电气类“自动检测与智能仪表技术”课程教学改革

王博

[摘 要] 自动检测与智能仪表是未来检测技术的主要发展方向，对培养学生解决实际工业过程中的检测问题起到了积极的作用，同时也对教师实际教学工作提出了更高的要求和新的挑战。在分析电气类专业“自动检测与智能仪表技术”课程传统内容的基础上，阐述在课程中引入人工智能检测技术的最新内容，将智能信息处理方法和软测量技术应用于自动检测与智能仪表。教学实践表明，改革后的自动检测与智能仪表技术课程的教学效果良好。

[关键词] 自动检测;智能仪表;人工智能检测

一、引言

随着传感器技术和检测技术的迅速发展[1，2]，各种新型传感器和智能检测技术不断涌现，传统的“自动检测与智能仪表技术”课程中所讲授内容已经落伍陈旧，跟不上现代智能检测技术发展的步伐[3，4]。电气工程专业秉承“以学生为中心”的课堂教学理念，为了使课程适应时代的需要和智能检测技术的发展，使学生能够更为深入了解智能检测新技术，针对专业核心课程“自动检测与智能仪表技术”进行改革和创新。

二、热电偶温度传感器非线性动态补偿

热电偶传感器根据导体或半导体材料的热电效应原理进行温度测量，即根据不同的测量温度输出不同的热电势，其输出与输入温度之间呈非线性关系E=f（t）（t为热电偶的输入，即测量温度;E为热电偶的输出），由于非线性函数f（t）会造成测量结果存在一定的非线性测量误差，为消除这一非线性误差，一般在E后串联一个非线性补偿环节F（·），使得Y=F（E）=f■（t）=t，补偿后的输出Y与实际测量温度t保持一致，使得热电偶传感器具有理想线性特征，非线性误差得到有效减小。目前常用的传感器动态补偿方法一般有查表法、曲线拟合法和硬件电路补偿法等，但这些方法难以做到全过程动态补偿，且非线性补偿精度也不高，实际应用过程中受到很大限制。支持向量机是建立在统计学习理论和结构风险最小原理基础上的一种新型机器学习方法，它克服了传统补经网络方法容易陷入局部极小、过拟合等缺点，具备更好的拟合能力和泛化能力，可以有效解决有限样本情况下的传感器非线性动态补偿问题。针对非线线补偿环节f（·）难以直接准确求出这一问题，课堂讲授传感器非线性动态补偿这一知识点时，增加了“热电偶温度传感器非线性动态补偿”这一教学环节，主要讲授如何利用人工智能方法（以支持向量机为例）对热电偶传感器进行非线性动态补偿。首先详细讲解支持向量机理论的基本原理和算法，如支持向量机回归补偿器的结构、支持向量机算法、惩罚系数C与核函数的选取方法等，使学生对支持向量机方法有一个基本认知;然后基于训练样本集（E■，Y■），讲授如何应用Matlab的支持向量机工具箱设计和训练支持向量机模块，使学生了解应用Matlab工具箱训练支持向量机的完整流程，使他们不仅知其然，还要知其所以然;最后讲授如何将支持向量机补偿环节串联在热电偶温度传感器之后构建非线性误差补偿系统，使学生对基于支持向量机的传感器非线性动态补偿方法有一个基本理解。

三、软传感器智能检测系统设计

针对实际生产装置中某些关键过程变量难以直接通过物理传感器直接测量的问题，如精馏塔的产品组分浓度，微生物液发酵过程的菌体深度，化学反应器的反应物浓度及产品分布等，课堂讲授智能检测系统设计知识点时，在教学过程增加“软传感器智能检测系统设计”这一教学环节，主要讲授如何利用人工智能方法实现微生物液态发酵过程关键过程变量软测量。首先，给学生讲解微生物液态发酵过程的工艺机理和生产流程，使学生了解微生物发酵过程有哪些输入变量（环境参量）和输出变量（不直接可测过程变量菌体浓度、基质浓度和产物浓度）;其次，给学生详细讲解了软测量技术的基本概念、数学描述、结构分类等相关知识点。使学生掌握软测量技术的基本原理和基本方法，了解较前沿的软测量应用技术，能从智能检测系统整体出发考虑如何应用软测量设计方法完成复杂难测过程变量的在线检测。在前期理论授课的基础上，最后给学生讲解软传感器智能检测系统设计原理及方案，使学生建立现代智能检测系统概念，学习领会自动检测与智能仪表基本工作原理、主要技术和设计方法，能够结合实际测量仪表开展系统设计。课堂讲授的智能检测系统主要包括输入变量获取、数据预处理、关键过程变量软测量和结果输出等环节。输入变量获取时，由于微生物发酵过程中各输入变量为具有不同特征的非电变量，在进行系统设计过程中，首先要通过各种物理传感器—变送器电路将其转换成电信号，然后通过A/D转换电路将输入变量转化为数字信号;考虑到数字化后的电信号由于外界随机因素的影响，不可避免地存在干扰和噪音信号，因此系统设计过程中要通过预处理模块（数字滤波方法）滤除数据采集过程中的干扰和噪音;预处理后的输入信号送入检测系统，通过内嵌到LabVIEW软件平台中的人工智能方法实现关键过程变量软测量，最后输出关键过程变量。智能检测系统中，构建好的软测量模型通过MATLAB软件的人工智能工具箱进行训练，然后在LabVIEW软件平台中通过MATLABScript节点来实现，只要在检测系统中键入相应MATLAB程序，就能实现关键过程变量的实时预测输出。

四、教学改革成效

由于我校电气工程及其自动化专业的学生前期已经学习过大学物理、电路原理、数字电子技术、模拟电子技术、自动控制原理等相关课程，具备自动检测技术、传感器技术以及计算机软、硬件设计的基础，因此，在学习人工智能相关知识、掌握人工智能相关技术方面具有很大的优势。在课堂授课过程中，学生对原有课程内容中引入的人工智能检测技术表现出了很大的兴趣，很快就掌握了人工智能方法的基础知识和基本方法以及软测量技术的基本原理和方法，并在实验室实验平台上实现了上述教学环节的教学目标。自主能力比较好的学生，还做到了举一反三，运用人工智能方法和软测量技术，对复杂工业过程中的某些关键过程變量进行了软测量建模，并得到了良好的预测效果。

五、结语

根据工业自动化技术特点，以及传感器技术和检测技术发展趋势，在分析我校电气工程及其自动化专业自动检测与智能仪表技术常规课程内容的基础上，本文阐述在自动检测与智能仪表技术课程中加入人工智能检测技术的相关内容，将人工智能方法和软测量技术用于自动检测与智能仪表技术的教学实践。通过对2017届、2018届电气工程及其自动化专业学生的教学实践，在自动检测与智能仪表技术的课程教学中融入人工智能检测技术的相关知识，教学取得了良好的效果，使学生掌握了人工智能检测技术的最新理论和方法，促进了学生对智能仪表及其理论与设计的进一步认识，大幅提高了学生的动手实践能力和创新能力。

参考文献

[1]李军.检测技术及仪表[M].北京：中国轻工业出版社，2002.

[2]李邓化，高晶敏.自动化专业智能检测技术及仪表课程教学改革[J].计算机教育，2010（15）：123-126.

[3]郁有文.传感器原理及工程应用[M].西安：西安电子科技大学出版社，2002.

[4]李邓化，许晓飞.智能传感与检测技术课程教学改革探讨[J].计算机教育，2012（18）：96-99.