基于遗传算法优化最小二乘支持向量机的机械式温度仪表误差预测方法
【技术领域】
[0001] 本发明设计一种机械式溫度仪表误差预测方法，尤其是一种基于遗传算法优化最 小二乘支持向量机的机械式溫度仪表误差预测方法。
【背景技术】
[0002] 在自动化过程仪表领域内，溫度作为最基本的检测参数之一，在石油化工工业、安 全生产W及汽车工业等领域中得到广泛应用。随着实际应用的场合不断增加，测量溫度的 环境愈加恶劣，使得具有稳定性好、抗干扰能力强的机械式溫度仪表成为干扰信号较多场 合下的主要测溫仪器。在实际应用中较为常见的便是压力式溫度仪表，在其封闭系统内充 灌了低沸点液体、饱和蒸汽或者其他介质，受热膨胀之后产生压力变化，由此研发的液体压 力式溫度仪表同样具有使用简便、读数直观W及测溫距离远等优点，但是依然会受到环境 溫度的影响使仪表内部结构产生额外压力导致测量误差。因此，对于机械式溫度仪表误差 的研究预测是实现恶劣环境下精确测溫的重要工作。
[0003]在机械式溫度仪表的误差补偿中，误差线性分析W及误差模型的研究是极为关键 的步骤。现阶段国内外对此研究鲜有提及，目前对机械式溫度仪表误差研究的方法包括PID 算法和最小二乘法。PID算法在给定模型下控制稳态性能好，能够消除静差。但在溫度仪表 由于环境溫度、特征参数W及结构改变等，在受控之前就必需根据不同的受控体和环境来 设置或调整P、I、D参数，很难应用到实际测量中。应用最小二乘法对溫度误差进行建模预测 时，液体压力式溫度仪表中波登管、毛细管W及内部交互机构之间相互禪合，且极易受到外 部环境与制造误差的影响，从统计角度看，溫度仪表误差呈现出非线性的趋势。因此利用传 统PID算法和最小二乘法对溫度仪表的误差建模预测存在相当的局限性。
【发明内容】
[0004]为了克服已有机械式溫度仪表的误差补偿方式的精度较低、计算复杂、训练时间 长的不足，本发明提供一种精度较低、简化计算、缩短训练时间的基于遗传算法优化最小二 乘支持向量机的机械式溫度仪表误差预测方法。
[000引本发明解决其技术问题所采用的技术方案是：
[0006] -种基于遗传算法优化最小二乘支持向量机的机械式溫度仪表误差预测方法，所 述预测方法包括W下步骤：
[0007] (1)获得模型输入和输出，将测定机械式溫度仪表的特征参数作为模型输入，采样 获得仪表的误差值和误差变化率作为模型输出；
[0008] (2)对原始溫度误差数据进行预处理，将数据归一化到[-1，1 ]区间内，生成数据集 进行分组获得训练集和测试集；
[0009] (3)选取高斯径向基核函数作为最小二乘支持向量机模型的核函数，确定模型的 参数组合(σ2, 丫），其中丫为核参数，σ2为惩罚参数；
[0010] (4)采用遗传算法对最小二乘支持向量机的参数组合(O2, 丫）进行寻优，在全局范 围内得到最优参数组合；
[0011] (5)利用寻优之后的最佳参数组合，结合训练样本集构建基于遗传算法优化最小 二乘支持向量机的机械式溫度仪表误差预测模型；
[0012] (6)输入数据集利用训练得到的最小二乘支持向量机模型对液体压力式溫度仪表 误差进行预测；
[0013] (7)将溫度仪表误差预测结果和实际溫度误差进行对比，分析溫度误差值W及溫 度误差变化率的变化趋势。
[0014]进一步，所述步骤(4)采用遗传算法对最小二乘支持向量机的参数组合(σ2,丫）进 行寻优，过程如下：（4.1)读入溫度误差数据训练样本集；
[0015] (4.2)对最小二乘支持向量机参数进行编码，随机产生初始种群；（4.3)确定种群 规模，终止进化次数，交叉概率，变异概率，参数σ2和丫的初始取值范围；
[0016] (4.4)使用参数组合(〇2,Υ)建立最小二乘支持向量机预测模型结合训练样本集 进行模型训练，W均方根(MSE)作为种群各个个体的适应度函数衡量最小二乘支持向量机 模型的准确性的判定函数；
[0017] (4.5)根据个体适应度，按照轮盘赌法规则从当前种群选出个体进入下一代进行 交叉操作，产生两个新个体；
[0018] (4.6)随机选取种群中的个体W-定的变异概率进行变异操作，通过随机改变个 体中的某些基因而产生新个体，并利用新个体建立模型计算适应度；
[0019] (4.7)判断适应度，若平均适应度值变化持续小于某一常数，则所得到的具有最大 适应的个体作为最优解输出，算法终止;若平均适应度值没有达到要求，则重复执行W上步 骤(4.4)至步骤(4.6)直至达到最大迭代次数；
[0020] (4.8)对得到的最优参数组合解译，得到最优参数组合。
[0021 ]再进一步，所述步骤（1)中，W液体压力式溫度仪表为研究对象，其特征参数是通 过分析液体压力式溫度仪表的测溫结构和误差特点得出，其中包括环境溫度、恒溫槽溫度、 毛细管长度、毛细管内径、波登管宽度、波登管厚度、波登管角度共屯个参数;模型输出包括 因环境溫度引起的探头溫度与实测溫度的差值W及该误差值对于毛细管长度的变化率。
[0022] 更进一步，所述步骤(2)中，对原始溫度误差数据进行预处理，过程如下：（2.1)设 置0°C、5°C、25°C、35°C、45°C、50°C、55°C作为实验数据的样本采集点，在0°C和50°C恒溫槽 下进行实验的溫度仪表，而在5°0、25°0、35°0、45°0和55°0直溫槽下进行实验的溫度仪表， 由于存在20米毛细管，采集的实验数据作为误差值W及误差变化率的分析数据；
[0023] (2.2)由于数据样本中的7个输入和2个输出的差别较大且量纲不同，在建模之前 对样本进行归一化处理，将各个输入和输出的值在-1到1之间：
式中，为t 溫度相对应的归一化处理后的溫度数据，Xt为t溫度下原始溫度数据，Xmax为原始溫度数据 的最大值，Xmin为原始溫度数据的最小值。
[0024]所述步骤(5)中，构建基于遗传算法优化最小二乘支持向量机的机械式溫度仪表 误差预测模型的过程如下：
[0025] (5.1)将液体压力式溫度仪表误差模型转化为输入样本X为7维向量，N个样本及其 输出值为(X1，X)，…，（xn，X)ErXR，利用最小二乘支持向量机中函数估计问题中的非线性 映射函数φ( ·)将输入样本映射到高维特征空间；
[0026] (5.2)综合考虑VC维最小和经验风险最小的原则，该问题表示成为一个等式约束 的优化问题，则函数回归问题描述为求解如下最优化问题的目标函数：
式中目标函数的第一项对应着模型的泛化能力， 而第二项对应着模型的精确性，xi为输入样本，yi为目标值，EiER为误差变量，Φ(Xi) :r一RDh为核空间映射函数，ωERnh为权向量，丫为模型泛化能力与精度之间可调参数，b为偏参 量;从而构建拉格朗日函数：
式 中ai(i=l，. . .1