CN113916329A

CN113916329A - 基于神经网络的天然气流量计检定装置及检定方法

Info

Publication number: CN113916329A
Application number: CN202111295327.2A
Authority: CN
Inventors: 刘喆
Original assignee: China Oil and Gas Pipeline Network Corp
Current assignee: China Oil and Gas Pipeline Network Corp
Priority date: 2021-11-03
Filing date: 2021-11-03
Publication date: 2022-01-11

Abstract

本发明公开了基于神经网络的天然气流量计检定装置及检定方法，其涉及流量计检定技术领域，旨在解决检定过程对流量控制精度要求高，降低了整体检定效果和检定效率的问题，其技术方案要点是包括站控系统和智能检定系统，所述站控系统内部包括有检定通路、旁路调节通路和站控模块，所述检定通路和旁路调节通路相互串联，所述检定通路内部包括有工作级标准装置、检定台位和调节阀组，所述智能检定系统内部包括有客户端模块和智能控制器，所述智能控制器包括工艺仿真模型和系统动态控制模型。达到了方便检定、准确检定和针对性检定的效果。

Description

基于神经网络的天然气流量计检定装置及检定方法

技术领域

本发明涉及流量计检定技术领域，尤其是涉及基于神经网络的天然气流量计检定装置及检定方法。

背景技术

天然气计量检定站是天然气长输管道系统中一类特殊的站场，其工艺流程复杂，涉及十个核心单元，包括进气排气管线、过滤分离系统、压力流量控制系统、流量量值核查比对系统、各级计量标准装置、检定台位、氮气吹扫系统、ESD紧急截断系统和放空排污，站内各部分工艺管线相互联通，形成整体系统。

检定流程涉及工艺流程切换导通、导通检定管路、进站平压与压力调节、过表流量调节、检定过程流态稳定、检定参数设置、检定过程结果及证书结果的判断与处理等繁杂的操作，这些操作均需要人工逐步完成，尤其压力、流量调节需要检定员凭借多年的工作经验进行调节阀动作控制。

上述中的现有技术方案存在以下缺陷：面对日益增长的检定需求，基于人员经验及熟练度的能力提升空间已经越来越小，检定过程对流量控制精度要求高，检定员通过手动修正、控制调节阀来控制检定流量的检定模式，已经成为检定站检定能力瓶颈，降低了整体的检定效果和检定效率。

发明内容

本发明的目的是提供一种能够借助智能化的检定手段自动调节检定流量来提升系统的检定速度、缓解检定压力、保障安全生产的基于神经网络的天然气流量计检定装置及检定方法。

为实现上述目的，本发明提供了如下技术方案：

基于神经网络的天然气流量计检定装置，包括站控系统和智能检定系统，

所述站控系统内部包括有检定通路、旁路调节通路和站控模块，所述检定通路和旁路调节通路相互并联；

所述检定通路内部包括有工作级标准装置、检定台位和调节阀组，所述工作级标准装置内部包括有八组并联的标准表管路，所述工作级标准装置内部每组标准表管路内部均设置有一台核查超声流量计、一台标准涡轮流量计、一个温度送变器和一个压力送变器；

所述检定台位在检定通路内部设置有七组，所述检定通路内部的七组检定台位分别为DN80检定台位、DN100、DN150检定台位、DN200检定台位、DN250检定台位、DN300检定台位、DN400检定台位，所述DN80检定台位、DN100、DN150检定台位、DN200检定台位、DN250检定台位、DN300检定台位、DN400检定台位相互并联；

所述调节阀组在检定通路内部设置有三组，所述检定通路内部的调节阀组分别为调节阀FV6102L、调节阀FV6202L和调节阀FV6302L，所述检定通路内部的三组调节阀组相互并联；

所述站控模块分别与各个标准表管路上的核查超声流量计、标准涡轮流量计、温度送变器和压力送变器信号连接，所述站控模块分别与DN80检定台位、DN100、DN150检定台位、DN200检定台位、DN250检定台位、DN300检定台位、DN400检定台位、调节阀FV6102L、调节阀FV6202L、调节阀FV6302L、旁通调节阀FV6402L和旁通调节阀FV1814A均信号相连，所述站控模块通过网络连接终端与智能检定系统电信号连接；

所述智能检定系统内部包括有客户端模块和智能控制器，所述智能控制器包括工艺仿真模型和系统动态控制模型。

通过采用上述技术方案，BP神经网路结合站控系统应用于流量计的检定上，自动生成开阀方案，替代了人工估算调节阀门的开阀度等繁琐不精确的操作，操作安全、方便和高效，保证整体良好的检定效果。

进一步地，其检定方法为：

所述工艺仿真模型基于正向传播的BP神经网络构建并训练获得，所述系统动态控制模型基于反向传播的BP神经网络构建并训练获得，所述BP神经网络的训练过程如下：

S1：数据集建立，从站控系统获取15120组数据，选取其中的70%作为训练数据，15%作为验证数据，剩余15%作为测试数据进行BP神经网络训练；每组数据均包括调节阀FV6102L、调节阀FV6202L、调节阀FV6302L和旁通调节阀FV6402L的阀门开度、对应的实际检定流量、站场设备状态和站场工艺参数状态；

S2：正向传播模型训练，工艺仿真模型输入层为阀门FV6102L的阀门开度、阀门FV6202L的阀门开度、阀门FV6302的阀门开度、阀门LFV6402L的阀门开度、站场设备状态和站场工艺参数状态，输出层为预测的检定流量；设置判定系数R²作为BP神经网络训练效果的评价指标，R²越接近1，训练效果越好，R²的定义如下：

其中y _i为实际检定流量；

为平均流量；f _i为模型预测的检定流量，将训练集输入工艺仿真模型进行网络训练，判定系数R²值超过0.97，拟合效果较好；从验证集中均匀选取2000个点进行结果验证，比较工艺仿真模型输出的预测的检定流量与验证集中实际检定流量的差异，预测的检定流量与实际检定流量基本一致，从而获得训练好的工艺仿真模型；

S3：反向传播模型训练，系统动态控制模型的输入层为实际检定流量、站场设备状态、站场工艺参数状态，输出层为阀门FV6102L的阀门开度、阀门FV6202L的阀门开度、阀门FV6302的阀门开度、阀门LFV6402L的阀门开度；将训练集输入系统动态控制模型进行训练，判定系数R²值为0.92，从验证集中均匀选取2000个点进行结果验证，系统动态控制模型输出的各阀门开度与验证集中对应的阀门开度基本一致，从而获得训练好的系统动态控制模型。

通过采用上述技术方案，使用BP神经网络正向传播和反向传播互逆的特性，通过正向传播先估算待检流量计的预测检定流量，通过迭代重新预测直到预测的检定流量符合要求，再通过BP神经网络反向传播计算开阀方案，大大提高了开阀方案的准确性和可操作性。

进一步地，其使用步骤为：

A1：初始化，根据待检的天然气流量计的口径选择对应的检定台位，并将待检的天然气流量计放置于检定台位上；根据待检的天然气流量计的口径，选择1-8路的标准表管路进行并联连通，初始化检定客户端模块，检定客户端模块界面内容刷新；设置检定点并传递给检定客户端模块；

A2：流程切换响应，工作级标准装置检查：检查并获取每条标准表管路上的核查超声流量计、标准涡轮流量计、温度送变器和压力送变器的连通状态和运行参数，并读取每条标准表管路上的温度、压力、流量数据；

检定台位检查：检查并获取待检的天然气流量计的检定台位的连通状态和运行参数；

调节阀组检查：检查并获取调节阀FV6102L、调节阀FV6202L和调节阀FV6302L的连通状态和运行参数；

旁路调节通路检查：检查并获取旁通调节阀FV6402L和旁通调节阀FV1814A的连通状态和运行参数；

站控模块将上述获取的数据传递给检定客户端模块；

A3：流量调节响应，检定客户端模块将A1设置的检定点、A2获取的连通状态和运行参数以及温度、压力、流量数据输入智能控制器，然后智能控制器中的系统动态控制模型生成开阀方案，包括调节阀FV6102L、调节阀FV6202L、调节阀FV6302L和旁通调节阀FV6402L各自的阀门开度,智能控制器将开阀方案输入工艺仿真模型进行模拟仿真验证，若仿真输出的检定流量符合待检流量要求，则该开阀方案作为控制指令下发至站控模块，若仿真输出结果不满足要求，智能控制器将进一步开展迭代优化运算至最优解，若多次迭代仍无法达到预期目标，则系统自动切出智能检定模式，改为智能控制+人工干预的检定模式,站控模块依据收到的控制指令，控制各个调节阀FV6102L、调节阀FV6202L、调节阀FV6302L、旁通调节阀FV6402L和旁通调节阀FV1814A的阀门开合度，获得正确的待检流量流过待检的天然气流量计，当待检流量偏差稳定在目标流量点的±0.05范围内，提示人工校核，完成检定。

通过采用上述技术方案，方便整体进行检定，保证整体良好的检定效果，且保证整体良好的检定效率。

综上所述，本发明的有益技术效果为：

1、采用了BP神经网路结合站控系统应用于流量计的检定上，自动生成开阀方案，替代了人工估算调节阀门的开阀度等繁琐不精确的操作，操作安全、方便和高效，产生方便检定的效果；

2、采用了BP神经网络正向传播和反向传播互逆的特性，通过正向传播先估算待检流量计的预测检定流量，通过迭代重新预测直到预测的检定流量符合要求，再通过BP神经网络反向传播计算开阀方案，大大提高了开阀方案的准确性和可操作性，产生准确检定的效果；

3、采用了站控系统的历史数据中获取BP神经网络的训练数据，从而使训练获得的BP神经网络准确性和针对性更高，产生针对性检定的效果。

附图说明

图1为本发明整体结构示意图；

图2为本发明智能控制器的工艺仿真模型结构示意图；

图3为本发明智能控制器的系统动态控制模型结构示意图。

图中，1、工作级标准装置；2、检定台位；3、调节阀组；4、站控模块；5、客户端模块；6、智能控制器；11、标准表管路；51、检定通路；52、旁路调节通路。

具体实施方式

以下对本发明作进一步详细说明。

参照图1，天然气流量计检定采用标准表法，即将待检的天然气流量计与标准流量计串联，通过对比两个流量计量偏差开展检定，站控系统包括检定通路51、旁路调节通路52和站控模块4，检定通路51和旁路调节通路52均为的天然气通路，相互之间为并联连接；

检定通路51包括依次连接的工作级标准装置1、检定台位2和调节阀组3，即工作级标准装置1、检定台位2和调节阀组3为串联设置；工作级标准装置1由八组标准表管路11组成，标准表管路11之间为并联设置，每路标准表管路11上均设置有一台核查超声流量计、一台标准涡轮流量计、一个温度送变器和一个压力送变器，总流量测量范围为(8～12000)m³/h；根据待检的天然气流量计检定所需流量，针对不同的测量范围选择某一路标准表管路11或多路标准表管路11并联连通（即设置核查超声流量计和标准涡轮流量计的连通状态）；每路标准表管路11上的温度送变器和压力送变器用以实时采集压力和温度数据，并传送至站控系统；

检定台位2用于设置待检的天然气流量计，共设有DN80~DN400七路检定台位2：DN80检定台位、DN100、DN150检定台位、DN200检定台位、DN250检定台位、DN300检定台位、DN400检定台位，每路检定台位2相互之间为并联设置，检定时，根据待检的天然气流量计的口径选择对应的检定台位2，将待检的天然气流量计放置在选定的检定台位2上，读取示数，其余的待检台位为不导通状态；

调节阀组3包括并联设置的调节阀FV6102L、调节阀FV6202L和调节阀FV6302L；

旁路调节通路52包括并联设置的旁通调节阀FV6402L和旁通调节阀FV1814A；其中，旁通调节阀FV1814A是一个大旁通阀，仅当天然气来气流量过大且需要的检定流量小的时候，打开该阀门，让一部分天然气从旁路调节通路52中的调节阀组FV1814A流走；

调节检定流量（流过DN80~DN400七路检定台位2之一的天然气流量）时，即可以通过调节调节阀FV6102L、调节阀FV6202L和调节阀FV6302L阀门的开合度来调节检定流量，也可以通过旁通调节阀FV6402L的开合度来调节检定流量，从而获得不同的检定流量，满足各种天然气流量计的检定需求；检定通路51、旁路调节通路52采用流量调节为主、压力保护为辅的控制策略，通过调节阀FV6102L、调节阀FV6202L和调节阀FV6302L和旁通调节阀FV6402L的共同作用，平稳地分流出所需的检定流量，调节阀FV6102L、调节阀FV6202L和调节阀FV6302L和旁通调节阀FV6402L的开度可由阀前后压力以及过阀流量确定，并由站控模块4控制；

进入场站的天然气来路分成二路分别进入检定通路51和旁路调节通路52，进入检定通路51的天然气依次经过工作级标准装置1、检定台位2和调节阀组3，与经过旁路调节通路52的天然气再汇合成一路后流出场站；

站控模块4为站控系统中的控制、数据采集和存储的模块，站控模块4分别与各个标准表管路11上的核查超声流量计、标准涡轮流量计、温度送变器和压力送变器信号相连，站控模块4分别与检定台位2的各个检定台位（DN80检定台位、DN100、DN150检定台位、DN200检定台位、DN250检定台位、DN300检定台位、DN400检定台位）、调节阀FV6102L、调节阀FV6202L、调节阀FV6302L、旁通调节阀FV6402L和旁通调节阀FV1814A均信号相连，采集并存储上述各个部件的实时温度、压力、流量和阀门状态数据，并发布控制信号给上述各部件从而控制各个部件的工作状态；站控模块4还通过网络与智能检定系统之间信号相连，用以站控模块4和智能检定系统之间传递温度、压力、流量、阀门状态等数据和控制信号；

智能检定系统包括检定客户端模块5和智能控制器6，智能检定系统以程序的形式运行于上位机中；检定客户端模块5为人机交互接口，可以显示进出场站的天然气压力状态，指定检定台位2，设置检定点，显示调节阀FV6102L、调节阀FV6202L、调节阀FV6302L和旁通调节阀FV6402L阀门开度的目标值和反馈值，同时检定客户端模块5将上述数据送入智能控制器6作为神经网络输入的一部分；

智能控制器6基于BP神经网络构建，BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一，其基本原理是通过样本数据的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望值；BP神经网络能学习大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程；BP算法由数据流的正向传播和误差信号的反向传播两个过程构成；正向传播时，传播方向为输入层到隐含层再到输出层，每层神经元的状态只影响下一层神经元；设BP神经网络的输入层有n个节点，隐含层有l个节点，输出有m个节点，输入层和隐含层之间的权值w _ik，隐含层和输出层之间的权值为w _kj，隐含层的传递函数为f ₁，输出层的传递函数为f ₂，则隐含层节点的输出为：

（式1）

输出层节点的输出为：

（式2）

这样BP神经网络就完成了n维向量对m维向量的近似映射；在输出层得不到期望的输出，则转向误差信号的反向传播流程。设有p个学习样本，记作X ¹，X ²，…，X ^q，…，X ^p，其中

，将第q个样本X ^q代入网络后得到一组输出Y ^q，

。采用平方型误差函数，于是得到第q个样本的误差E _q：

（式3）

式中：

为期望输出，对于p个学习样本，全局误差为：

（式4）

采用累计误差BP算法调整权值w _kj，使全局误差E变小，即：

（式5）

式中：

为学习率，定义误差信号

为：

（式6）

式中：S _j为节点j的净输入。

由式（5）、（6）可得权值w _kj调整公式为：

（式7）

权值w _ik的调整类似于w _kj，其调整公式为：

（式8）

通过正向传播和反向传播这两个过程的交替进行，在权向量空间执行误差函数梯度下降策略，动态迭代一组权向量，使网络误差函数达到最小值，从而完成信息提取和记忆过程；

智能控制器6包括两个模型，一个基于BP神经网络的正向传播构建的工艺仿真模型，可以根据站场状态（各个阀门状态和开度、站场设备状态、站场工艺参数状态）得到检定流量；另一个基于BP神经网络的反向传播构建的系统动态控制模型，是工艺仿真模型的反向系统，用于根据检定流量运算开阀方案；实际使用时，先由系统动态控制模型运算出开阀方案（即调节阀FV6102L、调节阀FV6202L、调节阀FV6302L和旁通调节阀FV6402L的阀门开度），然后将开阀方案输入工艺仿真模型并运行获得预测的检定流量，再将预测的检定流量和待检表所需的检定流量进行对比，来判断该开阀方案是否满足需求；若满足，执行开阀方案；若不满足，返回工艺仿真模型进一步迭代优化运算重新生成开阀方案；

1、数据集建立

站控系统选取检测点位，以1分钟间隔对运行数据进行采集，剔除错误值和重复值，得到15120组数据，选取其中的70%作为训练数据，15%作为验证数据，剩余15%作为测试数据进行BP神经网络训练，其覆盖的检定流量范围为0~1800m³/h；每组数据是在某一时刻的站控系统的信息集合，包括调节阀FV6102L、调节阀FV6202L、调节阀FV6302L和旁通调节阀FV6402L阀门开度、对应的实际检定流量、站场设备状态和站场工艺参数状态；站场工艺参数状态是指工作级标准装置1上的核查超声流量计、标准涡轮流量计、温度送变器和压力送变器采集到的流量、温度、压力数值，站场设备状态指各个流量计和各个调节阀等设备的连通状态和运行参数；

2、正向传播模型训练

工艺仿真模型是BP神经网络的正向传播模型，输入层为阀门FV6102L的阀门开度、阀门FV6202L的阀门开度、阀门FV6302的阀门开度、阀门LFV6402L的阀门开度、站场设备状态和站场工艺参数状态，输出层为预测的检定流量，其目的是对操作指令进行可行性验证；

判定系数R²作为BP神经网络训练效果的评价指标，R²越接近1，其训练效果越好，R²的定义如下：

其中y _i为实际检定流量，m³/h；

为平均流量，m³/h；f _i为模型预测的检定流量，m³/h；

将训练集输入工艺仿真模型进行网络训练，判定系数R²值超过0.97，拟合效果较好；从验证集中均匀选取2000个点进行结果验证，比较输入工艺仿真模型输出的预测的检定流量与验证集中实际检定流量的差异，预测的检定流量与实际检定流量基本一致；从而获得训练好的可用的工艺仿真模型；

3、反向传播模型训练

系统动态控制模型是BP神经网络的反向传播模型，系统动态控制模型的功能是根据当前工况和检定流量，给出四个调节阀的开度，输入层为实际检定流量（目标流量）、站场设备状态、站场工艺参数状态，输出层为四个调节阀的开度，即阀门FV6102L的阀门开度、阀门FV6202L的阀门开度、阀门FV6302的阀门开度、阀门LFV6402L的阀门开度；

将训练集输入系统动态控制模型进行训练，判定系数R²值为0.92，说明拟合效果较好，从验证集中均匀选取2000个点进行结果验证，系统动态控制模型输出的各阀门开度与验证集中对应的阀门开度，证明了该系统动态控制模型的可用性；

从训练结果可知，工艺仿真模型（正向模型）的判定系数R²值超过0.97，系统动态控制模型（反向模型）的判定系数R²值为0.92，因此工艺仿真模型的精度优于系统动态控制模型的，对于待检的天然气流量计所需的待检流量，系统动态控制模型所给出的开阀方案需要代入工艺仿真模型中进行验证，即验证仿真流量是否满足检定要求；从而获得训练好的系统动态控制模型；

基于神经网络的天然气流量计检定方法，包括以下步骤：

1、初始化

根据待检的天然气流量计的口径选择对应的检定台2的检定台位2，并将待检的天然气流量计放置于检定台位上；根据待检的天然气流量计的口径，选择某一路标准表管路11或多路标准表管路11进行并联连通；

初始化检定客户端模块5，检定客户端模块5界面内容刷新；设置检定点并传递给检定客户端模块5；

2、流程切换响应

工作级标准装置1检查：检查并获取每条标准表管路11上的核查超声流量计、标准涡轮流量计、温度送变器和压力送变器的连通状态和运行参数，并读取每条标准表管路11上的温度、压力、流量数据；

检定台位2检查：检查并获取待检的天然气流量计的检定台位2的连通状态和运行参数；

调节阀组3检查：检查并获取调节阀FV6102L、调节阀FV6202L和调节阀FV6302L的连通状态和运行参数；

旁路调节通路52检查：检查并获取旁通调节阀FV6402L和旁通调节阀FV1814A的连通状态和运行参数；

站控模块4将上述获取的数据传递给检定客户端模块5；

3、流量调节响应

检定客户端模块5将步骤1设置的检定点、步骤2获取的各个连通状态和运行参数以及温度、压力、流量数据输入智能控制器6，然后智能控制器6中的系统动态控制模型生成开阀方案（调节阀FV6102L、调节阀FV6202L、调节阀FV6302L和旁通调节阀FV6402L各自的阀门开度）；

智能控制器6将开阀方案输入工艺仿真模型进行模拟仿真验证，若仿真输出的检定流量符合待检流量要求，则该开阀方案作为控制指令下发至站控模块4；若仿真输出结果不满足要求，智能控制器6将进一步开展迭代优化运算至最优解；若多次迭代仍无法达到预期目标，则系统自动切出智能检定模式，改为智能控制+人工干预的检定模式，即手工调整开阀方案；

站控模块4依据收到的开阀方案，控制各个调节阀FV6102L、调节阀FV6202L、调节阀FV6302L、旁通调节阀FV6402L和旁通调节阀FV1814A的阀门开合度，以获得正确的待检流量流过待检的天然气流量计；当待检流量偏差稳定在目标流量点的±0.05范围内，提示人工校核，完成检定。

本具体实施方式的实施例均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。

Claims

1.基于神经网络的天然气流量计检定装置，包括站控系统和智能检定系统，其特征在于：

所述站控系统内部包括有检定通路（51）、旁路调节通路（52）和站控模块（4），所述检定通路（51）和旁路调节通路（52）相互串联；

所述检定通路（51）内部包括有工作级标准装置（1）、检定台位（2）和调节阀组（3），所述工作级标准装置（1）内部包括有八组并联的标准表管路（11），所述工作级标准装置（1）内部每组标准表管路（11）内部均设置有一台核查超声流量计、一台标准涡轮流量计、一个温度送变器和一个压力送变器；

所述检定台位（2）在检定通路（51）内部设置有七组，所述检定通路（51）内部的七组检定台位（2）分别为DN80检定台位、DN100、DN150检定台位、DN200检定台位、DN250检定台位、DN300检定台位、DN400检定台位，所述DN80检定台位、DN100、DN150检定台位、DN200检定台位、DN250检定台位、DN300检定台位、DN400检定台位相互并联；

所述调节阀组（3）在检定通路（51）内部设置有三组，所述检定通路（51）内部的调节阀组（3）分别为调节阀FV6102L、调节阀FV6202L和调节阀FV6302L，所述检定通路（51）内部的三组调节阀组（3）相互串联；

所述站控模块（4）分别与各个标准表管路（11）上的核查超声流量计、标准涡轮流量计、温度送变器和压力送变器信号连接，所述站控模块（4）分别与DN80检定台位、DN100、DN150检定台位、DN200检定台位、DN250检定台位、DN300检定台位、DN400检定台位、调节阀FV6102L、调节阀FV6202L、调节阀FV6302L、旁通调节阀FV6402L和旁通调节阀FV1814A均信号相连，所述站控模块（4）通过网络连接终端与智能检定系统电信号连接；

所述智能检定系统内部包括有客户端模块（5）和智能控制器（6），所述智能控制器（6）包括工艺仿真模型和系统动态控制模型。

2.根据权利要求1所述的基于神经网络的天然气流量计检定装置，其特征在于：其检定方法为：

其中y _i为实际检定流量；

为平均流量；f _i为模型预测的检定流量，将训练集输入工艺仿真模型进行网络训练，判定系数R²值超过0.97，拟合效果较好；从验证集中均匀选取2000 个点进行结果验证，比较工艺仿真模型输出的预测的检定流量与验证集中实际检定流量的差异，预测的检定流量与实际检定流量基本一致，从而获得训练好的工艺仿真模型；

3.根据权利要求2所述的基于神经网络的天然气流量计检定方法，其特征在于：其使用步骤为：

A1：初始化，根据待检的天然气流量计的口径选择对应的检定台（2）的检定台位，并将待检的天然气流量计放置于检定台位上；根据待检的天然气流量计的口径，选择1-8路的标准表管路（11）进行并联连通，初始化检定客户端模块（5），检定客户端模块（5）界面内容刷新；设置检定点并传递给检定客户端模块（5）；

A2：流程切换响应，工作级标准装置（1）检查：检查并获取每条标准表管路（11）上的核查超声流量计、标准涡轮流量计、温度送变器和压力送变器的连通状态和运行参数，并读取每条标准表管路（11）上的温度、压力、流量数据；

检定台位（2）检查：检查并获取待检的天然气流量计的检定台位的连通状态和运行参数；

调节阀组（3）检查：检查并获取调节阀FV6102L、调节阀FV6202L和调节阀FV6302L的连通状态和运行参数；

旁路调节通路（52）检查：检查并获取旁通调节阀FV6402L和旁通调节阀FV1814A的连通状态和运行参数；

站控模块（4）将上述获取的数据传递给检定客户端模块（5）；

A3：流量调节响应，检定客户端模块（5）将A1设置的检定点、A2获取的连通状态和运行参数以及温度、压力、流量数据输入智能控制器（6），然后智能控制器（6）中的系统动态控制模型生成开阀方案，包括调节阀FV6102L、调节阀FV6202L、调节阀FV6302L和旁通调节阀FV6402L各自的阀门开度,智能控制器（6）将开阀方案输入工艺仿真模型进行模拟仿真验证，若仿真输出的检定流量符合待检流量要求，则该开阀方案作为控制指令下发至站控模块（4），若仿真输出结果不满足要求，智能控制器（6）将进一步开展迭代优化运算至最优解，若多次迭代仍无法达到预期目标，则系统自动切出智能检定模式，改为智能控制+人工干预的检定模式,站控模块（4）依据收到的控制指令，控制各个调节阀FV6102L、调节阀FV6202L、调节阀FV6302L、旁通调节阀FV6402L和旁通调节阀FV1814A的阀门开合度，获得正确的待检流量流过待检的天然气流量计，当待检流量偏差稳定在目标流量点的±0.05范围内，提示人工校核，完成检定。