CN101865710B - 一种负压气体的流量测量方法 - Google Patents

Abstract

本发明一种负压气体的流量测量方法，该方法有四大步骤：步骤一：得到流经调节阀的流量的综合表达式Q＝f(P₁，P₂，T，O)；步骤二：建立流量标定系统；步骤三：开展流量标定实验，取得流量与4个变量的有效样本数据；步骤四：基于实验数据针对神经网络进行训练；确定连接各层的权值及各个神经元的阈值即可得到流量Q与阀前压力P₁，阀后压力P₂，阀门开度O，气流温度T与的关系表达式，从而实现对负压状态下的流量测量。本发明构思科学，经济节能实用，为现阶段深度负压状态流量测量手段近乎完全缺失的状况，提供了一条确实可靠的途径。

Description

一种负压气体的流量测量方法

技术领域

本发明涉及一种负压气体的流量测量方法。该方法能实现对负压状态(绝压小于100kPa)下气体流量的标定与测量。属于气体流量测量技术领域。

背景技术

负压气体流量测量常见于需要负压气流的过程，如环境模拟器中大气环境的产生过程，卷烟的生产过程等。负压气体的流量测量具有如下特点：

1流量密度小，限制了部分流量计的使用。对于涡街流量计相应的气流推力小，无法正常使用，对于超声流量计也会产生阻抗匹配的困难。

2不允许引入明显的压力损失。负压管道上安装流量计后增大了阻力，产生较大的压损将使动力损耗大大增加，不利于节能。所以孔板流量计、涡轮流量计、容积式流量计等都无法适用。

3流量计在负压管道上安装后，如果存在泄漏，很难觉察，不仅会浪费动力，而且会严重破坏内部气体环境。

综上虽然当前关于气体流量测量的方法多种多样，但是基于这些方法设计的流量计一般仅针对表压为正压的情形。当气流压力小于40kPa时，当前市场上在售的流量计基本上都无法满足测量要求。

发明内容

本发明的目的是提供一种负压气体的流量测量方法，尤其是绝压小于40kPa的深度负压状态下的气体流量测量方法。发明通过流量标定装置确保了获取样本数据的可靠性，通过对模型的分析确保了方法的可行性。为现阶段深度负压状态流量测量手段近乎完全缺失的问题提供了一种解决方案。

在流量调节过程中，调节阀必不可少。负压情形下，气体通过调节阀的流量主要取决于四个因素：阀前压力P1、阀后压力P2、流量系数K_V、气流温度T。利用调节阀的节流特点，如果建立起流量与四者的关系模型，调节阀本身即可以充当流量计，那么通过测量上述四者的量值，就可以间接确定负压情形下的流量。建立模型需要多组数据样本，由于当前没有合适的流量计能够进行绝压小于40kPa时气体流量的测量和标定，所以无法确定流量值。为此本文基于动态平衡原理提出了一种流量标定方法，获取了可靠的数据样本，然后将这些样本作为经验知识对BP神经网络进行训练，训练好的网络即能根据4个测量值计算出相应的流量，从而实现对负压状态下的流量测量。

本发明一种负压气体的流量测量方法，该方法具体步骤如下：

步骤一：得到流经调节阀的流量的综合表达式。

见图1，在负压情形下，流经调节阀的流量的大小主要取决于阀门上游压力P1、下游压力P2、气流温度T、流量系数K_V4个变量(其他相关参数近乎为定值)。因为当阀门开度O发生变化时，K_V值也会相应改变，故负压情形下的气体流量从根本上取决于P₁、P₂、T、O4个独立变量。流量与阀门上游压力P1、下游压力P2、气流温度T、阀门开度O的综合函数关系可以表达为：

Q＝f(P₁，P₂，T，O)              (1)

确定函数关系的首要前提是采取一定的方法获得有关流量与4个变量的有效数据样本。

步骤二：建立流量标定系统。

由于负压状态下，特别是绝压小于40kPa时，欠缺进行气体流量测量和标定的手段，所以无法确定流量值。为此本发明基于动态平衡原理设计了一套流量标定装置。如图2所示：

该装置由气源容腔C0、压力容腔C1/C2、缓冲腔C3、流量计F1、流量调节阀V1、粗调阀V0/V2、精调阀V3/V4、泄压阀V5～V8、压力传感器S1～S3和真空泵组成。

利用该装置流量调节阀V1为任一开度时均能够实现对压力容腔C1、C2独立的压力控制，即实现装置在维持一定流量的情况下达到平衡状态。

每一个压力容腔上均安装一个压力传感器与泄压阀。流量计安装在气源容腔C0与压力容腔C1之间。粗调阀V0、精调阀V3安装在压力容腔C1的上游，调节压力容腔C1的压力，粗调阀V2、精调阀V4安装压力容腔C2的下游，调节压力容腔C2的压力，流量调节阀V1充当流量计，在一次实验过程中其开度保持不变。假定P₀，P₁，P₂，P₃分别为气源容腔C0，压力容腔C1/C2，缓冲腔C3内气流场的压力。因P₀为稳定的气源压力，其在实验过程中始终保持不变，考虑到P₁，P₂为负压，将P₀设定为正压，从而满足常规流量计使用条件。当P₀，P₁，P₂，P₃均不再变化，整个系统进入动态平衡，则流量计的读数即为气体流经流量调节阀V1的流量值。

步骤三：开展流量标定实验，获取流量与4个变量的有效样本数据。

利用流量标定装置，通过改变P₁、p₂、T、O中的一个或多个参量，待系统达到动态平衡，记录实际相对应的流量值，如此得到一系列4输入、1输出数据，并加以整理。

步骤四：基于实验数据针对神经网络进行训练。根据式(1)，流量Q与阀前压力P₁，阀后压力P₂，阀门开度O，气流温度T之间的关系是非线性的，神经网络对非线性函数具有很强的逼近能力，并具有一定的泛化能力。一个典型的三层神经网络其结构如图3所示。其数学关系式可以表示为：

$z_k=f_z(\underset{j=1}{\overset{j=J}{\mathrm{\Σ}}}{y}_j{w}_{\mathrm{ojk}}+c_k)---\left(2\right)$

$y_j=f_y(\underset{i=1}{\overset{i=I}{\mathrm{\Σ}}}{x}_i{w}_{\mathrm{hij}}+b_j)---\left(3\right)$

其中x_i为输入，y_j为隐层输出，z_k为输出，w_hij为输入层到隐层的连接权值，b_j为隐层神经元的阈值，w_ojk为隐层到输出层的连接权值，c_k为输出层阈值，f_y，f_z为激励函数。利用步骤三获得的实验数据对神经网络进行训练，确定连接各层的权值及各个神经元的阈值即可得到流量Q与阀前压力P₁，阀后压力P₂，阀门开度O，气流温度T与的关系表达式，从而实现对负压状态下的流量测量。

本发明的优点及功效：

1、为负压状态下，特别是深度负压状态下的流量测量提供了一种可行的解决方案。

2、经济。调节阀在流量调节回路必不可少，调节阀自身充当流量计，就不需要再购置其他流量计，节省了费用。

3、节能。由于没有流量计安装在管线中，整个管线的压降损失小，处于末端的真空泵能够消耗更少的能量。

4、增强气密性。由于管线内气体处于负压状态，故管线易渗漏，不引入流量计，有利于增强整个管线的气密性。

附图说明

图1流量控制模型示意图

图2负压状态下气体流量标定系统示意图

图3三层神经网络结构示意图

图4为本发明流程框图

图中符号说明如下：

P1：调节阀上游压力；P2：调节阀下游压力；O：阀门开度百分比；Q：气体流量；

C0：气源容腔；C1/C2：压力容腔；C3：缓冲腔；F1：流量计；V1：流量调节阀；

V0/V2：粗调阀；V3/V4：精调阀；V5～V8：泄压阀；S1～S3：压力传感器；

x_i(i＝1，2，…I)：输入层第i个神经元输入；y_j(j＝1，2，…J)：隐层第j个神经元输出；

Z_k(k＝1，2，…K)：输出层第k个神经元输出。

具体实施方式

本发明一种负压气体的流量测量方法，该方法具体步骤如下：

步骤一：得到流经调节阀的流量的综合表达式。

见图1，在负压情形下，流经调节阀的流量的大小主要取决于阀门上游压力P1、下游压力P2、气流温度T、流量系数K_V4个变量(其他相关参数近乎为定值)。因为当阀门开度O发生变化时，K_V值也会相应改变，故负压情形下的气体流量从根本上取决于P₁、P₂、T、O4个独立变量。流量与阀门上游压力P1、下游压力P2、气流温度T、阀门开度O的综合函数关系可以表达为：

Q＝f(P₁，P₂，T，O)                   (1)

确定函数关系的首要前提是采取一定的方法获得有关流量与4个变量的有效数据样本。

步骤二：建立流量标定系统。其结构如图2所示：该装置由气源容腔C0、压力容腔C1/C2、缓冲腔C3、流量计F1、流量调节阀V1、粗调阀V0/V2、精调阀V3/V4、泄压阀V5～V8、压力传感器S1～S3和真空泵组成。

每一个压力容腔上均安装一个压力传感器与泄压阀。流量计安装在气源容腔C0与压力容腔C1之间。粗调阀V0、精调阀V3安装在压力容腔C1的上游，调节压力容腔C1的压力，粗调阀V2、精调V4安装压力容腔C2的下游，调节压力容腔C2的压力，流量调节阀V1充当流量计，在一次实验过程中其开度保持不变。假定P₀，P₁，P₂，P₃分别为气源容腔C0、压力容腔C1、C2，缓冲腔C3内气流场的压力。因P₀为稳定的气源压力，其在实验过程中始终保持不变，考虑到P₁，P₂为负压，将P₀设定为正压，从而满足常规流量计使用条件。

由于气流温度T与阀门开度O是可以预先设定的，故系统的关键点即是实现对P₁、P₂的快速精密控制。为此采用粗调与精调相结合的控制策略：在起始阶段，采用粗调阀确保控制的快速性；当容腔内压力接近设定值，采用精调阀实现控制的准确性。两阀协调配合实现对P₁、P₂压力的控制。当P₀，P₁，P₂，P₃均不再变化，整个系统进入动态平衡，则流量计的读数即为气体流经流量调节阀V1的流量值。

步骤三：开展流量标定实验，获取流量与4个变量的有效样本数据。

利用流量标定装置，通过改变P₁、P₂、T、O中的一个或多个参量，待系统达到动态平衡，记录实际相对应的流量值，如此得到一系列4输入、1输出数据，并加以整理。一部分作为训练使用，一部分作为测试用。

步骤四：基于实验数据针对神经网络进行训练。

构建一个三层神经网络，如图3所示，其输入为P₁、P₂、T、O共4个变量，输出为Q，隐层神经元数目根据经验尝试确定，一般最少为输入量个数(I)的2I+1倍。

对于隐层神经元通常选择选用f(x)＝1/(1+e^-x)或f(x)＝tan(1/(1+e^-x))或

f(x)＝log(1/(1+e^-x))等传递函数，输出层则根据输出量的范围选择S型传递函数或线性函数。依据样本，网络训练选用Levenberg-Marquardt(LM)算法，定义其性能指数为：

$J\left(W\right)=\frac{1}{2}\underset{s=1}{\overset{s=P}{\mathrm{\Σ}}}\left[\underset{k=1}{\overset{k=K}{\mathrm{\Σ}}}{(z_{\mathrm{sk}}-d_{\mathrm{sk}})}^2\right]---\left(4\right)$

式中P为样本个数，K为输出个数，d_sk为第s个样本输入时第k个量的期望输出，z_sk为相应的实际输出。W＝[w₁，w₂，...w_N]^T为网络中权值、阈值所组成的向量，N为所有权值与阈值的个数总和。式4可以改写为：

$J\left(W\right)=\frac{1}{2}{E}^{T}E---\left(5\right)$

其中E＝[e₁₁，...e_1k，...e_1K，e_s1，...e_sk，...e_sK，e_P1，...e_Pk，...e_PK]^T，s＝1，2，...P，k＝1，2，...K为累积误差向量，向量元素e_sk＝z_sk-d_sk。由式5，Jacobian矩阵定义为：

$J=\left[\begin{array}{cccc}\frac{{\∂e}_{11}}{\∂w_1}& \frac{\∂e_{12}}{{\∂w}_2}& ...& \frac{\∂e_{1K}}{\∂w_n}\\ \frac{{\∂e}_{21}}{\∂w_1}& \frac{\∂e_{22}}{\∂w_2}& ...& \frac{\∂e_{2K}}{\∂w_n}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ \frac{\∂e_{P1}}{\∂w_n}& \frac{{\∂e}_{P2}}{\∂w_n}& ...& \frac{\∂e_{\mathrm{PK}}}{{\∂w}_n}\end{array}\right]$

设W_N为第N次迭代的权值与阈值所组成的向量，则新的权值与阈值为：

W_N+1＝W_N-[J_N ^T(W)J_N(W)+μ_NI]^-1J_N(W)E_N         (6)

其中I为单位矩阵，μ为大于0的学习参数。将式(3)、(4)合并整理为：

$Q=f_z(\underset{j=1}{\overset{j=J}{\mathrm{\Σ}}}\left(f_y(\underset{i=1}{\overset{i=I}{\mathrm{\Σ}}}{x}_i{w}_{\mathrm{hij}}+b_j)\right)w_{\mathrm{oj}1}+c_1)---\left(7\right)$

利用由式(6)得到的权值、阈值计算出相应的流量，将计算结果与实际结果(基于动态平衡原理得到的测试样本数据)进行对比，若效果理想，则说明式(7)能反映流量Q与P₁、P₂、T、O之间的关系。通过测量P₁、P₂、T、O就能计算相应的流量。若效果不佳可以通过增加神经元数目、网络层数，尝试其他传递函数或网络训练算法等手段进行改进提高。

图4为本发明流程框图，实践证明：本发明为现阶段深度负压状态流量测量，提供了一条确实可靠的途径。

Claims (1)

1.一种负压气体的流量测量方法，其特征在于：该方法具体步骤如下： 

步骤一：得到流经流量调节阀V1的流量的综合表达式；在负压情形下，流经流量调节阀V1的流量的大小取决于阀门上游压力P1、下游压力P2、气流温度T和流量系数K_V这4个变量；当阀门开度O发生变化时，K_V值也会相应改变，故负压情形下的气体流量从根本上取决于P₁、P₂、T、O这4个独立变量；流量与阀门上游压力P1、下游压力P2、气流温度T、阀门开度O的综合函数关系可以表达为： 

Q＝f(P₁，P₂，T，O)(1) 

其中Q为流量； 

步骤二：建立流量标定装置；该装置由气源容腔C0、压力容腔C1/C2、缓冲腔C3、流量计F1、流量调节阀V1、粗调阀V0/V2、精调阀V3/V4、泄压阀V5～V8、压力传感器S1～S3和真空泵组成；利用该装置流量调节阀V1为任一开度时均能够实现对压力容腔C1、C2独立的压力控制，即实现整个装置在维持一定流量的情况下达到平衡状态；压力容腔C1上安装压力传感器S1与泄压阀V6，压力容腔C2上安装压力传感器S2与泄压阀V7，流量计F1安装在气源容腔C0与压力容腔C1之间，粗调阀V0、精调阀V3安装在压力容腔C1的上游，调节压力容腔C1的压力，粗调阀V2、精调阀V4安装压力容腔C2的下游，调节压力容腔C2的压力，流量调节阀V1充当流量计F1，在一次实验过程中其开度保持不变；设P₀，P₁，P₂，P₃分别为气源容腔C0、压力容腔C1、C2，缓冲腔C3内气流场的压力，因P₀为稳定的气源压力，其在实验过程中始终保持不变，考虑到P₁，P₂为负压，将P₀设定为正压，从而满足常规流量计F1使用条件，当P₀，P₁，P₂，P₃均不再变化，整个系统进入动态平衡，则流量计F1的读数即为气体流经流量调节阀V1的流量值； 

步骤三：开展流量标定实验，取得流量与P₁、P₂、T、O这4个变量的有效样本数据； 

利用流量标定装置，通过改变P₁、P₂、T、O中的一个、多个参量，待系统达到动态平衡，记录实际相对应的流量值，如此得到一系列4输入、1输出数据，并加以整理； 

步骤四：基于实验数据针对神经网络进行训练；根据式(1)，流量与上游压力P₁，下游压力P₂，阀门开度O，气流温度T之间的关系是非线性的，神经网络对非线性函数具有很 强的逼近能力和泛化能力；一个典型的三层神经网络其结构，其数学关系式表示为： 

其中，I为输入变量个数，J为隐层输出变量个数，k＝1，2......K，K为输出变量个数，x_i为输入，y_j为隐层输出，z_k为输出，w_hij为输入层到隐层的连接权值，b_j为隐层神经元的阈值，w_ojk为隐层到输出层的连接权值，c_k为输出层阈值，f_y，f_z为激励函数；利用步骤三获得的实验数据对神经网络进行训练，确定连接各层的权值及各个神经元的阈值即可得到流量与上游压力P₁，下游压力P₂，阀门开度O，气流温度T的关系表达式，从而实现对负压状态下的流量测量。 

Images