CN111982248B - 一种改进的传感器动态数据融合方法 - Google Patents

Abstract

本发明公开了一种传感器动态数据融合方法。该发明首先采用t检验法两个声道每秒测量的时差数据进行粗大误差剔除，再通过组内加权法获得较为真实的瞬时流量估计值，然后将不同声路和不同时刻的瞬时流量映射为一致性测度矩阵，并且对一致性测度矩阵中的元素进行F检验，最后通过计算矩阵的特征值和权重映射函数得到可靠的融合值。本发明能够减小测量过程中随机误差的干扰，无需计算测量数据和噪声的概率分布，有效关联超声波换能器的时空信息，具有较强的适用性。并且该方法可以对超声水表两个声道工作状态进行故障诊断，识别故障声道，剔除故障声路的数据，有效提高超声水表流量测量的准确性和可靠度。

Description

一种改进的传感器动态数据融合方法

技术领域

本发明属于流量检测技术领域，涉及一种针对双声路超声水表的传感器动态数据融合方法。

背景技术

中、大口径的超声水表常采用双声道测量方法，由于管道内产生扰流、流动噪声、气泡会干扰回波信号会导致对超声波顺逆流时间的测量产生负面影响，进而导致测量值产生误差和错误，常采用卡尔曼滤波法、权重系数法等方法进行数据融合来处理测量数据对流场分布影响进行补偿。

在数据处理方面，采用一致性融合算法来处理测量数据，计算各个传感器数据之间的支持程度，能摆脱对先验信息的依赖，通过构建合适的映射函数来判断超声波双声道各个传感器输出之间的支持程度并建立一致性测度矩阵，综合利用矩阵特征值和权重映射函数，对各个时刻的测量值融合，充分利用双声道传感器同一时刻测量数据的一致性和对不同时刻观测数据的可靠性，达到较好的融合效果。然而，当某一声道受到较大干扰或者故障时，系统仍按照设定的一致性融合算法进行流量计算，会导致超声流量测量值产生严重偏差或错误，降低超声流量测量的准确性和水表的可靠性。

发明内容

本发明针对现有双声道超声波流量测量数据的一致性数据融合方法的不足，提出一种具有故障诊断功能的双声道超声波流量测量一致性数据融合方法，该方法可以自动识别故障声道，剔除故障声道数据，有效提高超声流量测量数据的准确性和可靠性。

本发明的主要技术构思：首先，将两个声道的时差数据按照t检验法进行粗大误差的剔除，然后通过组内加权法获得瞬时流量的估计值。其次，对流量估计值构建一致性测度矩阵并用F检验法来分析其中的一致性信息，可判定超声水表的测量状态并进行故障诊断。

本发明解决技术问题采取的技术方案为：首先采用t检验法对两个声道的时差数据进行粗大误差剔除，再通过组内加权法获得较为真实的瞬时流量估计值。超声水表测量的实时性要求较高，本发明通过构建实时性与适用性好的映射函数可将不同声路和不同时刻的瞬时流量估计值映射为一致性测度矩阵。并通过计算矩阵的特征值和权重映射函数，可得到融合值。其次，为了比较测量值的组间差异，本发明对一致性测度矩阵中的元素进行F检验，来对超声水表的工作状况进行故障诊断，提高超声水表的可靠性。

本发明的有益效果在于：本发明的传感器动态数据融合方法首先用t检验法进行粗大误差的剔除，然后通过组内加权法获得瞬时流量的估计值，旨在减小测量过程中随机误差的干扰，提高时差测量准确度和数据融合效果。其次，为了减小管道内涡流、扰流和气泡等因素对超声水表的影响，采用改进的一致性数据融合算法，不仅能够充分利用双声道各传感器在整个测量区间内所蕴含的一致性和可靠性信息，还能通过在数据融合过程中对一致性信息进行F检验，判断超声水表的工作状态并对超声水表进行故障判别，剔除故障声路的数据，保证一致性数据融合算法的可靠性，提高双声路超声水表流量测量的准确度和可靠度。

附图说明

图1为本发明实施例中超声水表的电路总体框图；

图2为改进的传感器动态数据融合算法的流程图；

图3为数据融合算法效果对比图；

图4传感器动态数据融合算法故障识别图；

图5数据融合算法动态性能图。

具体实施方式

以下结合附图对本发明进行进一步的详细描述。

本实施例中使用的超声水表电路原理图如图1所示，其硬件电路主要由主控制模块、超声发射电路模块、时间测量模块、信号切换电路、放大滤波和比较电路组成。

如图2所示为改进的传感器动态数据融合方法流程图，本方法步骤如下所示：

步骤一：超声测量系统设定两个声道每秒分别测量得到40个时差值，首先采用t检验准则对两个声道时差值分别进行粗大误差剔除，然后根据加权法构造一种置信距离f_0j和组内加权系数b_j，通过组内加权法获得较为真实的流量估计值，构造方法如公式(1)和(2)所示。

式中，x_i表示第i个数据，

为x_i(i＝1，2，3，...，n)的算数平均值。该方法可以看出，若置信距离f_0j的值越小，则第j个数据占有有效值的权重越大，效果愈明显。当

时，说明该组数据中的x_k数据完全吻合次优估计值

此时令该组的无偏估计值

步骤二：一致性融合算法主要用支持度来判断n个传感器输出之间的支持程度，各传感器的支持度矩阵可表示为公式(3)。

矩阵中，d_ij(k)＝f₁(X_i(k)，X_j(k))，i，j＝1，2，...，n。其中，f₁为传感器输出值到支持度矩阵D(k)的一个映射函数。为了满足超声水表测量的实时性要求，针对传感器数据支持程度，引入距离的概念，定义传感器i和传感器j在k时刻的距离为：

d_ij(k)＝|x_i(k)-x_j(k)| (4)

式中可以看出，d_ij(k)值越小，传感器i和传感器j之间的支持程度就越高，两者就越一致地反映了被测的常值参数，两者融合必能使测量过程中的不确定度减小。

分别引入上一时刻声道一的估计值X₁(k-1)，上一时刻声道二部估计值X₂(k-1)和上一时刻融合值X₃(k-1)。这些值与当前两个声路的测量值X₄(k)与X₅(k)构成一向量β＝[X₁(k-1)，X₂(k-1)，X₃(k-1)，X₄(k)，X₅(k)]。β通过上述公式(4)可得到5×5的支持度矩阵D_5×5。

通过构建支持度矩阵D_5×5可计算传感器一致性测度：

式中，r_i(k)在d_ij(k)∈[0，+∞)上从1～0依次递减，若一致性测度较小，则说明两组数据的相对距离较大，因此差异也越大。所以将该函数作为支持度到传感器一致性测度的映射函数，得到的一致性测度矩阵如下：

为实对称矩阵，其中，r₁₄表示X₁(k-1)与X₄(k)的一致性测度，r₂₅表示X₂(k-1)与X₅(k)的一致性测度，其余同理。通过分析一致性测度矩阵R(k)各个元素之间的关系，可以挖掘出隐藏的具有潜在价值的信息。通过这种信息，可以判定超声水表的测量状态。

步骤三：计算为实对称矩阵R(k)的特征向量C＝[C₁，C₂，…，C_i，…C_n]，其中C_i表示第i个特征值。由此可得第i组数据的权重系数，计算公式如下：

步骤四：为了比较不同时刻、不同声路测量值之间的差异，将一致性测度矩阵R(k)_5×5中的元素分解为多个部分，每个部分内的元素都具有一定的关联性。而为了量化、分析并区分这种组间差异，本文从统计学的角度来进行计算和分析。

对一致性测度矩阵R(k)_5×5中的元素进行方差分析(F检验)，来判断两个独立样本是否具有显著性。假设声路一的测量值和声路二的测量值相互独立，且均服从正态分布，

和

分别为两个独立样本的样本方差，构建检验统计量：

原假设H₀认为两个独立样本均来自同一总体，备择假设H₀认为两个独立样本来自不同的总体。根据统计量F的自由度和显著性水平α，查表可得到临界值F_α/2和F_1-α/2。若F在两个临界值之内，则接受原假设，认为两个独立样本来自同一总体；反之，接受备择假设。样本方差的计算如下：

为一致性测度r₁₃、r₂₄和r₂₃的平均值；

为一致性测度r₁₄、r₂₄和r₃₄的平均值；

为一致性测度r₁₅、r₂₅和r₃₅的平均值。

步骤五：通过分析F₁与F₂之间的关系，可以判断当前超声水表的测量状态，计算式如下：

根据F₁与F₂之间的关系，可以判定超声水表的工作状态，判定表如下表所示。

表1双声路超声水表测量状态判定表

如图4所示，当声路二在12秒左右发生故障，传感器动态数据融合算法能有效判别故障声路，并剔除错误的数据，提高了超声水表的可靠性。同时由图5可以看出，当流量突变上升时，融合算法同样具有较好的动态适应性。

步骤六：若传感器的输出数据可以进行融合，则输出值X(k)的融合方程如下所示：

由图3可知，经过数据融合之后数据更加平滑，波动较小，具有较好的滤波效果。

Claims (1)

1.一种改进的传感器动态数据融合方法，其特征在于：

采用t检验法对两个声道每秒测量的时差数据进行粗大误差剔除，

通过组内加权法将两个声道不包含粗大误差的时差数据进行估算求得瞬时流量；

对流量估计值构建一致性测度矩阵得到融合值，并用F检验法来分析其中的一致性信息，对超声水表工作状况进行故障诊断，剔除故障数据，得到最终融合后的传感器数据；

具体是：

引入上一时刻声道一的估计值

上一时刻声道二的估计值

和上一时刻融合值

这些值与当前两个声路的测量值

与

构成向量

构建5×5的支持度矩阵D_5×5，计算传感器一致性测度，通过映射函数得到一致性测度矩阵R(k)_5×5；

根据一致性测度矩阵特征向量值得到第i组的权重系数w_i，并利用F检验对一致性测度矩阵元素进行分析,判断当前超声水表的测量状态，若传感器输出数据可以进行融合，则融合方程如下所示：

最终输出的X(k)作为k时刻超声水表测量的瞬时流量。

Images