CN111580570A - 容器液位监控方法及其系统 - Google Patents

Abstract

一种容器液位监控方法，包括：通过液位传感器、压力传感器以及温度传感器实时采集容器内的液位高度值、液体的压力值以及温度值，所述液位传感器、压力传感器以及温度传感器设于所述容器内；将所述液位高度值、压力值以及温度值输入液位监控模型，得到液位高度精确值，所述液位监控模型为RBF神经网络模型，所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练，使目标函数优化，所述训练样本包括液位高度值、压力值、温度值以及液位高度实际值，所述目标函数采用误差平方和最小函数。本发明提高了液位监控的准确性，提高了监控效率。

Description

容器液位监控方法及其系统

技术领域

本发明涉及液位监控技术领域，尤其涉及一种容器液位监控方法及其系统。

背景技术

近年来，随着科技的发展，容器液位监控技术也向着监控速度快、监控精度高方向发展。现有的液位测量传感器装置主要有差压式、浮体式、电容式、电极式等。但利用上述传感器进行单独测量常出现测量不准确的现象。同时，可能由于温度等外界因素变化带来监控数据的不准确，这些都会造成所谓的“假液位”。

发明内容

基于此，针对上述技术问题，提供一种容器液位监控方法及其系统。

为解决上述技术问题，本发明采用如下技术方案：

一种容器液位监控方法，包括：

通过液位传感器、压力传感器以及温度传感器实时采集容器内的液位高度值、液体的压力值以及温度值，所述液位传感器、压力传感器以及温度传感器设于所述容器内；

将所述液位高度值、压力值以及温度值输入液位监控模型，得到液位高度精确值，所述液位监控模型为RBF神经网络模型，所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练，使目标函数优化，所述训练样本包括液位高度值、压力值、温度值以及液位高度实际值，所述目标函数采用误差平方和最小函数。

由容器本地的数据终端通过液位传感器、压力传感器以及温度传感器实时采集容器内的液位高度值、液体的压力值以及温度值，并通过网络发送给云端服务器；

由所述云端服务器将所述液位高度值、压力值以及温度值输入所述液位监控模型，得到液位高度精确值；

该方法还包括：

由所述云端服务器将所述压力值、温度值以及外界温度信息输入液位预测模型，得到液位高度预测值，所述液位预测模型为RBF神经网络模型，所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练，使目标函数优化，所述训练样本包括压力值、温度值、外界温度信息以及液位高度实际值，所述目标函数采用误差平方和最小函数。

本方案还包括对数据进行预处理去噪后再输入模型，所述预处理去噪包括：

采用经验模态分解法EMD对数据进行分解；

去掉高频分量；

对其余分量进行数据重组。

所述RBF神经网络模型采用4-10-1结构。

所述学习算法采用RLS算法或者BP算法，所述BP算法为带有动量因子的BP算法，其权值更新公式如下：

其中，μ为学习因子，α为动量因子，

为J(k)对w(k)求偏导数，w(k)为更新前的权值，w(k+1)为更新后的权值。

本方案还涉及一种容器液位监控系统，包括：

数据采集模块，用于通过液位传感器、压力传感器以及温度传感器实时采集容器内的液位高度值、压力值以及温度值，所述液位传感器、压力传感器以及温度传感器设于所述容器内；

液位监控模块，用于将所述液位高度值、压力值以及温度值输入液位监控模型，得到液位高度精确值，所述液位监控模型为RBF神经网络模型，所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练，使目标函数优化，所述训练样本包括液位高度值、压力值、温度值以及液位高度实际值，所述目标函数采用误差平方和最小函数。

本方案还包括液位预测模块，用于将所述压力值、温度值以及外界温度信息输入液位预测模型，得到液位高度预测值，所述液位预测模型为RBF神经网络模型，所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练，使目标函数优化，所述训练样本包括压力值、温度值、外界温度信息以及液位高度实际值，所述目标函数采用误差平方和最小函数；

所述数据采集模块设于容器本地的数据终端内，所述液位监控模块以及液位预测模块均设于云端服务器内，所述数据终端通过网络与云端服务器连接。

本方案还包括数据预处理模块，用于对数据进行预处理去噪后再输入模型，所述数据预处理模块设于所述云端服务器内，所述预处理去噪包括：

采用经验模态分解法EMD对数据进行分解；

去掉高频分量；

对其余分量进行数据重组。

所述RBF神经网络模型采用4-10-1结构，并通过学习算法优化其参数。

所述学习算法采用RLS算法或者BP算法，所述BP算法为带有动量因子的BP算法，其权值更新公式如下：

其中，μ为学习因子，α为动量因子，

为J(k)对w(k)求偏导数，w(k)为更新前的权值，w(k+1)为更新后的权值。

本发明提高了液位监控的准确性，提高了监控效率。

附图说明

下面结合附图和具体实施方式对本发明进行详细说明：

图1为本发明方法的流程图；

图2为本发明系统的结构示意图；

图3为本发明的液位监控模型的训练示意图；

图4为本发明的预处理去噪流程图。

具体实施方式

如图1以及图2所示，一种容器液位监控方法，包括：

S101、通过液位传感器21、压力传感器22以及温度传感器23实时采集容器内的液位高度值、液体的压力值以及温度值。

其中，液位传感器21、压力传感器22以及温度传感器23设于容器20内。

S102、将上述液位高度值、压力值以及温度值输入液位监控模型，得到液位高度精确值。

其中，液位监控模型为RBF神经网络模型，RBF神经网络模型通过训练算法以及输入的训练样本进行训练，训练算法是为了训练神经网络的参数，从而使目标函数优化，训练样本包括液位高度值、压力值、温度值以及液位高度实际值，可以采用历史检测数据作为训练样本，目标函数采用误差平方和最小函数，使模型输出的液位值与液位高度实际值的误差平方和最小，参见图3。

RBF神经网络中，参数训练主要包括：隐含层基函数的中心、隐含层基函数的标准差以及隐含层与输出层间的权值。

在随机选取固定中心的方法中，基函数中心和标准差固定，需要训练的参数为隐含层与输出层之间的权值。中心选取的方式为在输入数据中随机选取，且选取后固定。基函数的标准差选取方式如下：

其中，d_max表示选取中心间距离的最大值，n表示隐含层节点的个数。

在中心和标准差都确定后，基函数为：

基函数φ为非线性函数，训练数据点X_k是φ的中心。基函数以输入空间的点X_i与中心X_k的距离作为函数的自变量。

本发明利用人工智能技术建立液位监控模型，即将各传感器信息引入到神经网络液位监控模型中来，通过已采集数据对该模型进行训练，通过该模型对液位进行监控，实时获得容器内的液位高度，提高了液位监控的准确性，提高了监控效率。

优选地，在本实施例中，步骤S101由容器本地的数据终端3通过液位传感器21、压力传感器22以及温度传感器23实时采集容器20内的液位高度值、液体的压力值以及温度值，并通过网络发送给云端服务器4；步骤S102由云端服务器4将液位高度值、压力值以及温度值输入液位监控模型，得到液位高度精确值。

优选地，本发明可以通过步骤S103对容器20未来的液位高度进行预测：

S103、由云端服务器4将压力值、温度值以及外界温度信息输入液位预测模型，得到液位高度预测值，液位预测模型为RBF神经网络模型，RBF神经网络模型通过训练算法以及输入的训练样本进行训练，使目标函数优化，训练样本包括压力值、温度值、外界温度信息以及液位高度实际值，可以采用历史检测数据作为训练样本，目标函数采用误差平方和最小函数。

预测可以分为长时间预测与短时间预测，具体根据用户需求来设定，可以以分钟，小时或者天来进行预测，当然相应的输入数据采用相同的时间标准。

如预测今天16点的液位高度，可以取前30天中每天16点的压力值、温度值、外界温度信息以及液位高度实际值对液位预测模型进行训练。

其中，在进行液位高度预测时，外界温度信息可以由人工输入云端服务器4，也可以由云端服务器4通过互联网获取容器所处地区的温度，或者可以在容器本地设置温度检测装置，检测值可以由数据终端3通过网络发送给云端服务器4。

优选地，本发明在将数据(液位高度值、压力值、温度值以及外界温度信息)输入模型(液位监控模型、液位预测模型)前，先进行预处理去噪，从而提高数据准确度。

具体地，如图4所示，预处理去噪包括：

一、采用经验模态分解法EMD对数据进行分解：对原始数据x(k)进行EMD分解，其由若干本征模态函数imf_i(k)和一个残余信号r_n(k)组成。分解结果为：

k代表第k个采样点。

由如下方法得到每一个本征模态函数：

1、极大值包络线e₊(k)和极小值包络线e_-(k)由原有数据x(k)的所有极大值点和极小值点中分别通过三次样条函数来拟合得到。其上下包络线的均值作为原始数据的均值包络m₁(k)，则

将原始数据序列减去m₁(k)，得到一个去掉低频的新数据

得到

一般，

不是一个平稳数据，不满足IMF的两个条件，重复上述过程，假定经过k次之后满足IMF的定义，则原始数据x(t)的一阶IMF分量为：

2、用原始数据减去imf₁(k)，得到新数据r₁(k)，则：r₁(k)＝x(k)-imf₁(k)。

3、如此反复进行，直到第n阶IMF分量或残余分量r_n(k)小于预设值或当残余分量r_n(k)是单调函数或常量时，EMD分解停止，得到相应的IMF分量。

二、去掉高频分量：通过对高频IMF分量、低频IMF分量和余量分析，同时噪声能量多集中于高频的特点，把分解后的数据去掉部分高频分量(根据不同采样数据进行不同处理，本实施例中把高频分量前两列去掉)，得到处理后的各分量。

二、对其余分量进行数据重组：

把去掉部分高频分量后的IMF分量imf_i'(k)数据进行重组，求得经过EMD处理后的数据，

在本实施例中，RBF神经网络模型采用4-10-1结构。

学习算法采用RLS(Recursive Least Square,RLS)算法或者BP(BackPropagation,BP)算法，为了解决易陷入极小值的问题，BP算法为带有动量因子的BP算法，从而提高算法的收敛速率。

权重可以通过以下目标函数(误差平方和最小函数)来训练：

其中，e(k)为预测模型的误差，

y(k)为液位高度实际值，

为本发明预测模型输出的液位高度值。

其权值更新公式如下：

其中，μ为学习因子，α为动量因子，

为J(k)对w(k)求偏导数，w(k)为更新前的权值，w(k+1)为更新后的权值。

当然，本发明并不限于RBF神经网络，也可以采用BP神经网络或者LSTM神经网络。

如图1以及图2所示，本发明还涉及一种容器液位监控系统，包括：

数据采集模块，用于执行：

S101、通过液位传感器21、压力传感器22以及温度传感器23实时采集容器内的液位高度值、液体的压力值以及温度值。

其中，液位传感器21、压力传感器22以及温度传感器23设于容器20内。

液位监控模块，用于执行：

S102、将上述液位高度值、压力值以及温度值输入液位监控模型，得到液位高度精确值。

其中，液位监控模型为RBF神经网络模型，RBF神经网络模型通过训练算法以及输入的训练样本进行训练，训练算法是为了训练神经网络的参数，从而使目标函数优化，训练样本包括液位高度值、压力值、温度值以及液位高度实际值，可以采用历史检测数据作为训练样本，目标函数采用误差平方和最小函数，使模型输出的液位值与液位高度实际值的误差平方和最小，参见图3。

RBF神经网络中，参数训练主要包括：隐含层基函数的中心、隐含层基函数的标准差以及隐含层与输出层间的权值。

在随机选取固定中心的方法中，基函数中心和标准差固定，需要训练的参数为隐含层与输出层之间的权值。中心选取的方式为在输入数据中随机选取，且选取后固定。基函数的标准差选取方式如下：

其中，d_max表示选取中心间距离的最大值，n表示隐含层节点的个数。

在中心和标准差都确定后，基函数为：

基函数φ为非线性函数，训练数据点X_k是φ的中心。基函数以输入空间的点X_i与中心X_k的距离作为函数的自变量。

本发明利用人工智能技术建立液位监控模型，即将各传感器信息引入到神经网络液位监控模型中来，通过已采集数据对该模型进行训练，通过该模型对液位进行监控，实时获得容器内的液位高度，提高了液位监控的准确性，提高了监控效率。

优选地，本发明还具有液位预测模块，用于执行步骤S103以对容器20未来的液位高度进行预测：

S103、由云端服务器4将压力值、温度值以及外界温度信息输入液位预测模型，得到液位高度预测值，液位预测模型为RBF神经网络模型，RBF神经网络模型通过训练算法以及输入的训练样本进行训练，使目标函数优化，训练样本包括压力值、温度值、外界温度信息以及液位高度实际值，可以采用历史检测数据作为训练样本，目标函数采用误差平方和最小函数。

预测可以分为长时间预测与短时间预测，具体根据用户需求来设定，可以以分钟，小时或者天来进行预测，当然相应的输入数据采用相同的时间标准。

如预测今天16点的液位高度，可以取前30天中每天16点的压力值、温度值、外界温度信息以及液位高度实际值对液位预测模型进行训练。

其中，在进行液位高度预测时，外界温度信息可以由人工输入云端服务器4，也可以由云端服务器4通过互联网获取容器所处地区的温度，或者可以在容器本地设置温度检测装置，检测值可以由数据终端3通过网络发送给云端服务器4。

数据采集模块设于容器本地的数据终端3内，液位监控模块以及液位预测模块均设于云端服务器4内，数据终端4通过网络与云端服务器4连接。

当然，还可以在云端服务器4内设置液位报警模块，当液位异常时可以进行报警。

优选地，本发明在将数据(液位高度值、压力值、温度值以及外界温度信息)输入模型(液位监控模型、液位预测模型)前，先进行预处理去噪，从而提高数据准确度。

具体地，如图4所示，预处理去噪包括：

一、采用经验模态分解法EMD对数据进行分解：对原始数据x(k)进行EMD分解，其由若干本征模态函数imf_i(k)和一个残余信号r_n(k)组成。分解结果为：

k代表第k个采样点。

由如下方法得到每一个本征模态函数：

2、极大值包络线e₊(k)和极小值包络线e_-(k)由原有数据x(k)的所有极大值点和极小值点中分别通过三次样条函数来拟合得到。其上下包络线的均值作为原始数据的均值包络m₁(k)，则

将原始数据序列减去m₁(k)，得到一个去掉低频的新数据

得到

一般，

不是一个平稳数据，不满足IMF的两个条件，重复上述过程，假定经过k次之后满足IMF的定义，则原始数据x(t)的一阶IMF分量为：

2、用原始数据减去imf₁(k)，得到新数据r₁(k)，则：r₁(k)＝x(k)-imf₁(k)。

3、如此反复进行，直到第n阶IMF分量或残余分量r_n(k)小于预设值或当残余分量r_n(k)是单调函数或常量时，EMD分解停止，得到相应的IMF分量。

二、去掉高频分量：通过对高频IMF分量、低频IMF分量和余量分析，同时噪声能量多集中于高频的特点，把分解后的数据去掉部分高频分量(根据不同采样数据进行不同处理，本实施例中把高频分量前两列去掉)，得到处理后的各分量。

二、对其余分量进行数据重组：

把去掉部分高频分量后的IMF分量imf_i'(k)数据进行重组，求得经过EMD处理后的数据，

在本实施例中，RBF神经网络模型采用4-10-1结构。

学习算法采用RLS(Recursive Least Square,RLS)算法或者BP(BackPropagation,BP)算法，为了解决易陷入极小值的问题，BP算法为带有动量因子的BP算法，从而提高算法的收敛速率。

权重可以通过以下目标函数(误差平方和最小函数)来训练：

其中，e(k)为预测模型的误差，

y(k)为液位高度实际值，

为本发明预测模型输出的液位高度值。

其权值更新公式如下：

其中，μ为学习因子，α为动量因子，

为J(k)对w(k)求偏导数，w(k)为更新前的权值，w(k+1)为更新后的权值。

当然，本发明并不限于RBF神经网络，也可以采用BP神经网络或者LSTM神经网络。

但是，本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。

Claims (10)

1.一种容器液位监控方法，其特征在于，包括：

通过液位传感器、压力传感器以及温度传感器实时采集容器内的液位高度值、液体的压力值以及温度值，所述液位传感器、压力传感器以及温度传感器设于所述容器内；

将所述液位高度值、压力值以及温度值输入液位监控模型，得到液位高度精确值，所述液位监控模型为RBF神经网络模型，所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练，使目标函数优化，所述训练样本包括液位高度值、压力值、温度值以及液位高度实际值，所述目标函数采用误差平方和最小函数。

2.根据权利要求1所述的一种容器液位监控方法，其特征在于，由容器本地的数据终端通过液位传感器、压力传感器以及温度传感器实时采集容器内的液位高度值、液体的压力值以及温度值，并通过网络发送给云端服务器；

由所述云端服务器将所述液位高度值、压力值以及温度值输入所述液位监控模型，得到液位高度精确值；

该方法还包括：

由所述云端服务器将所述压力值、温度值以及外界温度信息输入液位预测模型，得到液位高度预测值，所述液位预测模型为RBF神经网络模型，所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练，使目标函数优化，所述训练样本包括压力值、温度值、外界温度信息以及液位高度实际值，所述目标函数采用误差平方和最小函数。

3.根据权利要求2所述的一种容器液位监控方法，其特征在于，还包括对数据进行预处理去噪后再输入模型，所述预处理去噪包括：

采用经验模态分解法EMD对数据进行分解；

去掉高频分量；

对其余分量进行数据重组。

4.根据权利要求2或3所述的一种容器液位监控方法，其特征在于，所述RBF神经网络模型采用4-10-1结构。

5.根据权利要求4所述的一种容器液位监控方法，其特征在于，所述学习算法采用RLS算法或者BP算法，所述BP算法为带有动量因子的BP算法，其权值更新公式如下：

其中，μ为学习因子，α为动量因子，

为J(k)对w(k)求偏导数，w(k)为更新前的权值，w(k+1)为更新后的权值。

6.一种容器液位监控系统，其特征在于，包括：

数据采集模块，用于通过液位传感器、压力传感器以及温度传感器实时采集容器内的液位高度值、压力值以及温度值，所述液位传感器、压力传感器以及温度传感器设于所述容器内；

液位监控模块，用于将所述液位高度值、压力值以及温度值输入液位监控模型，得到液位高度精确值，所述液位监控模型为RBF神经网络模型，所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练，使目标函数优化，所述训练样本包括液位高度值、压力值、温度值以及液位高度实际值，所述目标函数采用误差平方和最小函数。

7.根据权利要求6所述的一种容器液位监控系统，其特征在于，还包括液位预测模块，用于将所述压力值、温度值以及外界温度信息输入液位预测模型，得到液位高度预测值，所述液位预测模型为RBF神经网络模型，所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练，使目标函数优化，所述训练样本包括压力值、温度值、外界温度信息以及液位高度实际值，所述目标函数采用误差平方和最小函数；

所述数据采集模块设于容器本地的数据终端内，所述液位监控模块以及液位预测模块均设于云端服务器内，所述数据终端通过网络与云端服务器连接。

8.根据权利要求7所述的一种容器液位监控系统，其特征在于，还包括数据预处理模块，用于对数据进行预处理去噪后再输入模型，所述数据预处理模块设于所述云端服务器内，所述预处理去噪包括：

采用经验模态分解法EMD对数据进行分解；

去掉高频分量；

对其余分量进行数据重组。

9.根据权利要求7或8所述的一种容器液位监控系统，其特征在于，所述RBF神经网络模型采用4-10-1结构，并通过学习算法优化其参数。

10.根据权利要求9所述的一种容器液位监控系统，其特征在于，所述学习算法采用RLS算法或者BP算法，所述BP算法为带有动量因子的BP算法，其权值更新公式如下：

其中，μ为学习因子，α为动量因子，

为J(k)对w(k)求偏导数，w(k)为更新前的权值，w(k+1)为更新后的权值。

Images