自动化专业智能检测技术及仪表课程教学改革摘要:根据工业自动检测特点及发展趋势,在分自动化专业“智能检测技术及仪表”常规课程内容的基础上,阐述在智能检测技术及仪表课程中加入人工智能检测技术的内容,将BP人工神经网络概念用于自动检测及智能仪表。两届教学实践表明,智能检测技术及仪表课程的教学和实验效果很好。关键词:检测技术;人工智能;神经网络;教学改革检测技术及仪表所涉及的范畴,一般是指在生产过程中,为及时掌握生产情况和监视、控制生产过程,而对其中—些变量进行的定性检查和定量测量,并根据特定的要求将相关信息以一定方式显示出来。检测的目的是为了获取各过程变量值的信息。根据检测结果可对影响过程状况的变量进行自动调节或操纵,以达到提高质量、降低成本、节约能源、减少污染和安全生产等目的[1-3]。检测技术涉及的内容非常广泛,包括被检测信息的获取、转换、显示以及测量数据的处理等技术。随着微电子技术的不断发展,集成了CPU、存储器、定时器/计数器、并行和串行接口、看门狗、前置放大器,甚至A/D、D/A转换器等电路在一块芯片上的超大规模集成电路芯片出现了。以单片机为主体,将计算机技术与测量控制技术结合在一起,由于它拥有对数据的存储、运算、逻辑判断及自动化操作等功能,具有一定的智能作用,因而被称为智能仪器。人工智能是计算机应用的一个崭新领域,它利用计算机模拟人的智能,用于机器人、医疗诊断、专家系统、推理证明。智能仪器的进一步发展将含有一定的人工智能,即代替人的一部分脑力劳动,从而在视觉、听觉、思维等方面具有一定的能力。这样,智能仪器可无需人的干预而自主地完成检测或控制功能。显然,人工智能在现代仪器仪表中的应用,使我们不仅可以决传统方法难以决的一类问题,而且可望决用传统方法根本不能决的问题[4]。在自动化专业的检测技术及仪表课程中加入人工智能检测技术的内容,使自动化专业的学生,建立人工智能的基本概念,了人工智能的基本方法和技术,例如,基于传统计算机的智能信息处理,基于神经计算的智能信息处理等。本研究是将BP人工神经网络的概念和方法,用于自动检测及智能仪表,通过两个应用实例,“压电振动加速度计零位电压温度特性非线性补偿”和“环境多参量传感器智能检测系统设计”,使学生掌握BP人工神经网络的概念和方法,决工业过程控制中的实际问题。1基于BP人工神经网络的压电振动加速度计零位电压温度特性非线性补偿该实例是针对一种新型振动加速度传感器的输出电压灵敏度呈现非线性,在输入加速度较小时相对误差较大的特点,分别采用两种方法进行非线性特性补偿:一是运用基于最小二乘法的分段线性插值法;二是运用人工神经网络,采用BP算法,利用BP神经网络的非线性拟合和泛化能力[5-6],对该传感器的零位电压进行非线性补偿,比较两种方法的有效性,使学生对于BP人工神经网络在非线性动态补偿方面的优势有一个初步的认识。基金项目:北京市属市管高等学校人才强教计划资助项目(PHR200907124)。分段线性插值法是配置单片机的A/D转换器对转换后的传感器输出电平进行采样,采样频率为96kHz。采用均值滤波法,即每采集8个点求一次平均值,将该值作为实际的采样值,这样可以滤除干扰信号,提高采样值的精确度。然后,根据作为分段的测试数据,通过程序判断采样电压所在的段,根据差值函数计算公式,计算差值函数值,得到非线性补偿后的输出值。最后,通过单片机的D/A转换器及后续电平转换电路,将非线性补偿后的输出值输出,实现对传感器输出温度特性的非线性补偿。补偿后传感器的线性度提高了0.8%。1为基于人工神经网络的加速度计零位电压温漂补偿原理框。2为人工神经网络模块。1基于人工神经网络的加速度计零位电压温漂补偿原理框(b) 隐层结构 (c) 输出层结构2人工神经网络模块基于BP人工神经网络的非线性补偿,采用的神经网络模块为单输入单输出系统,故输入层和输出层均具有1个神经元节点。神经网络模块选用常用的双层结构[5],隐层节点数根据经验公式取10。由于传感器的温度特性测试范围为-20℃~60℃,故神经网络的输入矩阵PR为[-2060]。根据常用的方法选择输入层到隐层传递函数为tansig,隐层到输出层的传递函数为purelin,学习函数使用learndm,性能函数为mse,学习速率取1。将传感器温度特性测量数据分别存入P、T两个矩阵作为训练数据,利用MATLAB中的神经网络训练函数train()对初始化好的神经网络模块进行训练。用同样的测试数据,补偿后的零位电压温度特性得到了较大的改善,线性度提高了20%。通过这个实例,使学生掌握BP人工神经网络的概念和方法,例如,输入矢量、权值、阈值、激活函数以及BP算法等,并亲身体会到人工智能在智能检测技术领域里应用的重要性。2环境多参量传感器智能检测系统的设计该实例是针对任何一种传感器都有一定的使用范围和测量精度,任何传感器的信号都要受到周围环境的干扰的问题,为了决这个问题,传统方法采用的是单传感器多次测量或多个传感器测量数据取平均值的方法,虽然这样做能提高测控系统传感器测量的可靠性,但是,这种方法不能满足系统的实时性需求,测量结果仍受到不准确测量数据的影响。因此,把数据融合方法和虚拟仪器技术结合起来,设计一种环境多参量传感器智能检测系统,例如,化学实验室的环境状况监测系统,本例是监测环境中的温度、湿度、光照、噪声及空气中二氧化碳气体的含量。首先,我们要给学生讲多参量多传感器信息融合的原理及方案。由于被测对象多为具有不同特征的非电量(温度、湿度、光照、噪声、二氧化碳含量),因此,首先要通过传感器转换电路将这些非电量转换成电信号,然后,经过A/D转换将它们转换成能由计算机处理的数字量。数字化后的电信号由于环境等随机因素的影响,不可避免地存在一些干扰和噪音信号,通过预处理,采用滤波等方法滤除数据采集过程中的干扰和噪音,得到有用信号。预处理后的有用信号就送入融合中心进行数据融合,经过特征提取,并对某一特征量进行数据融合计算,最后输出融合结果。在计算机中对数字信号进行进一步融合处理,主要包括多传感器(信号获取)、数据预处理、数据融合中心(特征提取、数据融合计算)和结果输出等环节,如3局部环境检测示意所示。多参量多传感器信息一级融合的实现,主要是对这些参数分别进行融合处理,以得出准确的监测结果。系统采用分批估计理论对各环境参数进行一级融合。二级融合的实现,采用BP神经网络方法,就是把这些数据作为BP神经网络的输入,从而得出化学实验室环境的安全状况信息。在以上描述的实验室环境监测系统中,神经网络输入端分别输入温度、湿度、光照、噪声和二氧化碳浓度等数据,因此在输入端的节点数为5。输出端输出的是化学实验室环境的安全信息状况,可以规定环境等级的具体数据范围,分为优、良、中、差4个等级,故网络的输出节点为4个。3局部环境检测示意在LabVIEW软件平台中选用MATLAB script节点来实现神经网络算法。神经网络算法最基本、最简单的实现方法是通过MATLAB软件的神经网络工具箱。由于LabVIEW软件有着十分强大的数学运算能力,而且提供了和MATLAB软件的简单接口—MATLAB script节点,只要在其中键入MATLAB程序,就能实现其功能。通过这个实例,让学生在基于多传感器数据融合的环境监测综合系统的设计中,综合利用数据融合算法,尤其是采用BP神经网络方法进行数据融合,能够准确地对检测数据进行适时处理,对各环境参量进行适时监控。并使学生将数据融合算法和虚拟仪器技术结合起来,既保证系统有友好的监测界面,又大大提高了系统的精度,在很大程度上减少了系统误差。3教学与实验改革的效果由于自动化专业的学生有自动检测技术、传感器技术、自动控制原理以及计算机编程的基础,因此,在学习人工智能的一些相关知识、掌握人工智能的一些相关技术方面有很大的优势。在课堂教学和实验教学的过程中,学生表现出了很大的兴趣,很快就掌握了BP人工神经网络的基础知识和基本方法,在实验室相应的实验平台上实现了以上两种实验目标。基础比较好的学生,还可以做到举一反三,运用BP人工神经网络,对压电振动加速度计输出电压灵敏度的非线性特性进行了补偿,并得到了很好的效果。4结语根据工业自动检测特点及发展趋势,在分自动化专业智能检测技术及仪表常规课程内容的基础上,本文阐述在智能检测技术及仪表课程中加入人工智能检测技术的内容,将BP人工神经网络概念用于自动检测及智能仪表的教学实践。在课堂教学中,融入实验教学的内容,将BP人工神经网络用于压电振动加速度计零位输出电压的非线性特性补偿以及环境多参量传感器智能检测系统的设计,并讨论了相关常规自动控制方法与融入人工智能的控制方法的优势。学生通过实验,掌握了BP人工神经网络的基础知识和基本方法。通过对两届学生的教学实践,在智能检测技术及仪表的课程教学和实验教学中融入人工智能的知识,教学取得了很好的效果。