINSTRUMENTATION,VoI.24,No.11,Nov.,2003动态测量误差的软件处理方法盛旺,等当 S(t)为恒定直流信号时,它的每个采样值相等,此时:s. 当 S(t)为一缓变信号时,可认为每n 个相邻采样点处于线性段,此时 uS.由以上分析可得出结论:当一缓变的被测信号叠加上单一频率的正弦 f:扰时,如果取 n 个相邻点的平均值,并且调整参数 n/m(m 为采样频率与干扰频率的比值)为整数,那么该平均值即为这 n 个采样点之中间点的被测信号采样值,此值无干扰成分.按照此结论,我们可以将
7、每个采样值都以它前后共 n个采样值的平均值来代替,那么整个测量曲线就可以从干扰中恢复出来,最前与最后(n 一 1)/2 个采样点除外.当然,这种处理方法会残留一定的误差,其原因是:被测信号并非完全是线性的,采样间隔愈大以及n 愈大时,非线性误差愈火;将参数 n/m 调整为整数存在一定困难.由式(1)可知,n/m 不为整数,不为 0.与模拟信号处理一样,数字信号处理也会存在误差.但是,经过这样处理后,信噪比大为改善.2 测量曲线的平滑任何测量结果都存在随机误差.对于随机误差,如果被测信号是恒定不变的,可以重复测量多次,取其平均值予以消除;如果被测信号是动态信号或者瞬态信号,只能进行一次扫描测量.
8、由于随机误差的存在,使测量曲线不平滑,工程术语叫存在“毛刺“, 如图 1 所示.尽管毛刺不大,但对于诸如微分运算(例如通过直接测量的速度曲线来描绘加速度曲线),可能出现荒谬的结果.对于动态曲线随机误差的处理,一般是对曲线进行平滑.下面介绍工程上常用的三种方法.滑动平均法滑动平均法简称滑窗.它是将测量数据边移动窗口边进行加权平均.其工作原理用图 1 说明.设混有随机误差的时间信号为(t),如图 1a 所示.对口(t)进行 ,v 次采样后形成离散序列口 (k),k=1,2,3,N.()是由 2i+1 点组成的对称加权函数,称为窗函数.以第 k 点为中心,前后各 i 点共 2i+1 点,取加权均值“
9、,即11/tk=三-J+7.7,k=i+1,i+2,Ni(6)J=I式中:+,是口(k)的第 k+.个采样值;,是该点对应的窗函数值;n 为窗 1:3 宽度.图 1a 所示的() 为三角形函数,i=2,n=2i+1=5.将 k 值由+1 逐次滑动至 Ni,则所得离散信号“(k)较之原信号口(k) 要平滑得多,如图 1b 所示.注意到加权函数是一个对称函数,因此在整个曲线两端有 2i 个点不能进行平滑.这对于,v 值较大的情况是不会影响总体效果的.I1lb图 1 滑动平均原理曲线窗函数()的选择是重要的 ,常用的窗函数有矩形窗,一角窗,抛物线窗等.由于矩形窗算法简单,运算速度快,因此较为实用.矩
10、形窗算式为:ln1k=+1,+2,v(7)J 一 I图 2 是某系统腔体压力曲线.图 2a 是直接测量所得的带有“毛刺“ 的曲线 ,图 2b 是用矩形窗平滑后的曲线,其中总样点数 N=40OO,窗宽 n 选为 9.比较两条曲线可以明显看到平滑的效果.对于矩形窗平滑,窗宽 n 的选择存在矛盾.为了提高平滑效果,必须增大 n 值,但又会使被测信号的波形失真加大,特别是在信号中高频分量十分丰富的峰谷点部分失真更严重.解决此矛盾的办法是提高采样频率.b图 2 某系统腔体压力曲线最小二乘直线拟合法最小_乘直线拟合是将测量数据分成若干小段,每段用直线拟合,而各段所有测量数据与对应直线的偏差之平方和为最小.
11、下面用图 3 来说明拟合方法.图 3 示意的为其中的一段,应有Y=k(一 0)+b(8)21自动化仪表第 24 卷第 ll 期 2003 年 l1 月f0一.L 一上一图 4 测量信号中的强干扰这种干扰有如下特征:22幅度大,甚至淹没被测信号;变化率大,远大于被测信号变化率,意味着干扰信号高频分量丰富;存在时间短,只占被测信号变化过程的一小段时间.这种干扰所引入的误差属粗大误差,应毫无保留地予以剔除.但是,用经典频域滤波方法难以达到此目的.这里介绍一种处理方法,其基本思想是利用强干扰信号的时域特征和计算机判别处理能力,对信号高速采样的每个样点值与相邻点值递推比较,若变化不大,保留其值;若变化较
12、大,用新值替代.为此,需拟定一个“保留一替代准则 “作为判别依据.此准则用图5 流程表示.用新值替代用前一点番代图 5 保留一替代流程图 5 巾,为第 i 个采样点原值;Y 为第 i 个采样点修正后之值;为在稳定态下(对应于图 4 中 t.之前)采样点的算术乎均值方差:=(矿(n 一厂式中:=(1/n),n 一般取 50,=3.的渎取范围应越过被测信号变化率较大的一段(图 4 中 t 附近), 否则会将被测信号当成干扰剔除.应逐一往后推移,经判别,保留或替代后得一组新的数据 y,此 Y 序列无强干扰成份,绘成曲线如图 4b所示.4 结束语本文讨论的是动态测量误差的软件处理,提出了对各类误差处理
13、的算法和处理流程.在实际操作过程中,应首先建立动态信号测量的数据采集系统,将测量所得数据存入计算机,然后由计算机依据算法对误差信号进行处理.当上面所述的三种干扰均存在时,应首先剔除强干扰,最后进行曲线平滑.这是作者在科学研究中对武器试验测试总结出的处理方法,已在实际应用巾获得了很好的效果.PROCFAUTOMATIONINSTRUMENTATION,Vo1.24,No.11,Nov.,2003基于模糊 c 均值聚类的 RBFN 的混炼胶粘度在线估计孙万田参考文献1 刘文彦,周学1,刘辉.现代测试系统M.沙:国防科技大学出版社,19952 姚天任,江太辫.数字信号处婵 lM 武汉:华中理 1.大
14、学出版社,19883 文仲.I 程遥测遥控技术M北京:机械工业出版社,1991收稿日期:2O020912第一作者盛旺,男,1976 年生,1999 年毕业于湘潭大学,现为在读硕士研究生,讲师;从事信号处理与通讯方面的研究.基于模糊 c 均值聚类的 RBFN 的混炼胶粘度在线估计OnlineEstimationofMixingSmeltingViscosityBasedonRBFNofFuzzyC-MeansClustering3.乃国(青岛国通信息技术有限公司,青岛 260022)摘要介绍_r 将基于模糊 c 均值聚类(FCM)算法的多模型建模方法(简称 FMM)与径向基函数神经网络(RBFM
15、)相结合,先用 FCM 算法将训练集聚类,再用隶属度将 f 模型的输出结合起来,从而完成软测量模型的建立.这种方法不仅增强了在对象的整个输入空间的预测精度,同时减少_r 隐层节点数日.加快_r 学习速度.算法仿真表明,所提出的算法是处理橡胶混炼粘度软测量建模的一种很有效的方法.关键词软测粘度在线估汁 ItBF 网络模糊 C 均值聚类AbstractThemodelofsoftwaremeastlrementisestablishedbycombininglnuhiplemodelmodelingmethodbasedonfuzzycIneansclusteringalgorithm(FCM)a
16、ndradialbasisfunctionneuralnetwork,firsdy,clusteringthetrainingsetwithFCMalgorithm,thencombiningtheoutputsofsub-ntzdelswithsubordination.Thismethodnotonlyenhancedthepredictionaccuracyofobjectinthewholeinputspace,butalsoreducedthenumberofimplicitnodesandincreasedthelearningswed.lhesilnulatinnshowstha
17、tthealgoriflunisaeffectivenlPAtsureformodelingofsoftmeasurementofviscosityofmixingandsmeltingrobberKeywordsSoftlneasurenlelltViscosityOnlineestiinationRBFnetworkFrizzly“cll 枷1sclustering目前利用样本数据进行非线性建模的方法一般都一定的方法将各网络的预报输出结合使用以提高是采用单模型结构.在基于神经网络方法的建模过程 ANN 建模的鲁棒性.这种思想主要是考虑到在 ANN中,大量的文献_10J 提出各种各样的方法来
18、选择?个建模时,不同的网络在不同一输入空间中的预测性能最优的或次最优的神经网络结构和最适宜的训练参数会有所不同,而多个 ANN通过一定方式连接后构成的来获得更好的模型预测精度.理论 L 说,如果对网络模型在对象的整个输入空间中的预测精度会得到增规模不加限制且有充足的训练数据,基于神经网络的强,同时这样做还可以避免隐层节点数目过多和学习建模方法总能得到一个令人满意的模型结构.但在实速度过慢的问题.至 1 工业背景简介时性的要求,网络结构也不能任意增加,良好的建模效.果一般需依赖于泛化能力.非线性对象用基于 ANN 橡胶混炼过程控制一? 直是橡胶混炼工艺中需探讨建模方法要解决的主要问题就是模型的鲁棒性和预测的问题,其目的是保证混炼胶质量的均匀性,以确保橡精度.胶制品质量的一致性.影响混炼胶质量的因素较多,Bates 和 Granger 于 1969 年提出厂通过将几个模型如原材料质量指标的波动(特别是生胶可塑性对胶料相加来提高模型的预测精度和鲁棒性的方法,现在大可塑性 T 艺指标影响尤为突出),设备参数在生产过程家已普遍认为将几个模型的预测结果结合起来是可能中的变化,工人操作技术素质的影响(尤其是手工操作获得较好的预测结果的一种简单,有效的方法.基本和半自动操作时影响较大).思想是分别建市几个独立的神经网络模型,然后通过混炼是所有橡胶作业的第一步,它决定着后面诸23
