CN113108853A - 一种提高低流速流体流量测量精度的方法 - Google Patents
一种提高低流速流体流量测量精度的方法 Download PDFInfo
- Publication number
- CN113108853A CN113108853A CN202110378817.2A CN202110378817A CN113108853A CN 113108853 A CN113108853 A CN 113108853A CN 202110378817 A CN202110378817 A CN 202110378817A CN 113108853 A CN113108853 A CN 113108853A
- Authority
- CN
- China
- Prior art keywords
- fluid
- flow
- ultrasonic
- obtaining
- low
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
- G01F1/66—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow by measuring frequency, phase shift or propagation time of electromagnetic or other waves, e.g. using ultrasonic flowmeters
- G01F1/667—Arrangements of transducers for ultrasonic flowmeters; Circuits for operating ultrasonic flowmeters
Abstract
本发明提供一种提高低流速流体流量测量精度的方法,通过超声波换能器接收端获取回波信号,在处理分析后获得信号的幅度和能量的大小;再建立基于极值动力学优化算法的RBF神经网络模型,将超声波回波信号幅度和能量的大小用于训练基于极值动力学优化算法的RBF神经网络模型,获得神经网络的基函数中心和权值;计算超声波频率偏移量,通过训练好的神经网络获得流体超声波频率偏移量;获取低流速流体流量,根据低流速情况下的流体模型得到流速公式,进而获得流体流量。本发明可以解决流体流速过低引起的流量测量不精准的问题,使低流速情况下的流量测量结果更精确,实时性强,稳定性高。
Description
技术领域
本发明涉及流量测量精度技术领域,尤其涉及一种提高低流速流体流量测量精度的方法。
背景技术
流体在低流速情况下流动是工业生产和环境中不可避免的现象,流体在低流速情况下的流量也是非常重要的一个数据,这将直接影响工业生产成本和效率,提高流体在低流速情况下的流量测量精度是急需要解决的问题。
根据查阅的资料,低流速流体的流量不易测量,流速越低,流量测量精度越低,这是由于跟流速有关的参数都会因为流速低而变得很微弱,使得测量困难,难以精确分析相关参数。现在的文献中也提出了流体在低流速情况下的流量测量方法,利用超声波来测量低流速流体流量,再使用频谱细化方法分析回波信号频谱,可以提高低流速情况下的流体流量测量精度,常用的细化方法有ZOOM-FFT(复调制频谱细化方法),小波变换细化方法,有的文献会增加超声波通道数,还有的文献会将频谱细化方法和神经网络结合起来,这些方法虽然能让流量测量精度有一定的提高,但是依旧存在不可忽视的问题,比如处理时间过长,硬件设计对信号的处理有一定的影响,以及计算量较大,都会降低流量测量的精度和实时性。
科氏流量计具有很高的测量精度,尤其能测量带有颗粒的流体,但是价格昂贵,性价比不高。本发明采用科氏流量计作为参考基准。
发明内容
本发明的目的在于解决上述现有技术存在的缺陷,提供一种提高低流速流体流量测量精度的方法,旨在解决在低流速情况下流体流量测量精度不够高的问题。
本发明采用如下技术方案:
一种提高低流速流体流量测量精度的方法,包括如下步骤:
步骤a.获取超声波回波信号,对超声波回波信号进行处理分析获得信号的幅度和能量的大小;
步骤b.建立基于极值动力学优化算法的RBF神经网络模型,将步骤a得到的信号幅度和能量的大小用于训练基于极值动力学优化算法的RBF神经网络模型,获得神经网络的基函数中心和权值;
步骤c.计算超声波频率偏移量,将获得的超声波回波信号经过处理分析后,得到信号的幅度和大小,再输入训练好的神经网络获得流体超声波频率偏移量ffluid;
步骤d.获取低流体流量,根据低流速情况下的流体模型得到流速公式,进而获得流体流量。
进一步的技术方案是,所述步骤a中,使用超声波换能器对带颗粒液体管道进行测量。
进一步的技术方案是,从步骤c获取了超声波频率偏移量后,通过下式计算流体流量:
式中,f1为超声波换能器发射端发射频率,fs为超声波到达流体中非液态粒子时的频率,fr为超声波换能器接收端接收频率,υc为超声波在流体中的初始流速,υfluid为流体流速,θ超声波换能器发射端与流体垂直横截面的角度,σ超声波换能器接收端与流体垂直横截面的角度;
将上述两式左右两边分别相乘可得:
可得低流速流体流量Qfluid为:
n为非液态粒子总数,S流体垂直横截面面积,X为非液态粒子单位时间移动距离,θm为超声波换能器发射端与流体垂直横截面的角度,σm为超声波换能器接收端与流体垂直横截面的角度。
本发明的有益效果:
本发明提供的一种提高低流速流体流量测量精度的方法,相比于现有的流量测量方法具有以下的特点:由于流体存在重力,超声波换能器发射端和接收端与流体横截面的角度是不一样的,反射区域也在流体中心横轴线的上方;超声波频率偏移量采用的基于极值动力学优化算法的RBF神经网络模型来训练得到的;流体流量的计算采用了和流体流速有关的移动距离的加权平均方法,大大减少了计算量和处理时间,提高了低流速下流体测量精度和效率,实时性强,稳定性高。
附图说明
图1为本发明提供的实施例的流程图;
图2为本发明提供的实施例超声波流量测量原理图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明主要用于低流速流体流量的测量。
如图1所示,本发明提供的一种提高低流速流体流量测量精度的方法,包括以下步骤:
S11:对超声波回波信号进行处理分析获得信号的幅度和能量的大小;
S12:建立基于极值动力学优化算法的RBF神经网络模型,训练模型获得优化后的神经网络的基函数中心和权值;
S13:通过训练好的神经网络模型获得流体超声波频率偏移量ffluid;
S14:根据低流速情况下的流体模型得到流速公式,计算得到低流速流体流量。
下面结合具体实施例对本发明的应用原理作出进一步的说明。
如图2所示,管道内为带有颗粒的流动液体,分别使安装的超声波换能器输入端和超声波换能器输出端与管道横截面轴线的角度不一致,得到的非液态粒子反射区在流体中心线上方,将采集到的超声波回波信号进行处理和波形图分析,得到信号的幅度和能量的大小。
建立RBF神经网络模型,再接入极值动力学优化算法,将得到的信号幅度和能量的大小和超声波频率偏移量组成的训练样本用于训练基于极值动力学优化算法的RBF神经网络模型;随机产生一个初始个体Sn,设迄今为止找到的最优解为Sx,其目标函数为Sn,则初始Sx=Sn,F(Sx)=F(Sn);分别对Sn中各个组元进行非均匀算子变异,变异时保持其他组员不变,得到n个个体,计算n个个体的适应度值,找出适应度值最小的个体Sx;令Sx=Sn,若目标函数小于迄今为止找到的最优目标函数值F(Sx),且惩罚函数的值为0,则令Sx=Sn,F(Sx)=F(Sn);若不满足终止条件,从组元变异开始重复上述步骤,直到满足终止条件;返回最优解St和最优目标函数值F(St);以此获得神经网络的最优基函数中心和权值。
将测试样本输入训练好的神经网络获得流体超声波频率偏移量ffluid。
获取低流速流体流量,根据低流速情况下的流体模型得到流速公式,进而获得低流速流体流量Qfluid:
n为非液态粒子总数,S流体垂直横截面面积,X为非液态粒子单位时间移动距离,θm为超声波换能器发射端与流体垂直横截面的角度,σm为超声波换能器接收端与流体垂直横截面的角度。
建立好小波神经网络模型,将上述训练样本用于训练小波神经网络,再将测试样本输入训练好的小波神经网络中获得流体超声波频率偏移量,最后再计算得到管道流体流量。
使用复调制频谱细化方法对上述训练样本原始数据进行频谱细化得到超声波频率偏移量,再计算得到管道流体流量。
再使用科氏流量计测量的流体流量作为参考流量。
上述流量测量方法测得的管道内低流速流体流量如下表1所示:
表1
流量测量方法 | 小波神经网络 | 复调制频谱细化 | 本发明 | 科氏流量计 |
流体流量(m/s) | 1.2588 | 1.2555 | 1.2545 | 1.253 |
将本发明和小波神经网络,复调制频谱细化方法进行精度比较可得到下表2数据:
表2
从表2可以得到以下结论:本发明与其他三种流量测量方法相比,流量测量精度明显提高,计算量和处理时间也大大降低了,提高了低流速下流体测量精度和效率,实时性强,稳定性高。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (3)
1.一种提高低流速流体流量测量精度的方法,其特征在于,包括以下步骤:
步骤1.获取超声波回波信号
对超声波回波信号进行处理分析获得信号的幅度和能量的大小;
步骤2.建立基于极值动力学优化算法的RBF神经网络模型
将步骤1得到的信号幅度和能量的大小用于训练基于极值动力学优化算法的RBF神经网络模型,获得神经网络的基函数中心和权值;
步骤3.计算超声波频率偏移量
将获得的超声波回波信号经过处理分析后,得到信号的幅度和大小,再输入训练好的神经网络模型获得流体超声波频率偏移量ffluid;
步骤4.获取低流速流体流量
根据低流速情况下的流体模型得到流速公式,进而获得流体流量。
2.根据权利要求1所述的提高低流速流体流量测量精度的方法,其特征在于,所述步骤1中,使用超声波换能器对带颗粒液体管道进行测量,从而获得超声波回波信号。
3.根据权利要求1所述的提高低流速流体流量测量精度的方法,其特征在于,所述步骤3中,获得的超声波频率偏移量ffluid后,通过下式计算流体流量:
式中,f1为超声波换能器发射端发射频率,fs为超声波到达流体中非液态粒子时的频率,fr为超声波换能器接收端接收频率,υc为超声波在流体中的初始流速,υfluid为流体流速,θ超声波换能器发射端与流体垂直横截面的角度,σ超声波换能器接收端与流体垂直横截面的角度;
将上述两式左右两边分别相乘可得:
可得流体流量为:
n为非液态粒子总数,S为流体垂直横截面面积,X为非液态粒子单位时间移动距离,Qfluid为低流速流体流量,θm为超声波换能器发射端与流体垂直横截面的角度,σm为超声波换能器接收端与流体垂直横截面的角度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110378817.2A CN113108853B (zh) | 2021-04-08 | 2021-04-08 | 一种提高低流速流体流量测量精度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110378817.2A CN113108853B (zh) | 2021-04-08 | 2021-04-08 | 一种提高低流速流体流量测量精度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113108853A true CN113108853A (zh) | 2021-07-13 |
CN113108853B CN113108853B (zh) | 2022-05-06 |
Family
ID=76714674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110378817.2A Active CN113108853B (zh) | 2021-04-08 | 2021-04-08 | 一种提高低流速流体流量测量精度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113108853B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5741980A (en) * | 1994-11-02 | 1998-04-21 | Foster-Miller, Inc. | Flow analysis system and method |
JP2008026103A (ja) * | 2006-07-20 | 2008-02-07 | Matsushita Electric Ind Co Ltd | 超音波流速計 |
CN103061753A (zh) * | 2013-01-18 | 2013-04-24 | 西南石油大学 | 一种随钻井下流量测量监测早期溢流的装置 |
CN104101687A (zh) * | 2014-07-10 | 2014-10-15 | 天津大学 | 基于超声多普勒与电学多传感器的多相流可视化测试方法 |
CN104502626A (zh) * | 2014-12-03 | 2015-04-08 | 国网河南省电力公司电力科学研究院 | 一种高动态响应的油流速度测量装置及测量方法 |
WO2015096901A1 (en) * | 2013-12-27 | 2015-07-02 | Xsens As | Sensor apparatus and method for measuring flow |
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 |
CN107014451A (zh) * | 2017-05-03 | 2017-08-04 | 东南大学 | 基于广义回归神经网络推测超声波流量传感器系数的方法 |
CN107367306A (zh) * | 2017-08-31 | 2017-11-21 | 合肥工业大学 | 一种基于Kalman滤波的气体超声波流量计融合方法和系统 |
CN109029602A (zh) * | 2018-08-28 | 2018-12-18 | 泰华智慧产业集团股份有限公司 | 基于超声波的流量测量方法及流量计 |
CN109724657A (zh) * | 2018-12-29 | 2019-05-07 | 杭州莱宸科技有限公司 | 基于改进的Elman神经网络的水表流量计量方法和系统 |
CN110348112A (zh) * | 2019-07-09 | 2019-10-18 | 西南石油大学 | 一种计算天然气放空管道最大流速的自适应约束方法 |
-
2021
- 2021-04-08 CN CN202110378817.2A patent/CN113108853B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5741980A (en) * | 1994-11-02 | 1998-04-21 | Foster-Miller, Inc. | Flow analysis system and method |
JP2008026103A (ja) * | 2006-07-20 | 2008-02-07 | Matsushita Electric Ind Co Ltd | 超音波流速計 |
CN103061753A (zh) * | 2013-01-18 | 2013-04-24 | 西南石油大学 | 一种随钻井下流量测量监测早期溢流的装置 |
WO2015096901A1 (en) * | 2013-12-27 | 2015-07-02 | Xsens As | Sensor apparatus and method for measuring flow |
CN104101687A (zh) * | 2014-07-10 | 2014-10-15 | 天津大学 | 基于超声多普勒与电学多传感器的多相流可视化测试方法 |
CN104502626A (zh) * | 2014-12-03 | 2015-04-08 | 国网河南省电力公司电力科学研究院 | 一种高动态响应的油流速度测量装置及测量方法 |
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 |
CN107014451A (zh) * | 2017-05-03 | 2017-08-04 | 东南大学 | 基于广义回归神经网络推测超声波流量传感器系数的方法 |
CN107367306A (zh) * | 2017-08-31 | 2017-11-21 | 合肥工业大学 | 一种基于Kalman滤波的气体超声波流量计融合方法和系统 |
CN109029602A (zh) * | 2018-08-28 | 2018-12-18 | 泰华智慧产业集团股份有限公司 | 基于超声波的流量测量方法及流量计 |
CN109724657A (zh) * | 2018-12-29 | 2019-05-07 | 杭州莱宸科技有限公司 | 基于改进的Elman神经网络的水表流量计量方法和系统 |
CN110348112A (zh) * | 2019-07-09 | 2019-10-18 | 西南石油大学 | 一种计算天然气放空管道最大流速的自适应约束方法 |
Non-Patent Citations (1)
Title |
---|
高正中: "基于BP 神经网络的超声波流量计的设计", 《现代电子技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113108853B (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106768109B (zh) | 基于回波上升段峰值拟合和基于回波能量点定位的气体超声波流量计信号处理方法 | |
CN101189508B (zh) | 用于确定管道粗糙度的方法和超声仪系统 | |
CN105157771B (zh) | 一种时差式超声波流量测量方法及装置 | |
CN110346004B (zh) | 一种双声道超声时差法的流量测量数据融合方法 | |
CN106643939A (zh) | 用于超声波流量计计算超声波传播时间的方法 | |
CN110658508B (zh) | 一种基于特征量的k分布海杂波参数估计方法 | |
CN111351540B (zh) | 一种气力输送过程中颗粒质量流率的检测方法和系统 | |
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 | |
CN105092430A (zh) | 一种基于发散超声波衰减的颗粒粒度测量装置及方法 | |
CN106290977B (zh) | 用多普勒超声波流速仪得到水流速信号的处理方法 | |
CN109029598A (zh) | 一种互相关法气体超声波流量计中基于主次包络结合处的参考波形选取方法 | |
CN111337071A (zh) | 一种天然气计量评价系统 | |
CN114964429A (zh) | 一种超声波水表检定方法 | |
CN114994175A (zh) | 模态分解双谱分析的空耦超声应力检测装置及方法 | |
Wang et al. | A new method for processing ultrasonic gas flowmeter signal in wet gas | |
CN113108853B (zh) | 一种提高低流速流体流量测量精度的方法 | |
CN112785052B (zh) | 基于粒子滤波算法的风速风向预测方法 | |
CN107270983A (zh) | 基于瞬时流量的数据搭建超声波流量模型的方法 | |
CN109632025B (zh) | 针对声学多普勒流量计的流速的数据处理方法 | |
Zheng et al. | Study on the measurement method of wet gas flow velocity by ultrasonic flow meter | |
CN109188016A (zh) | 油气水三相流分相流速声电双模态测量方法 | |
CN114965199A (zh) | 基于kaf-rbf协同融合的悬移质含沙量测量方法 | |
CN210464571U (zh) | 渠道流量测量设备 | |
CN109931996B (zh) | 一种准确测量气体超声流量计信号传播时间的方法 | |
CN109806815B (zh) | 基于液速波动的射流鼓泡反应器气液分散状态检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |