CN113566929A - 基于lstm的油罐液面超声测量方法、系统、终端及存储介质 - Google Patents

基于lstm的油罐液面超声测量方法、系统、终端及存储介质 Download PDF

Info

Publication number
CN113566929A
CN113566929A CN202111132219.3A CN202111132219A CN113566929A CN 113566929 A CN113566929 A CN 113566929A CN 202111132219 A CN202111132219 A CN 202111132219A CN 113566929 A CN113566929 A CN 113566929A
Authority
CN
China
Prior art keywords
liquid level
time sequence
height
ultrasonic
pulse signal
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
CN202111132219.3A
Other languages
English (en)
Inventor
孙淑华
王少振
邢建斌
王辉
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.)
SHANDONG XIWANG FOOD CO Ltd
Original Assignee
SHANDONG XIWANG FOOD 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 SHANDONG XIWANG FOOD CO Ltd filed Critical SHANDONG XIWANG FOOD CO Ltd
Priority to CN202111132219.3A priority Critical patent/CN113566929A/zh
Publication of CN113566929A publication Critical patent/CN113566929A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
    • G01F23/22—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water
    • G01F23/28—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water by measuring the variations of parameters of electromagnetic or acoustic waves applied directly to the liquid or fluent solid material
    • G01F23/296—Acoustic waves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Abstract

本发明提供一种基于LSTM的油罐液面超声测量方法、系统、终端及存储介质，包括：利用超声波装置定期采集油罐液面高度，生成液面时间序列；利用预先训练好的长短期记忆人工神经网络模型对所述液面时间序列进行处理，得到预测液面高度；利用所述液面时间序列生成液面波动曲线图，并将所述液面波动曲线图和所述预测液面高度输出显示。本发明将实际检测的油罐液面高度导入训练好的长短期记忆人工神经网络模型，从而得到预测液面高度，预测液面高度是长短期记忆人工神经网络模型基于一个实际的液面高度趋势学习得到的数值，受液面波动的影响较小，因此相较于传统的液面测量方法得到的结果，准确度更佳。

Description

基于LSTM的油罐液面超声测量方法、系统、终端及存储介质
技术领域
本发明涉及食品加工技术领域，具体涉及一种基于LSTM的油罐液面超声测量方法、系统、终端及存储介质。
背景技术
油罐是用于储存油品的且具有较规则形体的大型容器，按建造材料的不同可以分为金属油罐和非金属油罐，金属油罐大多数是钢制油罐，油罐液面检测在食品自动化加工行业是非常必要的。
现有的液面高度测试方法有利用超声波反射原理的超声波装置，这种装置对于平稳液面的高度测量准确性达标，但是如果油罐处于排油的状态时，油罐内液面是波动的，此时超声波装置检测的液面高度往往是失真的。
发明内容
针对现有技术的上述不足，本发明提供一种基于LSTM的油罐液面超声测量方法、系统、终端及存储介质，以解决上述技术问题。
第一方面，本发明提供一种基于LSTM的油罐液面超声测量方法，包括：
利用超声波装置定期采集油罐液面高度，生成液面时间序列；
利用预先训练好的长短期记忆人工神经网络模型对所述液面时间序列进行处理，得到预测液面高度；
利用所述液面时间序列生成液面波动曲线图，并将所述液面波动曲线图和所述预测液面高度输出显示。
进一步的，利用超声波装置定期采集油罐液面高度，生成液面时间序列，包括：
设定采集周期，根据所述采集周期定期向设置在油罐顶部的超声波装置发送脉冲信号，所述脉冲信号触发超声波装置发送超声波；基于超声波的传播速度和超声波装置回收已发送的超声波的时长计算液面高度；
根据液面高度的采集时间对每次采集的液面高度进行排序，生成液面时间序列。
进一步的，根据所述采集周期定期向设置在油罐顶部的超声波装置发送脉冲信号，包括：
对发送的脉冲信号进行宽度测量，判断测量得到的脉冲宽度与本地存储的标准宽度是否一致：
若是，则将所述脉冲信号发送至超声波装置；
若否，则将所述脉冲信号的信号宽度调整至与所述标准宽度一致，并将调整后的脉冲信号发送至超声波装置。
进一步的，利用预先训练好的长短期记忆人工神经网络模型对所述液面时间序列进行处理，得到预测液面高度，包括：
计算液面时间序列中相邻的液面高度差值，若所述差值超过设定的波动阈值，则对所述液面时间序列进行去燥并对去燥后的液面时间序列进行归一化处理；
调用所述长短期记忆人工神经网络模型对归一化处理后的液面时间序列进行处理。
进一步的，长短期记忆人工神经网络模型的训练方法包括：
构建训练数据集，在所述训练数据集中存储大量的液面时间序列，每个液面时间序列的最后一个液面高度均为液面平稳状态下的准确液面高度；
利用所述训练数据集对长短期记忆人工神经网络模型进行训练，获得最优的长短期记忆人工神经网络模型。
第二方面，本发明提供一种基于LSTM的油罐液面超声测量系统，包括：
液面监控单元，用于利用超声波装置定期采集油罐液面高度，生成液面时间序列；
高度预测单元，用于利用预先训练好的长短期记忆人工神经网络模型对所述液面时间序列进行处理，得到预测液面高度；
液面显示单元，用于利用所述液面时间序列生成液面波动曲线图，并将所述液面波动曲线图和所述预测液面高度输出显示。
进一步的，所述液面监控单元用于：
设定采集周期，根据所述采集周期定期向设置在油罐顶部的超声波装置发送脉冲信号，所述脉冲信号触发超声波装置发送超声波；基于超声波的传播速度和超声波装置回收已发送的超声波的时长计算液面高度；
根据液面高度的采集时间对每次采集的液面高度进行排序，生成液面时间序列。
进一步的，所述液面监控单元还用于：
对发送的脉冲信号进行宽度测量，判断测量得到的脉冲宽度与本地存储的标准宽度是否一致：
若是，则将所述脉冲信号发送至超声波装置；
若否，则将所述脉冲信号的信号宽度调整至与所述标准宽度一致，并将调整后的脉冲信号发送至超声波装置。
进一步的，所述高度预测单元用于：
计算液面时间序列中相邻的液面高度差值，若所述差值超过设定的波动阈值，则对所述液面时间序列进行去燥并对去燥后的液面时间序列进行归一化处理；
调用所述长短期记忆人工神经网络模型对归一化处理后的液面时间序列进行处理。
进一步的，长短期记忆人工神经网络模型的训练方法包括：
构建训练数据集，在所述训练数据集中存储大量的液面时间序列，每个液面时间序列的最后一个液面高度均为液面平稳状态下的准确液面高度；
利用所述训练数据集对长短期记忆人工神经网络模型进行训练，获得最优的长短期记忆人工神经网络模型。
第三方面，提供一种终端，包括：
处理器、存储器，其中，
该存储器用于存储计算机程序，
该处理器用于从存储器中调用并运行该计算机程序，使得终端执行上述的终端的方法。
第四方面，提供了一种计算机存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。
本发明的有益效果在于，本发明提供的基于LSTM的油罐液面超声测量方法、系统、终端及存储介质，通过利用超声波装置定期采集油罐液面高度，生成液面时间序列；利用预先训练好的长短期记忆人工神经网络模型对所述液面时间序列进行处理，得到预测液面高度；利用所述液面时间序列生成液面波动曲线图，并将所述液面波动曲线图和所述预测液面高度输出显示。本发明将实际检测的油罐液面高度导入训练好的长短期记忆人工神经网络模型，从而得到预测液面高度，预测液面高度是长短期记忆人工神经网络模型基于一个实际的液面高度趋势学习得到的数值，受液面波动的影响较小，因此相较于传统的液面测量方法得到的结果，准确度更佳。
此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的方法的示意性流程图。
图2是本发明一个实施例的系统的示意性框图。
图3为本发明实施例提供的一种终端的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
下面对本申请用到的长短期记忆人工神经网络模型进行解释：
长短期记忆网络（LSTM，Long Short-Term Memory）是一种时间循环神经网络，是为了解决一般的RNN（循环神经网络）存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式。在标准RNN中，这个重复的结构模块只有一个非常简单的结构，例如一个tanh层。其训练方法为了最小化训练误差，采用梯度下降法（Gradient descent）如：应用时序性倒传递算法，可用来依据错误修改每次的权重。梯度下降法在递回神经网络（RNN）中主要的问题初次在1991年发现，就是误差梯度随着事件间的时间长度成指数般的消失。当设置了LSTM 区块时，误差也随着倒回计算，从output影响回input阶段的每一个gate，直到这个数值被过滤掉。因此正常的倒传递类神经是一个有效训练LSTM区块记住长时间数值的方法。
图1是本发明一个实施例的方法的示意性流程图。其中，图1执行主体可以为一种基于LSTM的油罐液面超声测量系统。
如图1所示，该方法包括：
步骤110，利用超声波装置定期采集油罐液面高度，生成液面时间序列；
步骤120，利用预先训练好的长短期记忆人工神经网络模型对所述液面时间序列进行处理，得到预测液面高度；
步骤130，利用所述液面时间序列生成液面波动曲线图，并将所述液面波动曲线图和所述预测液面高度输出显示。
为了便于对本发明的理解，下面以本发明基于LSTM的油罐液面超声测量方法的原理，结合实施例中对波动状态下的油罐液面进行高度测量的过程，对本发明提供的基于LSTM的油罐液面超声测量方法做进一步的描述。
具体的，所述基于LSTM的油罐液面超声测量方法包括：
S1、利用超声波装置定期采集油罐液面高度，生成液面时间序列。
设定采集周期，根据采集周期定期向设置在油罐顶部的超声波装置发送脉冲信号，脉冲信号触发超声波装置发送超声波；基于超声波的传播速度和超声波装置回收已发送的超声波的时长计算液面高度；根据液面高度的采集时间对每次采集的液面高度进行排序，生成液面时间序列。
具体的，每隔30min向超声波装置发送一次脉冲信号，由于脉冲宽度影响超声波速度，因此向超声波装置发送脉冲信号的控制器的工作流程包括：脉冲宽度调整模块接收由脉冲输入模块传送的脉冲信号并调整被选择的脉冲信号的脉冲宽度，脉冲信号输出模块将来自脉宽调整模块的接收信号向外部输出，脉冲测量模块接收来自脉宽调整模块的一个输出，并测量调整的脉冲信号的脉冲宽度，存储模块能够存储从主控模块中接收的控制信号并把存储的控制信号输出到脉宽调整模块，脉冲输入模块用来输入主脉冲信号与参考脉冲信号，脉冲输入模块可选择的对输入脉冲宽度调整模块中输入主脉冲信号与参考脉冲信号，可以保障脉冲宽度恒定，从而降低脉冲宽度不恒定导致的误差，提升液位值检测精度。
超声波装置接收到脉冲信号后会发送超声波并进行页面高度计算，具体流程如下：
（1）通过控制器发送脉冲信号，并记录发送脉冲信号的时刻tp；
（2）安装容器内壁靠近顶端的超声波装置在接收到控制器发送的脉冲信号后，发出超声波信号；
（3）超声波装置在接收到与超声波信号对应的超声回波信号后，对应生成脉冲回波信号，同时将脉冲回波信号发送至控制器，控制器记录收到的脉冲回波信号的时刻tq；
（4）控制器计算时间差（tp-tq）为超声波信号及超声回波信号在容器中的传输时间，控制器根据时间差及实际声波传输速度确定容器中的液位值。
根据液面高度的采集时间对每次采集的液面高度进行排序，生成液面时间序列，液面时间序列为Hi=[ht1,ht2,…,htn]，其中，h为液面高度，i为采集液面高度的系统时间。
S2、利用预先训练好的长短期记忆人工神经网络模型对所述液面时间序列进行处理，得到预测液面高度。
计算液面时间序列中相邻的液面高度差值，若所述差值超过设定的波动阈值，说明此时油罐的液面是不稳定的，此时对液面时间序列进行去燥并对去燥后的液面时间序列进行归一化处理，液面时间序列Hi=[ht1,ht2,…,htn]经去燥和归一化处理后得到序列P=Y/sg=[P1,…,Pn]，其中Y为液面时间序列去平均后的序列，sg为去平均后的最大液面高度差；调用所述长短期记忆人工神经网络模型对归一化处理后的液面时间序列进行处理。
本实施例中模型训练包括：构建训练数据集，在所述训练数据集中存储大量的液面时间序列，每个液面时间序列的最后一个液面高度均为液面平稳状态下的准确液面高度；利用所述训练数据集对长短期记忆人工神经网络模型进行训练，获得最优的长短期记忆人工神经网络模型。本实施例设定长短期记忆人工神经网络模型的层数为7层。且设定液面时间序列为两天即48h内的数据。
S3、利用所述液面时间序列生成液面波动曲线图，并将所述液面波动曲线图和所述预测液面高度输出显示。
首先将步骤S2预测的液面高度值输出至人机交互终端，然后利用当前的液面时间序列绘制折线图，并将折线图输出至人机交互终端进行显示。工作人员根据预测的液面高度值和折线图即可综合分析油罐的液面高度及波动趋势。
如图2所示，该系统200包括：
液面监控单元210，用于利用超声波装置定期采集油罐液面高度，生成液面时间序列；
高度预测单元220，用于利用预先训练好的长短期记忆人工神经网络模型对所述液面时间序列进行处理，得到预测液面高度；
液面显示单元230，用于利用所述液面时间序列生成液面波动曲线图，并将所述液面波动曲线图和所述预测液面高度输出显示。
可选地，作为本发明一个实施例，所述液面监控单元用于：
设定采集周期，根据所述采集周期定期向设置在油罐顶部的超声波装置发送脉冲信号，所述脉冲信号触发超声波装置发送超声波；基于超声波的传播速度和超声波装置回收已发送的超声波的时长计算液面高度；
根据液面高度的采集时间对每次采集的液面高度进行排序，生成液面时间序列。
可选地，作为本发明一个实施例，所述液面监控单元还用于：
对发送的脉冲信号进行宽度测量，判断测量得到的脉冲宽度与本地存储的标准宽度是否一致：
若是，则将所述脉冲信号发送至超声波装置；
若否，则将所述脉冲信号的信号宽度调整至与所述标准宽度一致，并将调整后的脉冲信号发送至超声波装置。
可选地，作为本发明一个实施例，所述高度预测单元用于：
计算液面时间序列中相邻的液面高度差值，若所述差值超过设定的波动阈值，则对所述液面时间序列进行去燥并对去燥后的液面时间序列进行归一化处理；
调用所述长短期记忆人工神经网络模型对归一化处理后的液面时间序列进行处理。
可选地，作为本发明一个实施例，长短期记忆人工神经网络模型的训练方法包括：
构建训练数据集，在所述训练数据集中存储大量的液面时间序列，每个液面时间序列的最后一个液面高度均为液面平稳状态下的准确液面高度；
利用所述训练数据集对长短期记忆人工神经网络模型进行训练，获得最优的长短期记忆人工神经网络模型。
图3为本发明实施例提供的一种终端300的结构示意图，该终端300可以用于执行本发明实施例提供的基于LSTM的油罐液面超声测量方法。
其中，该终端300可以包括：处理器310、存储器320及通信单元330。这些组件通过一条或多条总线进行通信，本领域技术人员可以理解，图中示出的服务器的结构并不构成对本发明的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
其中，该存储器320可以用于存储处理器310的执行指令，存储器320可以由任何类型的易失性或非易失性存储终端或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。当存储器320中的执行指令由处理器310执行时，使得终端300能够执行以下上述方法实施例中的部分或全部步骤。
处理器310为存储终端的控制中心，利用各种接口和线路连接整个电子终端的各个部分，通过运行或执行存储在存储器320内的软件程序和/或模块，以及调用存储在存储器内的数据，以执行电子终端的各种功能和/或处理数据。所述处理器可以由集成电路(Integrated Circuit，简称IC) 组成，例如可以由单颗封装的IC 所组成，也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说，处理器310可以仅包括中央处理器(Central Processing Unit，简称CPU)。在本发明实施方式中，CPU可以是单运算核心，也可以包括多运算核心。
通信单元330，用于建立通信信道，从而使所述存储终端可以与其它终端进行通信。接收其他终端发送的用户数据或者向其他终端发送用户数据。
本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体（英文：read-only memory，简称：ROM）或随机存储记忆体（英文：random access memory，简称：RAM）等。
因此，本发明通过利用超声波装置定期采集油罐液面高度，生成液面时间序列；利用预先训练好的长短期记忆人工神经网络模型对所述液面时间序列进行处理，得到预测液面高度；利用所述液面时间序列生成液面波动曲线图，并将所述液面波动曲线图和所述预测液面高度输出显示。本发明将实际检测的油罐液面高度导入训练好的长短期记忆人工神经网络模型，从而得到预测液面高度，预测液面高度是长短期记忆人工神经网络模型基于一个实际的液面高度趋势学习得到的数值，受液面波动的影响较小，因此相较于传统的液面测量方法得到的结果，准确度更佳，本实施例所能达到的技术效果可以参见上文中的描述，此处不再赘述。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中如U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质，包括若干指令用以使得一台计算机终端（可以是个人计算机，服务器，或者第二终端、网络终端等）执行本发明各个实施例所述方法的全部或部分步骤。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于终端实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种基于LSTM的油罐液面超声测量方法，其特征在于，包括：
利用超声波装置定期采集油罐液面高度，生成液面时间序列；
利用预先训练好的长短期记忆人工神经网络模型对所述液面时间序列进行处理，得到预测液面高度；
利用所述液面时间序列生成液面波动曲线图，并将所述液面波动曲线图和所述预测液面高度输出显示。
2.根据权利要求1所述的方法，其特征在于，利用超声波装置定期采集油罐液面高度，生成液面时间序列，包括：
设定采集周期，根据所述采集周期定期向设置在油罐顶部的超声波装置发送脉冲信号，所述脉冲信号触发超声波装置发送超声波；基于超声波的传播速度和超声波装置回收已发送的超声波的时长计算液面高度；
根据液面高度的采集时间对每次采集的液面高度进行排序，生成液面时间序列。
3.根据权利要求2所述的方法，其特征在于，根据所述采集周期定期向设置在油罐顶部的超声波装置发送脉冲信号，包括：
对发送的脉冲信号进行宽度测量，判断测量得到的脉冲宽度与本地存储的标准宽度是否一致：
若是，则将所述脉冲信号发送至超声波装置；
若否，则将所述脉冲信号的信号宽度调整至与所述标准宽度一致，并将调整后的脉冲信号发送至超声波装置。
4.根据权利要求1所述的方法，其特征在于，利用预先训练好的长短期记忆人工神经网络模型对所述液面时间序列进行处理，得到预测液面高度，包括：
计算液面时间序列中相邻的液面高度差值，若所述差值超过设定的波动阈值，则对所述液面时间序列进行去燥并对去燥后的液面时间序列进行归一化处理；
调用所述长短期记忆人工神经网络模型对归一化处理后的液面时间序列进行处理。
5.根据权利要求1所述的方法，其特征在于，长短期记忆人工神经网络模型的训练方法包括：
构建训练数据集，在所述训练数据集中存储大量的液面时间序列，每个液面时间序列的最后一个液面高度均为液面平稳状态下的准确液面高度；
利用所述训练数据集对长短期记忆人工神经网络模型进行训练，获得最优的长短期记忆人工神经网络模型。
6.一种基于LSTM的油罐液面超声测量系统，其特征在于，包括：
液面监控单元，用于利用超声波装置定期采集油罐液面高度，生成液面时间序列；
高度预测单元，用于利用预先训练好的长短期记忆人工神经网络模型对所述液面时间序列进行处理，得到预测液面高度；
液面显示单元，用于利用所述液面时间序列生成液面波动曲线图，并将所述液面波动曲线图和所述预测液面高度输出显示。
7.根据权利要求6所述的系统，其特征在于，所述液面监控单元用于：
设定采集周期，根据所述采集周期定期向设置在油罐顶部的超声波装置发送脉冲信号，所述脉冲信号触发超声波装置发送超声波；基于超声波的传播速度和超声波装置回收已发送的超声波的时长计算液面高度；
根据液面高度的采集时间对每次采集的液面高度进行排序，生成液面时间序列。
8.根据权利要求7所述的系统，其特征在于，所述液面监控单元还用于：
对发送的脉冲信号进行宽度测量，判断测量得到的脉冲宽度与本地存储的标准宽度是否一致：
若是，则将所述脉冲信号发送至超声波装置；
若否，则将所述脉冲信号的信号宽度调整至与所述标准宽度一致，并将调整后的脉冲信号发送至超声波装置。
9.一种终端，其特征在于，包括：
处理器；
用于存储处理器的执行指令的存储器；
其中，所述处理器被配置为执行权利要求1-5任一项所述的方法。
10.一种存储有计算机程序的计算机可读存储介质，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
CN202111132219.3A 2021-09-27 2021-09-27 基于lstm的油罐液面超声测量方法、系统、终端及存储介质 Pending CN113566929A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111132219.3A CN113566929A (zh) 2021-09-27 2021-09-27 基于lstm的油罐液面超声测量方法、系统、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111132219.3A CN113566929A (zh) 2021-09-27 2021-09-27 基于lstm的油罐液面超声测量方法、系统、终端及存储介质

Publications (1)

Publication Number Publication Date
CN113566929A true CN113566929A (zh) 2021-10-29

Family

ID=78174654

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111132219.3A Pending CN113566929A (zh) 2021-09-27 2021-09-27 基于lstm的油罐液面超声测量方法、系统、终端及存储介质

Country Status (1)

Country Link
CN (1) CN113566929A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117309079A (zh) * 2023-11-28 2023-12-29 中国空气动力研究与发展中心计算空气动力研究所 基于时差法的超声飞渡时间测量方法、装置、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN2288425Y (zh) * 1996-05-18 1998-08-19 中国人民解放军后勤工程学院 储油罐超声液位测量装置
CN1350164A (zh) * 2000-10-25 2002-05-22 北京特力声技术有限责任公司 超声波测量大型油罐液位的方法
CN103499374A (zh) * 2013-09-05 2014-01-08 江苏大学 一种基于神经网络的超声波动态液位检测方法和系统
CN110703640A (zh) * 2019-09-12 2020-01-17 中国石油天然气集团有限公司 页岩气开发地下水智能监测系统及方法
CN111340284A (zh) * 2020-02-24 2020-06-26 成都大汇物联科技有限公司 一种基于长短时记忆网络的水车室水位智能预测方法
CN111737640A (zh) * 2020-08-17 2020-10-02 深圳江行联加智能科技有限公司 水位预测方法、装置及计算机可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN2288425Y (zh) * 1996-05-18 1998-08-19 中国人民解放军后勤工程学院 储油罐超声液位测量装置
CN1350164A (zh) * 2000-10-25 2002-05-22 北京特力声技术有限责任公司 超声波测量大型油罐液位的方法
CN103499374A (zh) * 2013-09-05 2014-01-08 江苏大学 一种基于神经网络的超声波动态液位检测方法和系统
CN110703640A (zh) * 2019-09-12 2020-01-17 中国石油天然气集团有限公司 页岩气开发地下水智能监测系统及方法
CN111340284A (zh) * 2020-02-24 2020-06-26 成都大汇物联科技有限公司 一种基于长短时记忆网络的水车室水位智能预测方法
CN111737640A (zh) * 2020-08-17 2020-10-02 深圳江行联加智能科技有限公司 水位预测方法、装置及计算机可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117309079A (zh) * 2023-11-28 2023-12-29 中国空气动力研究与发展中心计算空气动力研究所 基于时差法的超声飞渡时间测量方法、装置、设备及介质
CN117309079B (zh) * 2023-11-28 2024-03-12 中国空气动力研究与发展中心计算空气动力研究所 基于时差法的超声飞渡时间测量方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
EP3358508A1 (en) Abnormality detection apparatus, abnormality detection method, and program
CN104374447B (zh) 基于一阶导数并结合参考曲线的导波式雷达物位计回波信号处理方法
CN112735094B (zh) 基于机器学习的地质灾害预测方法、装置和电子设备
CN106529145A (zh) 一种基于arima‑bp神经网络的桥梁监测数据预测方法
US11657121B2 (en) Abnormality detection device, abnormality detection method and computer readable medium
CN110455490B (zh) 超声速和高超声速风洞流场湍流度的计算方法及装置
CN108776694A (zh) 一种时间序列异常点检测方法及装置
US20200104224A1 (en) Anomaly detection device, anomaly detection method and storage medium
CN110445680A (zh) 网络流量异常检测方法、装置及服务器
TWI663510B (zh) 設備保養預測系統及其操作方法
CN116413604A (zh) 一种电池参数监测方法、系统、装置及存储介质
CN110688617A (zh) 风机振动异常检测方法及装置
CN110334816A (zh) 一种工业设备检测方法、装置、设备及可读存储介质
CN110231447A (zh) 水质异常检测的方法、装置及终端设备
CN113566929A (zh) 基于lstm的油罐液面超声测量方法、系统、终端及存储介质
JP7090430B2 (ja) データ処理方法、データ処理装置、および、データ処理プログラム
CN112213728A (zh) 一种超声测距方法、装置、计算机可读存储介质及机器人
CN116595327A (zh) 水闸变形监测数据预处理系统及方法
CN114970688A (zh) 基于LSTMAD算法和Hermite插值法的滑坡监测数据预处理方法
CN115394442A (zh) 一种发育评估方法、装置、设备及介质
JP3515300B2 (ja) プラント状態予測装置
CN116794407A (zh) 电磁兼容测试方法、系统、电子设备及存储介质
CN110553678A (zh) 多传感器系统检测方法、装置、计算机设备和存储介质
CN113986700A (zh) 数据采集频率的优化方法、系统、装置及存储介质
CN114235108A (zh) 基于数据分析燃气流量计异常状态检测方法和装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211029

RJ01 Rejection of invention patent application after publication