基于维纳非线性模型的压力传感器标定装置温度建模方法制造方法及图纸

本发明专利技术提供一种基于维纳非线性模型的压力传感器标定装置温度建模方法，步骤如下：以△T为采样间隔，对压力传感器标定装置的空气流量以及标定装置的温度进行采集，得到采样数据；将采样数据中的空气流量作为输入变量，标定装置的温度作为输出变量构建存在噪声数据的压力传感器标定装置温度动态识别维纳模型，使用变分贝叶斯的方法对维纳模型变量的分布和常数变量的值优化；采集新的空气流量，利用优化后维纳模型对标定装置温度进行识别，并根据标定装置温度对空气流量进行调节；本申请使用变分贝叶斯对存在噪声数据的压力传感器标定装置温度动态识别维纳模型参数进行估计优化，考虑到噪声、异常值和参数不确定性等因素，识别效果好。

【技术实现步骤摘要】
基于维纳非线性模型的压力传感器标定装置温度建模方法
本专利技术涉及一种压力传感器标定装置温度建模方法，特别是一种基于维纳非线性模型的压力传感器标定装置温度建模方法。
技术介绍
压力传感器是工业实践中最为常用的一种传感器，其广泛应用于各种工业自控环境，涉及水利水电、铁路交通、智能建筑、生产自控、航空航天、军工、石化、油井、电力、船舶、机床、管道等众多行业，压力传感器在出厂前和作业前都要进行标定，作业时，压力传感器标定装置的测量精度和工作可靠性直接影响着作业质量；作业环境的压力和温度因素会引起压力传感器产生误差，在作业环境压力不变的情况下，不同的温度，会给压力传感器带来不同的输出响应，因此，对压力压力传感器标定装置温度进行识别并控制极为重要。压力传感器标定装置温度的动态变化是一个非线性过程，非线性过程的辨识是系统辨识中一个活跃而开放的领域，而面向块的维纳模型可以用来近似几乎任何线性系统，主要由线性动态部分和静态非线性部分组成，目前对维纳模型估计只要存在两种方法，预测误差法和最大似然估计法，但上述来个哪种方法大多数工作都仅考虑了输出噪声存在时的参数估计，而未考虑数据测量中由大扰动而引入的异常值的影响，在这种情况下，在模型中引入了一些潜在变量，它们的后验分布是非线性的，很难直接计算出似然函数，而且考虑到参数不确定性，将参数视为随机变量，并估计为分布，可以提高识别的准确性。
技术实现思路
本专利技术的目的就是提供一种基于维纳非线性模型的压力传感器标定装置温度建模方法，通过空气流量对标定装置的温度进行动态识别。本专利技术的目的是通过这样的技术方案实现的，它包括有以下步骤：1)数据采集：以△T为采样间隔，对压力传感器标定装置的空气流量ut以及标定装置的温度yt进行采集，得到采样数据；2)构建模型：将步骤1)中得到的采样数据中的空气流量ut作为输入变量，标定装置的温度yt作为输出变量构建存在噪声数据的压力传感器标定装置温度动态识别维纳模型，使用变分贝叶斯的方法对维纳模型变量的分布和常数变量的值优化，得到优化后的维纳模型；3)温度动态识别：采集新的空气流量u′t，利用步骤2)中优化后的维纳模型对标定装置温度y′t进行识别，并根据标定装置温度y′t对空气流量进行调节。进一步，步骤2)中构建模型的具体步骤如下：2-1)将步骤1)中得到的采样数据中的空气流量ut作为输入变量，标定装置温度yt作为输出变量构建存在噪声数据的压力传感器标定装置温度动态识别维纳模型；2-2)设置K-1时刻为初始时刻，初始化初始时刻各参数以及各潜在变量的分布；2-3)根据K-1时刻各潜在变量的分布，利用变分贝叶斯推理VBInference方法的VB期望对第K时刻存在噪声数据的维纳模型各变量的后验分布进行近似估计；2-4)根据变分贝叶斯推理VBInference方法的VB最大化步骤选择出使第K时刻目标函数最优的解并作用于K+1时刻；2-5)令时刻K＝K+1，返回步骤2-3)，重复步骤2-3)—步骤2-4)进行迭代，直至似然函数收敛，输出模型最优参数，得到优化后的维纳模型。进一步，步骤2-1)中构建压力传感器标定装置温度动态识别的维纳模型的具体步骤如下：2-1-1)以空气流量ut为输入变量，以标定装置的温度yt为输出变量构建压力传感器标定装置温度动态识别的维纳模型：式(1)中，ut为输入变量，yt为输出变量并受到测量噪声et的干扰，xt为中间不可测变量并受到过程噪声ωt的干扰，f(xt)为系统的非线性部分，G(q-1)为一个传递函数，表示为：2-1-2)将传递函数G(q-1)重写为脉冲响应模型FIR，表示为：式(3)中，当模型的阶数L足够大时，FIR模型可以精确地逼近传递函数模型，FIR模型的参数表示为：因此，对于传递函数G(q-1)的辨识可以转化为对Θ＝[θ0,θ1,θ2,…θL]T的辨识；2-1-3)系统的非线性部分f(xt)，假设其可以写成一组已知基函数的和，表示为：式(5)中，fi(·)为基函数，故对于非线性环节f(·)的辨识可以转化为对Λ＝[λ0,λ1,…λM]T的辨识。进一步，步骤2-2)中初始化初始时刻各参数以及各潜在变量的分布的具体步骤如下：2-2-1)假设过程噪声和测量噪声互相独立，其中过程噪声ωt遵循高斯分布，测量噪声et遵循学生t分布：ωt～N(0,1/τ1)，et～St(0,τ2,v)(6)式(6)中，τ1为正态分布的精度，v为学生t分布的自由度；将测量噪声et可以写为成比例的高斯分布：式(7)中，rt为比例因子，并且服从伽马分布，既有2-2-2)假设参数Θ和Λ的先验分布也服从高斯分布，且参数τ1和τ2的先验分布服从伽马分布，即：(Θ,Λ)～N(0,α-1I)，(τ1,τ2)～G(a0,b0)(8)式(8)中，α-1为参数Θ和Λ其中元素所对应的方差矩阵，其先验分布服从伽马分布，有p(a)～G(a0,b0)。I是具有适当维度的单位矩阵，a0和b0是先验分布中的超参数均为常数值；已知u1:N＝{u1,…uN}和y1:N＝{y1,…yN}，则模型的优化简化为：进一步，步骤2-3)中对第K时刻各变量的后验分布进行近似估计的具体步骤如下：2-3-1)对于输出y1:N的概率密度函数最大化相当于对其对数似然函数进行最大化，根据贝叶斯的相关思想，将其对数似然函数进行适当的数学变化，形成新的形式，并推导出能够使概率密度函数最大化的条件；2-3-2)结合K-1时刻各潜在变量的分布，逐步更新第K时刻各潜在变量的概率密度，包括：q(x1:N)、qk(rt)、qk(Θ)、qk(Λ)、qk(τ1)、qk(τ2)、qk(α)，并近似得到各变量的后验分布。进一步，步骤2-3-1)中推导出能够使概率密度函数最大化的条件的具体步骤如下：2-3-1-1)输出y1:N的对数似然函数可以写为：式(10)中，q(x1:N,r1:N,Θ,Λ,τ1,τ2,α|v)为任意概率密度函数，假设各潜在变量互相独立且遵循平均场理论，即根据贝叶斯的相关理论p(y1:N|v)等价于：则有：lnp(y1:N|v)＝J+KL(13)式(13)中，2-3-1-2)将对数似然函数写为J+KL形式，有KL≥0，J为对数似然函数lnp(y1:N|v)的下界，变分贝叶斯推理VBInference方法的VB期望步骤，通过固定v来调整q(x1:N,r1:N,Θ,Λ,τ1,τ2,α|v)使q(x1:N,r1:N,Θ,Λ,τ1,τ2,α|v)≈p(x1:N,r1:N,Θ,Λ,τ1,τ2,α|y1:N,v)，从而使J增大。进一步，步骤2-3-2)中逐步更新第K时刻各潜在变量的概率密度，并近似得到各变量的后验分布的具体步骤如下：2-本文档来自技高网...

【技术保护点】
1.一种基于维纳非线性模型的压力传感器标定装置温度建模方法，通过空气流量对标定装置温度进行动态识别，其特征在于，包括以下步骤：/n1)数据采集：以△T为采样间隔，对压力传感器标定装置的空气流量u

【技术特征摘要】
1.一种基于维纳非线性模型的压力传感器标定装置温度建模方法，通过空气流量对标定装置温度进行动态识别，其特征在于，包括以下步骤：
1)数据采集：以△T为采样间隔，对压力传感器标定装置的空气流量ut以及标定装置的温度yt进行采集，得到采样数据；
2)构建模型：将步骤1)中得到的采样数据中的空气流量ut作为输入变量，标定装置的温度yt作为输出变量构建存在噪声数据的压力传感器标定装置温度动态识别维纳模型，使用变分贝叶斯的方法对维纳模型变量的分布和常数变量的值优化，得到优化后的维纳模型；
3)温度动态识别：采集新的空气流量u′t，利用步骤2)中优化后的维纳模型对标定装置温度y′t进行识别，并根据标定装置温度y′t对空气流量进行调节。


2.如权利要求1所述的一种基于维纳非线性模型的压力传感器标定装置温度建模方法，其特征在于，步骤2)中构建模型的具体步骤如下：
2-1)将步骤1)中得到的采样数据中的空气流量ut作为输入变量，标定装置温度yt作为输出变量构建存在噪声数据的压力传感器标定装置温度动态识别维纳模型；
2-2)设置K-1时刻为初始时刻，初始化初始时刻各参数以及各潜在变量的分布；
2-3)根据K-1时刻各潜在变量的分布，利用变分贝叶斯推理VBInference方法的VB期望对第K时刻存在噪声数据的维纳模型各变量的后验分布进行近似估计；
2-4)根据变分贝叶斯推理VBInference方法的VB最大化步骤选择出使第K时刻目标函数最优的解并作用于K+1时刻；
2-5)令时刻K＝K+1，返回步骤2-3)，重复步骤2-3)—步骤2-4)进行迭代，直至似然函数收敛，输出模型最优参数，得到优化后的维纳模型。


3.如权利要求2所述的一种基于维纳非线性模型的压力传感器标定装置温度建模方法，其特征在于，步骤2-1)中构建压力传感器标定装置温度动态识别的维纳模型的具体步骤如下：
2-1-1)以空气流量ut为输入变量，以标定装置的温度yt为输出变量构建压力传感器标定装置温度动态识别的维纳模型：



式(1)中，ut为输入变量，yt为输出变量并受到测量噪声et的干扰，xt为中间不可测变量并受到过程噪声ωt的干扰，f(xt)为系统的非线性部分，G(q-1)为一个传递函数，表示为：



2-1-2)将传递函数G(q-1)重写为脉冲响应模型FIR，表示为：



式(3)中，当模型的阶数L足够大时，FIR模型可以精确地逼近传递函数模型，FIR模型的参数表示为：



因此，对于传递函数G(q-1)的辨识可以转化为对Θ＝[θ0,θ1,θ2,…θL]T的辨识；
2-1-3)系统的非线性部分f(xt)，假设其可以写成一组已知基函数的和，表示为：



式(5)中，fi(·)为基函数，故对于非线性环节f(·)的辨识可以转化为对Λ＝[λ0,λ1,…λM]T的辨识。


4.如权利要求2所述的一种基于维纳非线性模型的压力传感器标定装置温度建模方法，其特征在于，步骤2-2)中初始化初始时刻各参数以及各潜在变量的分布的具体步骤如下：
2-2-1)假设过程噪声和测量噪声互相独立，其中过程噪声ωt遵循高斯分布，测量噪声et遵循学生t分布：
ωt～N(0,1/τ1)，et～St(0,τ2,v)(6)
式(6)中，τ1为正态分布的精度，v为学生t分布的自由度；将测量噪声et可以写为成比例的高斯分布：



式(7)中，rt为比例因子，并且服从伽马分布，既有
2-2-2)假设参数Θ和Λ的先验分布也服从高斯分布，且参数τ1和τ2的先验分布服从伽马分布，即：
(Θ,Λ)～N(0,α-1I)，(τ1,τ2)～G(a0,b0)(8)
式(8)中，α-1为参数Θ和Λ其中元素所对应的方差矩阵，其先验分布服从伽马分布，有p(a)～G(a0,b0)。I是具有适当维度的单位矩阵，a0和b0是先验分布中的超参数均为常数值；
已知u1:N＝{u1,…uN}和y1:N＝{y1,…yN}，则模型的优化简化为：





5.如权利要求2所述的一种一种基于维纳非线性模型的压力传感器标定装置温度建模方法，其特征在于，步骤2-3)中对第K时刻各变量的后验分布进行近似估计的具体步骤如下：
2-3-1)对于输出y1:N的概率密度函数最大化相当于对其对数似然函数进行最大化，根据贝叶斯的相关思想，将其对数似然函数进行适当的数学变化，形成新的形式，并推导出能够使概率密度函数最大化的条件；
2-3-2)结合K-1时刻各潜在变量的分布，逐步更新第K时刻各潜在变量的概率密度，包括：q(x1:N)、qk(rt)、qk(Θ)、qk(Λ)、qk(τ1)、qk(τ2)、qk(α)，并近似得到各变量的后验分布。


6.如权利要求2所述的一种基于维纳非线性模型的压力传感器标定装置温度建模方法，其特征在于，步骤2-3-1)中推导出能够使概率密度函数最大化的条件的具体步骤如下：
2-3-1-1)输出y1:N的对数似然函数可以写为：



式(10)中，q(x1:N,r1:N,Θ,Λ,τ1,τ2,α|v)为任意概率密度函数，假...

【专利技术属性】
技术研发人员：刘切，李俊豪，曾建学，柴毅，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50