CN105865585A - 电子式水表的误差调校方法 - Google Patents

电子式水表的误差调校方法 Download PDF

Info

Publication number
CN105865585A
CN105865585A CN201610257348.8A CN201610257348A CN105865585A CN 105865585 A CN105865585 A CN 105865585A CN 201610257348 A CN201610257348 A CN 201610257348A CN 105865585 A CN105865585 A CN 105865585A
Authority
CN
China
Prior art keywords
water meter
volume parameter
parameter
network
electric water
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610257348.8A
Other languages
English (en)
Inventor
陈羽
黄佑仲
殷昌华
朱政坚
朱仙子
杨枝友
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Weiming Energy Technology Co Ltd
Original Assignee
Hunan Weiming Energy Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan Weiming Energy Technology Co Ltd filed Critical Hunan Weiming Energy Technology Co Ltd
Priority to CN201610257348.8A priority Critical patent/CN105865585A/zh
Publication of CN105865585A publication Critical patent/CN105865585A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F25/00—Testing or calibration of apparatus for measuring volume, volume flow or liquid level or for metering by volume

Abstract

本发明公开了一种电子式水表的误差调校方法，包括将水表分类；选取N流量点并获取每一个流量点的体积参数；将水表的体积参数与流量之间的离散关系转换为体积参数与叶轮旋转周期之间的离散关系；采用感知机网络进行曲线拟合，完成电子式水表的误差调校。本发明采用自组织特征映射SOM网络对水表进行分类，采用感知机网络对电子式水表的参数曲线进行拟合，避免了传统的线性拟合方法带来的特征点与特征点之间线条过于僵硬、或者多项式回归分析方法带来的特征点之间线条波动太大的问题，而且本发明方法进行的曲线拟合精度高、数据拟合效果更好。

Description

电子式水表的误差调校方法
技术领域
本发明具体涉及一种电子式水表的误差调校方法。
背景技术
目前在市面上，大多使用的是机械式水表，其存在计量精度差，流量范围小，误差可调性低的问题，而电子式水表是近年来水表计量的趋势所向。电子式水表计量原理是通过直接采样叶轮转动，根据叶轮转数与通过水表的水量之关系，计算叶轮每转所代表的体积数(以下简称体积参数)。体积参数会随着通过水表流量的不同而变化，其变化关系是非线性。
以目前水表生产技术，大批量生产的水表无法共用相同的一组体积参数就能符合水表国家标准的器差要求。因此，必须针对每一只水表，以水表检验设备进行实际通水测试，获得不同流量下的体积参数。但是，因为实际操作的限制，只能选定少数流量点进行通水测试，无法涵盖水表使用的完整计量范围。目前市场上的电子水表通常使用线性内插值的方法来弥补没有测试的流量点。因为水表的体积参数与流量的关系是非线性关系，其对体积参数的推估误差无法符合水表国家标准的器差要求，经常发现市售的电子水表只能在某些特定流量点符合水表国家标准的器差要求。但是水表在用户端的实际使用过程中，其他流量点所造成的计量误差，势必造成买卖不公平。
目前，智能水表在特征点进行校正，然后对于非特征点的校正则采用数据拟合的方式进行校正。目前市面上的电子式水表所使用的识别拟合方式如线性内插方法和多项式回归分析方法，其主要缺点是特征点与特征点之间线条过于僵硬(线性拟合方法)或者特征点与特征点之间线条波动太大(多项式回归分析方法)。
发明内容
本发明的目的在于提供一种精度更高、数据拟合效果更好的电子式水表的误差调校方法。
本发明提供的这种电子式水表的误差调校方法，包括如下步骤：
S1.将电子式水表依据体积参数与流量之间的关系进行分类；
S2.根据步骤S1的分类结果，针对该类电子式水表分别选取N个流量点，用水表校验设备测试每一个流量点的体积参数；其中N为正整数；
S3.将水表的体积参数与流量之间的离散关系转换为体积参数与叶轮旋转周期之间的离散关系；
S4.根据步骤S3得到的体积参数与叶轮旋转周期之间的离散关系，采用感知机网络进行曲线拟合，得到体积参数与叶轮旋转周期之间的连续关系，从而完成电子式水表的误差调校。
步骤S1所述的将电子式水表依据体积参数与流量之间的关系进行分类，为采用SOM网进行分类。
所述的采用SOM网进行分类，具体包括如下步骤：
A.采用单块表的M个体积参数作为SOM输入，即其输入层神经元个数为M个；M为正整数；
B.将每个表对应的体积参数作为竞争层，即输出层；
C.采用六角结构函数hextop作为SOM结构函数；
D.采用预先设置好的X组预设参数集对网络进行训练，得到训练后的网络；X为正整数，X的值越大则训练后的网络越精确；
E.将单块表的M个体积参数作为输入，求取该单块表在竞争层输出的收敛处，即得到该块表的分类。
所述的输入层神经元个数为7个，具体可以根据实际应用进行配置；预设参数集为500组。
步骤S3所述的将体积参数与流量之间的离散关系转换为体积参数与叶轮旋转周期之间的离散关系，具体步骤为：
a.在检验水表的条件下，将水表安装在水表检验设备上，输入恒定流量点Qt，得到水表叶轮旋转Y周所需时间Tt；Y为正整数
b.求得恒定流量点对应水表叶轮的旋转周期Pt＝Tt/Y；
c.根据体积参数与流量关系的计算式Vt＝Qt*Pt，得到体积参数与叶轮旋转周期的关系式为Vt＝Qt*Tt/Y。
步骤S4所述的采用感知机网络进行曲线拟合，具体包括如下步骤：
1)采用如下数据作为初始化参数：以水表叶轮旋转周期Pt为输入层参数，体积参数Vt作为输出层，隐藏层1层，包含两个神经元；
2)使用步骤1)所述的数据对感知机网络进行训练，训练Q步为1轮，共训练W轮；Q和W均为正整数，Q和W取值越大，则得到的感知机网络的精确度越高；
3)求取均方差最小的感知机网络作为最终网络进行曲线拟合。
步骤2)所述的对感知机网络进行训练，为1000步为1轮，共训练6轮。
本发明提供的这种电子式水表的误差调校方法，采用自组织特征映射SOM网络对水表进行分类，采用感知机网络对电子式水表的参数曲线进行拟合，避免了传统的线性拟合方法带来的特征点与特征点之间线条过于僵硬、或者多项式回归分析方法带来的特征点之间线条波动太大的问题，而且本发明方法进行的曲线拟合精度高、数据拟合效果更好。
附图说明
图1为本发明的方法流程图。
图2为本发明的实施例的分类结果图。
具体实施方式
如图1所示为本发明的方法流程图：本发明提供的这种电子式水表的误差调校方法，包括如下步骤：
S1.将电子式水表依据体积参数与流量之间的关系进行分类；
具体可以采用SOM网进行分类：具体步骤如下：
A.采用单块表的M个体积参数作为SOM输入，即其输入层神经元个数为7个；输入层神经元个数可以根据实际应用进行配置；
B.将每个表对应的体积参数作为竞争层，即输出层；
C.采用六角结构函数hextop作为SOM结构函数；
D.采用预先设置好的500组预设参数集对网络进行训练，得到训练后的网络；预设参数集的数据越大，则训练后的网络越精确；
E.将单块表的M个体积参数作为输入，求取该单块表在竞争层输出的收敛处，即得到该块表的分类。
S2.根据步骤S1的分类结果，针对该类电子式水表分别选取N个流量点，用水表校验设备测试每一个流量点的体积参数；其中N为正整数；
S3.将水表的体积参数与流量之间的离散关系转换为体积参数与叶轮旋转周期之间的离散关系；
在具体转换时，首先在检验水表的条件下，将水表安装在水表检验设备上，输入恒定流量点Qt，得到水表叶轮旋转Y周所需时间Tt；Y为正整数；然后求得恒定流量点对应水表叶轮的旋转周期Pt＝Tt/Y；最后根据体积参数与流量关系的计算式Vt＝Qt*Pt，得到体积参数与叶轮旋转周期的关系式为Vt＝Qt*Tt/Y。
S4.根据步骤S3得到的体积参数与叶轮旋转周期之间的离散关系，采用感知机网络进行曲线拟合，得到体积参数与叶轮旋转周期之间的连续关系，从而完成电子式水表的误差调校。
所述采用感知机网络进行曲线拟合，具体包括如下步骤：
1)采用如下数据作为初始化参数：以水表叶轮旋转周期Pt为输入层参数，体积参数Vt作为输出层，隐藏层1层，包含两个神经元；
2)使用步骤1)所述的数据对感知机网络进行训练，训练Q步为1轮，共训练W轮；Q和W均为正整数，Q和W取值越大，则得到的感知机网络的精确度越高；
在具体实施时，采用1000步为1轮，共训练6轮的方式对感知机网络进行训练；
3)求取均方差最小的感知机网络作为最终网络进行曲线拟合。
以下结合一个具体实施例对本发明的方法进行进一步说明：
以DN50口径表为例，将水表安装在水表台体上，使台体分别运行50m3/h、20m3/h、10m3/h、5m3/h、1m3/h、0.4m3/h、0.25m3/h上述点。求得体积参数与叶轮旋转周期之关系，如下表所示：
表1 体积参数与叶轮旋转周期的关系表
Q N T P V
47.63433 240 25124 12.3287 2.1514
19.73822 120 30578 7.0298 1.9865
10.36099 80 38844 3.5362 1.951
5.177599 48 46460 1.3066 1.951
1.079875 16 71319 0.8149 1.9557
0.401338 8 97230 0.5295 1.971
0.254605 8 166862 0.3445 1.9806
其中体积参数为V，叶轮旋转周期为P，Q为流量，N为圈数，T为时间。
将上述P、V的值作为SOM网络输入值，进行计算，得到分类结果如图2所示。
感知机网络已SOM分类得到的模板作为模板，以水表叶轮旋转周期P作为输入层参数，体积参数V作为输出层，隐藏层1层，有两个神经元。使用上述PV数据进行训练，训练6轮，每次学习1000步，求得MSE(均方差)最小的感知机网络。以此感知机网络进行曲线拟合，输入值为0.1到100共1000个点的周期参数，输出值为对应的体积参数。
最终将拟合的曲线存入水表中，进行曲线拟合的工作。
用标准台体对进行曲线拟合后的水表进行校验，校验结果如下表2所示：
表2 拟合后水表的校验结果示意表
标准流速(m3/h) 累积时间(s) 表差值 误差率
0.210673 342.032 0.0205127 0.02481515
0.397783 329.079 0.02988123 -0.002729
0.906368 154.031 0.03013371 -0.0029544
1.918773 80.75 0.04076717 -0.0007067
4.83942 81 0.10229701 0.00156662
10.520618 36.844 0.20808025 -0.0092219
21.572188 24.844 0.21685584 -0.0047143
48.661614 39.312 0.41989105 -0.0054335
可以看到，经过曲线拟合后的水表，其误差率符合国家标准的要求，而且精度较高。

Claims (7)

1.一种电子式水表的误差调校方法，包括如下步骤：
S1.将电子式水表依据体积参数与流量之间的关系进行分类；
S2.根据步骤S1的分类结果，针对该类电子式水表分别选取N个流量点，用水表校验设备测试每一个流量点的体积参数；其中N为正整数；
S3.将水表的体积参数与流量之间的离散关系转换为体积参数与叶轮旋转周期之间的离散关系；
S4.根据步骤S3得到的体积参数与叶轮旋转周期之间的离散关系，采用感知机网络进行曲线拟合，得到体积参数与叶轮旋转周期之间的连续关系，从而完成电子式水表的误差调校。
2.根据权利要求1所述的电子式水表的误差调校方法，其特征在于步骤S1所述的将电子式水表依据体积参数与流量之间的关系进行分类，为采用SOM网进行分类。
3.根据权利要求2所述的电子式水表的误差调校方法，其特征在于所述的采用SOM网进行分类，具体包括如下步骤：
A.采用单块表的M个体积参数作为SOM输入，即其输入层神经元个数为M个；M为正整数；
B.将每个表对应的体积参数作为竞争层，即输出层；
C.采用六角结构函数hextop作为SOM结构函数；
D.采用预先设置好的X组预设参数集对网络进行训练，得到训练后的网络；X为正整数，X的值越大则训练后的网络越精确；
E.将单块表的M个体积参数作为输入，求取该单块表在竞争层输出的收敛处，即得到该块表的分类。
4.根据权利要求3所述的电子式水表的误差调校方法，其特征在于所述的输入层神经元个数为7个；预设参数集为500组。
5.根据权利要求1～4之一所述的电子式水表的误差调校方法，其特征在于步骤S3所述的将体积参数与流量之间的离散关系转换为体积参数与叶轮旋转周期之间的离散关系，具体步骤为：
a.在检验水表的条件下，将水表安装在水表检验设备上，输入恒定流量点Qt，得到水表叶轮旋转Y周所需时间Tt；Y为正整数
b.求得恒定流量点对应水表叶轮的旋转周期Pt＝Tt/Y；
c.根据体积参数与流量关系的计算式Vt＝Qt*Pt，得到体积参数与叶轮旋转周期的关系式为Vt＝Qt*Tt/Y。
6.根据权利要求1～4之一所述的电子式水表的误差调校方法，其特征在于步骤S4所述的采用感知机网络进行曲线拟合，具体包括如下步骤：
1)采用如下数据作为初始化参数：以水表叶轮旋转周期Pt为输入层参数，体积参数Vt作为输出层，隐藏层1层，包含两个神经元；
2)使用步骤1)所述的数据对感知机网络进行训练，训练Q步为1轮，共训练W轮；Q 和W均为正整数，Q和W取值越大，则得到的感知机网络的精确度越高；
3)求取均方差最小的感知机网络作为最终网络进行曲线拟合。
7.根据权利要求6所述的电子式水表的误差调校方法，其特征在于步骤2)所述的对感知机网络进行训练，为1000步为1轮，共训练6轮。
CN201610257348.8A 2016-04-22 2016-04-22 电子式水表的误差调校方法 Pending CN105865585A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610257348.8A CN105865585A (zh) 2016-04-22 2016-04-22 电子式水表的误差调校方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610257348.8A CN105865585A (zh) 2016-04-22 2016-04-22 电子式水表的误差调校方法

Publications (1)

Publication Number Publication Date
CN105865585A true CN105865585A (zh) 2016-08-17

Family

ID=56633962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610257348.8A Pending CN105865585A (zh) 2016-04-22 2016-04-22 电子式水表的误差调校方法

Country Status (1)

Country Link
CN (1) CN105865585A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107152958A (zh) * 2017-06-06 2017-09-12 重庆川仪自动化股份有限公司 基于多项式算法的质量流量计标定检测系统与方法
CN112710366A (zh) * 2020-12-07 2021-04-27 杭州炬华科技股份有限公司 一种电子水表走字误差校正方法、装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050283329A1 (en) * 2004-06-18 2005-12-22 Gilbarco Inc. Nullification of measurement error, particularly within a dual turbine flow meter used in a fuel dispenser
CN101319925A (zh) * 2008-07-11 2008-12-10 昆明理工大学 一种利用bp神经网络的煤气计量方法
CN102879061A (zh) * 2012-09-19 2013-01-16 宁波水表股份有限公司 一种基于拟合方程的水表误差校正方法
CN104035563A (zh) * 2014-06-19 2014-09-10 北京工业大学 基于w-pca和无监督ghsom的脑电信号识别方法
CN104964719A (zh) * 2015-06-30 2015-10-07 安徽工业大学 一种基于bp神经网络的户用电子水表流量计量方法
CN105184370A (zh) * 2015-10-26 2015-12-23 中国海洋大学 一种基于som分类技术的河口流域水环境质量评价方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050283329A1 (en) * 2004-06-18 2005-12-22 Gilbarco Inc. Nullification of measurement error, particularly within a dual turbine flow meter used in a fuel dispenser
CN101319925A (zh) * 2008-07-11 2008-12-10 昆明理工大学 一种利用bp神经网络的煤气计量方法
CN102879061A (zh) * 2012-09-19 2013-01-16 宁波水表股份有限公司 一种基于拟合方程的水表误差校正方法
CN104035563A (zh) * 2014-06-19 2014-09-10 北京工业大学 基于w-pca和无监督ghsom的脑电信号识别方法
CN104964719A (zh) * 2015-06-30 2015-10-07 安徽工业大学 一种基于bp神经网络的户用电子水表流量计量方法
CN105184370A (zh) * 2015-10-26 2015-12-23 中国海洋大学 一种基于som分类技术的河口流域水环境质量评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
姚灵: "智能水表测量特性计算机校正方法的风险与控制", 《自动化仪表》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107152958A (zh) * 2017-06-06 2017-09-12 重庆川仪自动化股份有限公司 基于多项式算法的质量流量计标定检测系统与方法
CN112710366A (zh) * 2020-12-07 2021-04-27 杭州炬华科技股份有限公司 一种电子水表走字误差校正方法、装置

Similar Documents

Publication Publication Date Title
CN107818395B (zh) 一种基于测量不确定度的电能表误差迭代计算方法
CN112946560B (zh) 电能表校准方法、装置、电能表及电能表系统
CN110346005B (zh) 基于深度学习的科里奥利质量流量计数字信号处理方法
CN105865585A (zh) 电子式水表的误差调校方法
CN114166318A (zh) 一种基于深度学习的超声波水表流量数据校准方法
CN110906993B (zh) 一种流量计计量温度补偿方法及超声波流量计
CN110751213B (zh) 一种测风塔异常风速数据识别与补齐的方法
CN105510864A (zh) 一种电能表误差计量的检测方法
CN106503861A (zh) 基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法
CN102289558A (zh) 一种基于随机信号处理的基线调整方法
CN113189513B (zh) 一种基于纹波的冗余电源均流状态识别方法
CN107425523B (zh) 一种复杂电力系统运行误差识别与自动校正方法及系统
CN106320257A (zh) 基于水文观测的湖库槽蓄曲线确定方法
CN107656905A (zh) 一种利用误差传递的空气质量数据实时校准方法
CN106446405B (zh) 一种集成电路器件神经网络建模样本选择方法及装置
CN207675368U (zh) 一种溅射镀膜设备用真空计校正仪
CN111896909A (zh) 一种电能表误差修正方法及装置
CN108280300B (zh) 基于计算流体力学的大数据流量计开发方法
CN107944552A (zh) 一种基于Elman神经网络的工业物联网参数预测方法
CN114565186A (zh) 一种基于广义回归神经网络的预测风速校正方法和系统
CN112528566A (zh) 基于AdaBoost训练模型的空气质量数据实时校准方法及系统
CN116736895B (zh) 基于音速喷嘴法气体流量控制系统
CN112731266B (zh) 一种电能表现场校验非标条件下修正方法
CN105136343B (zh) 一种超声波热能计量装置的自愈式精度修正方法
CN116147724B (zh) 一种适用于超声水表的计量方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20160817

RJ01 Rejection of invention patent application after publication