基于Jaya優(yōu)化標(biāo)定的高精度數(shù)據(jù)采集方法

張合生焦鵬胡琪睿蔡江乾胡順波曹賀歐陽(yáng)求保

(1.上海大學(xué)機(jī)電工程與自動(dòng)化學(xué)院,上海200444;2.上海大學(xué)計(jì)算機(jī)工程與科學(xué)學(xué)院,上海200444;3.上海大學(xué)材料基因組工程研究院材料信息與數(shù)據(jù)科學(xué)中心,上海200444;4.之江實(shí)驗(yàn)室,浙江杭州311100;5.上海交通大學(xué)材料科學(xué)與工程學(xué)院金屬基復(fù)合材料國(guó)家重點(diǎn)實(shí)驗(yàn)室,上海200240)

高純材料和高性能鋁基復(fù)合材料是先進(jìn)功能材料和先進(jìn)結(jié)構(gòu)材料及其關(guān)鍵構(gòu)件生產(chǎn)、研制的基礎(chǔ)[1].在航天、空間、微電子領(lǐng)域,對(duì)先進(jìn)功能材料純度以及先進(jìn)輕量化結(jié)構(gòu)材料綜合性能的要求越來(lái)越高[2-4].相應(yīng)地,對(duì)先進(jìn)功能和結(jié)構(gòu)材料生產(chǎn)工藝的要求也越來(lái)越高[5-6],甚至需要實(shí)時(shí)獲取設(shè)備生產(chǎn)的相關(guān)工藝參數(shù)數(shù)據(jù),從而對(duì)設(shè)備數(shù)據(jù)進(jìn)行綜合分析后及時(shí)調(diào)整工藝參數(shù),以實(shí)現(xiàn)對(duì)工藝的優(yōu)化,如鋁基復(fù)合材料制備過(guò)程中涉及的熔煉復(fù)合設(shè)備、粉末冶金設(shè)備、熱處理設(shè)備,都需要對(duì)關(guān)鍵工藝參數(shù)進(jìn)行實(shí)時(shí)高精度數(shù)據(jù)采集.由于大量現(xiàn)有設(shè)備沒(méi)有信息化數(shù)據(jù)接口[7],只能附加一套高精度數(shù)據(jù)采集系統(tǒng)來(lái)實(shí)現(xiàn)實(shí)時(shí)數(shù)據(jù)采集.要實(shí)現(xiàn)高精度數(shù)據(jù)采集,在確定數(shù)據(jù)處理模型的基礎(chǔ)上,必須實(shí)現(xiàn)高精度數(shù)據(jù)標(biāo)定.在數(shù)據(jù)標(biāo)定實(shí)施過(guò)程中,由于原設(shè)備數(shù)據(jù)采集與新增的數(shù)據(jù)采集系統(tǒng)周期不一致,設(shè)備顯示值和數(shù)據(jù)采集值在時(shí)間上存在隨機(jī)誤差,若直接進(jìn)行數(shù)據(jù)標(biāo)定,必然導(dǎo)致數(shù)據(jù)處理參數(shù)存在相對(duì)較大誤差,并最終影響數(shù)據(jù)采集系統(tǒng)的采集精度.因此,數(shù)據(jù)處理參數(shù)的高精度標(biāo)定技術(shù)成為構(gòu)建高精度數(shù)據(jù)采集系統(tǒng)的關(guān)鍵.

采集系統(tǒng)處理參數(shù)的標(biāo)定本質(zhì)上是建立采集值(輸入值)和目標(biāo)值(輸出值)之間的數(shù)學(xué)模型,并求解該數(shù)學(xué)模型的參數(shù)值,屬于參數(shù)求解問(wèn)題[8-10].傳統(tǒng)數(shù)據(jù)標(biāo)定方法有最小二乘法擬合法,雖然最小二乘法較為簡(jiǎn)單、效率高,但只能確定一組原始參數(shù),不能解決本工作所涉及的數(shù)據(jù)時(shí)間不同步的問(wèn)題.近年來(lái),采用優(yōu)化算法搜索最優(yōu)參數(shù)成為新的研究熱點(diǎn),傅愷延等[11]針對(duì)交通仿真模型參數(shù)難以確定的問(wèn)題,采用一種交叉熵算法來(lái)尋找最優(yōu)參數(shù);田少兵等[12]針對(duì)相機(jī)標(biāo)定問(wèn)題,將相機(jī)內(nèi)參值作為初始值,提出了一種改進(jìn)粒子群算法的相機(jī)內(nèi)參數(shù)標(biāo)定算法[12];吳桂芳等[13]采用差分進(jìn)化算法對(duì)三維電場(chǎng)傳感器解耦進(jìn)行標(biāo)定.傳統(tǒng)的尋優(yōu)算法往往需要多個(gè)特殊參數(shù),增加了優(yōu)化過(guò)程的復(fù)雜性.Rao[14]提出了一種無(wú)需特殊參數(shù)的Jaya算法,該算法是新穎的群體智能算法,常用于解決約束和無(wú)約束優(yōu)化問(wèn)題.但不同于粒子群優(yōu)化(particle swarm optimization,PSO)、洗牌青蛙跳躍(shuffled frog leaping,SFL)、螢火蟲(chóng)(firefly,FF)算法等常見(jiàn)群體智能優(yōu)化算法,Jaya算法不需要控制專(zhuān)屬于算法的特殊參數(shù),僅僅需要控制若干共有參數(shù),如種群個(gè)數(shù)及迭代次數(shù)等[15-16],因而與其他群體智能算法相比,Jaya算法可以較大程度地降低求解的復(fù)雜性,在參數(shù)求解的精確度與復(fù)雜度之間達(dá)到較好的平衡.

本工作在數(shù)據(jù)采集系統(tǒng)設(shè)計(jì)基礎(chǔ)上,針對(duì)數(shù)據(jù)采集值和真實(shí)值時(shí)間不同步的問(wèn)題,基于Jaya優(yōu)化算法,對(duì)數(shù)據(jù)處理模型參數(shù)進(jìn)行了優(yōu)化標(biāo)定;對(duì)Jaya算法進(jìn)行了仿真實(shí)驗(yàn)驗(yàn)證,并以設(shè)備溫度數(shù)據(jù)采集為例進(jìn)行了實(shí)際測(cè)試和驗(yàn)證.結(jié)果表明,本工作所提出方法具有較好的標(biāo)定效果,可實(shí)現(xiàn)數(shù)據(jù)的高精度實(shí)時(shí)采集.

1 數(shù)據(jù)采集系統(tǒng)設(shè)計(jì)

本工作設(shè)計(jì)的高精度數(shù)據(jù)采集系統(tǒng)采用分布式結(jié)構(gòu),由若干子系統(tǒng)組成.各子系統(tǒng)負(fù)責(zé)采集所在區(qū)域設(shè)備數(shù)據(jù),基于以太網(wǎng)技術(shù)實(shí)現(xiàn)整個(gè)采集系統(tǒng)網(wǎng)絡(luò)構(gòu)建和子網(wǎng)擴(kuò)展,用交換機(jī)將各數(shù)據(jù)采集子網(wǎng)組成局域網(wǎng),通過(guò)數(shù)據(jù)庫(kù)技術(shù)實(shí)現(xiàn)數(shù)據(jù)采集服務(wù)接口,使得子系統(tǒng)將采集好的數(shù)據(jù)經(jīng)由網(wǎng)絡(luò)上傳至數(shù)據(jù)庫(kù)(數(shù)據(jù)服務(wù)器).高精度數(shù)據(jù)采集系統(tǒng)結(jié)構(gòu)如圖1所示.

對(duì)于圖1中某個(gè)子系統(tǒng),各設(shè)備通過(guò)專(zhuān)屬數(shù)據(jù)采集器實(shí)現(xiàn)數(shù)據(jù)采集,采集器之間通過(guò)RS485現(xiàn)場(chǎng)總線相連,通過(guò)現(xiàn)場(chǎng)數(shù)據(jù)管理服務(wù)軟件實(shí)現(xiàn)子系統(tǒng)數(shù)據(jù)收集,現(xiàn)場(chǎng)數(shù)據(jù)服務(wù)器同時(shí)負(fù)責(zé)將子系統(tǒng)的數(shù)據(jù)傳送至數(shù)據(jù)庫(kù).

2 基于Jaya算法的模型參數(shù)標(biāo)定

為提高數(shù)據(jù)采集精度,數(shù)據(jù)采集系統(tǒng)的數(shù)據(jù)處理模型參數(shù)采用多點(diǎn)標(biāo)定的方法,每個(gè)標(biāo)定點(diǎn)包括一個(gè)測(cè)量值和一個(gè)真實(shí)值.若將采集設(shè)備工作區(qū)間的數(shù)據(jù)分為L(zhǎng)段進(jìn)行標(biāo)定,且每個(gè)區(qū)間的模型參數(shù)個(gè)數(shù)為R,則段數(shù)和標(biāo)定點(diǎn)的關(guān)系如圖2所示.

圖2 模型區(qū)間個(gè)數(shù)與標(biāo)定點(diǎn)數(shù)量Fig.2 Number of model intervals and the number of calibration points

圖2中,每段區(qū)間的模型參數(shù)都由R個(gè)標(biāo)定點(diǎn)所決定;標(biāo)定點(diǎn)的總數(shù)量M=L+R-1;標(biāo)定點(diǎn)L+1至標(biāo)定點(diǎn)M為標(biāo)定模型區(qū)間之外的點(diǎn),用以確定最后一段模型參數(shù);標(biāo)定模型區(qū)間內(nèi)的標(biāo)定點(diǎn)以實(shí)線圓表示,區(qū)間之外的標(biāo)定點(diǎn)以虛線圓表示.

若數(shù)據(jù)采集系統(tǒng)測(cè)量值與真實(shí)值的關(guān)系為f,則第j段模型為

式中:j∈[1,L];x為測(cè)量值;y為真實(shí)值;aj,r表示第j段的第r個(gè)模型參數(shù),r∈[1,R],R為模型參數(shù)個(gè)數(shù),其大小由模型本身決定.例如,對(duì)于線性模型,R為2,則

基于Jaya優(yōu)化算法可實(shí)現(xiàn)最優(yōu)模型參數(shù)搜尋.Jaya算法是一種群體智能優(yōu)化算法,其種群由一系列個(gè)體組成,若種群規(guī)模為N,則種群Z為

式中:Xi表示Z的第i個(gè)個(gè)體,i為個(gè)體序號(hào),i∈[1,N],每個(gè)個(gè)體都代表標(biāo)定尋優(yōu)的一組解所對(duì)應(yīng)的標(biāo)定點(diǎn)測(cè)量值.由于在分段標(biāo)定中共有M個(gè)標(biāo)定點(diǎn),因此每個(gè)個(gè)體由M個(gè)參數(shù)組成,這些參數(shù)稱(chēng)為個(gè)體變量,

式中:Xi,k表示Xi的第k個(gè)個(gè)體變量,k為個(gè)體變量序號(hào),k∈[1,M].

由于種群的每個(gè)個(gè)體都決定了一組解,因此種群個(gè)體的初始值應(yīng)當(dāng)在標(biāo)定點(diǎn)的測(cè)量值附近;另一方面,對(duì)于Jaya優(yōu)化算法,為更好地尋優(yōu),種群個(gè)體的初始狀態(tài)應(yīng)當(dāng)具有隨機(jī)性.綜合上述兩方面原因,種群個(gè)體初始化即個(gè)體變量初始化,可采用在標(biāo)定點(diǎn)測(cè)量值基礎(chǔ)上疊加一個(gè)隨機(jī)數(shù)的方法,

式中:p為(-b,b)范圍內(nèi)的隨機(jī)數(shù),(-b,b)代表了尋優(yōu)算法的搜索空間,b的大小依據(jù)采集系統(tǒng)實(shí)際情況確定,如被采集物理量類(lèi)型、變化范圍等,且Xi中的M個(gè)個(gè)體變量在疊加隨機(jī)數(shù)后的值互不相同.

依據(jù)Xi的個(gè)體變量和式(1)的處理模型,可建立求解Xi的第j段模型參數(shù)方程組:

式中:Xi,j代表第i個(gè)個(gè)體的第j個(gè)變量;yi,j為Xi,j對(duì)應(yīng)的真實(shí)值;ai,j,r表示Xi的第j段區(qū)間的第r個(gè)模型參數(shù).由于模型參數(shù)個(gè)數(shù)為R,因此模型參數(shù)必然由R個(gè)標(biāo)定點(diǎn)來(lái)決定,且這些標(biāo)定點(diǎn)一般為連續(xù)的標(biāo)定點(diǎn);將這些標(biāo)定點(diǎn)代入式(1)便可得式(6)方程組;解方程組,便可求出Xi第j段模型參數(shù){ai,j,1,ai,j,2,···,ai,j,R}.對(duì)于線性模型,式(6)則具體化為

解式(7)方程組可得

得到模型參數(shù)后,用驗(yàn)證數(shù)據(jù)集計(jì)算個(gè)體的目標(biāo)函數(shù),并作為尋優(yōu)過(guò)程中個(gè)體變量調(diào)整的依據(jù).設(shè)每個(gè)標(biāo)定段內(nèi)有E對(duì)驗(yàn)證數(shù)據(jù),一對(duì)驗(yàn)證數(shù)據(jù)包含一個(gè)測(cè)量值及一個(gè)真實(shí)值,則總驗(yàn)證數(shù)據(jù)對(duì)的數(shù)量D=EL.

在Jaya算法中,個(gè)體的目標(biāo)函數(shù)值是個(gè)體變量調(diào)整的依據(jù).下面以個(gè)體Xi為例進(jìn)行目標(biāo)函數(shù)構(gòu)建.首先,考慮Xi的第j段區(qū)間,利用式(6)求出該段區(qū)間模型參數(shù)后,便可利用該模型參數(shù)處理驗(yàn)證數(shù)據(jù)集中屬于該區(qū)間的原始測(cè)量值,

式中:x′i,j,s為Xi第j段區(qū)間的第s個(gè)驗(yàn)證數(shù)據(jù)原始測(cè)量值;y′′i,j,s為x′i,j,s經(jīng)模型參數(shù)處理后的值.根據(jù)式(9),針對(duì)第j段區(qū)間,可求得誤差平方和為

式中:y′i,j,s為x′i,j,s所對(duì)應(yīng)的真實(shí)值;Yi,j為個(gè)體Xi第j段區(qū)間驗(yàn)證數(shù)據(jù)集誤差平方和.依據(jù)式(10),對(duì)Xi在所有區(qū)間的誤差平方和求和后,再除以驗(yàn)證數(shù)據(jù)集點(diǎn)數(shù),得到Xi所有驗(yàn)證點(diǎn)誤差平方和的平均值,并作為Xi的目標(biāo)函數(shù)Yi,

根據(jù)式(11)計(jì)算出種群中所有個(gè)體的目標(biāo)函數(shù)值,將目標(biāo)函數(shù)值最小的個(gè)體作為最優(yōu)個(gè)體,記為Xbest;將目標(biāo)函數(shù)值最大的個(gè)體作為最差個(gè)體,記為Xworst.依據(jù)Jaya優(yōu)化算法,可得種群個(gè)體更新函數(shù),

式中:Xi,k(t)為當(dāng)前時(shí)刻Xi,k的值;Xi,k(t+1)是更新后下一時(shí)刻Xi,k的值;r1,k、r2,k是兩個(gè)在(0,1)范圍內(nèi)的隨機(jī)變量;r1,k(Xbest,k(t)-|Xi,k(t)|)表示當(dāng)前個(gè)體向最優(yōu)個(gè)體靠近的趨勢(shì);-r2,k(Xworst,k(t)-|Xi,k(t)|)表示當(dāng)前個(gè)體遠(yuǎn)離最差個(gè)體的趨勢(shì).

在算法迭代過(guò)程中,若迭代次數(shù)超過(guò)設(shè)定上限v,或者種群中最優(yōu)個(gè)體的目標(biāo)函數(shù)為0時(shí),終止尋優(yōu)過(guò)程,并利用最優(yōu)個(gè)體變量計(jì)算本次最終優(yōu)化模型參數(shù).

上述算法流程如圖3所示.

圖3 基于Jaya求解標(biāo)定模型參數(shù)算法流程圖Fig.3 Algorithm flowchart of solving calibration method parameters based on Jaya

由圖3可知,在確定模型參數(shù)、種群個(gè)體數(shù)、個(gè)體變量、目標(biāo)函數(shù)、終止條件后,先計(jì)算每個(gè)個(gè)體的目標(biāo)函數(shù),得出最優(yōu)及最差個(gè)體,通過(guò)式(12)更新種群;然后計(jì)算新種群中每個(gè)個(gè)體的目標(biāo)函數(shù)并對(duì)比新舊種群個(gè)體,用新種群的優(yōu)秀個(gè)體替代舊種群的個(gè)體,生成一個(gè)由優(yōu)秀個(gè)體組成的新種群,不斷進(jìn)行迭代,直至滿足終止條件,輸出當(dāng)前種群最優(yōu)個(gè)體,并通過(guò)式(6)求出模型參數(shù).

3 實(shí)驗(yàn)驗(yàn)證及數(shù)據(jù)分析

為驗(yàn)證本工作算法的可行性與有效性,首先進(jìn)行仿真實(shí)驗(yàn),并以生產(chǎn)現(xiàn)場(chǎng)中的溫度采集設(shè)備為例,驗(yàn)證算法的真實(shí)標(biāo)定效果.

3.1 基于Jaya算法的模型參數(shù)標(biāo)定仿真實(shí)驗(yàn)

首先,仿真模擬一條溫度曲線,曲線模型為

式中:t為時(shí)間;T0為初始溫度;T為t時(shí)刻溫度.

假設(shè)設(shè)備工作溫度區(qū)間為10～200°C，t時(shí)刻為0時(shí)的T為10°C,即T0=10°C;并假定測(cè)量值與真實(shí)值(理論值)之間的關(guān)系為線性模型.為保證數(shù)據(jù)采集精度,對(duì)工作溫度區(qū)間進(jìn)行分段處理,共分為19段,有20個(gè)端點(diǎn)值;定義一組(20個(gè))對(duì)應(yīng)于真實(shí)值的測(cè)量真值的端點(diǎn)值,使每一段的線性模型都確定了唯一一組理論模型參數(shù)aj,1、aj,2.將每一段區(qū)間的中點(diǎn)作為驗(yàn)證數(shù)據(jù),通過(guò)理論模型參數(shù)確定對(duì)應(yīng)的測(cè)量真值,并將所得的最優(yōu)解與測(cè)量真值之間的平均誤差作為評(píng)價(jià)算法性能優(yōu)劣的指標(biāo)(見(jiàn)表1).

表1 基于Jaya算法的模型參數(shù)標(biāo)定仿真數(shù)據(jù)Table 1 Simulation data of data calibration method based on Jaya algorithm

仿真實(shí)驗(yàn)參數(shù)如下:個(gè)體數(shù)N為50;個(gè)體變量數(shù)M為20;驗(yàn)證數(shù)據(jù)對(duì)數(shù)D為19;終止條件v為4 000次;個(gè)體變量為測(cè)量值,取值范圍為測(cè)量真值±1°C.利用每一次種群中的最優(yōu)個(gè)體與真實(shí)值求出模型參數(shù),對(duì)測(cè)試數(shù)據(jù)的測(cè)量值進(jìn)行處理,以處理后的測(cè)量值與測(cè)量真值的誤差定義目標(biāo)函數(shù),目標(biāo)函數(shù)越小,則說(shuō)明該算法尋找到的測(cè)量值越接近測(cè)量真值,求出的參數(shù)越接近理論模型參數(shù).

圖4為某次尋優(yōu)實(shí)驗(yàn)的最優(yōu)個(gè)體目標(biāo)函數(shù)值變化趨勢(shì).由圖4可知,隨著迭代次數(shù)的增加,約在迭代380次后,目標(biāo)函數(shù)值快速收斂于0°C附近.達(dá)到終止條件后得到最優(yōu)個(gè)體,該個(gè)體與測(cè)量真值的對(duì)比分析結(jié)果如圖5所示.

由圖5可知,尋優(yōu)后的測(cè)量值接近于測(cè)量真值,平均誤差僅為0.008 4°C,精度為99.93%,可見(jiàn)該標(biāo)定算法具有較高的標(biāo)定精度.根據(jù)式(6)求出該個(gè)體的模型參數(shù)(優(yōu)化模型參數(shù)),將其與理論模型參數(shù)進(jìn)行對(duì)比,結(jié)果如圖6所示.

圖5 尋優(yōu)后的測(cè)量值與測(cè)量真值對(duì)比Fig.5 Comparison of the measured value after optimization with the measured truth value

圖6 優(yōu)化模型參數(shù)與理論模型參數(shù)對(duì)比Fig.6 Comparison of optimized model parameters with theoretical model parameters

圖6中黑色直線段為線性模型的理論值,紅色直線段為線性模型的尋優(yōu)值.顯然,理論模型與尋優(yōu)模型基本重合,由此可知本工作所提算法是可行的、有效的.為驗(yàn)證算法穩(wěn)定性,進(jìn)行了多次尋優(yōu),每一次尋優(yōu)都得到基本相同的結(jié)果,說(shuō)明本工作所提算法具有較好的穩(wěn)定性.

3.2 基于Jaya算法的模型參數(shù)標(biāo)定測(cè)試實(shí)驗(yàn)

在實(shí)際材料制備過(guò)程中,現(xiàn)場(chǎng)溫度數(shù)據(jù)對(duì)材料性能具有至關(guān)重要的作用,以設(shè)備溫度采集為研究對(duì)象進(jìn)行實(shí)際實(shí)驗(yàn)驗(yàn)證.與仿真驗(yàn)證實(shí)驗(yàn)相同,處理模型同樣采用線性模型.實(shí)驗(yàn)過(guò)程如下:首先,采集2組溫度數(shù)據(jù),每組數(shù)據(jù)包含一系列真實(shí)溫度數(shù)據(jù)和采集溫度數(shù)據(jù);將第一組溫度數(shù)據(jù)作為標(biāo)定數(shù)據(jù)點(diǎn),以確定線性模型參數(shù)規(guī)模;將第二組數(shù)據(jù)作為尋優(yōu)目標(biāo)函數(shù)的計(jì)算依據(jù).實(shí)際實(shí)驗(yàn)中將第一組數(shù)據(jù),即每個(gè)標(biāo)定點(diǎn)測(cè)量值±1°C作為模型參數(shù)的尋優(yōu)范圍.相關(guān)溫度數(shù)據(jù)如表2所示.測(cè)試實(shí)驗(yàn)參數(shù)如下:個(gè)體數(shù)N為50;個(gè)體變量數(shù)M為13;驗(yàn)證數(shù)據(jù)對(duì)數(shù)D為12;終止條件v為4 000次.通過(guò)實(shí)驗(yàn)獲得最優(yōu)模型參數(shù)后,再采集一組數(shù)據(jù)作為模型參數(shù)精度的驗(yàn)證數(shù)據(jù)(見(jiàn)表3).當(dāng)達(dá)到終止條件后,得到最優(yōu)個(gè)體,通過(guò)式(6)求解出最優(yōu)模型參數(shù)(見(jiàn)表4).

表2 現(xiàn)場(chǎng)設(shè)備溫度采集數(shù)據(jù)Table 2 Field device temperature acquisition data °C

表3 模型參數(shù)精度的驗(yàn)證溫度采集數(shù)據(jù)Table 3 Verify temperature acquisition data for model parameter accuracy °C

表4 最優(yōu)個(gè)體及最優(yōu)參數(shù)Table 4 Optimal entities and optimal parameters

依據(jù)表4中的最優(yōu)模型參數(shù)計(jì)算最終測(cè)量值,并與真實(shí)值進(jìn)行比較.經(jīng)計(jì)算,平均誤差僅為0.13°C,采集精度可達(dá)99.89%;與非優(yōu)化模型參數(shù)的平均誤差(0.36°C)相比,優(yōu)化模型參數(shù)的數(shù)據(jù)處理誤差降低了63.20%.處理后的測(cè)量值與真實(shí)值的對(duì)比結(jié)果如圖7所示.

圖7 處理后的測(cè)量值與真實(shí)值之間的對(duì)比Fig.7 Comparation between the processed measured value and the true value

由圖7可知,優(yōu)化模型參數(shù)處理后的測(cè)量值與真實(shí)值基本一致,表明本工作所提算法可以有效搜尋最優(yōu)模型參數(shù),同時(shí)基于算法所構(gòu)建的數(shù)據(jù)采集系統(tǒng)也具有較高的數(shù)據(jù)采集精度.

4 結(jié)束語(yǔ)

為高精度獲取設(shè)備的實(shí)時(shí)工藝數(shù)據(jù),本工作在設(shè)計(jì)數(shù)據(jù)采集系統(tǒng)結(jié)構(gòu)的基礎(chǔ)上,針對(duì)實(shí)際采集處理參數(shù)標(biāo)定過(guò)程中測(cè)量值與真實(shí)值數(shù)據(jù)采集時(shí)間不同步的問(wèn)題,以設(shè)備顯示值為真實(shí)值,以線性模型作為數(shù)據(jù)處理模型構(gòu)建目標(biāo)函數(shù),采用Jaya優(yōu)化算法搜索最優(yōu)模型參數(shù);以設(shè)備溫度數(shù)據(jù)采集為例,構(gòu)建實(shí)驗(yàn)平臺(tái)并進(jìn)行實(shí)驗(yàn)驗(yàn)證.實(shí)驗(yàn)結(jié)果表明,采用優(yōu)化后的模型參數(shù)進(jìn)行數(shù)據(jù)采集,平均誤差僅為0.13°C,采集精度可達(dá)99.89%,相比于未經(jīng)尋優(yōu)的模型參數(shù),平均誤差可降低63.20%.上述結(jié)果表明,本工作提出的數(shù)據(jù)處理參數(shù)標(biāo)定算法是有效的,所構(gòu)建的數(shù)據(jù)采集系統(tǒng)具有較高的數(shù)據(jù)采集精度.