CN104880227B - 一种噪声背景下超声流量测量方法 - Google Patents

Abstract

本发明涉及一种噪声背景下超声流量测量方法，包括：进行超声流量计实验，根据试验结果，建立超声脉冲接收信号离散模型，确定包括超声波传播时间的参数向量x；根据实验采样获得的超声接收信号与模型信号确定目标函数：确定目标函数；构造适应度函数；进行遗传算法，通过迭代获得优化解作为后续蚁群算法的信息素初始条件；利用上述的遗传算法得到的优化解初始化蚁群信息素；根据实验获得的超声接收信号确定参数向量x的变化范围；判断蚂蚁是否转移及得到新的优化解；信息素挥发和更新，进行迭代计算，得到超声波传播时间最优估计值；分别获得超声波的顺流和逆流传播时间，获得流量值。本发明能够使得流量测量更为准确。

Description

一种噪声背景下超声流量测量方法

所属技术领域

本发明属于流量测量技术领域，涉及一种超声流量测量方法。

背景技术

超声流量计作为新兴的流量仪表近十几年发展迅速，在大型水利水电项目以及天然气贸易结算领域已有广泛应用，其中时差法超声流量计作为计量仪表应用最多。目前，传统时差法超声流量测量方法中普遍采用的是双门限电平法(简称双门限法)，首先通过非过零比较，确定使用哪个周期的信号作为计时起始位置，再通过过零比较确定超声波传播时间，最后基于超声波顺、逆流传播时间计算流量。这种方法的缺点是当有噪声存在时，过零比较得到的时间会有较大波动，严重影响了流量计的精度，而且当噪声大到一定程度时，非过零比较无法准确确定信号位置，从而导致错波发生，此时由于误差太大，流量计已不能使用。

为了在有噪声时仍能保证超声流量测量精度，研究者提出基于超声脉冲接收信号模型的超声流量测量方法。目前超声脉冲接收信号的经验模型主要有两种，高斯模型和混合指数模型。高斯模型用于描述比较对称的宽带高频信号。周方等学者将此模型与高斯—牛顿法、模拟退火法、蚁群算法等相结合，证明了蚁群算法是一种有效的回波参数估计方法，具有较高精度[1]；针对混合指数模型，姚振静等人将此模型与卡尔曼滤波及其优化算法进行结合，用来提高超声测距精度[2]。虽然已有学者基于超声脉冲接收信号模型提出了一些算法，但研究仅针对算法本身，应用也仅限于超声测距领域。对于超声流量测量来说，流量测量精度要求远高于超声测距，已有方法不能直接用来解决噪声背景下超声流量计准确测量问题。

[1]周方，张小凤，张光斌，超声回波参数的蚁群算法估计，陕西师范大学学报(自然科学版)，2012，40(2)，35～40

[2]Zhen-JingYao,Qing-Hao Meng,Ming Zeng,Improvementinthe accuracyofestimating the time-of-flight in anultrasonicranging system using multiplesquare-rootunscented Kalmanfilters,Review of Scientific Instruments,2010,81，104901-1～104901-7

发明内容

本发明为解决噪声背景下超声流量准确测量问题，基于超声脉冲接收信号混合指数模型，提供一种超声流量测量方法，以达到降低测量误差，提高超声流量计测量精度的目的。本发明的技术方案如下：

一种噪声背景下超声流量测量方法，包括下列步骤：：

步骤一：进行超声流量计实验，根据试验结果，建立超声脉冲接收信号离散模型如下：

A_m(x)＝A(kt_s)sin[2πf_c(kt_s-τ)+θ] (1)

其中，

式中，A_m(x)为超声脉冲接收离散模型信号，k为采样点数序号(k＝1,2，…N)，N为采样点数，t_s为采样时间间隔，f_c为超声换能器的中心频率，θ为初始相位角，A₀为接收信号幅值，T和m是超声换能器的两个特性参数，τ为超声波传播时间，u(kt_s-τ)为单位阶跃信号，当采样频率、采样点数、超声换能器及其发射频率确定后，模型中的k、N、t_s、f_c和θ即为定值，随着被测流量改变，模型信号A_m(x)中的A₀、T、m和τ会相应变化，其中，参数向量x＝[A₀ m Tτ]，对x估计得越准确，模型信号越逼近实验获得的真实接收信号，利用下面的遗传－蚁群算法对x中这四个参数进行估计，最终τ的最优估计值即为超声波传播时间；

步骤二：根据实验采样获得的超声接收信号A_e与模型信号A_m(x)确定目标函数f(x)：基于最小二乘思想确定目标函数，将A_e中各采样点电压与A_m(x)中采样点电压之差的平方和作为目标函数f(x)，当目标函数f(x)取得最小值时，x为最优估计值；

步骤三：基于目标函数f(x)构造适应度函数eval(x)，目标函数值越小，适应度函数值就越大：

其中，a是使得a-f(x_i)为正的任意实数，n为种群数目，n值设定越大，收敛精度越高，收敛速度越慢，角标i代表第i个种群个体，在参数边界内随机产生；

步骤四：设定x中四个参数边界，根据适应度函数值确定每个个体被复制的次数：首先确定每个个体的预复制次数，它等于相应个体的适应度函数值与种群数目乘积的整数部分，设R为总的预复制次数与种群数目之差，为了保持种群数目不变，从最优个体到第R个优秀个体，每个个体的复制数目加1，即适应度函数值较大的个体，被复制的概率越大；

步骤五：交叉、变异迭代获得优化解：从最优解到最差解，将种群中每两个相邻个体分为一组，选定一个固定的判断概率0.9，并随机生成一个在0到1之间的实数P_c，如果P_c小于判断概率0.9则进行交叉，否则不交叉，为获得最优个体，每次交叉、变异之后都用上一代的最优个体代替下一代的最差个体；步骤二至步骤五为遗传算法，通过迭代获得优化解作为后续蚁群算法的信息素初始条件；

步骤六：利用上述的遗传算法得到的优化解初始化蚁群信息素；

步骤七：蚂蚁移动步长α初始化，根据实验获得的超声接收信号确定参数向量x的变化范围；

步骤八：判断蚂蚁是否转移及得到新的优化解：在生成新的参数解时，分别对参数向量x中的每个参数单独进行，首先对A₀进行，令如果小于则否则令如果小于则否则其中，为第t代第s只蚂蚁的参数向量值，为第t-1代迭代之后按照信息素更新第s只蚂蚁最好的参数向量值，dA₀在[-α,α]之间随机产生；同理，对T、m和τ三个参数进行优化，得到新的优化解；

步骤九：信息素挥发和更新：按照下列规则设定信息素挥发系数：当迭代次数较小时，信息素挥发系数设定较大，有利于全局寻优；当迭代次数较大时，信息素挥发系数设定较小，有利于提高局部收敛精度、加快收敛速度；重新计算信息素，蚂蚁重新分配，返回步骤七进行迭代计算，迭代结束判据设为：在算法迭代t代后进行判断，如果第t代的最优目标函数值与第t-j(j＝1,2,3,4,5)代的最优目标函数值之差的绝对值均小于10^-7，则迭代结束，此时参数向量x为最优解，其中的τ即为超声波传播时间最优估计值。

步骤十：利用前述方法分别获得超声波的顺流传播时间τ₁和逆流传播时间τ₂，代入到时差法超声流量计算公式，即可获得流量值。

本发明将遗传算法和蚁群算法相结合，利用遗传算法的全局寻优能力使得在噪声背景下仍能找到全局最优解，且遗传算法收敛速度比蚁群算法快。同时结合蚁群算法的高度局部寻优能力，提高参数估计的精确度，从而可以得到较为准确的流量值。

具体实施方式

以下将以实验获得的气体超声接收信号为目标对象，结合技术方案中的步骤方法，给出各步的参数设置和实施方法：

步骤一：DN100单声道气体超声流量计的超声换能器中心频率为120KHz，实验采用泰克TBS 1102示波器采集超声换能器接收到的原始信号，时基选择10us/div，整个示波器窗口采样时间为10us/div*10格＝100us，在2500个数据点存储深度下，相邻采样点的时间间隔为100us/2.5k＝40ns，则超声脉冲接收信号混合指数模型中(式(1)(2))的相关参数设置为：采样点序号k＝1,2,…2500，采样时间间隔t_s＝40ns，换能器中心频率f_c＝120KHz，初始相位角θ＝0rad。其余参数A₀、T、m和τ为待估计参数，定义为参数向量x＝[A₀ m T τ]。

步骤二：根据实验采样获得的超声接收信号A_e与模型信号A_m(x)确定目标函数f(x)。

其中，A_e是示波器采样获得的真实超声接收信号，A_m(x)是基于超声脉冲接收信号混合指数模型重构的信号，x＝[A₀ m T τ]为待估计参数向量，采样点数N＝2500，角标k代表在第k个采样点处的信号。

步骤三：基于目标函数f(x)构造适应度函数eval(x)。式(3)中，设定a＝100，种群数目n＝20，种群个体由Matlab中rand函数随机生成。

步骤四：通过分析示波器采样超声接收信号特点，将x中四个参数边界分别设为A₀∈[0.025,0.045]V，m∈[3.4,3.8]，T∈[12.3,12.7]，τ∈[384,439]us。根据适应度函数值确定每个个体被复制的次数M_i：

M_i＝abs(eval(x_i)*n)

M_i是第i个种群个体的预复制数目，R是种群数目与总的预复制数目之差。为了保持种群数目不变，从最优个体到第R个优秀个体，每个个体的复制数目加1。

步骤五：交叉、变异迭代获得优化解：从最优解到最差解，将种群中每两个相邻个体分为一组，选定一个固定的判断概率0.9，采用Matlab中rand函数随机生成一个在0到1之间的实数P_c，如果P_c小于判断概率0.9则进行交叉，否则不交叉。

假设存在两个相邻个体，编码值为x₁和x₂，t为迭代次数，以概率P_c做如下交叉：

为获得最优个体，每次交叉、变异之后都用上一代的最优个体代替下一代的最差个体。

遗传算法迭代结束判据与步骤九中蚁群算法迭代结束判据相同。该部分迭代结束获得的优化解将作为蚁群算法的信息素初始条件。

步骤六：利用遗传算法得到的优化解初始化蚁群信息素，信息素公式为：

D_i＝f_i-f_min

其中，D_i为第i个种群个体结果与最好个体结果的欧几里得距离，λ是标准偏差取0.005，η_i为蚁群中第i个种群个体参数向量值的信息素值。

蚁群算法通过信息素值更新种群的方法与前述遗传算法中通过适应度函数值实现种群复制的方法相同。

步骤七：蚂蚁移动步长α初始化：根据示波器采样信号变化特点，确定A₀、T和m的最大变化范围分别为0.02，0.4，0.4，实验所用的超声换能器中心频率为120KHz，即周期为8.33μs，故设置蚂蚁移动步长α＝[0.020.40.48.33]。

步骤八：判断蚂蚁是否转移及得到新的优化解：在生成新的参数解时，分别对参数向量x中的每个参数单独进行。首先对A₀进行，令如果小于则否则令如果小于则否则其中，为第t代第s只蚂蚁的参数向量值，为第t-1代迭代之后按照信息素更新第s只蚂蚁最好的参数向量值。dA₀在[-α,α]之间随机产生。

同理，对T、m和τ三个参数进行优化，得到新的优化解。

步骤九：信息素挥发、更新：信息素挥发系数直接用于控制蚂蚁移动步长，进而决定了算法的全局寻优能力和收敛速度。信息素挥发系数设定如下：

如果迭代次数t<＝3

α(1)＝α(1)*0.92，α(2)＝α(2)*0.95，α(3)＝α(3)*0.95，α(4)＝α(4)*0.8

否则

α(1)＝α(1)*0.7，α(2)＝α(2)*0.8，α(3)＝α(3)*0.8，α(4)＝α(4)*0.7

根据信息素挥发系数设定方法重新计算信息素，蚂蚁重新分配，同步骤六。

为了避免算法过早停滞、收敛于非最优解，将迭代结束判据设为：在算法迭代t代后进行判断，如果第t代的最优目标函数值与第t-j(j＝1,2,3,4,5)代的最优目标函数值之差的绝对值均小于10^-7，则迭代结束。此时参数向量x为最优解，其中的τ即为超声波传播时间最优估计值。

步骤十：基于前述步骤可以分别获得超声波的顺流传播时间τ₁和逆流传播时间τ₂，代入到时差法超声流量计算公式：

其中，v_L为沿声道的平均流速，L为声道长度，L＝141.4mm，θ为声路角，θ＝45°，Q为超声测量流量，D为管道直径，D＝100mm，K为超声流量计仪表系数，流量计出厂时由厂家给出，为一固定常数。

为验证本发明在噪声背景下对超声波传播时间估计的准确性，进而保证超声流量测量精度，首先开展了仿真实验。将本发明提供的遗传－蚁群算法与传统双门限电平法和同样基于超声脉冲接收信号模型的遗传算法、蚁群算法分别进行比较，不同信噪比下对超声波传播时间估计结果对比如表1所示。

表1 不同信噪比下各方法对比结果

结果表明：无噪声时，双门限法的平均相对误差均小于模型法，说明测时精度优于模型法；而在有噪声时，模型法优于双门限法。在15dB时双门限法错波次数已达5个，说明此时该方法已不适用于超声流量测量。从基于模型法的三种算法对比来看，本发明提供的遗传－蚁群算法无论是在收敛精度、收敛速度、错波次数和抗噪声能力方面，均优于遗传算法和蚁群算法，验证了本发明方法在噪声背景下准确估计超声波传播时间的可行性。

为进一步验证本发明，对DN100，声路角为45°的单声道气体超声流量计开展实流实验，比较采用遗传－蚁群算法与传统双门限法进行超声流量测量的准确性，结果如表2所示。

表2 实流实验结果

由于气体流动的不稳定性使得超声换能器原始接收信号噪声较大，易造成双门限法错波，从而导致平均相对误差和重复性均较差。而本发明提供的遗传－蚁群算法对噪声的适应性较强，平均相对误差和重复性均优于双门限法，特别是在低流速测量时效果明显。实验结果再次表明本发明方法用于解决噪声背景下精确测时问题的优越性。

Claims (1)

1.一种噪声背景下超声流量测量方法，包括下列步骤：

步骤一：进行超声流量计实验，根据试验结果，建立超声脉冲接收信号离散模型如下：

A_m(x)＝A(kt_s)sin[2πf_c(kt_s-τ)+θ] (1)

其中，

式中，A_m(x)为超声脉冲接收离散模型信号，k为采样点数序号k＝1,2，…N，N为采样点数，t_s为采样时间间隔，f_c为超声换能器的中心频率，θ为初始相位角，A₀为接收信号幅值，T和m是超声换能器的两个特性参数，τ为超声波传播时间，u(kt_s-τ)为单位阶跃信号，当采样频率、采样点数、超声换能器及其发射频率确定后，模型中的k、N、t_s、f_c和θ即为定值，随着被测流量改变，模型信号A_m(x)中的A₀、T、m和τ会相应变化，其中，参数向量x＝[A₀ m T τ]，对x估计得越准确，模型信号越逼近实验获得的真实接收信号，利用下面的遗传－蚁群算法对x中这四个参数进行估计，最终τ的最优估计值即为超声波传播时间；

步骤二：根据实验采样获得的超声接收信号A_e与模型信号A_m(x)确定目标函数f(x)：基于最小二乘思想确定目标函数，将A_e中各采样点电压与A_m(x)中采样点电压之差的平方和作为目标函数f(x)，当目标函数f(x)取得最小值时，x为最优估计值；

步骤三：基于目标函数f(x)构造适应度函数eval(x)，目标函数值越小，适应度函数值就越大：

其中， 是使得 -f(x_i)为正的任意实数，n为种群数目，n值设定越大，收敛精度越高，收敛速度越慢，角标i代表第i个种群个体，在参数边界内随机产生；

步骤四：设定x中四个参数边界，根据适应度函数值确定每个个体被复制的次数：首先确定每个个体的预复制次数，它等于相应个体的适应度函数值与种群数目乘积的整数部分，设R为总的预复制次数与种群数目之差，为了保持种群数目不变，从最优个体到第R个优秀个体，每个个体的复制数目加1，即适应度函数值较大的个体，被复制的概率越大；

步骤五：交叉、变异迭代获得优化解：从最优解到最差解，将种群中每两个相邻个体分为一组，选定一个固定的判断概率0.9，并随机生成一个在0到1之间的实数P_c，如果P_c小于判断概率0.9则进行交叉，否则不交叉，为获得最优个体，每次交叉、变异之后都用上一代的最优个体代替下一代的最差个体；步骤二至步骤五为遗传算法，通过迭代获得优化解作为后续蚁群算法的信息素初始条件；

步骤六：利用上述的遗传算法得到的优化解初始化蚁群信息素；

步骤七：蚂蚁移动步长α初始化，根据实验获得的超声接收信号确定参数向量x的变化范围；

步骤八：判断蚂蚁是否转移及得到新的优化解：在生成新的参数解时，分别对参数向量x中的每个参数单独进行，首先对A₀进行，令如果小于则否则令如果小于则否则其中，为第t代第s只蚂蚁的参数向量值，为第t-1代迭代之后按照信息素更新第s只蚂蚁最好的参数向量值，dA₀在[-α,α]之间随机产生；同理，对T、m和τ三个参数进行优化，得到新的优化解；

步骤九：信息素挥发和更新：按照下列规则设定信息素挥发系数：当迭代次数较小时，信息素挥发系数设定较大，有利于全局寻优；当迭代次数较大时，信息素挥发系数设定较小，有利于提高局部收敛精度、加快收敛速度；重新计算信息素，蚂蚁重新分配，返回步骤七进行迭代计算，迭代结束判据设为：在算法迭代t代后进行判断，如果第t代的最优目标函数值与第t-j,j＝1,2,3,4,5,代的最优目标函数值之差的绝对值均小于10^-7，则迭代结束，此时参数向量x为最优解，其中的τ即为超声波传播时间最优估计值。

步骤十：利用前述方法分别获得超声波的顺流传播时间τ₁和逆流传播时间τ₂，代入到时差法超声流量计算公式，即可获得流量值。