Elman网络温度预测气密性检测研究

郭 斌，许菲菲，陆 艺，王学影

（1.中国计量学院计量测试工程学院，浙江 杭州 310018；2.杭州沃镭科技有限公司，浙江 杭州 310018）

Elman网络温度预测气密性检测研究

郭 斌1，许菲菲1，陆 艺1，王学影2

（1.中国计量学院计量测试工程学院，浙江 杭州 310018；2.杭州沃镭科技有限公司，浙江 杭州 310018）

分析温度在差压法气密性检测中对检测准确度的影响及影响温度变化的因素，提出建立Elman网络，利用气密性检测平台在不同实验参数条件下得到的试验样本来训练网络。将训练好的神经网络用来预测气密性检测中待测密闭容器内的温度，并将预测得到的温度应用到气密性检测判断中。通过与应用较为广泛的BP网络和实际泄漏流量值比较可得，Elman网络进行41次训练后就达到预设目标，而且预测准确度更高。经过温度补偿后的泄漏流量值为12.67mL/min（实际值为13mL/min），相对误差为2.52%，极大地提高气密性检测的准确度。

人工智能；气密性检测；神经网络；温度预测

0 引 言

随着密封器件在现代化工业设备中的广泛使用，密封性作为一项影响产品质量的重要技术指标，受到越来越多企业的关注。密封性检测中最常用的介质是气体，但由于气体的特殊性质，检测过程中容腔内的温度容易发生变化，从而引起压力波动，对压降产生影响。尤其是密闭的高压容器，腔内气体运动状况十分复杂，可以看作是一个非线性系统，众多影响因素之间也存在相互作用，很难建立温度与影响因素之间精确的函数关系。而且密闭容器内部的温度不易测量，容易出现较大的误差。

神经网络具有并行处理、分布式知识储存、鲁棒性等特点，尤其具有较强的自适应和学习能力，能通过学习来掌握数据间的相互关系最终达到预测的目的。张丹等[4]已证明经过神经网络的数据融合处理，能消除非目标参量对输出结果的影响，将输出结果的准确性提高了两个等级。庄哲民等通过神经网络对传感器信号噪声的滤波作用及对神经网络的在线修正，不仅提高了传感器的检测准确度，还提高了传感器的环境适应性。基于以上研究，本文提出将人工神经网络应用到检测过程容腔内温度的预测中，建立温度与多个影响因素之间的关系，利用实验样本对该神经网络进行训练验证，对容腔内温度进行预测，提高了气密性检测的准确性。

1 影响泄漏检测准确度的主要因素分析

差压法检测是比较成熟的气密性检测方法，操作方便，检测气密性效果比较理想；因此，本文采用了差压法检测，其原理如图1所示。差压传感器一端连接被测腔，另一端连接基准腔。检测开始时，向基准腔和被测腔内同时充入相同压力的气体，使差压传感器两端平衡。经过一段时间平衡后，断开基准腔与被测腔的连接，如果被测腔存在泄漏，即使是微小泄漏，被测腔内的气压也会发生变化，使差压传感器两端失去平衡，出现压差；如果被测腔不存在泄漏，则差压传感器两端继续保持平衡，压差为零。该压力差是由于被测腔的泄漏引起的，因此它的变化可以反映出泄漏量的大小。

图1 差压法检测原理图

在差压法检测过程中，如果被测腔和基准腔相互对称，即它们的体积、结构、材料和所处的环境都相同，那么环境温度变化对压力测量产生的影响基本可以相互抵消。但在实际测量中，受各种因素综合作用，要使被测腔和基准腔完全对称非常困难。因此，经过一定的测量时间后，两室的温度不可能达到绝对相等，而温度的变化会导致标准腔与被测腔的压力发生不相等的变化。所以此时差压传感器得到的测量值ΔPt由两部分组成，一部分由被测腔泄漏造成（ΔP），另一部分是由本底压力引起。在进行总漏率测试时，需要用到的是因被测腔泄漏而造成的差压值，由本底压力引起的差压变化应该越小越好或最好能够扣除。由气体状态方程可得，当初始时刻被测腔和标准腔温度不同时，泄漏流量计算公式为

因泄漏引起的被测腔和标准腔之间的压差ΔP计算公式为

式中：Q——泄漏流量值，mL/min；

ΔV——被测腔在检测条件下泄漏的气体在标准大气压下的体积，mL；

V——容器容积，mL；

ΔPt——差压传感器测量值，kPa；

P0——标准大气压值，kPa；

P——测试的绝对压力值，kPa；

t——测试时间，s；

TS0、TSt——基准腔检测开始和结束时的绝对温度值，K；

TW0、TWt——被测腔检测开始和结束时的绝对温度值，K。

在检测准确度要求不高的情况下，可以不考虑检测过程中环境温度变化，即认为TW0与TWt相等，TS0与TSt相等；但是在泄漏量较大及准确度要求较高的情况下，检测前后温度的变化必须考虑。由于气体的特殊性质，平衡时间、环境温度、容腔容积和导热性等影响因素共同影响容腔内气体的温度变化。因此，下文具体介绍了利用人工神经网络在气密性检测系统中进行温度预测，减小温度变化对两腔压差带来的影响，避免了复杂的数学关系的推导，还提高了系统的气密性检测准确度。根据密闭容器内部温度具有非线性变化的动态特点，本文采用了Elman网络进行预测，并与目前使用较多的BP网络进行对比。

2 基于神经网络的温度预测模型的建立

2.1 Elman网络结构

Elman神经网络结构一般分为：输入层、隐含层、承接层和输出层，其算法流程如图2所示。输入层单元起信号传输作用，输出层单元起线性加权作用。承接层又称为上下文层或状态层，主要起到记忆隐含层单元前一刻的输出值的功能，可以当作是一个达到记忆目的的延时算子。Elman网络与BP网络相比，其特点在于：隐含层的输出通过承接层的延迟与储存，自联到隐含层的输入，这种自联方式使神经网络对历史状态的数据具有一定的敏感性，内部反馈网络的加入增加了网络本身处理动态信息的能力，使系统具有适应时变性的能力，能直接反映出系统动态变化过程的特性，从而达到了动态建模的目的。Elman网络也采用了BP算法进行权值修正，学习指标函数采用误差平方和函数：

图2 Elman神经网络算法流程图

2.2 Elman网络的温度预测模型

理论上已经证明单隐含层的Elman网络结构可以实现任意非线性映射，所以设计的Elman温度预测网络模型为一个3层神经网络。输入层的神经元数为7个，分别对应环境温度、检测压力、实际测得差压值、第一平衡期时间、第二平衡期时间、检测时间、充气时间。根据Kolmogorov定理及重复性实验得出隐含层神经元数为18个时，网络的预测误差最小，训练效果最好。输出层神经元数为4个，分别为被测腔和基准腔检测前后的温度值。所以，该网络有7个输入节点、18个隐含层节点、4个输出节点，隐含层神经元的传递函数为S型可微函数logsig，网络学习算法为改进的BP算法即自适应学习速率动量下降反向传播算法，其对应的训练函数为traingdx，该函数在训练过程中能对学习速率进行自适应调整，从而提高了网络的训练效率。此外，该方法在更新权值时不仅考虑了当前的梯度方向，还考虑了前一刻的梯度方向，降低了网络性能对参数调整的敏感性，有效地抑制了局部最小值的出现。

网络训练的主要参数设计如下：训练次数为1 000，学习速率为0.01，动量参数为0.9，网络性能目标为0.0001，网络性能函数的最小梯度为0.000001。当训练次数或性能目标或性能函数的最小梯度达到设置要求时，网络训练停止。

2.3 Elman网络模型的训练及预测

由于检测系统的非线性变化，输入变量的选择对于学习后误差平方和能否达到最小、学习结果是否能收敛有重要关系。而且系统检测过程中温度的变化是测试压力、检测时间、平衡时间等随机因素的综合反映，这些信息中往往也含有很大的不确定性，实际测得值在一般情况下为具有不同量纲和较大数值差别的特征值，所以应对输入数据进行归一化处理。根据Elman神经网络的特点，在输入层采用式（4）将输入值转换为[0，1]区间的值，在输出层利用式（5）转换为温度值：

式中：y——归一化后得到的数值；

xmax、xmin——样本集中的最大值、最小值。

图3 Elman神经网络训练步数-误差曲线

图4 BP神经网络的训练步数-误差曲线

将经过归一化处理的训练样本分别输入设计好的BP神经网络和Elman神经网络进行训练，图3、图4分别为Elman神经网络和BP神经网络的训练误差随训练步数的变化曲线。它们都是针对同一组气密性检测平台得到的实验数据。从图3可以看出，Elman神经网络经过41次训练后，网络误差就达到设计要求，而图4反映的BP神经网络需要经过170次的训练网络误差才可以达到设计要求。显然就收敛速度而言，BP神经网络相对于反馈型神经网络Elman要慢许多。

由图可知，网络训练目标均已经达到，所以基于Elman网络和BP网络的这两个温度预测模型均可使用。

3 试验及结果分析

为验证理论分析和预测模型的有效性，本文在被测腔和基准腔体积相等（400 mL）、处于相同的外界环境条件（T环）下，选择性改变检测压力（P）、平衡时间（t1、t2）、充气时间（t充）和检测时间（t测）对气密性检测平台进行实验，利用差压传感器和温度传感器分别读取实验时实际测量所得的差压值（ΔPt）和温度值（TS0、TSt、TW0、TWt）作为测试样本。表1为部分测试样本数据。

把经过归一化处理的测试样本输入训练好的Elman网络和BP网络进行预测，看网络能否准确预测出测试样本的输出值。当检测压力条件分别为270，350，450，575，700 kPa时，Elman网络温度预测值与实际值的相对误差如图5所示，Elman网络温度预测值与实际值之间最大的相对误差为0.62%，实现了高准确度温度预测。

BP神经网络网络和Elman神经网络的预测值与标准值对比曲线如图6所示。

从BP神经网络和Elman神经网络温度预测值与标准值的对比曲线中可以看出：Elman神经网络的预测值比BP神经网络的预测值更接近标准值，准确度更高，预测效果比BP神经网络的好。

最后，将通过Elman网络预测得到的温度值应用到带温度补偿的泄漏流量Q的计算式（1）中，得到经过温度补偿后的泄漏流量值为12.67 mL/min，实际泄漏流量值为13mL/min，温度补偿前后的泄漏流量值误差如图7所示。利用BP网络预测得到的温度值进行温度补偿后的泄漏流量值为11.73mL/min，相比较可得相对误差从9.79%减小到了2.52%。由此可知，通过温度补偿很大程度地提高了气密性检测平台的检测准确度。

4 结束语

本文将动态Elman网络应用到气密性检测过程温度预测上，解决了实际应用过程中密闭产品内部温度不宜测量的问题，利用可测量因素来对温度进行预测，继而消除了因为温度变化对标准腔和被测腔的压力差产生的影响，从而更准确地检测出产品是否泄漏以及泄漏量的大小。

表1 部分测试样本数据

图5 Elman网络不同压力条件下的预测相对误差

图6 神经网络预测值和实际值对比曲线图

图7 泄漏流量值温度补偿前后误差曲线图

通过本文的实际应用结果可知，Elman网络能够更生动、更直接地反映动态系统的特性，实验数据经过Elman模型处理后得到预测温度值对提高泄漏量值的测量准确度有很大的帮助。综上所述，利用Elman网络对气密性检测过程中某些因素进行预测可以为提高气密性检测的准确度提供一种思路。

[1]权大庆.气密性试验中的泄漏性测试方法研究[J].液压气动与密封，2005（6）：25-27.

[2]彭光正，纪春华，葛楠.气密性检测技术现状及发展趋势[J].机床与液压，2008，36（11）：172-174.

[3]郭晶，孙伟娟.神经网络理论与Matlab7实现[M].北京：电子工业出版社，2005：22-30.

[4]张丹，于朝民，李东.基于BP神经网络的压力传感器静态特性数据融合[J].计算机测量与控制，2004，12（6）：598-600.

[5]飞思科技产品研究中心.神经网络理论与Matlab7实现[M].北京：电子工业出版社，2005.

[6]欧阳玉梅，马志强，方若森.基于Matlab的遗传神经网络的设计与实现[J].信息与技术，2008，32（6）：73-76.

[7]庄哲民，黄惟一，刘少强.提高传感器准确度的神经网络方法[J].计量学报，2002，23（1）：78-80.

[8]柳小桐.神经网络输入层数据归一化研究[J].机械工程与自动化，2010，160（3）：123-126.

[9]杨卿，郭斌，罗哉，等.遗传优化神经网络在气密性检测中的应用[J].传感器与微系统，2011，30（2）：132-134.

[10]李会兵.基于BP神经网络的温度预测方法[J].电子测试，2013（19）：62-64.

[11]赵勇，伍先达.基于BP网络的温度预测在高压气密性检测中的应用[J].自动化与仪器仪表，2009，145（5）：48-50.

[12]蒋宗礼.人工神经网络导论[M].北京：高等教育出版社，2001：135-137.

[13]周孑民，朱再兴，刘艳军，等.基于Elman神经网络的动力配煤发热量及着火温度的预测[J].中南大学学报，2011，42（12）：71-75.

[14]楼顺天，施阳.基于Matlab的系统分析与设计——神经网络[M].西安：西安电子科技大学，2000：201-242.

[15]周开利，康耀红.神经网络模型及其Matlab仿真程序设计[M].北京：清华大学出版社，2005：40-49.

[16]任丽娜.基于Elman神经网络的中期电力负荷预测模型研究[D].兰州：兰州理工大学机电工程学院，2007.

[17]何定，徐鹏.Elman与BP神经网络应用于交通流预测的对比研究[J].工业工程，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

国家质检总局公益行业科研专项项目（201310284）浙江省公益性技术应用研究计划（2014C31105）

郭 斌（1977-），男，山东日照市人，副教授，硕士，主要从事汽车零部件性能检测方面研究。