CN114136402A - 一种给排水管网的幅控液位测量方法 - Google Patents
一种给排水管网的幅控液位测量方法 Download PDFInfo
- Publication number
- CN114136402A CN114136402A CN202210104803.6A CN202210104803A CN114136402A CN 114136402 A CN114136402 A CN 114136402A CN 202210104803 A CN202210104803 A CN 202210104803A CN 114136402 A CN114136402 A CN 114136402A
- Authority
- CN
- China
- Prior art keywords
- amplitude
- distance
- peak
- matrix
- measurement
- 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
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
- G01F23/284—Electromagnetic waves
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Thermal Sciences (AREA)
- Fluid Mechanics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
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
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、…a0i,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,…a0i};
(2)第一次测量中,提取A0中的幅值峰对应的距离数据x00、x01、…x0i,记作X0,X0={x00,x01,…x0i};
(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、…a1i,降序排序后记作A1,A1={a10,a11,…a1i},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aj-10、aj-11、…aj-1i,降序排序后记作Aj-1={aj-10,aj-11,…aj-1i},第j+1次测量的幅值信号中,提取幅值峰所对应的峰值aj0、aj1、…aji,降序排序后记作Aj,Aj={aj0,aj1,…aji},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、…x1i,记作X1,X1={x10,x11,…x1i},以此类推,提取Aj-1中的幅值峰对应的距离数据xj-10、xj-11、…xj-1i,记作Xj-1,Xj-1={xj-10,xj-11,…xj-1i},提取Aj中的幅值峰对应的距离数据xj0、xj1、…xji,记作Xj,Xj={xj0,xj1,…xji},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:
△Aj=(Aj-Aj-1)/t=[(aj0-aj-10)/t (aj1-aj-11)/t … (aji-aj-1i)/t]=[△aj0△aj1…△aji]
其中,△aj0=(aj0-aj-10)/t,△aj1=(aj1-aj-11)/t,△aji=(aji-aj-1i)/t,
距离变化率为:
Vj=(Xj-Xj-1)/t=[(xj0-xj-10)/t (xj1-xj-11)/t … (xji-xj-1i)/t]=[vj0 vj1…vji]
其中,△vj0=(xj0-xj-10)/t,△vj1=(xj1-xj-11)/t,△vji=(xji-xj-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,Fj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,Aj+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aj+10、aj+11、…aj+1i,降序排序后记作Aj+1,Aj+1={aj+10,aj+11,…aj+1i},△Aj+1为第j+2次与第j+1次测量的幅值峰变化率,aj+1和aj均为已知数值,
△Aj+1=(Aj+1-Aj)/t=[(aj+10-aj0)/t (aj+11-aj1)/t … (aj+1i-aji)/t]=[△aj+10△aj+11…△aj+1i];
其中,△aj+10=(aj+10-aj0)/t,△aj+11=(aj+11-aj1)/t,△aj+1i=(aj+1i-aji)/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,Xj+1为第j+2次距离的测量值,提取Aj+1中的幅值峰对应的距离数据xj+10、xj+11、…xj+1i,记作Xj+1,Xj+1={xj+10,xj+11,…xj+1i},Vj+1为第j+2次与第j+1次测量的距离变化率,Xj+1和Xj均为已知数值,
Vj+1=(Xj+1-Xj)/t=[(xj+10-xj0)/t (xj+11-xj1)/t … (xj+1i-xji)/t]=[vj+10 vj+11…vj+1i]
其中,vj+10=(xj+10-xj0)/t,vj+11=(xj+11-xj1)/t,vj+1i=(xj+1i-xji)/t,
所述F’ j=Fj;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=[KaKa],K2=[KvKv];
其中,Ka=Paj’Hj T(HjPaj’Hj T+Rj)-1,Kv=Pxj’Hj T(HjPxj’Hj T+Rj)-1;
所述Rj为雷达液位计本身的误差协方差模型,具体为:
其中,xc,vc均为雷达液位计的探头制造完毕后测试时的标定值,xc0,vc0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,Qxf为浮渣造成的协方差分量;Qxt为湍流造成的协方差分量;Qxj为激流造成的协方差分量;
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,Qaf为浮渣造成的协方差分量;Qat为湍流造成的协方差分量;Qaj为激流造成的协方差分量;
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。
通过上述过程得到准确的距离集合为:X’={x0,x1,…,xi};X’对应的幅值峰的峰值的集合为A’={a0,a1,…,ai}
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、ai为A″的幅值数据,x0、x1、xi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xi<0和xi>ai的元素。
可选的,步骤S403中,通过A″、X″和筛选函数f(xi)、幅值加权模型g(ai)计算得到单个幅值峰的概率分布:
P’xi={f(xi)×g(ai)}
从而确定该次测量的概率分布集合:P’xi={Px0,Px1,…Pxi},写成矩阵形式则有P″x=[Px0,Px1,…Pxi]。
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、…a0i,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,…a0i};
(2)第一次测量中,提取A0中的幅值峰对应的距离数据x00、x01、…x0i,记作X0,X0={x00,x01,…x0i},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、…a1i,降序排序后记作A1,A1={a10,a11,…a1i},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aj-10、aj-11、…aj-1i,降序排序后记作Aj-1={aj-10,aj-11,…aj-1i},第j+1次测量的幅值信号中,提取幅值峰所对应的峰值aj0、aj1、…aji,降序排序后记作Aj,Aj={aj0,aj1,…aji},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、…x1i,记作X1,X1={x10,x11,…x1i},以此类推,提取Aj-1中的幅值峰对应的距离数据xj-10、xj-11、…xj-1i,记作Xj-1,Xj-1={xj-10,xj-11,…xj-1i},提取Aj中的幅值峰对应的距离数据xj0、xj1、…xji,记作Xj,Xj={xj0,xj1,…xji},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:
△Aj=(Aj-Aj-1)/t=[(aj0-aj-10)/t (aj1-aj-11)/t … (aji-aj-1i)/t]=[△aj0△aj1…△aji]
其中,△aj0=(aj0-aj-10)/t,△aj1=(aj1-aj-11)/t,△aji=(aji-aj-1i)/t,
距离变化率为:
Vj=(Xj-Xj-1)/t=[(xj0-xj-10)/t (xj1-xj-11)/t … (xji-xj-1i)/t]=[vj0 vj1…vji]
其中,△vj0=(xj0-xj-10)/t,△vj1=(xj1-xj-11)/t,△vji=(xji-xj-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:
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,Aj+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aj+10、aj+11、…aj+1i,降序排序后记作Aj+1,Aj+1={aj+10,aj+11,…aj+1i},△Aj+1为第j+2次与第j+1次测量的幅值峰变化率,aj+1和aj均为已知数值,
△Aj+1=(Aj+1-Aj)/t=[(aj+10-aj0)/t (aj+11-aj1)/t … (aj+1i-aji)/t]=[△aj+10△aj+11…△aj+1i];
其中,△aj+10=(aj+10-aj0)/t,△aj+11=(aj+11-aj1)/t,△aj+1i=(aj+1i-aji)/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,Xj+1为第j+2次距离的测量值,第j+2次距离的测量值,提取Aj+1中的幅值峰对应的距离数据xj+10、xj+11、…xj+1i,记作Xj+1,Xj+1={xj+10,xj+11,…xj+1i},Vj+1为第j+2次与第j+1次测量的距离变化率,Xj+1和Xj均为已知数值,
Vj+1=(Xj+1-Xj)/t=[(xj+10-xj0)/t (xj+11-xj1)/t … (xj+1i-xji)/t]=[vj+10 vj+11…vj+1i]
其中,vj+10=(xj+10-xj0)/t,vj+11=(xj+11-xj1)/t,vj+1i=(xj+1i-xji)/t,
所述F’ j=Fj;K1和K2分别为幅值峰协方差总量和距离协方差总量,K1=[KaKa],K2=[KvKv];
其中,Kv=Pxj’Hj T(HjPxj’Hj T+Rj)-1,Ka=Paj’Hj T(HjPaj’Hj T+Rj)-1;
所述Rj为雷达液位计本身的误差协方差模型,具体为:
其中,xc,vc均为雷达液位计的探头制造完毕后测试时的标定值,xc0,vc0为标定值的平均值,本实施例中xc为[1003 1005 1002 999 998],vc为[0.11 0.105 0.108 0.1120.111],x0为1001,vc0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,Qxf为浮渣造成的距离协方差分量;Qxt为湍流造成的距离协方差分量;Qxj为激流造成的距离协方差分量;
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,Qaf为浮渣造成的幅值协方差分量;Qat为湍流造成的幅值协方差分量;Qaj为激流造成的幅值协方差分量;
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。
通过上述过程得到准确的距离集合为:X’={x0,x1,…,xi};X’对应的幅值峰的峰值的集合为A’={a0,a1,…,ai},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、ai为A″的幅值数据,x0、x1、xi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xi<0和xi>ai的元素。
可选的,步骤S403中,通过A″、X″和筛选函数f(xi)、幅值加权模型g(ai)计算得到单个幅值峰的概率分布:
P’xi={f(xi)×g(ai)}
从而确定该次测量的概率分布集合:P’xi={Px0,Px1,…Pxi},写成矩阵形式则有P″x=[Px0,Px1,…Pxi]。
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、…a0i,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,…a0i};
(2)第一次测量中,提取A0中的幅值峰对应的距离数据x00、x01、…x0i,记作X0,X0={x00,x01,…x0i};
(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、…a1i,降序排序后记作A1,A1={a10,a11,…a1i},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aj-10、aj-11、…aj-1i,降序排序后记作Aj-1={aj-10,aj-11,…aj-1i},第j+1次测量的幅值信号中,提取幅值峰所对应的峰值aj0、aj1、…aji,降序排序后记作Aj,Aj={aj0,aj1,…aji},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、…x1i,记作X1,X1={x10,x11,…x1i},以此类推,提取Aj-1中的幅值峰对应的距离数据xj-10、xj-11、…xj-1i,记作Xj-1,Xj-1={xj-10,xj-11,…xj-1i},提取Aj中的幅值峰对应的距离数据xj0、xj1、…xji,记作Xj,Xj={xj0,xj1,…xji},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:
△Aj=(Aj-Aj-1)/t=[(aj0-aj-10)/t (aj1-aj-11)/t … (aji-aj-1i)/t]=[△aj0 △aj1 …△aji];
其中,△aj0=(aj0-aj-10)/t,△aj1=(aj1-aj-11)/t,△aji=(aji-aj-1i)/t,t为前后两次测量的时间间隔;
距离变化率为:
Vj=(Xj-Xj-1)/t=[(xj0-xj-10)/t (xj1-xj-11)/t … (xji-xj-1i)/t]=[vj0 vj1 …vji];
其中,△vj0=(xj0-xj-10)/t,△vj1=(xj1-xj-11)/t,△vji=(xji-xj-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,Fj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aj+10、aj+11、…aj+1i,降序排序后记作Aj+1,Aj+1={aj+10,aj+11,…aj+1i},△Aj+1为第j+2次与第j+1次测量的幅值峰变化率,
△Aj+1=(Aj+1-Aj)/t=[(aj+10-aj0)/t (aj+11-aj1)/t … (aj+1i-aji)/t]=[△aj+10 △aj+11…△aj+1i];
其中,△aj+10=(aj+10-aj0)/t,△aj+11=(aj+11-aj1)/t,△aj+1i=(aj+1i-aji)/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=Fj,Xj+1为第j+2次距离的测量值,提取Aj+1中的幅值峰对应的距离数据xj+10、xj+11、…xj+1i,记作Xj+1,Xj+1={xj+10,xj+11,…xj+1i},Vj+1为第j+2次与第j+1次测量的距离变化率,
Vj+1=(Xj+1-Xj)/t=[(xj+10-xj0)/t (xj+11-xj1)/t … (xj+1i-xji)/t]=[vj+10 vj+11 …vj+1i]
其中,vj+10=(xj+10-xj0)/t,vj+11=(xj+11-xj1)/t,vj+1i=(xj+1i-xji)/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 …ai]
X″=[x0 x1 …xi]
其中,a0、a1、ai为A″的幅值数据,x0、x1、xi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(xi)、幅值加权模型g(ai)计算得到单个幅值峰的概率分布:
P’xi={f(xi)×g(ai)}。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210104803.6A CN114136402A (zh) | 2022-01-28 | 2022-01-28 | 一种给排水管网的幅控液位测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210104803.6A CN114136402A (zh) | 2022-01-28 | 2022-01-28 | 一种给排水管网的幅控液位测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114136402A true CN114136402A (zh) | 2022-03-04 |
Family
ID=80382211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210104803.6A Pending CN114136402A (zh) | 2022-01-28 | 2022-01-28 | 一种给排水管网的幅控液位测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114136402A (zh) |
-
2022
- 2022-01-28 CN CN202210104803.6A patent/CN114136402A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108254032B (zh) | 河流超声波时差法流量计算方法 | |
CN110658508B (zh) | 一种基于特征量的k分布海杂波参数估计方法 | |
CN110346004B (zh) | 一种双声道超声时差法的流量测量数据融合方法 | |
CN110243423A (zh) | 河道流量计算方法及系统 | |
CN112854316B (zh) | 一种基于声波透射法的首至波声时智能修正方法及装置 | |
CN116242443A (zh) | 一种超声波计量仪表的动态计量方法 | |
CN115876288A (zh) | 一种基于大数据的电子仪表故障分析方法及系统 | |
CN115950495A (zh) | 一种超声水表测量频率调节方法 | |
CN114739469A (zh) | 一种用于超声波流量计的防错波方法及超声波流量计 | |
CN114136402A (zh) | 一种给排水管网的幅控液位测量方法 | |
CN116626685B (zh) | 基于机器学习的河道底泥实时监测方法及系统 | |
RU2376581C2 (ru) | Способ и устройство для получения информации о распределении макроскопических частиц в жидкости по размеру | |
CN112132324A (zh) | 一种基于深度学习模型的超声波水表数据修复方法 | |
CN115655994B (zh) | 一种水域泥沙超声波测量方法及系统 | |
CN111982248A (zh) | 一种改进的传感器动态数据融合方法 | |
CN111881800A (zh) | 基于ar模型和自助检验的钢管混凝土脱空缺陷检测方法 | |
Muste et al. | Methodology for estimating ADCP measurement uncertainty in open-channel flows | |
CN114563771A (zh) | 基于聚类分析的双阈值激光雷达云层检测算法 | |
CN113808092A (zh) | 钢管混凝土界面脱粘缺陷检测方法、系统、装置及介质 | |
CN105891541B (zh) | 基于层间相关性的adcp表层盲区流速估算方法 | |
CN115184638B (zh) | 一种深海ladcp观测数据后处理方法及处理终端 | |
CN118424406B (zh) | 一种天然河道近水面部分流量计算方法及系统 | |
CN116125459B (zh) | 一种用于侧扫雷达的有效测速单元判定方法 | |
CN113837163B (zh) | 一种基于三维探地雷达的隧道监测方法、系统以及存储介质 | |
CN117434295B (zh) | 一种声层析信号强度数据的智能处理评价方法 |
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 |