(一)多传感器信息融合技术
多传感信息融合技术(Multisensor Information Fusion)也称多源信息融合技术或多传感器信息融合技术,是自20世纪70年代发展起来的一门新技术。多传感器信息融合技术的基本原理就是充分利用不同时间与空间的多传感器数据资源,采用计算机技术对按时间序列获得的多传感器观测数据进行自动分析、综合处理,以获得被测对象的一致性解释或描述,使该传感器系统获得比它的各组合部分子集所构成的系统更优越的性能,进而实现相应的决策,估计信息的处理过程。因此,多传感器系统是多传感器信息融合的硬件基础,多源信息是多传感器信息融合的加工对象,协调优化和综合处理是多传感器信息融合的核心。
从广义角度讲,信息融合普遍存在于自然界。例如,人类认知客观世界就是通过视觉、听觉、触觉、味觉和嗅觉等感官获得信息,并经过大脑进行融合而得到认知结论。从狭义角度讲,以不同的传感器获得同一对象的不同测量数据,利用某种算法获得一个综合信息,这就是数据融合。数据融合是信息融合中最简单和最实用的一类方法,这种方法是基于估计理论的,特别是Bayes估计理论,并且主要针对同一类型的数据信息。信息融合是解决飞机、导弹之类飞行器航迹预测的一种行之有效的方法,也是智能信息处理领域很有前途的一个研究方向。典型的应用就是目标跟踪中的航迹预测,把来自不同监测装置的数据进行融合,从而得到最好的估计结果。
数据融合系统主要有局部式数据融合系统和全局式数据融合系统两种形式。局部式数据融合系统收集来自单个平台上的多个传感器的数据,可形成局部单元的信息显示,也可用于检测对象相对单一的数字化检测系统中。全局式数据融合系统组合相关的来自空间和时间上各不相同的多平台、多个传感器的数据,可用于多参数或参数间交叉影响的数字化检测系统中。
信息融合可以在不同层次、不同级别上对多源数据进行处理,有效地融合多源同构或异构信息,这使其与其他经典的信号处理和数据处理产生了本质的区别。数据融合的级别可以从数据抽象上或者信息抽象上来划分。按照数据抽象的层次分类,数据融合可以分为三个级别:像素级融合、特征级融合、决策级融合。
像素级融合直接融合传感器数据,是最低层次的融合。当多个传感器数据是同类同性质的(如当两个传感器对相同的物理现象进行观测时,采用了两个图像传感器或两个音频传感器),那么可以将传感器的原始数据直接融合。像素级融合通常用于多元图像复合、图像分析、同类雷达波形直接合成等。
特征级融合是对传感器数据的特征矢量提取后进行融合。对传感器数据的特征提取有效降低了状态空间的维数,实现了可观的信息压缩,并且提取的特征直接与决策分析有关,因此特征级融合可以最大限度地给出决策所需的特征信息。
决策级融合是高层次的融合。它对传感器已经得出的初步结果进行信息的合并处理,得出最终的融合结果,为指挥控制决策提供依据。
数据融合作为一种数据的综合和推理,实际上只是一门技术,是传统学科和新技术的集成和应用,体现了多学科的交叉、综合和延展。数据融合涉及通信、计算机、模式识别、决策论、不确定性推理理论、现代信号处理、最优化技术、人工智能等领域。多传感器数据融合的方法主要有基于统计的方法、基于信息论的方法、基于认识模型的方法和智能数据融合方法等。虽然至今在数据融合领域还没有形成完整的理论体系和相应的融合算法,但是从融合的功能上分析,相关技术、估计理论和识别方法是重点方面,不少应用领域根据各自的应用背景已经提出一些有效的融合算法。
复杂系统的多传感器数据融合技术(Multisensor Data Fusion,MSDF)自出现开始就已经得到世界各国的高度重视,并于20世纪90年代后形成研究高潮。西方发达国家的军方、许多大公司和院校相继成立了专门的实验室,研究和测试数据融合理论和算法、数据融合系统建立及融合算法评估。1986年,美国国防部成立数据融合工作组联合指导实验室。1988年,美国国防部将数据融合列为90年代重点研发的20项关键技术之一。英、德等国于1987年联合制订了“多传感器系统中具有决策控制的信号与知识综合”的数据融合研究计划。20世纪90年代以来,大量新理论与支撑技术不断涌现和发展,对MSDF技术的发展形成了强有力的推动与支持。美国研制了几十个军用MSDF系统,主要用于海洋监视、陆地战场指挥、弹道导弹防御、反潜战等。加拿大洛克西德马丁公司研制了某护卫舰平台MSDF系统的多代验证模型。俄罗斯第5代战斗机“金雕”SU-37等都不同程度地应用了机载多传感器数据融合技术。复杂系统的多传感器数据融合技术已经成为现代高科技战争中不可或缺的关键技术之一。除了军事应用外,多传感器数据融合在工业、交通和金融领域也有广泛的应用前景。
(二)网络智能传感技术
基于分布智能传感器的测量与控制系统是由一定的控制结点、传感器结点以及中央控制单元共同构成的。其中,传感器结点是用来实现参数测量并将数据传送给网络中的其他结点;控制结点是根据需要从网络中获取需要的数据并根据这些数据制定相应的控制方法并执行控制输出。在整个系统中,每个传感器结点和控制结点数目可多可少,根据要求而定。网络的选择可以是传感器总线、现场总线,也可以是企业内部的局域网,还可以直接是因特网。
传感器结点包含数字传感器、网络接口和处理单元三部分。根据不同的要求,这三部分可以组成不同的合成式,也可以是单片式。数字传感器先把被测模拟量转换成数字量,再送给微处理器做数据处理,最后将测量结果传输给网络,以便实现各传感器之间、传感器与执行器之间、传感器与系统之间的数据交换和资源共享,在更换传感器时无须进行标定和校准,可做到“即插即用”。例如,美国Honeywell公司开发的PPT系列、PPTR系列和PPTE系列智能精密压力传感器就属于网络传感器。这种传感器将压敏电阻传感器、A/D转换器、微处理器、存储器和接口电路集于一身。在构成网络时,能确定每个传感器的全局地址、组地址和设备识别号ID地址。用户通过网络就能获取任何一个传感器的数据并对该传感器的参数进行设置。
控制结点由微处理器、网络接口、人机接口和输入/输出设备组成,用来收集传感器结点发送来的信息,并反馈给用户,输出到执行器,以实现一定的输出。
将所有的传感器连接在一个公共网络上。为保证所有的传感器结点和控制结点能够实现“即插即用”,必须保证网络中所有结点都能够满足共同的协议。无论是硬件还是软件都必须满足一定的要求,只要符合协议标准的结点都能够接入系统。因此,为了保证这种即插即用的功能,智能传感器结点内部必须包含微处理芯片和存储器。
传感器与网络连接是信息技术发展的一种必然趋势。然而,控制总线网络多种多样,千差万别,内部结构、通信接口、通信协议各不相同,以此来连接各种变送器(包括传感器和执行器),则要求这些传感器或执行器必须符合这些标准总线的有关规定。由于技术、成本上的原因,传感器的制造商无法使自己的产品同时满足各种各样的现场总线要求,而这些现场总线本身有各自的优点,针对不同的应用对象,又有自身的优势;但它们之间的不兼容性、不可互操作性和各自为战的弊端,给用户带来很大的不便。一个通用的、普遍接受的传感器接口标准将使制造商、系统集成者和最终用户受益,这就是IEEE1451标准产生的最直接的原因。1997—1999年,国际电气和电子工程师协会(IEEE)制定了通用网络化智能传感器接口标准—EEE1451,使传感器的信息能与任何基于网络的变送器进行通信。这种网络化智能传感器的推广应用,必将对工业测控、远程医疗、环境监测、农业信息化、航空航天及国防领域产生深远的影响。
(三)软测量方法(www.xing528.com)
软测量方法被认为是最具有吸引力和富有成效的新方法,在不增加或少增加投资的条件下,软测量方法对过程检测和控制系统产生了巨大的影响,得到了广泛应用。
软测量就是选择与被估计变量相关的一组可测变量,构造某种以可测变量为输入、被估计变量为输出的数学模型,用计算机软件实现重要过程变量的估计。软测量估计值可作为控制系统的被控变量或反映过程特征的工艺参数,为优化控制与决策提供重要信息。软测量技术主要包括辅助变量的选择、输入数据的处理、软测量模型的建立和软测量模型的在线校正等。
1.辅助变量的选择
一般根据工艺机理分析(如物料、能量平衡关系),在可测变量集中之处,初步选择所有与被估计变量有关的原始辅助变量,这些变量中部分可能是相关变量。在此基础上进行精选,确定最终的辅助变量的个数。辅助变量数量的下限是被估计的变量数,一般依据对过程机理的了解,在原始辅助变量中找出相关的变量,选择响应灵敏、测量精度高的变量为最终的辅助变量,如在相关的气象温度变量、压力变量之间选择压力变量。更为有效的方法是主元分析法,即利用现场的历史数据做统计分析计算,将原始辅助变量与被测变量的关联度排序,实现变量精选。
2.输入数据的处理
软测量需要采集被估计变量和原始辅助变量的历史数据,数据的数量越多越好。这些数据的可靠性对于软测量的成功至关重要。然而,测量数据一般都不可避免带有误差,有时甚至带有严重的过失误差。在建立软测量模型之前必须进行输入数据的处理。输入数据的处理包含两个方面,即换算处理和数据误差处理。换算处理不仅直接影响着过程模型的精度和非线性映射能力,还影响着数值优化算法的运行效果。数据误差处理包括对随机误差和过失误差的处理。对于随机误差工程上除了剔除跳变信号之外,一般都采用递推数字滤波的方法,如变通滤波、低通滤波、移动平均滤波以及新型的数据校核技术等。对于过失误差除及时侦破、剔除和校正外,还利用基于统计假设检验的残差分析法、校正量分析法等过失误差处理方法以及基于神经网络的过失误差检测方法。这些方法理论上都是可行的,但距工程实用尚需做许多工作。一个比较现实的方法是对重要的输入数据采用硬件冗余,如用相似的检测元件或采用不同的检测原理对同一数据进行检测,以提高该数据的可信度。
3.软测量模型的建立
软测量模型是研究者在深入理解过程机理的基础上开发出的适用于估计的模型,是软测量方法的核心。常用的软测量模型如下。
(1)线性软测量模型。它是建立在Kalman滤波理论基础上的线性软测量方法,主要通过建立过程输出模型和辅助测量变量模型,并进行一系列的线性运算,得到输出变量与辅助变量之间的关系。
(2)非线性软测量模型。它是采用非线性形式的估计模型,如统计回归方法和机理建模方法以及采用模糊模式建立的软测量模型。
(3)基于神经网络的软测量模型。它主要根据对象输入/输出数据直接建模,无须对象的先验知识,而且其较强的学习能力对模型的在线校正十分有利。
4.软测量模型的在线校正
由于过程的时变性,软测量模型的在线校正是非常必要的。尤其对于复杂的工业过程,很难想象软测量模型能够一次成型,一劳永逸。对软测量模型进行在线校正一般采用下述两种方法,即定时校正和满足一定条件的校正。定时校正是指软测量模型在线运行一段时间后,积累的新样本采用某一算法对软测量模型进行校正,以得到更适合于新情况的软测量模型。满足一定条件的校正则是指以现有的软测量模型来实现被估计量的在线软测量,并将这些软测量值和相应的取样分析数据进行比较,若误差小于某一阈值,则仍采用该软测量模型,否则,用积累的新样本对软测量模型进行在线校正。
软测量技术的主要意义如下。①打破传统单输入单输出仪表格局。软测量仪表是多输入多输出智能型仪表,它可以是专用仪表,也可以是由用户进行编程的通用仪表,一些价格较贵难维护的仪表将被软测量仪表所代替。②实现在同一仪表中结合软测量技术与控制技术。采用智能总线化仪表后,在一台仪表中实现多个回路的控制将成为可能。③修改方便。软测量的本质是面向对象的,通过编程或组态来实现软测量模型,通过编程器或组态操作可以很方便地对模型参数进行修改,甚至可以对推理控制模型进行修改。④在分散控制系统中实现方便。一些较简单的数学模型还可以在单回路控制器中实现。⑤对过程控制系统来说,原来因缺少检测手段而采用的一些间接控制方案将被软测量技术,即以直接控制目标为目的的控制方案所代替,以提高控制性能指标。同时,软测量技术的应用对原有一些经典控制方案提出了挑战。
对用户来说,建立软测量技术控制方案的关键是软件。软测量系统软件主要分为四层结构:测试管理层、测试程序层、仪器驱动层和I/O接口层。随着PC软硬资源的不断丰富与发展,已出现虚拟仪器软件标准,使这些软件层的设计均以“与设备无关”为特征,大大改善了开发环境。HP公司的HPVEE及NI公司的Lab View是两种非常实用的图形化虚拟仪器编程工具。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。