電氣類“自動檢測與智能儀表技術”課程教學改革

王博

[摘 要] 自動檢測與智能儀表是未來檢測技術的主要發展方向，對培養學生解決實際工業過程中的檢測問題起到了積極的作用，同時也對教師實際教學工作提出了更高的要求和新的挑戰。在分析電氣類專業“自動檢測與智能儀表技術”課程傳統內容的基礎上，闡述在課程中引入人工智能檢測技術的最新內容，將智能信息處理方法和軟測量技術應用于自動檢測與智能儀表。教學實踐表明，改革后的自動檢測與智能儀表技術課程的教學效果良好。

[關鍵詞] 自動檢測;智能儀表;人工智能檢測

一、引言

隨著傳感器技術和檢測技術的迅速發展[1，2]，各種新型傳感器和智能檢測技術不斷涌現，傳統的“自動檢測與智能儀表技術”課程中所講授內容已經落伍陳舊，跟不上現代智能檢測技術發展的步伐[3，4]。電氣工程專業秉承“以學生為中心”的課堂教學理念，為了使課程適應時代的需要和智能檢測技術的發展，使學生能夠更為深入了解智能檢測新技術，針對專業核心課程“自動檢測與智能儀表技術”進行改革和創新。

二、熱電偶溫度傳感器非線性動態補償

熱電偶傳感器根據導體或半導體材料的熱電效應原理進行溫度測量，即根據不同的測量溫度輸出不同的熱電勢，其輸出與輸入溫度之間呈非線性關系E=f（t）（t為熱電偶的輸入，即測量溫度;E為熱電偶的輸出），由于非線性函數f（t）會造成測量結果存在一定的非線性測量誤差，為消除這一非線性誤差，一般在E后串聯一個非線性補償環節F（·），使得Y=F（E）=f■（t）=t，補償后的輸出Y與實際測量溫度t保持一致，使得熱電偶傳感器具有理想線性特征，非線性誤差得到有效減小。目前常用的傳感器動態補償方法一般有查表法、曲線擬合法和硬件電路補償法等，但這些方法難以做到全過程動態補償，且非線性補償精度也不高，實際應用過程中受到很大限制。支持向量機是建立在統計學習理論和結構風險最小原理基礎上的一種新型機器學習方法，它克服了傳統補經網絡方法容易陷入局部極小、過擬合等缺點，具備更好的擬合能力和泛化能力，可以有效解決有限樣本情況下的傳感器非線性動態補償問題。針對非線線補償環節f（·）難以直接準確求出這一問題，課堂講授傳感器非線性動態補償這一知識點時，增加了“熱電偶溫度傳感器非線性動態補償”這一教學環節，主要講授如何利用人工智能方法（以支持向量機為例）對熱電偶傳感器進行非線性動態補償。首先詳細講解支持向量機理論的基本原理和算法，如支持向量機回歸補償器的結構、支持向量機算法、懲罰系數C與核函數的選取方法等，使學生對支持向量機方法有一個基本認知;然后基于訓練樣本集（E■，Y■），講授如何應用Matlab的支持向量機工具箱設計和訓練支持向量機模塊，使學生了解應用Matlab工具箱訓練支持向量機的完整流程，使他們不僅知其然，還要知其所以然;最后講授如何將支持向量機補償環節串聯在熱電偶溫度傳感器之后構建非線性誤差補償系統，使學生對基于支持向量機的傳感器非線性動態補償方法有一個基本理解。

三、軟傳感器智能檢測系統設計

針對實際生產裝置中某些關鍵過程變量難以直接通過物理傳感器直接測量的問題，如精餾塔的產品組分濃度，微生物液發酵過程的菌體深度，化學反應器的反應物濃度及產品分布等，課堂講授智能檢測系統設計知識點時，在教學過程增加“軟傳感器智能檢測系統設計”這一教學環節，主要講授如何利用人工智能方法實現微生物液態發酵過程關鍵過程變量軟測量。首先，給學生講解微生物液態發酵過程的工藝機理和生產流程，使學生了解微生物發酵過程有哪些輸入變量（環境參量）和輸出變量（不直接可測過程變量菌體濃度、基質濃度和產物濃度）;其次，給學生詳細講解了軟測量技術的基本概念、數學描述、結構分類等相關知識點。使學生掌握軟測量技術的基本原理和基本方法，了解較前沿的軟測量應用技術，能從智能檢測系統整體出發考慮如何應用軟測量設計方法完成復雜難測過程變量的在線檢測。在前期理論授課的基礎上，最后給學生講解軟傳感器智能檢測系統設計原理及方案，使學生建立現代智能檢測系統概念，學習領會自動檢測與智能儀表基本工作原理、主要技術和設計方法，能夠結合實際測量儀表開展系統設計。課堂講授的智能檢測系統主要包括輸入變量獲取、數據預處理、關鍵過程變量軟測量和結果輸出等環節。輸入變量獲取時，由于微生物發酵過程中各輸入變量為具有不同特征的非電變量，在進行系統設計過程中，首先要通過各種物理傳感器—變送器電路將其轉換成電信號，然后通過A/D轉換電路將輸入變量轉化為數字信號;考慮到數字化后的電信號由于外界隨機因素的影響，不可避免地存在干擾和噪音信號，因此系統設計過程中要通過預處理模塊（數字濾波方法）濾除數據采集過程中的干擾和噪音;預處理后的輸入信號送入檢測系統，通過內嵌到LabVIEW軟件平臺中的人工智能方法實現關鍵過程變量軟測量，最后輸出關鍵過程變量。智能檢測系統中，構建好的軟測量模型通過MATLAB軟件的人工智能工具箱進行訓練，然后在LabVIEW軟件平臺中通過MATLABScript節點來實現，只要在檢測系統中鍵入相應MATLAB程序，就能實現關鍵過程變量的實時預測輸出。

四、教學改革成效

由于我校電氣工程及其自動化專業的學生前期已經學習過大學物理、電路原理、數字電子技術、模擬電子技術、自動控制原理等相關課程，具備自動檢測技術、傳感器技術以及計算機軟、硬件設計的基礎，因此，在學習人工智能相關知識、掌握人工智能相關技術方面具有很大的優勢。在課堂授課過程中，學生對原有課程內容中引入的人工智能檢測技術表現出了很大的興趣，很快就掌握了人工智能方法的基礎知識和基本方法以及軟測量技術的基本原理和方法，并在實驗室實驗平臺上實現了上述教學環節的教學目標。自主能力比較好的學生，還做到了舉一反三，運用人工智能方法和軟測量技術，對復雜工業過程中的某些關鍵過程變量進行了軟測量建模，并得到了良好的預測效果。

五、結語

根據工業自動化技術特點，以及傳感器技術和檢測技術發展趨勢，在分析我校電氣工程及其自動化專業自動檢測與智能儀表技術常規課程內容的基礎上，本文闡述在自動檢測與智能儀表技術課程中加入人工智能檢測技術的相關內容，將人工智能方法和軟測量技術用于自動檢測與智能儀表技術的教學實踐。通過對2017屆、2018屆電氣工程及其自動化專業學生的教學實踐，在自動檢測與智能儀表技術的課程教學中融入人工智能檢測技術的相關知識，教學取得了良好的效果，使學生掌握了人工智能檢測技術的最新理論和方法，促進了學生對智能儀表及其理論與設計的進一步認識，大幅提高了學生的動手實踐能力和創新能力。

參考文獻

[1]李軍.檢測技術及儀表[M].北京：中國輕工業出版社，2002.

[2]李鄧化，高晶敏.自動化專業智能檢測技術及儀表課程教學改革[J].計算機教育，2010（15）：123-126.

[3]郁有文.傳感器原理及工程應用[M].西安：西安電子科技大學出版社，2002.

[4]李鄧化，許曉飛.智能傳感與檢測技術課程教學改革探討[J].計算機教育，2012（18）：96-99.