一种热式风速传感器恒功率调节与精度补偿方法与流程

本发明涉及的是一种热式风速传感器精度的补偿方法，具体地说是是一种基于智能算法策略迭代的热式风速传感器精度优化方法。

背景技术：

热式风速传感器是一种以热丝或热膜为探头，将其置于被测空气中，通过电阻或电流的平衡关系测得空气流速的传感装置。无论是在气象监测，海洋作业，还是风力发电，地面监测方面，热式风速传感器都需要具有精确测量风速的能力。

强化学习智能算法是目前各领域研究热点，其在不确定情况下通过交互式学习达到最优状态方面优势明显。

技术实现要素：

本发明的目的在于提供一种自适应能力强，精度高的热式风速传感器恒功率调节与精度补偿方法。

本发明的目的是这样实现的：

(1)采用恒定功率热式风速传感器检测得到初步数据；

(2)采用pid算法结合人工鱼群算法对恒定功率进行自适应控制；

(3)采用二级放大电路将得到的微弱信号进行信号调理；

(4)采用强化学习策略迭代方法建立精度补偿修正曲线。

本发明还可以包括：

1.所述人工鱼群算法对恒定功率进行自适应控制具体包括：

1)针对风速传感器恒定功率调节，初始化pid参数；

2)对鱼群算法的参数进行设置，将变视野、变步长的改进融入算法；

3)计算每条鱼的食物浓度，将整个群体的最优值置于公告牌；

4)对所有个体进行行为函数操作，更新鱼群；

5)重新评价个体，更新公告；

6)当最优解达到预设指标或者达到最大迭代次数结束，否则转到步骤4)。

2.所述人工鱼群算法对恒定功率进行自适应控制中，

定义变量人工鱼总数n，人工鱼个体状态x，人工鱼移动的步长变量step，人工鱼的视野变量visual，尝试次数try-number，拥挤度因子σ，鱼间距离为||xj-xi||，人工鱼当前位置食物浓度y，

相关行为函数包括：

随机行为：

觅食行为：人工鱼xi确定自己的视野范围并在其中随机搜寻一个状态xj，如果yj＞yi,那么直接游到xj，如果达到try-number次数，仍然满足不了条件，则执行随机行为；

群聚行为：鱼xi在视野中寻找同伴数量nf和中央位置xc，当yc/nf＞σyi，有

追尾行为:鱼xi在视野范围内找到最优xj，当yj/nf＞σyi，有

x为(kp,ki,kd)，将每个人工鱼状态代入pid计算公式得到的实际功率与设定功率的误差为φ，函数人工鱼当前位置食物浓度y定义为：

其中ω为适应度函数权重因子；

对人工鱼群算法的步长和视野变量进行进一步的改进，对此引进以下函数，

其中a为视步因子，ite为当前迭代次数，maxite为最大迭代次数，ε为校正因子，令其为10，设定阈值为5％；

当φ≤5％时有：

visual＝visual*a*φ*ε，

step＝step*a*φ*ε；

当φ＞5％时有：

visual＝visual*a，

step＝step*a。

3.所述采用强化学习策略迭代方法建立精度补偿修正曲线具体包括：

1)随机生成精度补偿修正曲线参数，输入实验采集的数据矩阵；

2)初始化，确定迭代次数；

3)对现有策略下的数据进行策略评估；

4)得到最大状态动作值函数下的策略π(st,at)后进行策略优化，并生成新的策略；

5)获得新的数据样本，当满足停止条件时停止运行，否则返回3)。

4.在采用强化学习策略迭代方法建立精度补偿修正曲线中，

首先定义五元组(s,a,p,r,q)，其中，s为对象的状态空间，a为对象的行为空间、为与温度湿度温差信号相关的三维参数向量{(t1,h1,i1),(t2,h2,i2)...(tn,hn,i3)}，p为mdp状态转移概率，r为回报函数，q为目标函数f(ti,hi,ii)、为精度补偿的修正曲线；

首先定义均方差函数其中bi为风速传感器在不同温湿度条件下测得的风速数据，将测量数据与目标函数的均方差作为对象的状态空间s，然后设计回报函数易知均方差函数与回报函数成反比，其中，ψ为加权因子；

引进状态值函数vπ(st)和动作值函数qπ(st,at)。

5.所述引进状态值函数vπ(st)和动作值函数qπ(st,at)具体包括：

1)计算当前状态值函数

2)计算当前状态动作值函数

3)找到满足最大状态动作值函数下的策略π(st,at)，η为迭代次数，γ为回报因子。

本发明提供了一种用以得到较高精度风速测量的通过软件及硬件的混合补偿基于强化学习智能算法的热式风速传感器精度优化方法。

本发明的有益效果为：

1.本发明所述的人工鱼群优化pid参数方法通过优化步长和视野参数，可以在保证全局精确搜索的情况下大大缩短算法时间，通过将递减式函数与误差函数进行结合解决了普通鱼群算法前期可能忽略最优值的情况，从而达到在未知环境模型的情况下快速对恒定功率进行实时调控的目的，并且适用于恒压，恒流，恒温差等风力传感器的优化环节，自适应能力更强。

2.基于强化学习策略迭代方法建立的精度补偿修正曲线方法通过引进新的均方差函数对回报函数进行优化，不依赖被控对象的所处环境，鲁棒性能更好，不会限于局部最优，精度有所提高。

附图说明

图1为本发明技术方案的总体框图；

图2为热式恒功率风速传感器原理图；

图3为鱼群优化pid控制图；

图4为鱼群算法流程图；

图5为二级放大电路信号调理图；

图6是策略迭代流程图。

具体实施方式

下面举例对本发明做更详细的描述。

如图1所示，本发明按以下步骤实现：

步骤1、采用恒定功率热式风速传感器检测方法得到初步数据：

如图2所示，恒定功率热式风速传感器主要由铂电阻和加热电阻构成，在本发明中铂电阻外表面涂有极薄的石英膜绝缘层，防止污染，强度更高。两个铂电阻都置于通风口外边缘，相隔一定距离，两者之间安置加热电阻，所用电阻连接到外电路，并通过stm32单片机对pwm波形设计保持功率恒定，此时当风经过通风口时，不同风速的风会在两个铂电阻上形成温度差，得到不同的温差信号。图2中，1,5为铂电阻；2为管壁；3为加热电阻；4为内腔；6为入风口；7为出风口。

步骤2、采用pid算法结合人工鱼群算法对恒定功率进行自适应控制：

如图3所示，恒定功率热式风速传感器采用pid算法调节pwm波形使保持功率恒定。

pid控制器实际上是一种根据误差对输入不断校正的线性控制器。

e(t)＝r(t)-c(t)

控制规律为

pid控制器校正环节有比例环节用于减少误差，积分环节用于消除静差，微分环节用于减小调节时间。大体上分为位置式和增量式控制算法，在此基础上又发展了诸多改进算法，本发明中采用积分分离pid控制算法，在贴近系统模型的情况下，有着消除静差，减小超调，提高精度的优势。

当|e(k)|＞ε时候，pid控制算法为：

当|e(k)|≤ε时候

上述表达式中有的关系。

如图3所示，本发明中采用人工鱼群算法对pid参数进行自适应优化。在热式风速传感器领域利用pid算法对传感器功率进行恒定控制时，一般三个参数kp,ki,kd是通过反复试验选取固定最优参数，而风速传感器受环境影响较大，故固定参数的选取测量必然精度较低，定义变量人工鱼总数n，人工鱼个体状态x，人工鱼移动的步长变量step，人工鱼的视野变量visual，尝试次数try-number，拥挤度因子σ，鱼间距离为||xj-xi||，人工鱼当前位置食物浓度y。

对相关行为函数进行如下定义：

随机行为：

觅食行为：人工鱼xi确定自己的视野范围并在其中随机搜寻一个状态xj，如果yj＞yi,那么直接游到xj，如果达到try-number次数，仍然满足不了条件，则执行随机行为。

群聚行为：鱼xi在视野中寻找同伴数量nf和中央位置xc，当yc/nf＞σyi，有

追尾行为:鱼xi在视野范围内找到最优xj，当yj/nf＞σyi，有

在本发明中定义x为(kp,ki,kd)，将每个人工鱼状态代入pid计算公式得到的实际功率与设定功率的误差为φ，函数人工鱼当前位置食物浓度y定义为：

其中ω为适应度函数权重因子，

在人工鱼群算法最初设计理念中，人工鱼的步长和视野为固定参数，后考虑算法迭代后期应该需要进行小范围精确搜索，对此引进了线性递减的优化算法，以上行为优化都没有结合人工鱼的实时状态进行优化，当人工鱼迭代前期就得到了极高的食物浓度，仍然使用固定的步长和视野或线形递减的步长和视野就会忽略迭代前期可能存在的最优浓度。基于以上思路对人工鱼群算法的步长和视野变量进行进一步的优化，对此引进以下函数。

其中a为视步因子，ite为当前迭代次数，maxite为最大迭代次数，ε为校正因子，令其为10，设定阈值为5％。

当φ≤5％时有如下定义：

visual＝visual*a*φ*ε

step＝step*a*φ*ε

当φ＞5％时有如下定义：

visual＝visual*a

step＝step*a

如图4所示，首先初始化pid参数并运行控制器进行初步功率误差评判，若满足则现有pid参数满足要求，若不满足则进行改进鱼群算法进行优化，整个流程如下：

(1)针对风速传感器恒定功率调节，获取需要改进的pid参数；

(2)对鱼群算法的参数进行设置，将变视野，变步长的改进融入算法；

(3)计算每条鱼的食物浓度，将整个群体的最优值置于公告牌；

(4)对所有个体进行行为函数操作，更新鱼群；

(5)重新评价个体，更新公告；

(6)当最优解达到预设指标或者达到最大迭代次数结束，否则转到(4)。

步骤3.采用二级放大电路将得到的微弱信号进行信号调理。

如图5所示，考虑到温差输出信号一般为微伏级别故采用两级级联放大模式，而级数的高低与整个电路的稳定性成反比。此调理电路的主要干扰会被第二级放大电路进行放大，所以需要做的是将最初电路可能带来的误差降为最小。本发明选择tlc2652芯片作为微弱传感器信号的一级放大，放大倍数由r6/r7的值决定，第二级为普通的低通滤波电路。放大倍数由r15/r14的值决定，并能将高于500hz的信号隔离，本电路设计模块的电源模块由stm32单片机提供稳压电源。

步骤4.采用强化学习策略迭代方法建立精度补偿修正曲线。

经过调理得到的温差信号基本可以满足较低精度风速测量的要求，而热式风速传感器极易受环境影响，对此本发明考虑温度湿度可能带来的影响，在不同温度湿度环境下进行大量实验将数据采集得到风速采集数据库，后采用强化学习策略迭代方法建立精度补偿修正曲线。首先定义五元组(s,a,p,r,q)，其中，s为对象的状态空间，a为对象的行为空间，将其定义为与温度湿度温差信号相关的三维参数向量{(t1,h1,i1),(t2,h2,i2)...(tn,hn,i3)}；p为mdp状态转移概率，r为回报函数，q为目标函数f(ti,hi,ii)，这里为精度补偿的修正曲线。

对以上定义进行说明，首先定义均方差函数其中bi为风速传感器在不同温湿度条件下测得的风速数据。将测量数据与目标函数的均方差作为对象的状态空间s，然后设计回报函数易知均方差函数应该与回报函数成反比，其中，ψ为加权因子。

为对模型进行策略评估和策略提升需引进状态值函数vπ(st)和动作值函数qπ(st,at)。

整体设计思路如下：

(1)计算当前状态值函数；

(2)计算当前状态动作值函数；

(3)找到满足最大状态动作值函数下的策略π(st,at)，在上述定义中η为迭代次数，γ为回报因子。

如图6所示利用风速采集数据库寻找最优的精度补偿修正曲线参数，整个流程如下：

(1)随机生成精度补偿修正曲线参数，输入实验采集的数据矩阵；

(2)算法初始化，确定迭代次数；

(3)对现有策略下的数据进行策略评估；

(4)得到最大状态动作值函数下的策略π(st,at)后进行策略优化，并生成新的策略；

(5)获得新的数据样本，当满足停止条件时停止算法运行，否则返回(3)。

得到最优的精度补偿修正曲线参数后，绘制相应的补偿修正曲线，将步骤3测得的数据代入精度补偿修正曲线得到最终修正的风速值。