[发明专利]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

说明书

技术领域

本发明设计一种机械式温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温度仪表误差预测方法。

背景技术

在自动化过程仪表领域内，温度作为最基本的检测参数之一，在石油化工工业、安全生产以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，测量温度的环境愈加恶劣，使得具有稳定性好、抗干扰能力强的机械式温度仪表成为干扰信号较多场合下的主要测温仪器。在实际应用中较为常见的便是压力式温度仪表，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温度仪表同样具有使用简便、读数直观以及测温距离远等优点，但是依然会受到环境温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，对于机械式温度仪表误差的研究预测是实现恶劣环境下精确测温的重要工作。

在机械式温度仪表的误差补偿中，误差线性分析以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，目前对机械式温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。但在温度仪表由于环境温度、特征参数以及结构改变等，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。应用最小二乘法对温度误差进行建模预测时，液体压力式温度仪表中波登管、毛细管以及内部交互机构之间相互耦合，且极易受到外部环境与制造误差的影响，从统计角度看，温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温度仪表的误差建模预测存在相当的局限性。

发明内容

为了克服已有机械式温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温度仪表误差预测方法。

本发明解决其技术问题所采用的技术方案是：

一种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，所述预测方法包括以下步骤：

(1)获得模型输入和输出，将测定机械式温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；

(2)对原始温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；

(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，γ)，其中γ为核参数，σ²为惩罚参数；

(4)采用遗传算法对最小二乘支持向量机的参数组合(σ²，γ)进行寻优，在全局范围内得到最优参数组合；

(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温度仪表误差预测模型；

(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温度仪表误差进行预测；

(7)将温度仪表误差预测结果和实际温度误差进行对比，分析温度误差值以及温度误差变化率的变化趋势。

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，γ)进行寻优，过程如下：(4.1)读入温度误差数据训练样本集；

(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γ的初始取值范围；

(4.4)使用参数组合(σ²，γ)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，以均方根(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；

(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；

(4.6)随机选取种群中的个体以一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；

(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，则重复执行以上步骤(4.4)至步骤(4.6)直至达到最大迭代次数；

(4.8)对得到的最优参数组合解译，得到最优参数组合。