Elman網絡溫度預測氣密性檢測研究

郭 斌，許菲菲，陸 藝，王學影

（1.中國計量學院計量測試工程學院，浙江 杭州 310018；2.杭州沃鐳科技有限公司，浙江 杭州 310018）

Elman網絡溫度預測氣密性檢測研究

郭 斌1，許菲菲1，陸 藝1，王學影2

（1.中國計量學院計量測試工程學院，浙江 杭州 310018；2.杭州沃鐳科技有限公司，浙江 杭州 310018）

分析溫度在差壓法氣密性檢測中對檢測準確度的影響及影響溫度變化的因素，提出建立Elman網絡，利用氣密性檢測平臺在不同實驗參數條件下得到的試驗樣本來訓練網絡。將訓練好的神經網絡用來預測氣密性檢測中待測密閉容器內的溫度，并將預測得到的溫度應用到氣密性檢測判斷中。通過與應用較為廣泛的BP網絡和實際泄漏流量值比較可得，Elman網絡進行41次訓練后就達到預設目標，而且預測準確度更高。經過溫度補償后的泄漏流量值為12.67mL/min（實際值為13mL/min），相對誤差為2.52%，極大地提高氣密性檢測的準確度。

人工智能；氣密性檢測；神經網絡；溫度預測

0 引 言

隨著密封器件在現代化工業設備中的廣泛使用，密封性作為一項影響產品質量的重要技術指標，受到越來越多企業的關注。密封性檢測中最常用的介質是氣體，但由于氣體的特殊性質，檢測過程中容腔內的溫度容易發生變化，從而引起壓力波動，對壓降產生影響。尤其是密閉的高壓容器，腔內氣體運動狀況十分復雜，可以看作是一個非線性系統，眾多影響因素之間也存在相互作用，很難建立溫度與影響因素之間精確的函數關系。而且密閉容器內部的溫度不易測量，容易出現較大的誤差。

神經網絡具有并行處理、分布式知識儲存、魯棒性等特點，尤其具有較強的自適應和學習能力，能通過學習來掌握數據間的相互關系最終達到預測的目的。張丹等[4]已證明經過神經網絡的數據融合處理，能消除非目標參量對輸出結果的影響，將輸出結果的準確性提高了兩個等級。莊哲民等通過神經網絡對傳感器信號噪聲的濾波作用及對神經網絡的在線修正，不僅提高了傳感器的檢測準確度，還提高了傳感器的環境適應性。基于以上研究，本文提出將人工神經網絡應用到檢測過程容腔內溫度的預測中，建立溫度與多個影響因素之間的關系，利用實驗樣本對該神經網絡進行訓練驗證，對容腔內溫度進行預測，提高了氣密性檢測的準確性。

1 影響泄漏檢測準確度的主要因素分析

差壓法檢測是比較成熟的氣密性檢測方法，操作方便，檢測氣密性效果比較理想；因此，本文采用了差壓法檢測，其原理如圖1所示。差壓傳感器一端連接被測腔，另一端連接基準腔。檢測開始時，向基準腔和被測腔內同時充入相同壓力的氣體，使差壓傳感器兩端平衡。經過一段時間平衡后，斷開基準腔與被測腔的連接，如果被測腔存在泄漏，即使是微小泄漏，被測腔內的氣壓也會發生變化，使差壓傳感器兩端失去平衡，出現壓差；如果被測腔不存在泄漏，則差壓傳感器兩端繼續保持平衡，壓差為零。該壓力差是由于被測腔的泄漏引起的，因此它的變化可以反映出泄漏量的大小。

圖1 差壓法檢測原理圖

在差壓法檢測過程中，如果被測腔和基準腔相互對稱，即它們的體積、結構、材料和所處的環境都相同，那么環境溫度變化對壓力測量產生的影響基本可以相互抵消。但在實際測量中，受各種因素綜合作用，要使被測腔和基準腔完全對稱非常困難。因此，經過一定的測量時間后，兩室的溫度不可能達到絕對相等，而溫度的變化會導致標準腔與被測腔的壓力發生不相等的變化。所以此時差壓傳感器得到的測量值ΔPt由兩部分組成，一部分由被測腔泄漏造成（ΔP），另一部分是由本底壓力引起。在進行總漏率測試時，需要用到的是因被測腔泄漏而造成的差壓值，由本底壓力引起的差壓變化應該越小越好或最好能夠扣除。由氣體狀態方程可得，當初始時刻被測腔和標準腔溫度不同時，泄漏流量計算公式為

因泄漏引起的被測腔和標準腔之間的壓差ΔP計算公式為

式中：Q——泄漏流量值，mL/min；

ΔV——被測腔在檢測條件下泄漏的氣體在標準大氣壓下的體積，mL；

V——容器容積，mL；

ΔPt——差壓傳感器測量值，kPa；

P0——標準大氣壓值，kPa；

P——測試的絕對壓力值，kPa；

t——測試時間，s；

TS0、TSt——基準腔檢測開始和結束時的絕對溫度值，K；

TW0、TWt——被測腔檢測開始和結束時的絕對溫度值，K。

在檢測準確度要求不高的情況下，可以不考慮檢測過程中環境溫度變化，即認為TW0與TWt相等，TS0與TSt相等；但是在泄漏量較大及準確度要求較高的情況下，檢測前后溫度的變化必須考慮。由于氣體的特殊性質，平衡時間、環境溫度、容腔容積和導熱性等影響因素共同影響容腔內氣體的溫度變化。因此，下文具體介紹了利用人工神經網絡在氣密性檢測系統中進行溫度預測，減小溫度變化對兩腔壓差帶來的影響，避免了復雜的數學關系的推導，還提高了系統的氣密性檢測準確度。根據密閉容器內部溫度具有非線性變化的動態特點，本文采用了Elman網絡進行預測，并與目前使用較多的BP網絡進行對比。

2 基于神經網絡的溫度預測模型的建立

2.1 Elman網絡結構

Elman神經網絡結構一般分為：輸入層、隱含層、承接層和輸出層，其算法流程如圖2所示。輸入層單元起信號傳輸作用，輸出層單元起線性加權作用。承接層又稱為上下文層或狀態層，主要起到記憶隱含層單元前一刻的輸出值的功能，可以當作是一個達到記憶目的的延時算子。Elman網絡與BP網絡相比，其特點在于：隱含層的輸出通過承接層的延遲與儲存，自聯到隱含層的輸入，這種自聯方式使神經網絡對歷史狀態的數據具有一定的敏感性，內部反饋網絡的加入增加了網絡本身處理動態信息的能力，使系統具有適應時變性的能力，能直接反映出系統動態變化過程的特性，從而達到了動態建模的目的。Elman網絡也采用了BP算法進行權值修正，學習指標函數采用誤差平方和函數：

圖2 Elman神經網絡算法流程圖

2.2 Elman網絡的溫度預測模型

理論上已經證明單隱含層的Elman網絡結構可以實現任意非線性映射，所以設計的Elman溫度預測網絡模型為一個3層神經網絡。輸入層的神經元數為7個，分別對應環境溫度、檢測壓力、實際測得差壓值、第一平衡期時間、第二平衡期時間、檢測時間、充氣時間。根據Kolmogorov定理及重復性實驗得出隱含層神經元數為18個時，網絡的預測誤差最小，訓練效果最好。輸出層神經元數為4個，分別為被測腔和基準腔檢測前后的溫度值。所以，該網絡有7個輸入節點、18個隱含層節點、4個輸出節點，隱含層神經元的傳遞函數為S型可微函數logsig，網絡學習算法為改進的BP算法即自適應學習速率動量下降反向傳播算法，其對應的訓練函數為traingdx，該函數在訓練過程中能對學習速率進行自適應調整，從而提高了網絡的訓練效率。此外，該方法在更新權值時不僅考慮了當前的梯度方向，還考慮了前一刻的梯度方向，降低了網絡性能對參數調整的敏感性，有效地抑制了局部最小值的出現。

網絡訓練的主要參數設計如下：訓練次數為1 000，學習速率為0.01，動量參數為0.9，網絡性能目標為0.0001，網絡性能函數的最小梯度為0.000001。當訓練次數或性能目標或性能函數的最小梯度達到設置要求時，網絡訓練停止。

2.3 Elman網絡模型的訓練及預測

由于檢測系統的非線性變化，輸入變量的選擇對于學習后誤差平方和能否達到最小、學習結果是否能收斂有重要關系。而且系統檢測過程中溫度的變化是測試壓力、檢測時間、平衡時間等隨機因素的綜合反映，這些信息中往往也含有很大的不確定性，實際測得值在一般情況下為具有不同量綱和較大數值差別的特征值，所以應對輸入數據進行歸一化處理。根據Elman神經網絡的特點，在輸入層采用式（4）將輸入值轉換為[0，1]區間的值，在輸出層利用式（5）轉換為溫度值：

式中：y——歸一化后得到的數值；

xmax、xmin——樣本集中的最大值、最小值。

圖3 Elman神經網絡訓練步數-誤差曲線

圖4 BP神經網絡的訓練步數-誤差曲線

將經過歸一化處理的訓練樣本分別輸入設計好的BP神經網絡和Elman神經網絡進行訓練，圖3、圖4分別為Elman神經網絡和BP神經網絡的訓練誤差隨訓練步數的變化曲線。它們都是針對同一組氣密性檢測平臺得到的實驗數據。從圖3可以看出，Elman神經網絡經過41次訓練后，網絡誤差就達到設計要求，而圖4反映的BP神經網絡需要經過170次的訓練網絡誤差才可以達到設計要求。顯然就收斂速度而言，BP神經網絡相對于反饋型神經網絡Elman要慢許多。

由圖可知，網絡訓練目標均已經達到，所以基于Elman網絡和BP網絡的這兩個溫度預測模型均可使用。

3 試驗及結果分析

為驗證理論分析和預測模型的有效性，本文在被測腔和基準腔體積相等（400 mL）、處于相同的外界環境條件（T環）下，選擇性改變檢測壓力（P）、平衡時間（t1、t2）、充氣時間（t充）和檢測時間（t測）對氣密性檢測平臺進行實驗，利用差壓傳感器和溫度傳感器分別讀取實驗時實際測量所得的差壓值（ΔPt）和溫度值（TS0、TSt、TW0、TWt）作為測試樣本。表1為部分測試樣本數據。

把經過歸一化處理的測試樣本輸入訓練好的Elman網絡和BP網絡進行預測，看網絡能否準確預測出測試樣本的輸出值。當檢測壓力條件分別為270，350，450，575，700 kPa時，Elman網絡溫度預測值與實際值的相對誤差如圖5所示，Elman網絡溫度預測值與實際值之間最大的相對誤差為0.62%，實現了高準確度溫度預測。

BP神經網絡網絡和Elman神經網絡的預測值與標準值對比曲線如圖6所示。

從BP神經網絡和Elman神經網絡溫度預測值與標準值的對比曲線中可以看出：Elman神經網絡的預測值比BP神經網絡的預測值更接近標準值，準確度更高，預測效果比BP神經網絡的好。

最后，將通過Elman網絡預測得到的溫度值應用到帶溫度補償的泄漏流量Q的計算式（1）中，得到經過溫度補償后的泄漏流量值為12.67 mL/min，實際泄漏流量值為13mL/min，溫度補償前后的泄漏流量值誤差如圖7所示。利用BP網絡預測得到的溫度值進行溫度補償后的泄漏流量值為11.73mL/min，相比較可得相對誤差從9.79%減小到了2.52%。由此可知，通過溫度補償很大程度地提高了氣密性檢測平臺的檢測準確度。

4 結束語

本文將動態Elman網絡應用到氣密性檢測過程溫度預測上，解決了實際應用過程中密閉產品內部溫度不宜測量的問題，利用可測量因素來對溫度進行預測，繼而消除了因為溫度變化對標準腔和被測腔的壓力差產生的影響，從而更準確地檢測出產品是否泄漏以及泄漏量的大小。

表1 部分測試樣本數據

圖5 Elman網絡不同壓力條件下的預測相對誤差

圖6 神經網絡預測值和實際值對比曲線圖

圖7 泄漏流量值溫度補償前后誤差曲線圖

通過本文的實際應用結果可知，Elman網絡能夠更生動、更直接地反映動態系統的特性，實驗數據經過Elman模型處理后得到預測溫度值對提高泄漏量值的測量準確度有很大的幫助。綜上所述，利用Elman網絡對氣密性檢測過程中某些因素進行預測可以為提高氣密性檢測的準確度提供一種思路。

[1]權大慶.氣密性試驗中的泄漏性測試方法研究[J].液壓氣動與密封，2005（6）：25-27.

[2]彭光正，紀春華，葛楠.氣密性檢測技術現狀及發展趨勢[J].機床與液壓，2008，36（11）：172-174.

[3]郭晶，孫偉娟.神經網絡理論與Matlab7實現[M].北京：電子工業出版社，2005：22-30.

[4]張丹，于朝民，李東.基于BP神經網絡的壓力傳感器靜態特性數據融合[J].計算機測量與控制，2004，12（6）：598-600.

[5]飛思科技產品研究中心.神經網絡理論與Matlab7實現[M].北京：電子工業出版社，2005.

[6]歐陽玉梅，馬志強，方若森.基于Matlab的遺傳神經網絡的設計與實現[J].信息與技術，2008，32（6）：73-76.

[7]莊哲民，黃惟一，劉少強.提高傳感器準確度的神經網絡方法[J].計量學報，2002，23（1）：78-80.

[8]柳小桐.神經網絡輸入層數據歸一化研究[J].機械工程與自動化，2010，160（3）：123-126.

[9]楊卿，郭斌，羅哉，等.遺傳優化神經網絡在氣密性檢測中的應用[J].傳感器與微系統，2011，30（2）：132-134.

[10]李會兵.基于BP神經網絡的溫度預測方法[J].電子測試，2013（19）：62-64.

[11]趙勇，伍先達.基于BP網絡的溫度預測在高壓氣密性檢測中的應用[J].自動化與儀器儀表，2009，145（5）：48-50.

[12]蔣宗禮.人工神經網絡導論[M].北京：高等教育出版社，2001：135-137.

[13]周孑民，朱再興，劉艷軍，等.基于Elman神經網絡的動力配煤發熱量及著火溫度的預測[J].中南大學學報，2011，42（12）：71-75.

[14]樓順天，施陽.基于Matlab的系統分析與設計——神經網絡[M].西安：西安電子科技大學，2000：201-242.

[15]周開利，康耀紅.神經網絡模型及其Matlab仿真程序設計[M].北京：清華大學出版社，2005：40-49.

[16]任麗娜.基于Elman神經網絡的中期電力負荷預測模型研究[D].蘭州：蘭州理工大學機電工程學院，2007.

[17]何定，徐鵬.Elman與BP神經網絡應用于交通流預測的對比研究[J].工業工程，2013，13（6）：52-57.

The research of air tightness detection based on Elman network temperature prediction

GUO Bin1，XU Feifei1，LU Yi1，WANG Xueying2
（1.College of Metrology and Measurement Engineering，China Jiliang University，Hangzhou 310018，China；2.Hangzhou Wo-lei Technology Limited，Hangzhou 310018，China）

The paper analyzes the influence of temperature on the measurement precision of airtightness differential pressure method and the influence factors of temperature.Then set up Elman network and train it by experiment data through Forward Modeling.The Network is used in the temperature prediction in the container which is needed to be detected，and in the leakage judgment.The temperature prediction results and the leakage compared with the prediction results obtained by use commonly used method BP Network and the actualleakage flow value respectively.The results show that Elman network after 41 times training reached the preset objectives，and the prediction precision is higher.The leakage flow value after temperature compensation is 12.67 mL/min （actual value：13 mL/min），relative error is 2.52%.The research result can greatly improve the accuracy of air-tightness.

artificial intelligence；air-tightness detection；neural network；temperature prediction

A

：1674-5124（2015）07-0119-05

10.11857/j.issn.1674-5124.2015.07.028

2014-09-21；

：2014-11-12

國家質檢總局公益行業科研專項項目（201310284）浙江省公益性技術應用研究計劃（2014C31105）

郭 斌（1977-），男，山東日照市人，副教授，碩士，主要從事汽車零部件性能檢測方面研究。