CN114136402A - 一种给排水管网的幅控液位测量方法 - Google Patents

Abstract

本发明涉及一种给排水管网的幅控液位测量方法，检测雷达波返回信号的幅值判断被测距离，包括：S100：利用雷达液位计测量若干次，每次测量得到一系列波动的幅值信号及与之对应的距离信号；S200：提取若干次测量的幅值信号对应的峰值和距离信号对应的距离数据，分别形成幅值矩阵和距离矩阵；S300：利用每次测量的时间间隔，对幅值矩阵和距离矩阵执行预估加权滤波算法，得到准确的幅值和距离，用于消除浮渣、湍流及激流的异常状态对雷达波的干扰；S400：通过筛选函数和幅控信号加权函数对步骤S300得到的准确的幅值和距离进行处理，用于排除井壁或液位计表面附着物带来的异常峰值的影响，得到最终的幅值矩阵和距离矩阵，并确定最终的液位值。

Description

一种给排水管网的幅控液位测量方法

技术领域

本发明属于液位测量技术领域，具体涉及一种给排水管网的幅控液位测量方法。

背景技术

随着水环境治理技术的发展和城市规划建设水平的提高，城市给排水管网的运营管理逐渐规模化、智能化，智能监测设备和可视化智能数据管理平台是今后给排水管网运营的发展方向。其中，管网液位测量和数据获取实现是智能管理的重要前提。

现有的高效感应式液位测量方法主要有超声波法和雷达法，超声波法为接触式测量法，需要长期放置在水体中，由于给排水管网的水质情况比较复杂，尤其是下水管网存在水质差、杂质多等特点，容易在传感器表面快速附着大量附着物而影响传感器的灵敏度。相较于超声波测距，雷达测距具有精度高、抗干扰性强且测量距离远的优点。现有的雷达测距大多应用于较为开阔且相对稳定的场合，在给排水管网中受限于其恶劣的环境，如常有浮渣、激流和湍流等异于平静水面的工况导致雷达波反射幅值出现较多波动，水中杂质较多容易附着在雷达传感器表面造成误判，管道较窄导致井壁反射雷达波造成误判，使得雷达测距在给排水管网中较少使用。

发明内容

针对上述情况，本发明提供一种给排水管网的幅控液位测量方法，检测雷达波返回信号的幅值判断被测距离，包括以下步骤：

S100：利用雷达液位计测量若干次，每次测量将得到一系列波动的幅值信号以及与之对应的距离信号；

S200：提取若干次测量的幅值信号对应的峰值，形成幅值矩阵；提取若干次测量的距离信号对应的距离数据，形成距离矩阵；

S300：利用每次测量的时间间隔，对幅值矩阵和距离矩阵执行预估加权滤波算法，得到准确的幅值和距离，用于消除浮渣、湍流及激流的异常状态对雷达波的干扰；

S400：通过筛选函数和幅控信号加权函数对步骤S300得到的准确的幅值和距离进行处理，用于排除井壁或液位计表面附着物带来的异常峰值的影响，得到最终的幅值矩阵和距离矩阵，并确定最终的液位值。

可选的，步骤S100中，雷达液位计每测量一次，就得到一系列波动的幅值信号以及与之对应的距离信号，每次测量的时间间隔相同，记录多次测量对应得到的多个系列的波动的幅值信号以及与之对应的距离信号。

可选的，步骤S200中，所述提取若干次测量的幅值信号对应的峰值a₀₀、a₀₁、…a_0i，所述峰值为既大于左边最靠近的幅值、又大于右边最靠近的幅值的幅值，将所有峰值降序排序后记作A₀，A₀=｛a₀₀,a₀₁,…a_0i｝；

（2）第一次测量中，提取A₀中的幅值峰对应的距离数据x₀₀、x₀₁、…x_0i，记作X₀，X₀=｛x₀₀,x₀₁,…x_0i｝；

（3）之后的若干次测量中，第二次测量的幅值信号中，提取幅值峰所对应的峰值a₁₀、a₁₁、…a_1i，降序排序后记作A₁，A₁=｛a₁₀,a₁₁,…a_1i｝，以此类推，第j次测量的幅值信号中，提取幅值峰所对应的峰值a_j-10、a_j-11、…a_j-1i，降序排序后记作A_j-1=｛a_j-10,a_j-11,…a_j-1i｝，第j+1次测量的幅值信号中，提取幅值峰所对应的峰值a_j0、a_j1、…a_ji，降序排序后记作A_j，A_j=｛a_j0,a_j1,…a_ji｝，所有幅值峰对应的峰值的集合记作A，

提取A₁中的幅值峰对应的距离数据x₁₀、x₁₁、…x_1i，记作X₁，X₁=｛x₁₀,x₁₁,…x_1i｝，以此类推，提取A_j-1中的幅值峰对应的距离数据x_j-10、x_j-11、…x_j-1i，记作X_j-1，X_j-1=｛x_j-10,x_j-11,…x_j-1i｝，提取A_j中的幅值峰对应的距离数据x_j0、x_j1、…x_ji，记作X_j，X_j=｛x_j0,x_j1,…x_ji｝，所有幅值峰对应的距离的集合记作X，

可选的，步骤S300具体包括以下步骤：

S301：将前后两次测量的峰值对比，除以前后两次测量的时间间隔，得到幅值峰变化率；将前后两次测量的距离对比，除以前后两次测量的时间间隔，得到距离变化率；

S302：根据幅值峰变化率和概率分布模型预测下一次测量的峰值；根据距离变化率和概率分布模型预测下一次测量的距离；

S303：将幅值峰的测量值和步骤S302得到的幅值峰的预测值进行高斯融合，确定幅值峰的概率分布，将距离的测量值和步骤S302得到的距离的预测值进行高斯融合，确定距离的概率分布，即可得到准确的幅值峰集合和距离集合。

进一步可选的，步骤S301中，，第j+1次测量与第j次测量的幅值峰变化率为：

△A_j=(A_j-A_j-1)/t=[(a_j0-a_j-10)/t (a_j1-a_j-11)/t … (a_ji-a_j-1i)/t]=[△a_j0△a_j1…△a_ji]

其中，△a_j0=(a_j0-a_j-10)/t，△a_j1=(a_j1-a_j-11)/t，△a_ji=(a_ji-a_j-1i)/t，

距离变化率为：

V_j=(X_j-X_j-1)/t=[(x_j0-x_j-10)/t (x_j1-x_j-11)/t … (x_ji-x_j-1i)/t]=[v_j0 v_j1…v_ji]

其中，△v_j0=(x_j0-x_j-10)/t，△v_j1=(x_j1-x_j-11)/t，△v_ji=(x_ji-x_j-1i)/t；t为前后两次测量的时间间隔。

进一步可选的，步骤S302中，预测下一次测量的峰值为：

预测下一次测量的距离为：

其中，F_j为概率分布模型，；

进一步可选的，步骤S303中，所述的将幅值峰的测量值和步骤S302得到的幅值峰的预测值进行高斯融合，确定幅值峰的概率分布，具体为：

其中，A_j+1为第j+2次幅值峰的测量值，第j+2次测量的幅值信号中，提取幅值峰所对应的峰值a_j+10、a_j+11、…a_j+1i，降序排序后记作A_j+1，A_j+1=｛a_j+10,a_j+11,…a_j+1i｝，△A_j+1为第j+2次与第j+1次测量的幅值峰变化率，a_j+1和a_j均为已知数值，

△A_j+1=(A_j+1-A_j)/t=[(a_j+10-a_j0)/t (a_j+11-a_j1)/t … (a_j+1i-a_ji)/t]=[△a_j+10△a_j+11…△a_j+1i]；

其中，△a_j+10=(a_j+10-a_j0)/t，△a_j+11=(a_j+11-a_j1)/t，△a_j+1i=(a_j+1i-a_ji)/t，

所述的将距离的测量值和步骤S302得到的距离的预测值进行高斯融合，确定距离的概率分布，具体为：

其中，X_j+1为第j+2次距离的测量值，提取A_j+1中的幅值峰对应的距离数据x_j+10、x_j+11、…x_j+1i，记作X_j+1，X_j+1=｛x_j+10,x_j+11,…x_j+1i｝，V_j+1为第j+2次与第j+1次测量的距离变化率，X_j+1和X_j均为已知数值，

V_j+1=(X_j+1-X_j)/t=[(x_j+10-x_j0)/t (x_j+11-x_j1)/t … (x_j+1i-x_ji)/t]=[v_j+10 v_j+11…v_j+1i]

其中，v_j+10=(x_j+10-x_j0)/t，v_j+11=(x_j+11-x_j1)/t，v_j+1i=(x_j+1i-x_ji)/t，

所述F^’ _j=F_j；所述K₁和K₂分别为幅值峰协方差总量和距离协方差总量，所述K₁=[K_aK_a]，K₂=[K_vK_v]；

其中，K_a=Pa_j’H_j ^T(H_jPa_j’H_j ^T+R_j)^-1，K_v=Px_j’H_j ^T(H_jPx_j’H_j ^T+R_j)^-1；

所述R_j为雷达液位计本身的误差协方差模型，具体为：

其中，x_c，v_c均为雷达液位计的探头制造完毕后测试时的标定值，x_c0，v_c0为标定值的平均值。

针对浮渣、湍流和激流产生的噪声模型分别造成的距离协方差分量累加，可得：

其中，Qx_f为浮渣造成的协方差分量；Qx_t为湍流造成的协方差分量；Qx_j为激流造成的协方差分量；

其中，距离估计的协方差矩阵Px_j-1为：

，

协方差

，式中的x为针对第j次测量得到的距离数据X_j-1=｛x_j-10,x_j-11,…x_j-1i｝，

为第j次测量得到的距离数据的平均值；

协方差

，式中的v为针对第j次和第j-1次测量的距离变化率V_j-1=[v_j-10 v_j-11 …v_j-1i]，

为V_j-1中元素的平均值；

协方差

，

。

进一步可选的，所述Qxf是根据浮渣的组分、厚度、密度的性质决定的，

；所述

；所述

其中，b、c、d均为系数，在取值方面，b为0.1-0.5，c为0.05-0.1，d为0.01-0.03。

针对浮渣、湍流和激流产生的噪声模型分别造成的幅值峰协方差分量累加，可得：

其中，Qa_f为浮渣造成的协方差分量；Qa_t为湍流造成的协方差分量；Qa_j为激流造成的协方差分量；

进一步可选的，所述

；所述

；所述

其中，e、h、k均为系数，在取值方面，e为0.2-0.3，h为0.02-0.05，k为0.05-0.1。

其中，幅值峰估计的协方差矩阵Pa_j-1为：

协方差

，式中的a为针对第j次测量得到的幅值峰的峰值A_j-1=｛a_j-10,a_j-11,…a_j-1i｝，

为第j次测量得到的幅值峰的峰值的平均值；

协方差

，式中的△a为针对第j次和第j-1次测量的距离变化率△A_j-1=[△a _j-10 △a _j-11 …△a _j-1i]，

为△A_j-1中元素的平均值；

协方差

，协方差

。

通过上述过程得到准确的距离集合为：X’=｛x₀,x₁,…,x_i｝；X’对应的幅值峰的峰值的集合为A’=｛a₀,a₁,…,a_i｝

通过对距离信号和幅值信号的双预测、结合上述针对管网中出现浮渣、湍流及激流的异常状态的滤波实现双矫正。

可选的，步骤S400具体包括以下步骤：

S401：将一次测量的所述准确的幅值降序排序，并将对应的准确的距离按照幅值顺序排序；

S402：通过筛选函数过滤异常值；

S403：通过幅值加权模型计算每个幅值峰的概率分布，并组成该次测量的概率分布集合；

S404：该次测量的概率分布集合中的元素重新降序排序，并将对应的幅值矩阵和距离矩阵跟随概率分布矩阵同步排序，得到最终的幅值矩阵和距离矩阵，并计算最终的液位值。

可选的，步骤S401中，将一次测量的所述准确的幅值A′降序排序得到中间幅值集合A″，并将A′对应的准确的距离X′按照与A″对应的顺序进行排序得到中间距离集合X″，分别将A″和X″写成矩阵形式：

其中，a₀、a₁、a_i为A″的幅值数据，x₀、x₁、x_i为X″的距离数据。

上述矩阵A″、X″与A′X′矩阵中元素虽然下标一致，但实际代表的数值不同，A″和X″中的元素为排序后的数值。

可选的，步骤S402中，所述筛选函数为：

过滤掉x_i＜0和x_i＞a_i的元素。

可选的，步骤S403中，通过A″、X″和筛选函数f(x_i)、幅值加权模型g(a_i)计算得到单个幅值峰的概率分布：

P’x_i=｛f（x_i）×g（a_i）｝

幅值加权模型g(a_i)具体为：

，

从而确定该次测量的概率分布集合：P’x_i=｛Px₀,Px₁,…Px_i｝，写成矩阵形式则有P″x=[Px₀,Px₁,…Px_i]。

步骤S404中，该次测量的概率分布集合中的元素重新降序排序，并将对应的幅值矩阵和距离矩阵跟随概率分布矩阵同步排序，得到最终的幅值矩阵和距离矩阵：

取上述矩阵中最大概率Px₀对应的幅值峰的峰值a₀，也就是矩阵的第一列a₀为最终的液位值。

附图说明

图1为第一次测量中接收的雷达信号图；

图2为步骤S300得到的准确的距离信号和幅值信号图；

图3为步骤S400得到的最终的距离信号和幅值信号图。

具体实施方式

本实施例提供一种给排水管网的幅控液位测量方法，检测雷达波返回信号的幅值判断被测距离，包括以下步骤：

S100：利用雷达液位计测量若干次，每次测量将得到一系列波动的幅值信号以及与之对应的距离信号；

S200：提取若干次测量的幅值信号对应的峰值，形成幅值矩阵；提取若干次测量的距离信号对应的距离数据，形成距离矩阵；

S300：利用每次测量的时间间隔，对幅值矩阵和距离矩阵执行预估加权滤波算法，得到准确的幅值和距离，用于消除浮渣、湍流及激流的异常状态对雷达波的干扰；

S400：通过筛选函数和幅控信号加权函数对步骤S300得到的准确的幅值和距离进行处理，用于排除井壁或液位计表面附着物带来的异常峰值的影响，得到最终的幅值矩阵和距离矩阵，并确定最终的液位值。

步骤S100中，雷达液位计每测量一次，就得到一系列波动的幅值信号以及与之对应的距离信号，每次测量的时间间隔相同，记录多次测量对应得到的多个系列的波动的幅值信号以及与之对应的距离信号。

步骤S200中，所述提取若干次测量的幅值信号对应的峰值，形成幅值矩阵，具体为：

（1）第一次测量中，在一系列波动的幅值信号中，提取幅值峰所对应的峰值a₀₀、a₀₁、…a_0i，所述峰值为既大于左边最靠近的幅值、又大于右边最靠近的幅值的幅值，将所有峰值降序排序后记作A₀，A₀=｛a₀₀,a₀₁,…a_0i｝；

（2）第一次测量中，提取A₀中的幅值峰对应的距离数据x₀₀、x₀₁、…x_0i，记作X₀，X₀=｛x₀₀,x₀₁,…x_0i｝，如图1所示；

（3）之后的若干次测量中，第二次测量的幅值信号中，提取幅值峰所对应的峰值a₁₀、a₁₁、…a_1i，降序排序后记作A₁，A₁=｛a₁₀,a₁₁,…a_1i｝，以此类推，第j次测量的幅值信号中，提取幅值峰所对应的峰值a_j-10、a_j-11、…a_j-1i，降序排序后记作A_j-1=｛a_j-10,a_j-11,…a_j-1i｝，第j+1次测量的幅值信号中，提取幅值峰所对应的峰值a_j0、a_j1、…a_ji，降序排序后记作A_j，A_j=｛a_j0,a_j1,…a_ji｝，所有幅值峰对应的峰值的集合记作A，

提取A₁中的幅值峰对应的距离数据x₁₀、x₁₁、…x_1i，记作X₁，X₁=｛x₁₀,x₁₁,…x_1i｝，以此类推，提取A_j-1中的幅值峰对应的距离数据x_j-10、x_j-11、…x_j-1i，记作X_j-1，X_j-1=｛x_j-10,x_j-11,…x_j-1i｝，提取A_j中的幅值峰对应的距离数据x_j0、x_j1、…x_ji，记作X_j，X_j=｛x_j0,x_j1,…x_ji｝，所有幅值峰对应的距离的集合记作X，

步骤S300具体包括以下步骤：

S301：将前后两次测量的峰值对比，除以前后两次测量的时间间隔，得到幅值峰变化率；将前后两次测量的距离对比，除以前后两次测量的时间间隔，得到距离变化率；

S302：根据幅值峰变化率和概率分布模型预测下一次测量的峰值；根据距离变化率和概率分布模型预测下一次测量的距离；

S303：将幅值峰的测量值和步骤S302得到的幅值峰的预测值进行高斯融合，确定幅值峰的概率分布，将距离的测量值和步骤S302得到的距离的预测值进行高斯融合，确定距离的概率分布，即可得到准确的幅值峰集合和距离集合。

进一步可选的，步骤S301中，第j+1次测量与第j次测量的幅值峰变化率为：

△A_j=(A_j-A_j-1)/t=[(a_j0-a_j-10)/t (a_j1-a_j-11)/t … (a_ji-a_j-1i)/t]=[△a_j0△a_j1…△a_ji]

其中，△a_j0=(a_j0-a_j-10)/t，△a_j1=(a_j1-a_j-11)/t，△a_ji=(a_ji-a_j-1i)/t，

距离变化率为：

V_j=(X_j-X_j-1)/t=[(x_j0-x_j-10)/t (x_j1-x_j-11)/t … (x_ji-x_j-1i)/t]=[v_j0 v_j1…v_ji]

其中，△v_j0=(x_j0-x_j-10)/t，△v_j1=(x_j1-x_j-11)/t，△v_ji=(x_ji-x_j-1i)/t；t为前后两次测量的时间间隔，本实施例中t取值为500ms。

进一步可选的，步骤S302中，预测下一次测量的峰值为：

预测下一次测量的距离为：

其中，F_j为概率分布模型，

；

进一步可选的，步骤S303中，所述的将幅值峰的测量值和步骤S302得到的幅值峰的预测值进行高斯融合，确定幅值峰的概率分布，具体为：

其中，A_j+1为第j+2次幅值峰的测量值，第j+2次测量的幅值信号中，提取幅值峰所对应的峰值a_j+10、a_j+11、…a_j+1i，降序排序后记作A_j+1，A_j+1=｛a_j+10,a_j+11,…a_j+1i｝，△A_j+1为第j+2次与第j+1次测量的幅值峰变化率，a_j+1和a_j均为已知数值，

△A_j+1=(A_j+1-A_j)/t=[(a_j+10-a_j0)/t (a_j+11-a_j1)/t … (a_j+1i-a_ji)/t]=[△a_j+10△a_j+11…△a_j+1i]；

其中，△a_j+10=(a_j+10-a_j0)/t，△a_j+11=(a_j+11-a_j1)/t，△a_j+1i=(a_j+1i-a_ji)/t，

所述的将距离的测量值和步骤S302得到的距离的预测值进行高斯融合，确定距离的概率分布，具体为：

其中，X_j+1为第j+2次距离的测量值，第j+2次距离的测量值，提取A_j+1中的幅值峰对应的距离数据x_j+10、x_j+11、…x_j+1i，记作X_j+1，X_j+1=｛x_j+10,x_j+11,…x_j+1i｝，V_j+1为第j+2次与第j+1次测量的距离变化率，X_j+1和X_j均为已知数值，

V_j+1=(X_j+1-X_j)/t=[(x_j+10-x_j0)/t (x_j+11-x_j1)/t … (x_j+1i-x_ji)/t]=[v_j+10 v_j+11…v_j+1i]

其中，v_j+10=(x_j+10-x_j0)/t，v_j+11=(x_j+11-x_j1)/t，v_j+1i=(x_j+1i-x_ji)/t，

所述F^’ _j=F_j；K₁和K₂分别为幅值峰协方差总量和距离协方差总量，K₁=[K_aK_a]，K₂=[K_vK_v]；

其中，K_v=Px_j’H_j ^T(H_jPx_j’H_j ^T+R_j)^-1，K_a=Pa_j’H_j ^T(H_jPa_j’H_j ^T+R_j)^-1；

所述R_j为雷达液位计本身的误差协方差模型，具体为：

其中，x_c，v_c均为雷达液位计的探头制造完毕后测试时的标定值，x_c0，v_c0为标定值的平均值，本实施例中x_c为[1003 1005 1002 999 998]，v_c为[0.11 0.105 0.108 0.1120.111]，x₀为1001，v_c0为0.109。

针对浮渣、湍流和激流产生的噪声模型分别造成的距离协方差分量累加，可得：

其中，Qx_f为浮渣造成的距离协方差分量；Qx_t为湍流造成的距离协方差分量；Qx_j为激流造成的距离协方差分量；

其中，距离估计的协方差矩阵Px_j-1为：

，

协方差

，式中的x为针对第j次测量得到的距离数据X_j-1=｛x_j-10,x_j-11,…x_j-1i｝，

为第j次测量得到的距离数据的平均值；

协方差

，式中的v为针对第j次和第j-1次测量的距离变化率V_j-1=[v_j-10 v_j-11 …v_j-1i]，

为V_j-1中元素的平均值；

协方差

，

。

进一步可选的，所述Qxf是根据浮渣的组分、厚度、密度的性质决定的，

；所述

；所述

其中，b、c、d均为系数，在取值方面，b为0.1，c为0.05，d为0.01。

针对浮渣、湍流和激流产生的噪声模型分别造成的幅值峰协方差分量累加，可得：

其中，Qa_f为浮渣造成的幅值协方差分量；Qa_t为湍流造成的幅值协方差分量；Qa_j为激流造成的幅值协方差分量；

进一步可选的，所述

；所述

；所述

其中，e、h、k均为系数，在取值方面，e为0.2，h为0.02，k为0.05。

其中，幅值峰估计的协方差矩阵Pa_j-1为

协方差

，式中的a为针对第j次测量得到的幅值峰的峰值A_j-1=｛a_j-10,a_j-11,…a_j-1i｝，

为第j次测量得到的幅值峰的峰值的平均值；

协方差

，式中的△a为针对第j次和第j-1次测量的距离变化率△A_j-1=[△a _j-10 △a _j-11 …△a _j-1i]，

为△A_j-1中元素的平均值；

协方差

，协方差

。

通过上述过程得到准确的距离集合为：X’=｛x₀,x₁,…,x_i｝；X’对应的幅值峰的峰值的集合为A’=｛a₀,a₁,…,a_i｝，如图2所示。

通过对距离信号和幅值信号的双预测、结合上述针对管网中出现浮渣、湍流及激流的异常状态的滤波实现双矫正。

可选的，步骤S400具体包括以下步骤：

S401：将一次测量的所述准确的幅值降序排序，并将对应的准确的距离按照幅值顺序排序；

S402：通过筛选函数过滤异常值；

S403：通过幅值加权模型计算每个幅值峰的概率分布，并组成该次测量的概率分布集合；

S404：该次测量的概率分布集合中的元素重新降序排序，并将对应的幅值矩阵和距离矩阵跟随概率分布矩阵同步排序，得到最终的幅值矩阵和距离矩阵，并计算最终的液位值。

可选的，步骤S401中，将一次测量的所述准确的幅值A′降序排序得到中间幅值集合A″，并将A′对应的准确的距离X′按照与A″对应的顺序进行排序得到中间距离集合X″，分别将A″和X″写成矩阵形式：

其中，a₀、a₁、a_i为A″的幅值数据，x₀、x₁、x_i为X″的距离数据。

上述矩阵A″、X″与A′X′矩阵中元素虽然下标一致，但实际代表的数值不同，A″和X″中的元素为排序后的数值。

可选的，步骤S402中，所述筛选函数为：

过滤掉x_i＜0和x_i＞a_i的元素。

可选的，步骤S403中，通过A″、X″和筛选函数f(x_i)、幅值加权模型g(a_i)计算得到单个幅值峰的概率分布：

P’x_i=｛f（x_i）×g（a_i）｝

幅值加权模型g(a_i)具体为：

，

从而确定该次测量的概率分布集合：P’x_i=｛Px₀,Px₁,…Px_i｝，写成矩阵形式则有P″x=[Px₀,Px₁,…Px_i]。

步骤S404中，该次测量的概率分布集合中的元素重新降序排序，并将对应的幅值矩阵和距离矩阵跟随概率分布矩阵同步排序，得到最终的幅值矩阵和距离矩阵，如图3所示：

取上述矩阵中最大概率Px₀对应的幅值峰的峰值a₀，也就是矩阵的第一列a₀为最终的液位值，数值为1000mm。

图1-图3的横坐标为距离，单位为mm，纵坐标为幅值。

Claims (10)

1.一种给排水管网的幅控液位测量方法，检测雷达波返回信号的幅值判断被测距离，其特征在于，包括以下步骤：

S100：利用雷达液位计测量若干次，每次测量将得到一系列波动的幅值信号以及与之对应的距离信号；

S200：提取若干次测量的幅值信号对应的峰值，形成幅值矩阵；提取若干次测量的距离信号对应的距离数据，形成距离矩阵；

S300：利用每次测量的时间间隔，对幅值矩阵和距离矩阵执行预估加权滤波算法，得到准确的幅值和距离，用于消除浮渣、湍流及激流的异常状态对雷达波的干扰；

S400：通过筛选函数和幅控信号加权函数对步骤S300得到的准确的幅值和距离进行处理，用于排除井壁或液位计表面附着物带来的异常峰值的影响，得到最终的幅值矩阵和距离矩阵，并确定最终的液位值。

2.根据权利要求1所述的液位测量方法，其特征在于，步骤S100中，雷达液位计每测量一次，就得到一系列波动的幅值信号以及与之对应的距离信号，每次测量的时间间隔相同，记录多次测量对应得到的多个系列的波动的幅值信号以及与之对应的距离信号。

3.根据权利要求2所述的液位测量方法，其特征在于，步骤S200中，所述提取若干次测量的幅值信号对应的峰值，形成幅值矩阵，具体为：

（1）第一次测量中，在一系列波动的幅值信号中，提取幅值峰所对应的峰值a₀₀、a₀₁、…a_0i，所述峰值为既大于左边最靠近的幅值、又大于右边最靠近的幅值的幅值，将所有峰值降序排序后记作A₀，A₀=｛a₀₀,a₀₁,…a_0i｝；

（2）第一次测量中，提取A₀中的幅值峰对应的距离数据x₀₀、x₀₁、…x_0i，记作X₀，X₀=｛x₀₀,x₀₁,…x_0i｝；

（3）之后的若干次测量中，第二次测量的幅值信号中，提取幅值峰所对应的峰值a₁₀、a₁₁、…a_1i，降序排序后记作A₁，A₁=｛a₁₀,a₁₁,…a_1i｝，以此类推，第j次测量的幅值信号中，提取幅值峰所对应的峰值a_j-10、a_j-11、…a_j-1i，降序排序后记作A_j-1=｛a_j-10,a_j-11,…a_j-1i｝，第j+1次测量的幅值信号中，提取幅值峰所对应的峰值a_j0、a_j1、…a_ji，降序排序后记作A_j，A_j=｛a_j0,a_j1,…a_ji｝，所有幅值峰对应的峰值的集合记作A，

，

提取A₁中的幅值峰对应的距离数据x₁₀、x₁₁、…x_1i，记作X₁，X₁=｛x₁₀,x₁₁,…x_1i｝，以此类推，提取A_j-1中的幅值峰对应的距离数据x_j-10、x_j-11、…x_j-1i，记作X_j-1，X_j-1=｛x_j-10,x_j-11,…x_j-1i｝，提取A_j中的幅值峰对应的距离数据x_j0、x_j1、…x_ji，记作X_j，X_j=｛x_j0,x_j1,…x_ji｝，所有幅值峰对应的距离的集合记作X，

。

4.根据权利要求3所述的液位测量方法，其特征在于，步骤S300具体包括以下步骤：

S301：将前后两次测量的峰值对比，除以前后两次测量的时间间隔，得到幅值峰变化率；将前后两次测量的距离对比，除以前后两次测量的时间间隔，得到距离变化率；

S302：根据幅值峰变化率和概率分布模型预测下一次测量的峰值；根据距离变化率和概率分布模型预测下一次测量的距离；

S303：将幅值峰的测量值和步骤S302得到的幅值峰的预测值进行高斯融合，确定幅值峰的概率分布，将距离的测量值和步骤S302得到的距离的预测值进行高斯融合，确定距离的概率分布，即可得到准确的幅值峰集合和距离集合。

5.根据权利要求4所述的液位测量方法，其特征在于，步骤S301中，第j+1次测量与第j次测量的幅值峰变化率为：

△A_j=(A_j-A_j-1)/t=[(a_j0-a_j-10)/t (a_j1-a_j-11)/t … (a_ji-a_j-1i)/t]=[△a_j0 △a_j1 …△a_ji]；

其中，△a_j0=(a_j0-a_j-10)/t，△a_j1=(a_j1-a_j-11)/t，△a_ji=(a_ji-a_j-1i)/t，t为前后两次测量的时间间隔；

距离变化率为：

V_j=(X_j-X_j-1)/t=[(x_j0-x_j-10)/t (x_j1-x_j-11)/t … (x_ji-x_j-1i)/t]=[v_j0 v_j1 …v_ji]；

其中，△v_j0=(x_j0-x_j-10)/t，△v_j1=(x_j1-x_j-11)/t，△v_ji=(x_ji-x_j-1i)/t；

步骤S302中，预测下一次测量的峰值为：

；

预测下一次测量的距离为：

；

其中，F_j为概率分布模型。

6.根据权利要求5所述的液位测量方法，其特征在于，步骤S303中，所述的将幅值峰的测量值和步骤S302得到的幅值峰的预测值进行高斯融合，确定幅值峰的概率分布，具体为：

；

其中，第j+2次测量的幅值信号中，提取幅值峰所对应的峰值a_j+10、a_j+11、…a_j+1i，降序排序后记作A_j+1，A_j+1=｛a_j+10,a_j+11,…a_j+1i｝，△A_j+1为第j+2次与第j+1次测量的幅值峰变化率，

△A_j+1=(A_j+1-A_j)/t=[(a_j+10-a_j0)/t (a_j+11-a_j1)/t … (a_j+1i-a_ji)/t]=[△a_j+10 △a_j+11…△a_j+1i]；

其中，△a_j+10=(a_j+10-a_j0)/t，△a_j+11=(a_j+11-a_j1)/t，△a_j+1i=(a_j+1i-a_ji)/t，

所述的将距离的测量值和步骤S302得到的距离的预测值进行高斯融合，确定距离的概率分布，具体为：

；

其中，F^’ _j=F_j，X_j+1为第j+2次距离的测量值，提取A_j+1中的幅值峰对应的距离数据x_j+10、x_j+11、…x_j+1i，记作X_j+1，X_j+1=｛x_j+10,x_j+11,…x_j+1i｝，V_j+1为第j+2次与第j+1次测量的距离变化率，

V_j+1=(X_j+1-X_j)/t=[(x_j+10-x_j0)/t (x_j+11-x_j1)/t … (x_j+1i-x_ji)/t]=[v_j+10 v_j+11 …v_j+1i]

其中，v_j+10=(x_j+10-x_j0)/t，v_j+11=(x_j+11-x_j1)/t，v_j+1i=(x_j+1i-x_ji)/t，K₁和K₂分别为幅值峰协方差总量和距离协方差总量。

7.根据权利要求6所述的液位测量方法，其特征在于，步骤S400具体包括以下步骤：

S401：将一次测量的所述准确的幅值降序排序，并将对应的准确的距离按照幅值顺序排序；

S402：通过筛选函数过滤异常值；

S403：通过幅值加权模型计算每个幅值峰的概率分布，并组成该次测量的概率分布集合；

S404：该次测量的概率分布集合中的元素重新降序排序，并将对应的幅值矩阵和距离矩阵跟随概率分布矩阵同步排序，得到最终的幅值矩阵和距离矩阵，并计算最终的液位值。

8.根据权利要求7所述的液位测量方法，其特征在于，步骤S401中，将一次测量的所述准确的幅值A′降序排序得到中间幅值集合A″，并将A′对应的准确的距离X′按照与A″对应的顺序进行排序得到中间距离集合X″；

分别将A″和X″写成矩阵形式：

A″=[a₀ a₁ …a_i]

X″=[x₀ x₁ …x_i]

其中，a₀、a₁、a_i为A″的幅值数据，x₀、x₁、x_i为X″的距离数据。

9.根据权利要求8所述的液位测量方法，其特征在于，步骤S403中，通过A″、X″和筛选函数f(x_i)、幅值加权模型g(a_i)计算得到单个幅值峰的概率分布：

P’x_i=｛f（x_i）×g（a_i）｝。

10.根据权利要求9所述的液位测量方法，其特征在于，步骤S404中，取最终的幅值矩阵和距离矩阵中最大概率Px₀对应的幅值峰的峰值a₀为最终的液位值。

Images