实验室计量设备检定误差智能预测方法研究

邢 菁,李佳莹,王丕适,黄开来,杨 娴,黄雪玫

(海南电网有限责任公司,海南 海口 570203)

0 引言

综合性较强的实验室中通常包括微生物设备、分析设备和计量设备等。其中,计量设备较为普遍,此种实验设备指用于测量电流、电阻、长度、角度及重量等数值的仪器,主要包括电表、天平、硬度计和拉力实验机等,这些设备在测量过程中具有超高的精度要求,但同时也会受到实验室温度、湿度等因素影响,造成设备损坏,影响测量精度。因此,需要定期对这些设备检定,检定过程也就是明确计量设备是否满足精度要求的过程,通常包括检查、标记和生成检定证书等过程。在此过程中,由于人为等因素影响,导致检定结果会出现一定误差,为了更好地纠正该误差,提高计量设备测量精度,需准确获取检定误差。

为得到检定误差,田园等[1]提出基于大数据的计量设备检定误差分析。分析计量设备误差主要来源,建立与其对应的数学模型,利用大数据以及Hadoop架构设计检定误差多维诊断系统,根据获取的计量数据,确定检定误差。马烨等[2]利用脉冲虚功率源检测方法预测计量设备检定误差。设计一种校验装置样机,经过检定与实验分析得出仪器误差,并将该误差结果与检定结果进行对比,进而获取检定误差。

上述方法由于计量设备的检测精度受多方面因素的影响,涉及到的数据具有数量大、种类多的特征[3],增加了检定误差预测过程的复杂性,提高了数据处理难度,进而影响预测精度。为此,本文利用相控阵超声检测方法设计了计量设备误差数据自动采集系统,从中获取与检定误差相关的数据,去除无用信息,提高预测过程的自动化程度,再通过长短记忆神经网络(LSTM)建立预测模型,利用粒子群算法进行模型求解,以此提升预测精度,为计量设备检定提供合理、正确的参考意见。

1 计量设备状态信息采集与处理

1.1 基于相控阵超声技术的设备信息采集系统

1.1.1 采集系统结构

为了最大程度减少预测误差,利用相控阵超声系统自动采集计量设备振动信息[4],通过振动信息判断其工作状态,如果状态为健康则说明实际误差会很小;反之,计量误差较大。计量设备信息采集系统结构如图1所示。

图1 计量设备信息采集系统结构

本文设计的机械化自动采集系统将工控机作为基础[5],其最关键的任务为结合主站下发的请求实现计量设备在线采集任务。采集装置利用RS485总线获取PT和CT等回路数据,同时对数据做校验处理,再将这些信息上传到工控机。

1.1.2 采集系统通信方式

结合系统业务需求,系统如果要顺利完成采集任务,则需要制定工控机的接口方案与通信协议,如图2所示。

图2 采集系统接口方案与通信协议设计

1.1.3 相控阵超声检测技术

利用相控阵检测技术采集设备信号时,由发射单元激励换能器,发射出声波,当遇到缺陷部位时生成反射信号,再将接收到的各类信号做合成处理,获得声波信号。

根据换能器的各类函数与参数,确定声束主瓣、旁瓣与栅瓣的具体位置[6],将这些信息作为判断设备是否存在缺陷的数据。

波束极大值的角度的计算式为

(1)

θ0为初始相角;d为线阵间距;η为线阵参数。当z=0时,θ1=θ0,表示主瓣方位;当z=1,2,…,n时,表示栅瓣方位。

1.2 采集数据预处理

上述采集到的计量设备状态数据中会存在一部分冗余数据,这样会增加样本复杂度,降低预测精度。为此,本文利用模糊C均值聚类算法实现数据降维[7],该方法能够将数据目标分割成多个部分,确保类与类之间相似程度最小,且类内相似度最高。

将设备状态数据P分成k个模糊小组,计算出所有组别的聚类中心ki,聚类过程目标函数表示为

(2)

通过拉格朗日乘数法计算出上述公式最小的解[8]为:

(3)

(4)

m为模糊参数。

在满足上述公式情况下,聚类算法的具体过程如下:

a.设置Tmax为迭代次数的极大值,ζ为迭代精度。

b.设置初始隶属度矩阵U。

c.通过式(3)获取所有聚类中心ki。

d.通过式(2)获取目标函数具体数值,如果函数值与上次比较小于ζ或者迭代次数高于Tmax,算法结束,反之,利用式(4)继续获取新的矩阵U。

经过上述处理后,样本数据量大大减少,降低了空间复杂度,减少预测时间。

2 基于长短期记忆网络的检定误差智能预测

2.1 计量设备状态评估

通常情况下,设备的计量状态能够客观反映出测量误差,要想更加精准地预测出检定误差,必须评估设备的实际状态,结合状态信息预测出检定误差大小。针对某计量设备而言,影响其状态的参数有很多,假设这些状态参量组成的集合表示为{Q1,Q2,…,Qa}[9],通过这些状态信息建立1个评估模型。若max|Qa|高于设定阈值,则判定设备状态为故障状态,有可能会出现较大的计量误差。

在实验室中,影响计量设备状态的主要因素分为温度、湿度与负荷,在考虑设备属性与使用时间等影响因素下,设备误差状态变化情况描述为

S(t)=g(T(t),H(t),L(t),E,Z(t),M(t))

(5)

S(t)为t时刻计量设备的状态误差;T(t)为t时刻实验室的温度值;H(t)为t时刻实验室湿度值;L(t)为到t时刻为止设备的使用时间;E为设备检定结果;Z(t)为t时刻温度的累计作用;M(t)为t时刻湿度的累计值。

利用上述模型即可判断出计量设备当前的实际状态,为检定误差预测提供参考依据。

2.2 检定误差智能预测模型构建

利用长短期记忆网络建立检定误差智能预测模型,该网络与传统神经网络相比,增加了遗忘门来控制网络[10],进而解决梯度爆炸和消失现象,能够最大程度地降低预测误差。

假设t时刻输入到网络中的高维变量为xt,刺客模型的输出误差为yt,xt中存在很多变量,则LSTM可以表示为:

ft=σf(Wf[xt,Ht]T+bf)

(6)

ot=σt(Wt[xt,Ht]+bt)

(7)

ft与ot分别为遗忘门与输出门;σf和σt分别为遗忘门和输出门的激活函数;Wf、Wt分别为与其对应的权重矩阵;bf与bt分别为不同的偏置系数;Ht为输出信息。则记忆状态Ct和Ht的表达式分别为:

Ct=ot+Ht·Wt

(8)

Ht=ot·Wt+Ct

(9)

为了提升模型预测精度,在模型中添加具有“挤压”特征的激活函数,同时利用LSTM网络获取特征矩阵,将该矩阵当做挤压层的输入,便于更好地完成多维数据拟合。

输出特征通过挤压层后,输出误差yt的计算过程为:

Jt=tanh(K(Ht))

(10)

yt=K(Jt)

(11)

Jt为挤压层中存在的输出变量;K(·)为挤压层函数;tanh为激活函数。挤压层的作用是改善网络在数据较多的情况下出现拟合能力不足的现象。

为降低人工选择模型参数对预测结果的影响,利用粒子群算法寻找模型最优解。设置适用于LSRM的超参数组合[Hs,Lr],其中,Hs为隐藏层大小,Lr为学习率。该方法的核心是利用个体间的合作信息共同确定最佳粒子,每个粒子均与1组超参数对应,即S=[Hs,Lr]。粒子群算法的搜索过程描述为

(12)

ω的值决定了搜索过程是否能够顺利进行,如果ω取值较大,则粒子搜索速度较快。为了选择合适的惯性因子,利用下述公式确定最佳ω值,即

(13)

ωmin为惯性因子最小值;ωL为限制值;O为最大迭代次数。

改进惯性因子的主要目的是扩大搜索空间,确保后期能够更好地收敛,则改进后的粒子群算法搜索模型最优解的过程描述为:

C2r2(g-S)+C3r3(g-S)

(14)

(15)

C3为改进后的学习因子;r3为[0.4,0.6]范围内的随机数;β为搜索速度的限制系数;λ为学习速率。

3 实验过程与结果分析

为证明所提实验室计量设备检定误差智能预测方法的可行性,设置如下实验。将实验室中的三相电能表作为研究目标。实验相关设备如表1所示,实验平台如图3所示。

表1 实验设备表

图3 电表检定平台

在检定平台中,结合各种设备的尺寸大小,将检定台设置为3部分:第1部分可接入采集器A、集中器B以及电能表;第2部分可兼容终端A与采集器A;第3部分接入了采集终端B和集中器A,同时与三相电表连接。在同一个检定台中无法同时检定2种不同的计量设备,因此需要缩小台体宽度,以达到节省空间的目的。

利用上述检定台对电表进行误差检定,并利用本文方法预测检定误差。实验中具有2个电表,分别为正常电表和缺陷电表,通过相控阵超声检测技术获取电表的振动波形,2种电表的波形分别如图4和图5所示。

图4 正常电表波形

图5 缺陷电表波形

由图4和图5可知,正常电表与故障电表的振动波形存在一定区别。正常电表的波形浮动比较平稳,且具有一定周期性,而故障电表的波形会出现缺陷波,变化幅值较大。说明利用本文方法能够确定计量设备的状态,如果计量设备没有故障,那么其检定误差也一定很小,因此能够为检定误差预测奠定坚实的基础。

经过上述状态判定后,利用本文构建的预测模型预测检定误差,检定结果如图6所示。

图6 计量设备检定误差智能预测结果

从本文方法的电能表检定误差预测结果来看,预测误差较小,只存在1个离群点,大部分预测误差都接近0。这是因为本文针对采集到的数据进行处理,剔除影响预测结果的干扰信息,且通过计量设备的状态评估已经确定设备的基本状态,将预测误差缩小在一定范围内,同时长短期记忆网络具有较强的学习能力,在不断迭代过程中缩小预测误差。

为证明本文方法具有普适性,面对多种计量设备进行检定误差预测,这些设备中不仅包括电表,还有拉力机、硬度计和天平等。将决定系数R2作为评价指标,该指标的取值区间为[0,1],结果与1越接近,表明多种设备检定的拟合误差越小,该方法的普适性也越高,即

(16)

图7 本文预测方法决定系数指标测试结果

由图7可以看出,本文方法的决定系数与1较为接近,误差的拟合效果较好,因此该方法具有普适性,能够适用于实验室中大部分计量设备的检定误差预测。

4 结束语

为确保实验室计量设备测量的准确性,本文提出一种新的检定误差预测方法。利用相控阵超声检测技术采集设备的振动信号,并通过模糊C均值聚类算法排除数据干扰,结合设备状态评估结果,利用构建长短期记忆网络搭建实验室计量设备检定误差智能预测模型,利用粒子群算法对模型求解。实验结果表明,所提方法预测结果和实际结果较为接近,且普适性较高,适用于实验室中的大部分计量设备。说明利用该方法能够达到计量设备校准的目标。但是为进一步提高实验质量和用户满意度,还要设定具体的实验室设备管理方案,完善仪器质量管理工作,改善实验室环境,确保实验室环境满足相关规范要求。