基于改进的BP神经网络的参数在线测量方法

李迅波，钟 莉，张晓莲，刘多涛，涂福明，蔡汉斌，于文杰

(1.电子科技大学机械电子工程学院，四川成都 611731；2.宜宾五粮液股份有限公司，四川宜宾 644007)

0 引言

参数的在线测量是工业物联网系统对数据感知的基本环节，如何准确实时地感知生产过程的工艺参数，是系统反馈调节关键所在。然而随着生产过程的复杂化及工艺参数的多样化，物联网系统对于过程参数的实时感知仍然存在一定挑战。文献[1]从硬件角度给出几种常用的参数在线测量方法，并未研究参数测量时间对系统实时性的影响。文献[2]深入研究工业物联网数据采集过程的多态性、动态异质性、相关性、实时性等问题，提出了信息融合、特征融合几个理论上的思考方向，可行性有待考证。文献[3-4]从理论上研究了传统BP神经网络算法的结构及不足，并未说明在实际应用中的效果。

为了缩短参数在线测量时间，提升物联网系统的反馈调节速度，本文将人工智能算法与实际参数测量方式结合，提出一种基于改进的BP神经网络的参数测量方法。以实际的制曲工艺水分在线测量为例，将该方法应用于小麦水分预测，通过仿真实验验证了该方法的准确性。

1 BP神经网络基本原理及改进

1.1 BP神经网络基本原理

BP神经网络是一种按误差反向传播的多层前馈神经网络。该神经网络结构由输入层、隐含层、输出层组成。神经网络的每一层由各个神经元节点组成，每个神经元节点都与上一层所有节点相连。上一层的输出数据为下一层的输入数据，如图1所示神经网络，原始输入数据通过隐含层计算得到输出层的输入数据，然后通过输出层计算得到输出数据[5]。

图1 神经网络结构图

在图1中，输入向量X=(X1,X2,…,XP)T，对于任意n维训练样本Xr=(x1,x2,…,xi,…,xn)T，隐含层输出向量为θ=(θ1,θ2,…,θj,…,θp)T，输出层向量Y=(y1,y2,…,yk,…,yr)T，期望输出向量为D=(d1,d2,…,dk,…,dr)T。输入层到隐含层的权重记为wij，隐含层到输出层权重记为wjk。神经网络数据训练核心在于误差反向传播过程，其目的是调整权值，使误差不断减小，传统的BP神经网络调整原则是最速下降法，该方法沿着权值的负梯度方向进行调整，即

(1)

式中：outputk为网络输出值；η为学习效率，为给定的常数，范围0<η<1。

根据式(1)所求得权值的变化量，可得权值的更新值公式如下：

wjk(n+1)=Δwjk+wjk(n)

(2)

求出各层新的权值后转向正向传播过程。

1.2 BP神经网络的改进

通过上述原理介绍可知，传统的BP神经网络存在2个缺点。首先，采用梯度下降法来寻找最小值点，如果函数不是单调的，则容易陷入局部最优；其次，神经网络的收敛速度由学习效率和激励函数导数大小决定，学习效率一般定为一个常数值，如果取得过大容易出现不收敛的情况，较小则会出现收敛速度较慢。针对上述神经网络出现的不足，采用增加动量项和自适应学习效率的方式进行调整[6]。

1.2.1 增加动量项

增加动量项的调整公式如下：

Δwjk(n+1)=αΔwjk(n)+ηδj(n)yj(n),0<α<1

(3)

式中α为动量因子。

其原理是通过上一次权值的变化趋势来动态改变当前权值的更新速度。同时增加动量项也增加网络学习的稳定性，使得网络可以屏蔽掉一些不确定因素。

1.2.2 自适应改变学习效率

对于某一特定问题，采用恰当的学习效率比较困难。凭借经验获取训练效果并不理想，为了解决这一问题，在神经网络训练的过程中引入自适应学习效率的方法。学习效率调整公式如式(4)所示，每次循环中，检查权值是否降低了误差函数，如果降低了，说明学习效率选择偏小，可以适当增加。反之，产生过调，那么需要适当降低学习效率。具体调整公式如下：

(4)

通过学习效率的自适应调整可以加快网络收敛速度，缩短网络训练时间。

2 基于改进的BP神经网络参数测量方法

在基于工业物联网构建的智能制造系统中，对于工艺参数的快速、实时感知，是系统设计的首要要求。对于像温度、湿度、压力等参数的获取，可以基本满足实时性的要求。然而，在实际生产过程中，部分参数测量(例如制曲工艺中小麦在线水分测量)，需要较长时间。对于这类参数，物理规律决定难以通过改善硬件来加快测量时间，也就不能及时地通过参数的状态进行反馈控制，对产品质量造成一定影响。因此，考虑采用神经网络建立参数预测模型来通过短时间的测量过程预测最终的测量结果，属于连续时间序列的趋势预测。本文以制曲工艺中小麦水分测量为例，采用上述改进的BP神经网络算法，对采集的水分历史测量数据进行训练，构建基于BP神经网络的参数预测模型，对实际测量中水分最终结果进行预测，来缩短水分测量时间。

2.1 BP神经网络模型建立

在制曲工艺中的小麦水分测量中，采用的仪器通常为小麦快速水分测定仪，原理是利用烘箱原理，对小麦进行烘干测量失重的方式来计算含水量。整个测量周期较长，约为22 min。然而润料罐小麦流速为20 min/罐，所以水分测量完成后，水分不达标的小麦已经流走，无法进行快速调整。建立小麦水分测量的BP神经网络，期望通过5 min的测量预测最终的测量结果，建立神经网络结构如图2所示。

图2 水分预测的BP神经网络结构

神经网络为输入层、隐含层、输出层3层标准结构，输入层节点为6个，分别为测量过程1、2、3、4、5 min的水分实测值及测试样品质量。综合随机试验结果，隐含层节点设为8个。输出层节点设为1个，为最终预测水分。

2.2 基于BP神经网络的参数预测模型

通过建立的神经网络模型来构建参数预测数学模型如下:

f(xi,m)=net(x1,x2,x3,x4,x5,m)

(5)

式中f(xi,m)为最终预测水分；变量x1,x2,x3,x4,x5,m为前5 min水分测量值及样品质量；net为训练完成的网络结构。

通过历史数据训练完成BP神经网络后，实际测量过程只需要导入前5 min数据及样品质量，预测模型即可得到最终水分值。具体算法训练和预测流程图3所示。

图3 参数预测流程图

通过神经网络预测模型流程图可知，该方法对于解决工业物联网部分参数测量时间这一类问题具有一定的普适性，通过对历史测量数据的前期训练得到优化完成的网络结构，然后输入前期测量值，可以预测最终测量值。在该模型的基础上，通过定期测量来判断预测值的精度，一旦预测值与实测值偏差较大，说明网络需要重新优化，然后导入最新的历史数据进行数据训练。从参数测量、数据训练、数据预测然后再训练的过程可以集成在一个物联网系统的服务端，通过服务端的数据分析平台自动化完成数据训练集的更新训练，在线优化神经网络的权值。

3 算法仿真实验

通过上述设计的基于BP神经网络的参数测量方法，以小麦水分测量为例，进行算法仿真实验。仿真实验选择随机的50组实际测量数据作为神经网络的训练集，部分训练数据如表1所示，从训练集数据中提取出小麦前5 min实测值、小麦样品质量及最终水分测量值。

表1 部分训练集数据

如表1所示，列出部分训练集数据，经过训练集数据训练后得到在误差范围内的正向传播网络，随机选择10组实测数据作为数据测试集，测试集数据的算法仿真结果如表2所示。

表2 测试集数据算法预测结果对比

由表2得出预测值与实测值的误差对比曲线如图4所示。基于改进的BP神经网络的预测值与实测值得偏差基本均在0.3以下，而实际生产中在0.5范围内的误差均可接受。由此可知，基于改进的BP神经网络的参数在线测量方法可以满足实际测量的要求。经过神经网络优化后的测量方法与原始测量方法相比，测量时间大大缩短，只需要5 min便可以较为准确地预测最终结果，并且满足测量要求。

该方法可以适用于大多数连续时间序列的参数测量并不局限于本文提到的水分测量，通过对历史测量数据的训练构造网络模型，然后，输入前期测量值即可输出最终值。将该算法模型集成于物联网系统服务端，可以实现数据自动组网上传、数据训练、数据预测的一系列自动化操作。通过定期进行实测计算模型预测误差，一旦误差超过阈值，可自动导入最新数据进行网络权值重新调整。

图4 预测值与实测值对比

4 结束语

本文将改进的BP神经网络应用于工业物联网参数在线测量中，提出了基于BP神经网络的参数在线测量方法，该方法通过大量数据训练来完成参数测量过程的短时间预测，通过仿真实验证明，该方法对于连续时间序列的参数测量预测精度较高，可以很大程度地缩短参数在线测量时间，提升系统反馈调整的速率。基于人工智能算法优化的在线测量方法，是未来智能制造发展的一个方向，将算法更好地与系统集成，达到自动化数据采集、训练、预测的效果，是下一步工作的开展方向。