[发明专利]一种基于随机变分贝叶斯学习的压力传感器标定装置温度建模方法

说明书

一种基于随机变分贝叶斯学习的压力传感器标定装置温度建模方法，考虑了存在过程噪声,测量噪声以及参数不确定情况下的维纳非线性模型的辨识问题。根据随机优化的思想,将模型参数分为全局隐变量和局部隐变量,通过自然梯度下降方法计算全局隐变量对应的全局变分参数,实现对模型信息的更新。针对VBEM方法的局限性，只需要部分局部隐变量的信息即可实现对全局隐变量后验分布的更新,从而实现目标函数的最大化,可以显著降低变分推理的计算量,对于压力传感器温度建模的辨识具有显著的进步。

技术领域

本发明涉及一种压力传感器标定装置温度计算方法，特别是一种基于随机变分贝叶斯学习的压力传感器标定装置温度建模方法。

背景技术

压力传感器是工业实践中最为常用的一种传感器，其广泛应用于各种工业自控环境，涉及水利水电、铁路交通、智能建筑、生产自控、航空航天、军工、石化、油井、电力、船舶、机床、管道等众多行业，压力传感器在出厂前和作业前都要进行标定，作业时，压力传感器标定装置的测量精度和工作可靠性直接影响着作业质量；作业环境的压力和温度因素会引起压力传感器产生误差，在作业环境压力不变的情况下，不同的温度，会给压力传感器带来不同的输出响应，因此，对压力压力传感器标定装置温度进行识别并控制极为重要。

压力传感器标定装置温度的动态变化是一个非线性过程，维纳模型是常见的用于描述非线性过程的模型，维纳模型的结构示意图如图1、图2所示。在对维纳模型的研究方法中,预测误差方法(Prediction Error Method,PEM)使用最为广泛,该方法通过最小化预测误差来拟合输入输出数据,从而得到系统模型。该方法原理简单,是系统辨识的标准方法,但是当模型噪声较大且出现奇异值的情况下,该方法很难得到满意的参数估计效果。极大似然估计(Maximization Likelihood Estimation,MLE)是另一中系统辨识经典方法,它通过最大化似然函数获得参数的无偏估计,是处理强噪声情况下参数估计的有效手段。Ljung提出了维纳模型的极大似然估计方法。利用传统的MLE方法进行非线性系统辨识,由于需要直接计算似然函数,大量的指数运算和积分运算使得辨识计算量较大；而在具有隐变量不能直接计算似然函数的情况下,传统的MLE也不能用于参数估计。在MLE方法不能使用的情况下,EM(Expectation–Maximization)算法通过直接计算隐变量(除观测值外,所有参数都可以看作隐变量)的后验分布来极大化全概率似然函数,从而达到参数估计的目的。然而,由于模型中的非线性环节,很难直接计算隐变量的后验分布,使得EM算法不能直接用于维纳系统的辨识。针对此，在CN112729675A中公开了基于变分贝叶斯期望最大化(Variational Bayesian Expectation–Maximization,VBEM)的维纳模型辨识方法。该方法利用变分推断结合重要性采样技术近似求解了潜变量的后验分布,然后通过极大化全概率似然函数估计模型参数。然而,该方法由于使用了重要性采样技术且需要对每个隐变量都进行变分推断,使得该方法计算量大,不适合大规模数据下的系统辨识。

发明内容

本发明的目的就是提供一种基于随机变分贝叶斯学习的压力传感器标定装置温度建模方法。

本发明的目的是通过这样的技术方案实现的，它方法包括以下步骤：

1)以△T为采样间隔，采集压力传感器标定装置的历史数据，包括有空气流量u_n和温度y_n；

2)构建维纳非线性模型；

3)对维纳模型采用随机变分贝叶斯算法SVBI进行辨识，优化维纳模型；

4)采集新的流量u′_n，通过优化后的维纳模型对压力传感器标定装置的温度y′_n进行计算，根据压力传感器标定装置的温度y′_n对空气流量进行调节。

进一步，其特征在于，步骤2)中所述构建的维纳模型公式如下：