基于PSO－BP 的紅外溫度傳感器環境溫度補償

趙 斌，王建華

(江蘇科技大學 電子信息學院，江蘇 鎮江212003)

0 引 言

紅外測溫系統具有能對目標遠距離在線實時成像和溫度測量，借助它無接觸的在線檢測方法，實現人力無法直接解決的問題，已經被廣泛地應用在軍事、工業、防盜系統、醫療、救生和電力設備監測等領域中。紅外測溫系統最主要的部分就是紅外溫度傳感器，系統在工作的過程中容易受到很多因素的影響，如目標物體的表面輻射率、傳感器與目標物體的探測距離、環境溫度、器件自身的溫度等，都會導致傳感器測溫誤差變大。經過大量的試驗驗證，環境溫度的變化對傳感器的測溫精度的影響比較顯著［1，2］。因此，應針對環境變化這一因素，對紅外溫度傳感器進行補償，以消除環境溫度變化對傳感器測溫精度的影響。

人工神經網絡是目前一種有效的補償方法［3］，大量的理論研究已經證明BP 算法是一種有效的神經網絡算法，但該算法過擬合現象嚴重，收斂速度慢，訓練時間長，易陷入局部極值點［4］。

本文提出粒子群優化(particle swarm optimization，PSO)BP(PSO-BP)算法，能有效地避免BP 算法的上述缺點，并結合了粒子群算法超強的全局搜索特性和BP 算法快速的局部搜索能力，將該混合算法運用到紅外溫度傳感器的溫度補償模型中，實現了傳感器測溫精度的補償。

1 紅外溫度傳感器溫度補償原理

假設儀器設定的發射率為ε1，物體的實際發射率為ε2，根據斯蒂芬—玻耳茲曼定律，設距離R 時，紅外測溫儀測量溫度T1和物體的表面溫度T2、環境溫度T0之間的關系為

根據式(1)，可以設定紅外溫度傳感器的模型為

式中 x 為傳感器輸入，即待測目標參量，t1，t2，…，tk為非目標參量，本文中為環境溫度t，y 為傳感器輸出。

紅外溫度傳感器的補償是將其輸入和輸出關系對調并進行建模，得到傳感器的逆模型，即

由圖1 可以看出:紅外溫度傳感器的測量值y 與環境溫度t 是PSO-BP 溫度補償模型的輸入。PSO-BP 模型通過對訓練樣本集的學習，在傳感器測量值y、環境溫度t 與實際目標值x 之間建立一種非線性映射，即式(2)所示。通過PSO-BP 算法的優化可使該映射達到較高的精度，即PSO-BP 補償模型的輸出p 較好地逼近實際目標值x。

圖1 紅外溫度傳感器環境溫度補償模型Fig 1 Ambient temperature compensation model of infrared temperature sensor

2 PSO－BP 算法

2.1 BP 神經網絡

BP 神經網絡［5］是采用BP 算法的多層感知器神經網絡模型，它由輸入層、隱含層和輸出層組成。實質上就是將一輸入/輸出問題變為一個非線性優化問題，通過對一定量的樣本進行學習和訓練，來確定網絡的有關參數。

BP 神經網絡的訓練過程包括信息正向傳播和誤差反向傳播，反復交替直到收斂為止，采用梯度下降法調節網絡權值來使實際輸出與計算輸出構成的誤差函數E(wt)達到最小。

BP 神經網絡具有精確尋優的能力，但由于網絡的初始權值具有隨機性，會導致網絡的尋優不具有唯一性，容易出現局部最優，而且初始權值的隨機性還會導致訓練次數較多，收斂速度較慢［6］。BP 的上述缺點導致此算法很難在紅外溫度傳感器補償方面得到實際的應用，為此，對BP 算法進行改進，將PSO 算法和BP 神經網絡結合起來，改善BP算法的性能，加速收斂。

2.2 PSO 算法

PSO 算法是以模擬鳥的群集智能為特征，以求解連續變量優化問題為背景的一種優化算法［7］。PSO 算法中每個粒子就是所要優化的問題的每一個潛在解，所有的粒子都有一個被目標函數決定的適應值，算法根據適應值來確定是否達到尋優目標［8］。PSO 算法需要初始化一群隨機粒子，然后通過迭代來找到最優解，在迭代的過程中，每個粒子都能知道自己目前為止發現的最好解，稱為個體極值(pbest)，同時，還知道到目前為止整個群體中所有粒子發現的最好解，稱為全局極值(gbest)。

2.3 PSO-BP 神經網絡

用PSO-BP 神經網絡的目的就是通過PSO 算法得到更好的BP 網絡初始權值和閾值，初始化隨機產生N 個微粒群，粒子群的位置向量實質上就代表神經網絡的全部初始權值和閾值，PSO 利用算法步驟，通過迭代尋優尋找全局最優位置向量，亦即最優的BP 神經網絡初始權值和閾值，也使均方誤差最小，在此基礎上，BP 算法再對上面得到的參數進一步精確優化，直至搜索到最優的網絡參數為止。

具體的算法流程如圖2 所示。

圖2 PSO－BP 算法流程圖Fig 2 Flow chart of PSO－BP algorithm

3 紅外溫度傳感器環境溫度補償

3.1 試驗數據采集

以MLX90620 紅外熱電堆傳感器為試驗對象，在6 組不同的環境溫度點下進行試驗，分別用MLX90620 傳感器來測量6 組不同的已標定的目標物體溫度，采集到的原始數據如表1 所示。

將T={15.2，19.4，26.7，35.2，39.3 ℃}組的數據作為訓練樣本集，T={30.0 ℃}的數據作為測試樣本集。為了使采集數據統一，需要先對采集到的數據進行歸一化處理，所有數據歸一化到［0.05，0.95］區間

當Z 對應為環境溫度時，Zmax，Zmin分別為環境溫度的最大值和最小值，Z*就為歸一化后的數據，以此類推，得到目標物體的溫度標準值和測量值的歸一化后的數據。

3.2 試驗結果分析

為了驗證PSO-BP 算法對紅外溫度傳感器環境溫度補償的效果，將其和BP 神經網絡進行對比試驗，設置PSO 算法的種群規模為100，進化代數為700，學習因子c1，c2分別為2.7 和1.3，慣性權重w 隨優化進程逐漸從0.9 調整到0.4，BP 神經網絡采用三層拓撲結構，輸入層神經元個數為2，隱含層神經元數設置為11，輸出層神經元個數為1，最大訓練次數設置為8000，期望誤差為0.00000001，隱含層傳遞函數采用s 型正切函數tansig，輸出層傳遞函數采用線性函數purelin.訓練函數為trainlm。

表1 原始數據表Tab 1 Raw data table

先利用訓練樣本進行訓練，再對測試樣本進行預測，分析兩種方法對紅外溫度傳感器的補償效果，為定量地分析補償效果，應用相對誤差Er來衡量，Er的計算公式如式(15)所示

式中 Δy 為相對誤差，y 為真實值。溫度補償結果如表2所示。

表2 溫度補償結果Tab 2 Temperature compensation result

由表2 可知，PSO-BP 和BP 兩種補償效果都明顯好于測量值，說明兩種方法都是有效的，分析數據可以看出:PSO-BP 補償后的最大相對誤差只有0.67%，遠遠小于BP補償后的10.9%，從圖3 和圖4 可以看出:PSO-BP 算法經過1 761 步迭代達到了預期目標，而BP 算法經過了3 820 步迭代達到預期目標，PSO-BP 算法的收斂速度明顯快于BP算法，綜上可以得到用PSO-BP 算法的補償效果明顯好于單純的BP 補償效果，同時也使環境溫度這一因素對紅外溫度傳感器的影響大大降低，得到較為理想的補償效果。

圖3 PSO－BP 訓練過程Fig 3 PSO－BP training process

圖4 BP 訓練過程Fig 4 BP training process

4 結 論

本文結合了PSO 算法和BP 算法的各自的特點，采用PSO 算法預先對BP 神經網絡初始權值進行優化，避免了BP 算法收斂速度緩慢、計算精度不高等缺點，采用PSO-BP混合算法有效地補償了環境溫度這一因素對紅外溫度傳感器的影響，提高了測溫精度，在實際工程中具有一定的應用價值。

［1］ 隋修寶，陳 錢，顧國華.環境溫度對紅外圖像非均勻性影響的研究［J］.光子學報，2008，12(1):2572－2575.

［2］ 李云紅，孫曉剛，原桂彬.紅外熱像儀精確測溫技術［J］.光學精密工程，2007，15(9):1336－1341.

［3］ 楚 明，廖圣華，劉 繁，等.光纖傳感器的神經網絡光強補償及非線性校正［J］.儀表技術與傳感器，2012(2):108－110.

［4］ 許兆美，劉永志，楊 剛，等.粒子群優化BP 神經網絡的激光銑削質量預測模型［J］.紅外與激光工程，2013，42(9):2371－2372.

［5］ 趙振江.基于PSO-BP 神經網絡的網絡流量預測與研究［J］.計算機應用與軟件，2009，26(1):219－220.

［6］ Lahiri S K，Ghanta K C.Development of a hybird artificial nerual network and genetic algoirthm model for regime identification of slurry transport in pipelines［J］.Chemical Product and Process Modeling，2009，4(1):1－32.

［7］ 田雨波.混合神經網絡技術［M］.北京:科學出版社，2009:148－153.

［8］ Lu X，Li H，Yuan X.PSO-based intelligent integration of design an control for one kind of curing process［J］.Journal of Process Control，2010，20(10):1116－1125.