第 11 章 传感检测新技术

11.1 智能传感器11.2 传感器数据融合技术11.3 软测量技术11.4 虚拟仪器11.5 网络化检测仪器

当前，传感器技术的主要发展方向 :

1. 开展基础研究，发现新现象、新材料和新加工工艺，开发新型传感器；2. 实现传感器的集成化与多功能化；3. 实现传感器智能化；4. 研究生物器官，开发仿生传感器。

检测技术的发展方向 :

数据融合技术软测量技术虚拟仪器网络化检测技术等。

本章以智能传感器、数据融合技术、软测量技术、虚拟仪器和网络化检测仪器为例讲述传感检测技术的发展。

11.1 智能传感器11.1.1 智能传感器的概念

传感器在经历了模拟量信息处理和数字量变换这两个阶段后，正朝着智能化、集成化、小型化方向发展。利用微处理器技术使传感器智能化是 20 世纪 80 年代新型传感器的一大进展，通常称之为智能传感器（ Intellingent Sensor ）。在美国还有一个通俗的名称 Smart Sensor ，含有聪明、伶俐、精明能干的意思。 什么是智能传感器，至今尚无公认的科学定义，很多人认为智能传感器是将“传感器与微型计算机组装在一块芯片上的装置”，或者认为智能传感器是将“一个或数个敏感元件和信号处理器集成在同一块硅或砷化镓芯片上的装置”。显然，这种定义不够全面。 智能传感器这一名称虽然至今未有确切的定义，但从字面上看，意指这种传感器具有一定人工智能，即使用电路代替一部分脑力劳动。近年来，传感器越来越多地和微处理器相结合，使传感器不仅有视、嗅、味和听觉的功能，还具有存储、思维、逻辑判断、数据处理、自适应等功能。智能传感器内既有传感元件、又有信号预处理电路和微处理器，

其输出方式可以是通信线 RS-232或 ES-422 串行输出，也可以是 IEEE-488 标

准总线的并行输出。智能传感器是一个微机小系统，其中作为系统“大脑”的微处理器一般是单片机。无论何种智能传感器，都可以用图 11.1

的框图来表示。 根据以上对智能传感器的认识，对它比较科学的定义是：将传感器与微型计算机集成在一块芯片上，并具有“感知”和“认知”被测量的功能，把传感技术和信息处理技术进行完美结合的装置。

传

感

器

被测量 预 处 理 数据采集

A/D

输入接口控制

输入接口

传感器输出信号

计算机接口

计 算 机

图 11.1 智能传感器的组成框图

11.1.2 智能传感器的功能和特点1. 智能传感器的主要功能是： (1) 具有自校零、自标定、自校正功能； (2) 具有自动补偿功能； (3) 能够自动采集数据，并对数据进行预处理； (4) 能够自动进行检验、自选量程、自寻故障等； (5) 具有数据存储、记忆与信息处理功能； (6) 具有双向通信、标准化数字输出或者符号输出功能； (7) 具有判断、决策处理功能。 2. 智能传感器的特点是： (1) 高精度； (2) 高可靠性与高稳定性 ； (3) 高信噪比与高分辨力； (4) 较强的自适应性； (5) 性价比高；

11.1.3 传感器智能化的技术途径1. 传感器和信号处理装置的功能集成化是实现传感器智能化

的主要技术途径 集成或混合集成传感器是以硅作为基本材料，采用微机械加工技术和大规模

集成电路工艺技术制作敏感元件、信号调理电路、微处理器单元，并把它们集成在一块芯片上构成，利用驻留在集成体内的软件，实现对测量过程的控制、逻辑判断和数据处理以及信息传输等功能，构成集成智能传感器（ Integrated Smart/Intelligent Sensor ）。这类传感器具有小型化、性能可靠、可批量生产、价格便宜等优点，因而被认为是智能传感器的主要发展方向。

2. 基于新的检测原理和结构，实现信号处理智能化是传感器智能化的重要技术途径

采用新的检测原理，通过微机械精细加工工艺和纳米技术设计新型结构，使之 能真实地反映被测对象的完整信息，这也是传感器智能化的重要技术途径之一。现在已经成功研究的多振动智能传感器就是利用这种方式实现传感器智能化的。

3. 研制人工智能材料是实现智能传感器以及实现人工智能的最新手段和最新学科

人工智能材料 AIM（ Artificial Intelligent Materials ）的研究是当今世界上的高新技术领域中的一个研究热点，也是全世界有关科学家和工程技术人员主要的研究课题。人工智能材料是继天然材料、人造材料、精细材料后的第四代功能材料。它有三个基本特征：能感知环境条件的变化（普通传感器的功能），进行自我判断（处理器的功能）以及发出指令和自行采取行动（执行器的功能）。

11.1.4 智能传感器的应用1. 由智能温度传感器构成的温度测控系统

由 DS18B20 型智能温度传感器和 80C31 单片机构成的温度测控系统的电路图如图 11.2所示。该系统采用 6 片 DS18B20 同时测控 6 路温度，另外使用一片 DS18B20专门监测机内 μP 的温度。

+5V稳压电源（ 7805 ）

电磁干扰滤波器

220V50Hz 电源

主机μP

（ 80C31 ）

看门狗电路（ NE555 ）

六路固态继电器（ SSR1~ SSR6 ）

单线数字温度计（ DS18B20×7 ）

达林顿驱动器（MC1413 ）

上电复位和手动复位 电 路 （ CD4069） 6

4×5键盘

9 位共阴极 LED 显 示器

位译码驱动器（ 74LS145 ）

地址锁存器（ 74LS373 ）

段译码驱动器（ 74LS245 ）

ROM（ 2732 ）

RAM（ 6264 ）

可编程键盘及显示器接口（ 8279 ）

图 11.2 由智能温度传感器构成温度测控系统的电路框图

2. 分布式光纤温度传感器系统 分布式光纤温度传感器系统是一种能实时测量空间温度场的高新科

技产品。它能连续测量光纤沿线所在处的温度，信号传输距离可达几千米，空间定位精度为 1m 。它具有精度高、数据传输速度快、自适应能力强等优点，可取代传统的电缆式温感火灾探测系统。最近，我国自行开发的分布式光纤温度传感器系统采用先进的半导体激光技术、光纤光学滤波技术、高速光电转换和信号采集技术。其测量原理是在给光纤注入一定能量和宽度的激光脉冲时，它就在传输的同时不断产生后向散射光波。这些后向散射光波的状态与所在光纤散射点的温度有关，将散射回来的光波经过波分复用、检测、解调后，再进行信号处理便可获得温度信号，最终显示出实时温度值。

11.1.5 智能传感器的发展前景 人工智能材料和智能传感器，最近几年以及今后若干年的时间内，仍然是世人瞩目的一门学科。虽然，在人工智能材料及智能器件的研究方面已向前迈进了重要一步。但是，目前人们还不能随意地设计和制造人造思维系统，还只处在实验室开拓研究的初级阶段。今后人工智能材料和智能传感器的研究内容主要集中在如下几个方面：（ 1 ）利用微电子学，使传感器和微处理器结合在一起实现各种功能的单片智能传感器，仍然是智能传感器的主要发展方向之一。 （ 2 ）微结构（智能结构）是今后智能传感器的重要发展方向之一。（ 3 ）利用生物工艺和纳米技术研制传感器功能材料，以此技术为基础研制分子和原子生物传感器是一门新兴学科，是 21 世纪的超前技术。 （ 4 ）完善智能器件原理和智能材料的设计方法，也将是今后几十年极其重要的课题。

11.2 传感器数据融合技术 随着智能检测系统的飞速发展，多传感器系统在工业与民用

方面得到了广泛应用。如何把多种传感器集中于一个检测控制系统，综合利用来自多传感器的信息，获得对被测对象一致性的可靠了解和解释，以利于系统作出正确的响应、决策和控制，成为智能检测控制系统中亟待解决的问题。数据融合作为消除系统不确定因素、提供准确观测结果与新的观测信息的智能化处理技术可以作为智能检测系统、智能控制系统的一个基本组成部分，因此数据融合可直接用于检测、控制、态势评估和决策过程。

11.2.1 数据融合的基本内容1. 数据融合的基本原理和目的 多传感器数据融合的基本原理就象人脑综合处理信息

一样，充分利用多个传感器资源，通过对多传感器及其观测信息的合理支配和使用，把多传感器在空间或时间上可冗余或互补的信息，依据某种准则来进行组合，以获得被测对象的一致性解释或描述。

数据融合的目的是通过数据组合而不是出现在输入信息中的任何个别元素，推导出更多的信息，得到最佳协同作用的结果，即利用多个传感器共同或联合操作的优势，提高传感器系统的有效性，消除单个或少量传感器的局限性。

2. 数据融合的定义 由于传感器数据融合技术在诸多领域获得了普遍关注和广泛应

用，“融合”一词几乎无限制地被众多应用领域所引用。对于这样一个具有广泛应用领域的概念，很难为数据融合给出一个统一的定义。目前的数据融合是针对一个系统中使用多种传感器 (多个或多类 )这一特定问题而进行的新的信息处理方法，因此，数据融合又称作多传感器信息融合。

数据融合比较确切的定义可概括为：充分利用不同时间与空间的多传感器信息资源，采用计算机技术对按时序获得的多传感器观测信息在一定准则下加以自动分析、综合、支配和使用，获得对被测对象的一致性解释与描述，以完成所需的决策和估计任务，使系统获得比它的各组成部分更优越的性能 .

因此，多传感器系统是数据融合的硬件基础，多源信息是数据融合的加工对象，协调优化和综合处理是数据融合的核心。

3. 数据融合的时间性和空间性 分布在不同空间位置上的多传感器在对运动目标进行观测时，各传感器不同时间的

和不同空间的观测值将不同，从而形成一个观测值集合。例如 s个传感器在 n个时刻观测同一个目标可以有 s×n 个观测值，其集合 Z 为

Z={Zj} (j=1, 2,…, s)

Zj ={Zj(k)} (k=1,2,…, n) (11-1)

式中， Zj 为第 j号传感器的观测值的集合， Zj(k) 为第 j号传感器在 k时刻的观测值。对于目标运动状态的观测，存在数据融合的时间性与空间性问题。（ 1 ）数据融合的时间性 数据融合的时间性表示按时间先后对观测目标在不同时间的观测值进行融合。利用单传感器在不同时间的观测结果进行数据融合时，要考虑数据融合的时间性。（ 2 ）数据融合的空间性 数据融合的空间性表示对同一时刻不同空间位置的多传感器观测值进行数据融合。利用多传感器在同一时刻的观测结果进行数据融合时，要考虑数据融合的空间性。

实际应用中，为获得观测目标的准确状态，往往需要同时考虑数据融合的时间性与空间性。具体情况有：1)先对每个传感器在不同时间的观测值进行融合，得出每个传感器对目标状态的估计，然后将各个传感器的估计进行空间融合，从而得到目标状态的最终估计。2)先对同一时间不同空间位置的各传感器的观测值进行融合，得出各个不同时间的观测目标估计，然后对不同时间的观测目标估计按时间顺序进行融合，得出最终状态。3) 同时考虑数据融合的时间性与空间性，即上述 (a)、 (b) 同时进

行，这样可以减少信息损失，提高数据融合系统的实时性。但同时进行的难度大，只适合于大型多计算机的数据融合系统。

11.2.2 数据融合的体系结构 1. 数据融合的结构形式 数据融合的结构有串联、并联和混合融合三种形式： 串联融合时，当前传感器要接收前一组传感器的输出结果，每个传

感器既有接收信息处理信息的功能，又有信息融合的功能。各传感器的处理同前一级传感器输出的信息形式有很大关系。最后一个传感器综合了所有前级传感器输出的信息，得到的输出将作为串联融合系统的结论。因此，串联融合时，前级传感器的输出对后级传感器输出的影响大。

并联融合时，各个传感器直接将各自的输出信息传输到传感器融合中心，传感器之间没有影响，融合中心对各信息按适当方法综合处理后，输出最终结果。因此，并联融合时，各传感器的输出之间不存在影响。

混合融合方式是串联融合和并联融合两种方式的结合，或总体串联，局部并联；或总体并联，局部串联。

2. 数据融合的层次 数据融合可分为三个层次：像素级融合、特征级融合和决策级融合 :（ 1 ）像素级融合 直接在采集到的原始数据层上进行的融合为像素级融合。这种融合在各种传感器的原始观测信息未经预处理之前就进行数据综合分析，是最低层次的融合。（ 2 ）特征级融合 先对来自传感器的原始信息进行特征提取 (特征可以是被观测对象的各种物理量 )，然后对特征信息进行综合分析和处理，这样的数据融合即为特征级融合。特征级融合属于中间层次，其融合过程为：首先提取像素信息的表示量或统计量，即提取特征信息，然后按特征信息对多传感器数据进行分类、综合和分析。（ 3 ）决策级融合 决策级融合是一种高层次融合，其结果为检测、控制、指挥、决策提供依据。决策级融合从具体决策问题出发，充分利用特征级融合的最终结果，直接针对具体决策目标，融合结果直接影响决策水平。

11.2.3 数据融合的方法 尽管多传感器数据融合至今尚未形成基本的理论框架和有效的广义融合模型及算法，但不少应用领域的研究人员根据各自的具体应用背景，已经提出了许多比较成熟且有效的融合方法，下面介绍部分数据融合方法。 1. 数据融合方法简介 作为一种智能化数据综合处理技术，数据融合是许多传统学科 和新技术的集成与应用。表 11.1归纳了常用的一些数据融合方法。

表 11.1 常用的数据融合方法

2. 基于 Bayes参数估计的数据融合 若检测信号是符合正态分布的随机信号，则采用参数估计的方法比较合适。智能检测系统的多传感器观测数据大多是在随机扰动的环境中同一特征的测量值，因此，首先应在理论上建立基于 Bayes参数估计的多传感器数据融合算法，得出数据融合公式，然后对剔除了误差的一致性观测数据进行融合计算。 设在某一时刻被测样品的状态为 x ，传感器的测量值为 y ，则该传感器的测模型是 y=f(x)+v (11-2)式中， f(x)为 y与 x 的函数关系； v 为随机扰动。 智能检测系统中的数据融合，就是由 N( 有限 ) 个传感器得到的测量值 y1 、y2、…、 yN ，按照某种估计准则函数，从 y1、 y2、…、 yN 中估计出状态 x 的

真实值。 对于智能检测系统中单个传感器 S1 的测量结果，设其测量值为 y ，状态 x 的估计值为，并定义 L[,x] 为损失函数，根据 Bayes估计，相应的风险表达式为 (11-3)式中， P(y) 为检测数据的分布概率； P(x|y) 为状态 x 的后验概率。

取风险最小的估计准则，必须使 (11-4)才能获得状态的估计值。由 (11-3) 式可见，对应不同的 L[,x] ，将得到不同的估计结果。常用的 L[,x]

有以下三种形式： (11-5)式中， A 是正定权矩阵。 (11-6) (11-7)

式中， ε 为任意小的正数。相应的状态最优估计值分别是：后验均值估计： (11-8)

后验中位数估计： (11-9) 最大后验估计： (11-10) 在系统中加入另一个独立的传感器 S2 ，其测量值为 y2 。将原有

的传感器的测量值记为 y1 ，则基于 y = (y1 y2)寻求到的最优估计即为数据融合后的值。显然，在这种抽象水平上，与的估计算法是一致的。因此，基于 (11-7) 式定义的损失函数的状态最优估计为

(11-11) 如果系统中有 N 个独立的传感器 S1, S2, …, SN ，类似地，可得到

基于 (11-7) 式定义的损失函数的 N 个传感器的测量数据的融合值为 (11-12) 至此，多传感器融合就转化为如何得到状态 x 的后验概率 P(x|y)

的问题，并找到相应的最大后验估计值。

根据 Bayes 定理有 (11-13)

可以认为 N 个独立的传感器的测量值是统计独立的，即 (11-14)

由 (11-13)、 (11-14) 式及 Bayes 定理有 (11-15)

式中， 和 均与 x 无关，可视为归一化因子，在求最大后验估计时可不予考虑。因而 (11-12) 式可变为

(11-16)

式中， P(x|yi) 为得到传感器检测量 yi 后，对状态 x 的后验概率估计。

3. 基于 D—S证据推理的数据融合 D—S(Dempster-Shafer)证据推理是贝叶斯推理的扩充，在多传感器目标识别、军事指挥和控制等方面得到了广泛的应用。(1) D—S 方法的推理结构 一个完整的推理系统需要用几个不同推理级来保持精确的可信度。 D—S 方法的推理结构自上而下分为三级，如图 11.3所示。 第一级为目标合成，其作用是把来自几个独立传感器的观测结果合成为一个总的输出结果 (ID) 。 第二级为推断，其作用是获取传感器的观测结果并进行推断，将传感器的观测结果扩展成为目标报告。这种推理的基础是：一定的传感器观测结果以某种可信度在逻辑上定会产生可信的某些目标观测结果。 第三级为更新。由于传感器存在随机误差，在时间上充分独立的来自同一传感器的一组连续报告，比任何单一报告都可靠。因此，在进行推断和多传感器合成之前要先组合 (更新 ) 传感器的观测信息。(2) D—S证据推理原理 D—S证据推理的三个要点是基本概率赋值函数 m 、信任函数Bel(A) 和似然函数 Pls(A) 。

1) 基本概率赋值函数 m设 Θ 是一个鉴别框架，则函数 m： Θ2→ [0,1] 称为基本概率赋值函

数，且满足 m(Θ)=0 (11-17) ∑m(A)=1 AΘ (11-18)2) 信任函数若 Θ 是一个鉴别框架，则函数 Bel： 2Θ→[0,1] 是信任函数，且满足 Bel(Φ)=0 (11-19) Bel(Θ)=1 (11-20)对每个正整数 n与 Θ 的子集 A1， A2，…， An ，有 (11-21)信任函数与基本概率赋值函数的关系如下 (11-22)(11-22) 式表示，在证据推理中，赋予 A 的可信度中，一部分是赋予

A 的某些子集的，其余部分是确切赋予 A 的。

3)似然函数似然函数定义为 (11-23)

信任函数 Bel(A) 表示集合 A 信任度的下界，似然函数 Pls(A) 表示集合 A 信任度的上界。

(3) D—S证据推理的应用在多传感器数据融合中，应用 D—S推理的基本过程如图 11.4所示。 D—S推理过程包括三步：

1) 计算各个证据的基本概率赋值函数 mi 、信任函数 Beli 和似然函数 Plsi 。2)用 D—S 组合规则计算所有证据联合作用下的基本概率赋值函数、信任函数和似然函数。

3) 根据一定的决策规则，选择联合作用下支持度最大的假设。

11.2.4 多传感器数据融合技术的应用举例1. 热处理炉温度测控系统的数据融合 热处理炉温度测量系统原理框图如图 11.5所示。热处理炉各温区的典型位

置均设有测温传感器 (每个温区有 8个 ) ，属于多传感器系统。 通常，数据处理的方法是用疏忽误差剔除准则去掉含疏忽误差的数据，即得到关于被测量的一致性测量数据后，再用算术平均值作为实际温度的近似值；而热处理炉温度测量数据融合的目的是依据有限的传感器资源，消除测量中的不确定性，获得更准确、更可靠的测量结果。由于采用了数据融合处理，当系统中的某些传感器失效时，系统可以依据其他非失效传感器提供的信息，通过数据融合获知各温区的准确温度。

用 8 个温度传感器在相同时间对某恒温区单独测量，得到的数据结果如表11.2所示。

表 11.2 多传感器温度测量结果

2. 刀具切削过程中的数据融合 在机械制造领域的智能监控中， AE 信号与力信号、 AE 信号与电机功率信号、力信号

与电机电流信号、电机功率信号与主轴短时转速信号等都可以进行多种形式的数据融合。在切削加工过程中，运用基于人工神经网络的多传感器信息融合技术能够实现对刀具状态的自动化监测。（ 1 ）钻削实验表明，轴向切削力信号对刀具磨损、钻头即将打滑两种状态比较敏感，而主电机振动信号对切屑堵塞、积屑瘤、钻头即将打滑三种状态较为敏感。显然，同时采用这两种信号就能对切削刀具的多种状态进行监测，具有一定的互补性和冗余性。（ 2 ）为了适应多状态的实时监测要求，在特征级对以上两种信号进行融合处理。根据多种特征对于多种刀具状态的识别图以及特征评价指标的计算结果，提取分类性能较好的多个特征参数，作为监测的有效特征向量。（ 3 ）采用并行结构，将获得的有效特征向量输入数据融合中心。根据监测优先和少冗余特征的分析要求，运用层次化监控模型，使危险性较大的状态优先报警，同时使整个系统能快速处理。在融合算法上，利用函数链神经网络实现监督学习和无监督学习相结合，先用无监督学习模块自动识别当前的加工状态是否正常。若正常，则继续采集新的数据进行判断。否则，利用监督学习模块自动识别异常状态的类型。然后，根据这一类型自动转入相应的控制模块。 测试结果表明，所采用的智能监测技术能明显提高多种状态的识别率，而且，在一定范围内，可变加工参数的改变并不影响监测效果，使该技术具有较大的适用性。

11.3 软测量技术 软测量技术主要包括四部分的内容：（ 1 ）辅助变量的选取；（ 2 ）数据处理；（ 3 ）软测量模型的建立；（ 4 ）软测量模型的自校正及维护。

11.3.1 辅助变量的选择

辅助变量的选择非常重要，因为不可测的主导变量需要由这些辅助变量推断出来；这其中包括辅助变量的类型、数目及测点位置三个关键点。这三点是互相关联的，在实际中受到经济性、维护的难易等额外因素的制约。 对辅助变量的选择通常遵循如下原则：（ 1 ）灵敏性。能对过程输出（或不可测扰动）作出快速反应。（ 2 ）特异性。能对过程输出（或不可测扰动）之外的干扰不敏感。（ 3 ）工业适应性。工程上易于获得并达到一定的测量精度。（ 4 ）精确性。构成的估计器达到要求的精度。（ 5 ）鲁棒性。构成的估计器对模型误差不敏感。

11.3.2 测量数据的处理1. 误差处理 从现场采集的测量数据，由于受到仪表精度和测量环境的影响，一般都

不可避免地带有误差，有时甚至有严重的过失误差。如果将这些现场测量数据直接用于软测量，会导致软测量的精度降低，甚至完全失败。因此，测量数据必须经过误差处理。测量数据的误差分为随机误差、系统误差和过失误差。

2. 数据的变换 对数据的变换包括标度、转换和权函数三个方面。(1) 标度 :利用合适的因子对数据进行标度，能够改善算法的精度和稳定性。(2)转换 :通过对数据的转换，可以有效地降低非线性特性。 (3)权函数 :可实现对变量动态特性的补偿。合理使用权函数使我们有可能

用稳态模型实现对过程的动态估计。

11.3.3 软测量模型的建立 软测量建模就是设法根据某种最优原则由可测变量得到无法直接测量的主导变量的估计值。软测量模型的建立方法主要有机理建模方法和辨识建模方法两大类。 （ 1 ）机理建模方法 在全面深刻地了解生产过程的工艺机理后，就可以列出多种有关的平衡方程式，从而确定不可测的主导变量和可测的二次变量之间的数学关系，建立起用来估计主导变量的机理模型。机理模型的性能最优越，它能处理动态、静态、非线性的各种对象。但目前生产过程中仍有许多机理并不完全清楚，所以使用机理建模往往会有一定的困难。

（ 2 ）辨识建模方法1 ）动态软测量模型的间接辨识2 ）静态软测量模型的辨识——回归分析法3 ）非线性软测量模型的建立

11.3.4 软测量模型的自校正及维护 工业生产过程的对象特征由于工艺改造、原料特性变化、操作条件改变等原因都会发生变化。如果软测量模型不作修正，测量精度必然下降，因此模型采用在线自校正和不定期更新的两级学习机制。（ 1 ）在线自校正。根据对被测量参数的离线测量值（人工采样，实验室分析）与软测量中主导变量估计值之间的偏差来对模型进行在线修正，使软测量估计器能跟踪系统特性的变化，最简便的在线校正算法为常数项修正法。（ 2 ）模型更新。当对象特性发生较大变化，即使软测量估计器进行在线学习也无法保证估计值的精度时，则必须使用已积累的历史数据进行模型更新。通常要在人工干预下进行模型离线重构。 为了实现软测量模型长周期的自动更新，可以设计一个软测量估计器评价软件模块，由它自动作出需要更新模型的决策，并调用离线模块来更新模型。

11.3.5 模型实时演算的工程化实施技术 软测量是一种工程实用技术，它通过对软测量模型的在线计算给出被测量即主导变量的估计值。完成这个工作的装置称为软测量估计器或软测量仪表，对它的要求是简易性、有效性和可靠性。设计一个软测量估计器可按如下的步骤进行：（ 1 ）辅助变量的选择。 （ 2 ）现场数据采集与处理。 （ 3 ）软测量模型结构选择。 （ 4 ）模型参数的估计。 （ 5 ）软测量模型的实施。

11.3.6 软测量的工业应用 1. 软仪表在过程操作和监控方面有十分重要的作用。软仪表实现成分、物性等特殊变量的在线测量，而这些变量往往对过程评估和质量非常重要。没有仪表的时候，操作人员要主动收集温度、压力等过程信息，经过头脑中经验的综合，对生产情况进行判断和估算。

2. 软仪表对过程控制也很重要，可以构成推断控制。所谓推断控制就是利用模型由可测信息将不可测的被控输出变量推算出来，以实现反馈控制，或者将不可测的扰动推算出来，以实现前馈控制的一类控制系统。

3. 软仪表在过程优化中也有应用。这时，软测量或者为过程优化提供重要的调优变量估计，成为优化模型的一部分；或者本身就是重要的优化目标，如质量等，直接作为优化模型使用。根据不同的优化模型，按照一定的优化目标，采取相应的优化方法，在线求出最佳操作参数条件，使系统运行在最优工作点处，实现自适应优化控制。

11.4 虚拟仪器 虚拟仪器是指通过应用程序将计算机与功能器件（完成信号获取、转换和调理的专用硬件）结合起来，从而把计算机的强大运算存储和通信能力与功能硬件的测量和转换能力融为一体，形成一种多功能，高精度，可灵活组合并带有通信功能的测试技术平台。 11.4.1 系统构成

虚拟仪器一般由计算机、功能硬件模块和应用软件三大功能部件组成，它们之间通过标准总线进行数据交换，虚拟仪器的构成如图 11.7所示。

传感器

PC机、工作站

信号调理 数据采集卡

通用接口卡

VXI仪器

现场总线设备

其他计算机硬件

通用接口 GPIB 仪器

串行口仪器、PLC

图 11.7 虚拟仪器构成的基本框图

目前常用的虚拟仪器系统是经过信号调理的数据采集系统；GPIB（ General Purpose Interface Bus ，通用接口总线）仪器控制系统；VXI 仪器系统以及三者之间的任意组合。

下面重点介绍这三种系统的构成方法 : 1. 数据采集系统的构成方法 一个典型的数据采集虚拟仪器系统由信号获取、信号调理、数据采集和

数据处理四部分组成 2. GPIB 仪器控制系统的构成方法 一个典型的 GPIB 测试系统一般由一台 PC 机，一块 GPIB接口板卡和若

干台 GPIB 仪器通过标准 GPIB 电缆连接而成。在标准情况下，一块GPIB接口板卡最多可以带 14台仪器，电缆总长 20m ，对于小型测试系统这已足够了，对于大型的测试系统可利用 GPIB 的扩展技术在仪器数量和通信距离上作进一步扩展。

3. VXI 仪器控制系统的构成方 一个 VXI 仪器系统可以有三种不同的配置方法： （ 1） GPIB控制方案（ 2 ）嵌入式计算机控制方案（ 3）MXI 总线控制方案

11.4.2 软件结构 （ 1 ）输入 / 输出接口软件。存在于仪器与仪器驱动程序之间，是一个完成对仪器内部寄存器单元进行直接存取数据操作、对 VXI 总线背板与器件作测试与控制、并为仪器与仪器驱动程序提供信息传递的底层软件层，它是实现开放的、统一的虚拟仪器系统的基础与核心。

（ 2 ）仪器驱动程序。仪器驱动程序的实质是为用户提供了用于仪器操作的较抽象的操作函数集。对于仪器的操作与管理，又是通过输入 /输出软件所提供的统一基础和统一格式的函数库（ VISA ）的调用来实现的。对于应用程序设计人员来说，一旦有了仪器驱动程序，就算还不十分了解仪器的内部操作过程，也可以进行虚拟仪器系统的设计工作。

（ 3 ）应用软件开发环境。应用软件开发环境的选择，可因开发人员的喜好不同而不同，但最终都必须提供给用户界面友好、功能强大的应用程序。

11.4.3 硬件结构 虚拟仪器系统的硬件主要包括数据采集设备及各种计算机系统。1. 数据采集设备 数据采集设备主要有：传感器、采样 /保持装置、信号调理装置、A/D卡和 D/A卡、通信卡等，这些部件构成虚拟仪器测试系统的基础。

2. 计算机及附件系统 虚拟仪器系统中，必须配备计算机系统。究竟选择普通式计算机、便携式计算机、工作站、嵌入式计算机还是高性能工业控制计算机，应视具体应用而定。在此基础上，再确定计算机系统的配置，如系统主频、 CPU频率、存储容量、显卡、光盘驱动器、打印机等。

11.4.4 软件开发平台 软件是虚拟仪器的核心，而目前软件的开发平台主要有以下几种：美国国家仪器公司（ NI ）的 LabView， Lab Windows/CVI， HP公司的 VEE 等。虚拟仪器完全符合国际上流行的“硬件软件化”的发展趋势，因而也被称为“软件仪器”。

在虚拟仪器系统中，硬件仅仅是为了解决信号的输入、输出，软件才是整个系统的关键，系统所有的功能主要由软件来实现，任何一个用户都可以用修改软件的方法很方便地改变、增减系统的功能与规模。构筑自己需要的通用的或有特色的测试平台。

构成虚拟仪器的四个要素是：计算机是动力，软件是核心，传感器和信号调理板卡是关键，而标准接口和通信总线是连接各部分的桥梁。虚拟仪器的出现是仪器发展史上的一场革命，代表着仪器发展的最新方向和潮流，是信息革命的一个重要领域。

11.5 网络化检测仪器 总线式仪器、虚拟仪器等微机化仪器技术的应用，使组建集中和分布式测控系统变得更为容易。但集中测控越来越满足不了复杂远程（异地）和范围较大的测控任务的需求，为此，组建网络化的测控系统就显得非常必要。在网络化仪器环境条件下，被测对象可通过检测现场的普通仪器设备，将测得数据（信息）通过网络传输给异地的精密测量设备或高档次的微机化仪器去分析、处理；能实现测量信息的共享；可掌握网络结点处信息实时变化的趋势。此外，也可通过具有网络传输功能的仪器将数据传送至原端即现场。

11.5.1 网络测控及其特点 测控的发展进程经历了三次大的飞跃：从信号测控到信息测控；从仪表测控到智能测控；从单机测控到网络测控。网络测控是以信息处理为核心，以智能节点为基础，以信息网络为框架，将系统中所有的测控设备、管理计算机、数据库均通过信息网络联接在一起，组成一个工业测控网，形成一个信息共享的有机整体。 网络测控有以下几个主要特点：（ 1 ）实现信息共享；（ 2 ）可实现远程测控；（ 3 ）可实现最佳控制和个性化测控；（ 4 ）可以将测控和科学管理结合在一起。

11.5.2 网络测控系统的类型1. 电话网远程测控系统 测控数据以电话线 ( 有线或无线 ) 为通信媒介，以载波调制的方式进行传送。它的特点是建设速度快、投资少，但速率低、实时性差。2. RS—485 分布式测控系统 RS—485 是一种单点发多点收的串行通信的电气接口标准 (半双工、双绞线平衡传输 ) ，人们自定通信协议，利用 RS—485接口标准，建立

一主多从分布式测控系统。它的特点是简单、价廉。3. 基于现场总线技术的网络测控系统与传统测控仪表相比，基于现场总线的仪表单元具有如下优点： （ 1 ）彻底网络化 ;（ 2 ）一对多结构 ;（ 3 ）可靠性高 ; （ 4 ）操作性好 ;（ 5 ）综合功能强 ; （ 6 ）组态灵活。

4. 基于 Internet 的网络测控系统 基于 Internet 的网络测控系统中实现信号采集与控制的前端模块具有虚拟仪器不可比拟的强大功能，它不仅仅完成信号的采集和控制，在一定程度上还兼顾实施对信号的分析与传输。基于 Internet 的网络测控系统最为显著的特点是信号传输的方式发生了改变。

11.5.3 IEEE1451 通用网络化智能传感器接口标准 为了解决传感器 / 变换器与各种网络的连接问题，以 Kang Lee 为首的一些有识之士在 1993 年就开始构造一种通用智能化传感器的接口标准。在 1997 年、 1999

年先后制定了 IEEE1451.2、 IEEE1451.1 标准。此后，又对 IEEE1451.2 标准作了进

一步扩展，制定了 IEEE1451.3和 IEEE1451.4 标准。1. IEEE1451.2 标准 IEEE1451.2 标准将智能传感器定义为智能变换器中的传感器，而把智能变换器

定义为能正确反映所获得的感应量或控制量并且能在网络环境中使用的一种变换器。

2. IEEE1451.1 标准 IEEE1451.1 标准定义了一个由数据和数据发送到网络的模型。使传感器接口与

网络适配器相连，它使用了面向对象的模型定义提供给智能传感器及其组件。

3. IEEE1451.3 标准 IEEE1451.3 标准（用于分布式多点系统的数字通信和 TEDS格式）规定了用于

将多个传感器短期连接到 STIM和 NCAP 上的高速、多点数字总线 4. IEEE1451.4 标准 IEEE1451.4 标准（混合工作方式通信和 TEDS格式）描述了用于经常规模拟布

线与智能传感器相连的混合工作方式传感器的双向通信协议。