基于自适应深度置信网络的压力变送器温度补偿方法研究OA北大核心CHSSCD

随着压力变送器检测技术和人工智能技术的不断发展,在航空航天、石化、核电等领域人们对压力变送器的稳定性、实时性、测量精度等方面有了更严格的要求。而工作环境的温度会对设备精度造成巨大影响,导致变送器测量值出现偏移。针对此问题,本文提出了基于自适应深度置信网络的高精度压力变送器温度补偿方法。深度置信网络(Deep Belief Networks,DBN)在无监督学习阶段提取数据的特征,然后在有监督阶段使用少量的数据对网络参数进行微调;利用白鲸优化算法(Beluga Whale Optimization,BWO)在全局搜索和局部寻优之间达到平衡,有效地提高DBN网络的优化效果;引入Metropolis准则和适应度平衡因子,进一步提高算法的全局寻优能力以及模型收敛速度。实验拟合后的数据精度可达0.0048%,远高于现有的最高标准0.05级。经过一系列对比分析,验证了补偿算法的准确性和实用性。