基于GA-BP神经网络温漂补偿的十字正交型热温差式测风仪*

刘 洋,行鸿彦*,侯天浩

(1.南京信息工程大学,气象灾害预报预警与评估协同创新中心,南京 210044;2.南京信息工程大学,江苏省气象探测与信息处理重点实验室,南京 210044)

风速风向的测量对我们的生活有着重大意义,在航空领域、农业领域、工业领域、环境监测领域等都发挥着重要作用。目前常用的测量方法有机械测量法、超声波测量法以及热式测量法等。机械测量法因存在旋转结构,易受恶劣环境的影响,旋转轴因磨损需定期维护[1],超声波测量法虽对环境影响的敏感度较低且没有机械磨损结构,但如何消除其测风时的阴影效应是现在超声波测风领域的一大难点[2]。热式测量法利用热力学原理,设计出来的风速仪因成本低、体积小、精度高而被逐渐广泛应用于各个领域。

早在1902年Shakepear在伯明翰就开始了热线风速仪的原理性实验,1929年,Drydew和Planiol发展了热滞后的电子补偿原理,将热式风速测量推动到脉动速度和湍流度的测量。到了20世纪60年代,国外已对热式风速测量法有了较为成熟的研究。与国外相比,我国对热式风速测量法的研究起步较晚,因此很多热式风速仪都是从国外购入,其价格高、质量低[3]。为了不依赖进口,国内越来越多的研究者开始投入这方面的研究,但目前市场上销售的热式风速仪普遍还不能测量风向,因此,设计出一款体积小、成本低、精度高、既能测量风速又能测量风向的热式风速仪具有重要意义[4]。

本文结合FLUENT流体仿真提出了一种十字正交型热温差式测风仪的设计方法,根据十字型导管内上下游温度差求得风速,且该设计可通过正交分解得到二维空间内任意方向的风速以及风向角。为降低环境温度对测量精度的影响,本文提出遗传算法优化BP神经网络算法补偿温漂误差,实验结果表明,该补偿算法对测风仪的温度漂移有较好的抑制效果。

1 基于GA-BP热温差型测风仪的测风原理

1.1 热温差式测风原理

热式测风仪是在热场和风场直接作用下进行工作的,其工作原理是一个涉及热学、流体力学等多种学科的综合性理论。因此,热式测风仪的结构中需包括加热元件——提供高于环境温度的热场,和测温元件——检测气体流动所导致的热场温度变化,通过加热元件提供热量,测温元件测量风吹过时带来的热量差来获取风速的信息。热式测风仪检测原理又可主要分为热损失型、热脉冲型和热温差型三种类型,热损失型和热脉冲型因不能测量风向,本文不予考虑,仅重点介绍热温差型测风原理。

图1 测风原理图及温度场分布图

热温差式测风原理图如图1(a)所示。测风仪中间为一恒温加热源,两温度传感器在该加热源两侧成对称分布。温度梯度示意图如图1(b)所示,无风吹过时,温度场对称分布,两温度传感器值恒定不变;有风吹过时,流体带走加热棒的热量,正对风的上游热源损失热量必定大于下游损失热量,温度场偏离对称分布,上下游测温点则会产生温差ΔT=T2-T1,此温差是风速大小的函数,当风速较小时测风仪会有较大的灵敏度,即产生的温差较大;而随风速的增加,灵敏度会逐渐降低,直到风速很大时达到饱和值。因此只要通过检测上下游温度传感器差值便可得相应风速[5-6]。

1.2 正交式热温差测风原理

为在测量风速的同时测出风向,本文基于正交分解法设计了十字型热温差式测风仪,将温度传感器与恒温热源分别置于两交叠的圆管(导风管)中。其结构俯视图如图2所示。

图2 测风仪俯视图

十字型热温差式测风仪在任意时刻,都会有一个或者两个导风管的管口处于来流中,只要建立好合适的坐标系(坐标系的轴沿着导风管入口方向),便可对风速进行正交合成与分解。因此,通过测量每一个导风管的风速分量即可反演出实时风速从而还原出实时风向。以平面直角坐标系为例,当十字型热温差式测风仪所处平面与风速V平行时,其位置关系如图3 所示(AB与Y轴重合,CD与X轴重合)。

图3 风速风向测量原理示意图

设风速与X轴成θ角,则:

(1)

(2)

即:

(3)

1.3 基于GA-BP的测风优化算法

在实际测风中,环境温度的变化会对风速测量精度造成影响,因此本文提出了一种利用遗传算法(GA)优化BP神经网络算法来补偿温度漂移的测风优化算法。

图4 BP神经网络结构图

BP神经网络结构图如图4所示,它是一种多层前馈网络,其特点为信号前向传播,误差反向传播,由输入层、隐含层、输出层三部分组成,且每一层的神经元状态只影响下一层的神经元状态。样本由输入层输入,经隐含层处理后发送至输出层,若输出层得到的值与目标值存在误差,则执行误差反向传播操作,根据误差不断调整网络权值和阈值,从而达到最佳效果[7-9]。

遗传算法(Genetic Algorithm)是一种引入生物界自然选择和自然遗传机制的全局寻优搜索算法。某一初始种群中的个体通过遗传算法中的选择、交叉和变异筛选后,适应性好的个体被保留,反之被淘汰,这样新一代群体永远优于上一代,反复循环,直至寻得全局最优。

由于BP神经网络存在易陷入局部极小值和收敛速度慢的缺点,因此将GA与BP神经网络相结合。先利用GA优化BP神经网络所需要的权值和阈值,再利用BP神经网络求解,以达到全局寻优和提高收敛速度的目的[10-11]。

图5 温度场分布图

2 流场仿真分析

为验证温差测风理论的可行性,在实际测量前搭建模型进行仿真实验:首先用SpaceClaim建立十字型热温差式测风仪的模型,其次用ANSYS Meshing软件规划四面体网格,最后再导入FLUENT软件,选用k-e模型并开启能量交换选项,开始测风流体仿真。其仿真的温度场分布云图如图5所示:在无风状态下,导风管内的温度场以热源为中心呈对称分布,即上下游温度传感器周围的温度相同;在有风状态下,风流入导风管内,风因热交换效应将导风管内上游经加热片加热的热空气带至下游,在此期间,风依旧被不断加热,当风流经下游时,下游温度将明显高于上游,温度场偏离对称分布,因此上下游传感器所测得数值存在温差。

设定环境温度分别为-10 ℃、0 ℃、10 ℃、20 ℃、30 ℃、40 ℃,风速分别为1 m/s、2 m/s、3 m/s、4 m/s、5 m/s、6 m/s、7 m/s、8 m/s,进行不同环境温度、不同风速下的流体仿真。仿真得的温度差值拟合曲线如图6所示。由图6可知,随着环境温度的升高,因风速来流而产生上下游温差呈现略微下降趋势,风速和温差有强相关性,不同风速所对应的温差不同。实验结果与1.1节理论整体相符,故热温差法测风可行。

图6 仿真数据拟合曲线图

3 实测数据采集与分析

3.1 热温差测风仪测量电路设计

热温差式测风仪硬件系统框图如图7所示,由STM32F103RCT6单片机、AD7794模数转换模块、PT100铂电阻式温度传感器以及PTC恒温加热片组成十字正交型热温差式测风仪。其采集数据由RS232串口发送至上位机。

图7 硬件系统框图

3.2 实验平台搭建

利用十字正交型热温差式测风仪搭建如图8所示的实验平台。该平台由测风仪、高低温实验箱、可调速鼓风机、上位机等组成。高低温试验箱的可调温度范围为-60 ℃至120 ℃,用于模拟环境温度;可调速鼓风机用于改变来流大小;正交十字型热温差式测风仪用支架支撑并插入塑料泡沫中。

图8 实验装置图

3.3 数据拟合分析

在环境温度分别为-10 ℃、0 ℃、10 ℃、20 ℃、30 ℃、40 ℃,风速分别为1 m/s、2 m/s、3 m/s、4 m/s、5 m/s、6 m/s、7 m/s、8 m/s下,经144次试验所测得的上下游温度差值拟合曲线如图9所示。记环境温度为x,上下游温度差值为y,风速为z,若不采用补偿算法,其拟合函数为:

z=(p1+p2x+p3x2+p4y+p5y2+p6y3)/

(1+p7x+p8y+p9y2+p10y3)

(4)

式中:p1=14.210 8,p2=-0.011 5,p3=6.497 4,p4=-10.888 8,p5=2.814 9,p6=-0.229 7,p7=0.002 9,p8=-0.187 0,p9=-0.128 4,p10=0.036 9。

图9 实测数据拟合曲线图

比较图9与图6曲线可知,两者趋势大致相同,在同一风速下,环境温度越高,上下游温度差值越小;同一环境温度下,风速越低,上下游温度差值越大,但由于实际测量中各部件间无法预测的传热等因素的影响,环境温度与上下游温度差并非呈严格的线性关系。如2 m/s的风速,当环境温度从-10 ℃逐渐变化至40 ℃时,上下游温差从4.24 ℃降为3.11 ℃,若忽略环境温度的影响,温漂误差可达27%,因此本文利用遗传算法优化BP神经网络的算法对测量的数据进行拟合[12],便可得到环境温度、上下游温差与风速的关系式。

由于环境温度、上下游温差这两个变量的变化范围和单位都不同,会造成神经网络收敛速度慢,训练时间长等问题,因此将两个输入变量的范围归一化,映射至[-1,1]范围内。

4 算法处理结果分析与实际测量效果

4.1 算法处理结果分析

图10 预测值与期望值对比图

记录训练好的BP神经网络各层权值和阈值,由此得出拟合公式:

V=purelin{tansig(TWi1+ΔTWi2+ai)Wki+bk}

(5)

式中:Wi1、Wi2分别为环境温度T和上下游温度差ΔT对应的由输入层到隐含层的权值,Wki为隐含层到输出层的权值,ai、bk分别为隐含层和输出层的阈值。因本文设定BP神经网络为2-5-1结构,故i=1、2、…、5,j=2,k=1。Wij、Wki、ai、bk的具体值如下:

(6)

Wki=

(-1.831 2 -1.221 7 1.810 7 1.345 9 -0.857 4)

(7)

(8)

bk=-0.162 8

(9)

4.2 实际测量效果

为验证该测风仪的性能,将该测风仪置于不同时间、不同环境温度、不同风速下进行实际测量,且采用未经补偿(式(4))与经GA—BP神经网络补偿(式(5))的两种函数关系式测量风速。在利用该十字正交型热温差式测风仪测风时,主要测量参数为风速值V和风向角θ;测试时间分别选取2019年6月20日至23日的几个不同时间点,测试地点位于南京市浦口区南京信息工程大学气象站,标准数据由距地面5 m处的风速传感器(EL15-1型杯式风速传感器)和风向传感器(EL15-2型风向传感器)采集。

实测结果如表1和表2所示。

表1 风速风向实测值与标准值对比结果

表2 未经补偿的风速值与标准值对比结果

根据表1可知,十字正交型热温差式测风仪的实测数据和标准数据相比,虽然有所偏差,但仍在可控范围之内,故所得的实测数据较为可靠。由于环境温度、导管导热以及自然界空气中介质等的影响,导致测量值与标准值存在一定偏差,相对误差在10%以内。实测风向角与标准风向角相比,相对误差较小,可控制在5%以内。表2为未经补偿的风速值与标准值的对比结果,其测量结果明显劣于表1。综上所述,十字正交型热温差式测风仪在实际测量中与标准值较为接近,测量效果较好,是一种可采取的新型测量风速风向的方法。

5 结论

针对目前常用测风设备存在的弊端,本文提出了一种成本低、体积小、原理简单的风速风向测量方法,该方法根据两根互呈90°交叠分布的导管内上下游温度差求得风速:当有风吹过时,上游风带走中间加热片的热量至下游,导致下游温度高于上游,根据上下游温差与风速的关系可得风速,且该设计可通过正交分解得到二维空间内任意方向的风速以及风向角。由于环境温度对风速传感器的影响最大可达27%,本文提出遗传算法优化BP神经网络算法对环境温度造成的误差进行补偿,得到的拟合曲线函数精度较高。最终在南京信息工程大学气象站通过实际测量验证了该方法的有效性。

十字正交型热温差式测风仪还有很大的提升空间。本文设计的测风仪为十字型阵列,采用四个对称分布的PT100温度传感器,在今后的研究中,可探索正方形、圆形等其他形状阵列的测风仪,测量的效果可能更佳。另外,本文提出遗传算法优化BP神经网络算法对环境温度造成的误差进行补偿,可尝试其他算法对误差补偿,进一步提高测量精度。