CN116147724A - 一种适用于超声水表的计量方法 - Google Patents

一种适用于超声水表的计量方法 Download PDF

Info

Publication number
CN116147724A
CN116147724A CN202310133240.8A CN202310133240A CN116147724A CN 116147724 A CN116147724 A CN 116147724A CN 202310133240 A CN202310133240 A CN 202310133240A CN 116147724 A CN116147724 A CN 116147724A
Authority
CN
China
Prior art keywords
neural network
data set
ultrasonic water
water meter
deep neural
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
Application number
CN202310133240.8A
Other languages
English (en)
Other versions
CN116147724B (zh
Inventor
贺佳乐
杨金合
沈华刚
范建华
王建华
陈维广
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.)
Qingdao Zhidian New Energy Technology Co.,Ltd.
Qingdao Topscomm Communication Co Ltd
Original Assignee
Qingdao Topscomm Communication 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 Qingdao Topscomm Communication Co Ltd filed Critical Qingdao Topscomm Communication Co Ltd
Priority to CN202310133240.8A priority Critical patent/CN116147724B/zh
Publication of CN116147724A publication Critical patent/CN116147724A/zh
Application granted granted Critical
Publication of CN116147724B publication Critical patent/CN116147724B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F15/00—Details of, or accessories for, apparatus of groups G01F1/00 - G01F13/00 insofar as such details or appliances are not adapted to particular types of such apparatus
    • G01F15/02—Compensating or correcting for variations in pressure, density or temperature
    • G01F15/022—Compensating or correcting for variations in pressure, density or temperature using electrical means
    • 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
    • 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
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Fluid Mechanics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Electromagnetism (AREA)
  • Measuring Volume Flow (AREA)

Abstract

本发明涉及流量计量技术领域，公开了一种适用于超声水表的计量方法，其技术方案包括以下步骤：S1，获取原始及标准数据集；S2，对原始数据集进行数据预处理；S3，使用训练数据集进行网络训练；S4，对模型预测值进行误差判断；S5，移植网络模型至超声水表算法模块；S6，对管道流体状态实时监测。本发明可针对超声水表流量计量实现宽温度区间内的温度补偿，不依赖于人工校准经验以及外置温度传感器，从而实现不同温度下超声水表的高精度计量。通过神经网络算法，可消除因温变造成的材料形变带来的流量计量误差，进一步提高计量精度，且能够较好的保证同型号水表的一致性。

Description

一种适用于超声水表的计量方法
技术领域
本发明涉及流量计量技术领域，尤其涉及一种适用于超声水表的计量方法。
背景技术
超声水表大多采用时差法测量流量，受限于加工工艺，需在出厂前对其进行流量校准，以保证计量精度。而校准过程依赖人工经验，无法保证各水表间一致性。此外，温度变化会对超声波在水中的传播速率产生影响，进而使最终测量结果产生误差。传统方法通常外接温度传感器，根据测量温度对流量计量值进行简单拟合修正，亦无法保证超声水表精度的一致性。
发明内容
本发明针对现有技术存在的不足和缺陷，提供了一种适用于超声水表的计量方法，可针对超声水表流量计量实现宽温度区间内的温度补偿，不依赖于人工校准经验以及外置温度传感器，从而实现不同温度下超声水表的高精度计量标准，且能够较好的保证同型号水表的一致性。
本发明的目的可以通过以下技术方案来实现：
一种适用于超声水表的计量方法，包括以下步骤。
S1，在不同温度、不同流量点对不同生产批次的多个同型号水表进行测试，得到原始数据集；同时使用标准表在相同条件下进行对应测试，获得标准数据集；
S2，构建超声水表数据处理模型，将原始数据集中的数据代入超声水表数据处理模型；
使用动态阈值法标定超声水表数据处理模型输出值中的异常数据点，在原始数据集中找出并清洗这些异常数据点，得到修正数据集；
将修正数据集中的数据划分为训练数据集与验证数据集；
S3，以训练数据集作为深度神经网络模型的输入，以Parametric ReLU函数作为深度神经网络模型各层激活函数，使用改进的动态误差反向传播算法优化深度神经网络结构，对深度神经网络模型进行训练，输出温度值及经过温度补偿后的流量值；
S4，使用标准数据集作为真实值，使用改进的均方差损失函数计算深度神经网络模型训练输出值与真实值的相对误差；根据超声水表精度设置所述均方差损失函数的阈值；
当深度神经网络模型训练输出值与真实值的相对误差小于所述均方差损失函数的阈值时停止对深度神经网络模型的训练；
S5，将训练后的深度神经网络模型移植到超声水表计量算法模块；
S6，使用S5中所述超声水表对上下游管道内流体状态进行实时监测。
进一步地，所述步骤S1中，原始数据集包括上下游超声波绝对飞行时间之差、上下游超声波绝对飞行时间之和、超声水表管径、超声水表声路长度、采集波形信号峰峰值；标准数据集包括使用标准表测得的流量值及温度值。
进一步地，所述步骤S2中，修正数据集中的60％作为训练数据集，40％作为验证数据集。
进一步地，所述步骤S2的数据处理步骤具体包括：
S2-1，构建超声水表数据处理模型，将原始数据集中的数据代入超声水表数据处理模型中，求得输出值Ai；超声水表数据处理模型公式如下：
Figure BDA0004084526230000021
其中Ti1、Ti2分别为第i个数据点的上、下游超声波绝对飞行时间，ΔTi为第i个数据点的上下游超声波绝对飞行时间之差，Vppi1为第i个数据点的上游采集波形信号峰峰值，Vppi2为第i个数据点的下游采集波形信号峰峰值；
S2-2，使用动态阈值法处理输出值Ai：
Figure BDA0004084526230000022
Figure BDA0004084526230000023
其中n为滑动平均数据量且为偶数；N为总数据量；μm为第m个数据点的动态平均值；σm为第m个数据点的动态标准差；
S2-3，当输出值Am大于等于μm+3σm或小于等于μm-3σm时，标定此m为异常数据点；
S2-4，在原始数据集中找出并清洗这些异常数据点，得到修正数据集；
S2-5，将修正数据集中的数据划分为训练数据集与验证数据集。
进一步地，所述步骤S3中改进的动态误差反向传播算法的计算公式如下：
η＝η0 x
Figure BDA0004084526230000031
Figure BDA0004084526230000032
Figure BDA0004084526230000033
Loss＝λQLossQ+λTLossT
其中η为动态学习率；η0为初始学习率；x为根据误差函数计算的幂系数；Loss为深度神经网络模型训练总误差；LossQ为深度神经网络模型训练预测流量误差；
Figure BDA0004084526230000034
为深度神经网络模型训练预测的温度补偿后流量值；yQ为标准数据集中的真实流量值；LossT为深度神经网络模型训练预测温度误差；
Figure BDA0004084526230000035
为深度神经网络模型训练预测温度值；yT为标准数据集中的真实温度值；λQ为深度神经网络模型训练预测流量误差的权重，根据超声水表的设计需求及规范设置；λT为深度神经网络模型训练预测温度误差的权重，根据超声水表的设计需求及规范设置。
进一步地，所述步骤S4中改进的均方差损失函数计算公式为：
Figure BDA0004084526230000036
Figure BDA0004084526230000037
Loss＝λQLossQ+λTLossT
其中Loss为深度神经网络模型训练总误差；LossQ为深度神经网络模型训练预测流量误差；
Figure BDA0004084526230000038
为深度神经网络模型训练预测的温度补偿后流量值；yQ为标准数据集中的真实流量值；LossT为深度神经网络模型训练预测温度误差；
Figure BDA0004084526230000039
为深度神经网络模型训练预测温度值；yT为标准数据集中的真实温度值；λQ为深度神经网络模型训练预测流量误差的权重，根据超声水表的设计需求及规范设置；λT为深度神经网络模型训练预测温度误差的权重，根据超声水表的设计需求及规范设置。
本发明的有益技术效果：可实现宽温度区间、全流量区间内的精确流量测量。选择改进后的深度神经网络模型(DNN)结构动态调整误差学习率以优化收敛速度。使用多种测试工况下的流量数据作为神经网络模型的原始数据集，根据超声水表地设计精度设定误差判断地阈值，保证模型计量结果的准确性。无需人工温度校准以及外置温度传感器，以温度相关项超声波上下游绝对飞行时间之和作为输入项，通过神经网络模型训练以实现对计量结果的精确补偿。此外，模型训练可消除因温变引起的水表管段材料形变造成的计量误差，保证超声水表计量精度的准确性及一致性。
附图说明
图1为本发明的总体流程图。
图2为本发明所述DNN模型的训练流程图。
图3为本发明实施例所述DNN结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不限定本发明。
参照图1，一种适用于超声水表的计量方法，包括以下步骤：
步骤S1，在不同温度、不同流量点对不同生产批次的多个同型号水表进行测试，得到原始数据集；同时使用标准表在相同条件下进行对应测试，获得标准数据集。
原始数据集包括上下游超声波绝对飞行时间之差、上下游超声波绝对飞行时间之和、超声水表管径、超声水表声路长度、采集波形信号峰峰值；标准数据集包括使用标准表测得的流量值及温度值。
步骤S2，构建超声水表数据处理模型，将原始数据集中的数据代入超声水表数据处理模型；
使用动态阈值法标定超声水表数据处理模型输出值中的异常数据点，在原始数据集中找出并清洗这些异常数据点，得到修正数据集；
将修正数据集中的数据划分为训练数据集与验证数据集。
所述步骤S2的数据处理步骤具体如下：
S2-1，构建超声水表数据处理模型，将原始数据集中的数据代入超声水表数据处理模型中，求得输出值Ai；超声水表数据处理模型公式如下：
Figure BDA0004084526230000041
其中Ti1、Ti2分别为第i个数据点的上、下游超声波绝对飞行时间，ΔTi为第i个数据点的上下游超声波绝对飞行时间之差，Vppi1为第i个数据点的上游采集波形信号峰峰值，Vppi2为第i个数据点的下游采集波形信号峰峰值。
S2-2，使用动态阈值法处理输出值Ai：
Figure BDA0004084526230000042
Figure BDA0004084526230000051
Figure BDA0004084526230000052
其中n为滑动平均数据量且为偶数；N为总数据量；μm为第m个数据点的动态平均值；σm为第m个数据点的动态标准差。
S2-3，当输出值Am大于等于μm+3σm或小于等于μm-3σm时，标定此m为异常数据点。
S2-4，在原始数据集中找出并清洗这些异常数据点，得到修正数据集。
S2-5，将修正数据集中的数据划分为训练数据集与验证数据集；将修正数据集中的60％作为训练数据集，40％作为验证数据集。
步骤S3，如图2所示，以训练数据集作为深度神经网络模型的输入，以ParametricReLU函数作为深度神经网络模型各层激活函数，使用改进的动态误差反向传播算法优化深度神经网络结构，对深度神经网络模型进行训练，输出温度值及经过温度补偿后的流量值；深度神经网络结构参照图3。
所述Parametric Relu函数的计算公式如下式所示：
Figure BDA0004084526230000053
其中αi为参数系数。
所述步骤S3中改进的动态误差反向传播算法的计算公式如下：
η＝η0 x
Figure BDA0004084526230000061
Figure BDA0004084526230000062
Figure BDA0004084526230000063
Loss＝λQLossQ+λTLossT
所述h为误差反向传播的动态学习率；h0为初始学习率，设为0.1；x为动态学习率的幂系数；
x的计算方法为对Loss值的对数取绝对值后进行向上取整，当计算的误差函数较大时，则动态调整学习率增大，当误差函数较小时，调整学习率减小；
其中Loss为深度神经网络模型训练总误差；LossQ为深度神经网络模型训练预测流量误差；
Figure BDA0004084526230000064
为深度神经网络模型训练预测的温度补偿后流量值；yQ为标准数据集中的真实流量值；LossT为深度神经网络模型训练预测温度误差；
Figure BDA0004084526230000065
为深度神经网络模型训练预测温度值；yT为标准数据集中的真实温度值；λQ为深度神经网络模型训练预测流量误差的权重，根据超声水表的设计需求及规范设置；λT为深度神经网络模型训练预测温度误差的权重，根据超声水表的设计需求及规范设置。
步骤S4，使用标准数据集作为真实值，使用改进的均方差损失函数计算深度神经网络模型训练输出值与真实值的相对误差；根据超声水表精度设置所述均方差损失函数的阈值；
当深度神经网络模型训练输出值与真实值的相对误差小于所述均方差损失函数的阈值时停止对深度神经网络模型的训练；
所述改进均方差损失函数如式8-10所示。本发明中所述超声水表的主要设计功能为流量计量，次要设计功能为温度计量，因此取lQ为0.8，取lT为0.2。
所述步骤S4中，误差判断的预设阈值由所述超声水表设计精度而定。
针对所述超声水表，设计的计量精度规定：在高区流量，即(5 L/h—3125 L/h)流量区间，预测值与真实值的相对误差为±1％，因此均方误差函数的判断阈值为±0.01％；而在低区流量，即(3.125 L/h-5 L/h)流量区间，预测值与真实值的相对误差为±3％，因此均方误差函数的判断阈值为±0.09％。
所述神经网络训练过程中，当计算的深度神经网络模型训练总误差Loss小于所述判断阈值时即停止训练；而当深度神经网络模型训练总误差Loss大于所述判断阈值时则继续训练，并依据总误差的大小使用式6-7动态调整学习率，直至训练结果小于误差阈值。
所述神经网络训练过程中，当网络训练模型的总误差Loss小于判断阈值时，使用验证数据集进行模型验证，若验证结果满足预设判断阈值，则停止预测，输出神经网络模型；若验证结果的总误差仍不满足预设判断阈值，则将修正数据集打乱顺序，重新随机抽取60％的训练数据集和40％的验证数据集进行神经网络模型的训练和验证，重复进行步骤S3及步骤S4。
步骤S5，将训练后的深度神经网络模型移植到超声水表计量算法模块。
步骤S6，使用S5中所述超声水表对上下游管道内流体状态进行实时监测。
所述方法无需外置温度传感器，节省了整机成本，还可消除因温变造成的材料形变带来的流量计量误差，进一步提高计量精度，过程如下：
超声水表计量管道内流体线速度为：
Figure BDA0004084526230000071
以此求得的管道内流量为：
Figure BDA0004084526230000072
其中，L为水表中超声波飞行声路长度，T2和T1分别为下游、上游绝对飞行时间，r为管道内半径。
超声水表出厂时的声路长度标定为L，以此计算的流量为Q，但由于温度变化引起超声水表管段材料形变，造成声路长度变化为L’，此时的实际流量应仍为Q，但计量流量却变为Q’，因此带来流量计量误差。
所述一种适用于超声水表的计量方法，使用神经网络模型进行流量值的计算，网络模型将温度相关项以及声路长度当作训练参数，得到的流量值经过了温度补偿以及声路长度补偿，因此可准确计量不同温度下的流量值。
上述实施例是对本发明的具体实施方式的说明，而非对本发明的限制，有关技术领域的技术人员在不脱离本发明的精神和范围的情况下，还可做出各种变换和变化以得到相对应的等同的技术方案，因此所有等同的技术方案均应归入本发明的专利保护范围。

Claims (6)

1.一种适用于超声水表的计量方法，其特征在于，包括以下步骤：
S1，在不同温度、不同流量点对不同生产批次的多个同型号水表进行测试，得到原始数据集；同时使用标准表在相同条件下进行对应测试，获得标准数据集；
S2，构建超声水表数据处理模型，将原始数据集中的数据代入超声水表数据处理模型；
使用动态阈值法标定超声水表数据处理模型输出值中的异常数据点，在原始数据集中找出并清洗这些异常数据点，得到修正数据集；
将修正数据集中的数据划分为训练数据集与验证数据集；
S3，以训练数据集作为深度神经网络模型的输入，以Parametric ReLU函数作为深度神经网络模型各层激活函数，使用改进的动态误差反向传播算法优化深度神经网络结构，对深度神经网络模型进行训练，输出温度值及经过温度补偿后的流量值；
S4，使用标准数据集作为真实值，使用改进的均方差损失函数计算深度神经网络模型训练输出值与真实值的相对误差；根据超声水表精度设置所述均方差损失函数的阈值；
当深度神经网络模型训练输出值与真实值的相对误差小于所述均方差损失函数的阈值时停止对深度神经网络模型的训练；
S5，将训练后的深度神经网络模型移植到超声水表计量算法模块；
S6，使用S5中所述超声水表对上下游管道内流体状态进行实时监测。
2.根据权利要求1所述的一种适用于超声水表的计量方法，其特征在于，所述步骤S1中，原始数据集包括上下游超声波绝对飞行时间之差、上下游超声波绝对飞行时间之和、超声水表管径、超声水表声路长度、采集波形信号峰峰值；标准数据集包括使用标准表测得的流量值及温度值。
3.根据权利要求1所述的一种适用于超声水表的计量方法，其特征在于，所述步骤S2中的修正数据集中的60％作为训练数据集，40％作为验证数据集。
4.根据权利要求1所述的一种适用于超声水表的计量方法，其特征在于，所述步骤S2具体包括：
S2-1，构建超声水表数据处理模型，将原始数据集中的数据代入超声水表数据处理模型中，求得输出值Ai；超声水表数据处理模型公式如下：
Figure FDA0004084526220000011
其中Ti1、Ti2分别为第i个数据点的上、下游超声波绝对飞行时间，ΔTi为第i个数据点的上下游超声波绝对飞行时间之差，Vppi1为第i个数据点的上游采集波形信号峰峰值，Vppi2为第i个数据点的下游采集波形信号峰峰值；
S2-2，使用动态阈值法处理输出值Ai：
Figure FDA0004084526220000021
Figure FDA0004084526220000022
其中n为滑动平均数据量且为偶数；N为总数据量；μm为第m个数据点的动态平均值；σm为第m个数据点的动态标准差；
S2-3，当输出值Am大于等于μm+3σm或小于等于μm-3σm时，标定此m为异常数据点；
S2-4，在原始数据集中找出并清洗这些异常数据点，得到修正数据集；
S2-5，将修正数据集中的数据划分为训练数据集与验证数据集。
5.根据权利要求1所述的一种适用于超声水表的计量方法，其特征在于，所述步骤S3中改进的动态误差反向传播算法的计算公式如下：
η＝η0 x
Figure FDA0004084526220000023
Figure FDA0004084526220000024
Figure FDA0004084526220000025
Loss＝λQLossQ+λTLossT
其中η为动态学习率；η0为初始学习率；x为根据误差函数计算的幂系数；Loss为深度神经网络模型训练总误差；LossQ为深度神经网络模型训练预测流量误差；
Figure FDA0004084526220000031
为深度神经网络模型训练预测的温度补偿后流量值；yQ为标准数据集中的真实流量值；LossT为深度神经网络模型训练预测温度误差；
Figure FDA0004084526220000032
为深度神经网络模型训练预测的温度值；yT为标准数据集中的真实温度值；λQ为深度神经网络模型训练预测流量误差的权重，根据超声水表的设计需求及规范设置；λT为深度神经网络模型训练预测温度误差的权重，根据超声水表的设计需求及规范设置。
6.根据权利要求1所述的一种适用于超声水表的计量方法，其特征在于，所述步骤S4中改进的均方差损失函数计算公式为：
Figure FDA0004084526220000033
Figure FDA0004084526220000034
Loss＝λQLossQ+λTLossT
其中Loss为深度神经网络模型训练总误差；LossQ为深度神经网络模型训练预测流量误差；
Figure FDA0004084526220000035
为深度神经网络模型训练预测的温度补偿后流量值；yQ为标准数据集中的真实流量值；LossT为深度神经网络模型训练预测温度误差；
Figure FDA0004084526220000036
为深度神经网络模型训练预测温度值；yT为标准数据集中的真实温度值；λQ为深度神经网络模型训练预测流量误差的权重，根据超声水表的设计需求及规范设置；λT为深度神经网络模型训练预测温度误差的权重，根据超声水表的设计需求及规范设置。
CN202310133240.8A 2023-02-20 2023-02-20 一种适用于超声水表的计量方法 Active CN116147724B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310133240.8A CN116147724B (zh) 2023-02-20 2023-02-20 一种适用于超声水表的计量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310133240.8A CN116147724B (zh) 2023-02-20 2023-02-20 一种适用于超声水表的计量方法

Publications (2)

Publication Number Publication Date
CN116147724A true CN116147724A (zh) 2023-05-23
CN116147724B CN116147724B (zh) 2024-01-19

Family

ID=86357915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310133240.8A Active CN116147724B (zh) 2023-02-20 2023-02-20 一种适用于超声水表的计量方法

Country Status (1)

Country Link
CN (1) CN116147724B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117606578A (zh) * 2023-11-23 2024-02-27 深圳医和家智慧医疗科技有限公司 一种智能的气体流量监测方法
CN118603264A (zh) * 2024-08-08 2024-09-06 山东鹏诚智能科技有限公司 一种超声波水表流量矫正方法及其系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109764924A (zh) * 2019-02-25 2019-05-17 上海碳索能源环境服务有限公司 基于神经网络模型的宽工况高精度智能流量计
CN111144499A (zh) * 2019-12-27 2020-05-12 北京工业大学 基于深度神经网络的风机叶片早期结冰故障检测方法
WO2020114119A1 (zh) * 2018-12-07 2020-06-11 深圳光启空间技术有限公司 一种跨域网络训练及图像识别方法
US20200232829A1 (en) * 2017-04-25 2020-07-23 Sagemcom Energy & Telecom Sas Method for measuring a speed of a fluid
US20210199480A1 (en) * 2019-12-26 2021-07-01 Horiba Stec, Co., Ltd. Flow rate estimation for mass flow controller
CN114166318A (zh) * 2022-02-14 2022-03-11 青岛鼎信通讯股份有限公司 一种基于深度学习的超声波水表流量数据校准方法
US20220269258A1 (en) * 2020-09-15 2022-08-25 Zhejiang University Method for anomaly classification of industrial control system communication network

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200232829A1 (en) * 2017-04-25 2020-07-23 Sagemcom Energy & Telecom Sas Method for measuring a speed of a fluid
WO2020114119A1 (zh) * 2018-12-07 2020-06-11 深圳光启空间技术有限公司 一种跨域网络训练及图像识别方法
CN109764924A (zh) * 2019-02-25 2019-05-17 上海碳索能源环境服务有限公司 基于神经网络模型的宽工况高精度智能流量计
US20210199480A1 (en) * 2019-12-26 2021-07-01 Horiba Stec, Co., Ltd. Flow rate estimation for mass flow controller
CN111144499A (zh) * 2019-12-27 2020-05-12 北京工业大学 基于深度神经网络的风机叶片早期结冰故障检测方法
US20220269258A1 (en) * 2020-09-15 2022-08-25 Zhejiang University Method for anomaly classification of industrial control system communication network
CN114166318A (zh) * 2022-02-14 2022-03-11 青岛鼎信通讯股份有限公司 一种基于深度学习的超声波水表流量数据校准方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117606578A (zh) * 2023-11-23 2024-02-27 深圳医和家智慧医疗科技有限公司 一种智能的气体流量监测方法
CN118603264A (zh) * 2024-08-08 2024-09-06 山东鹏诚智能科技有限公司 一种超声波水表流量矫正方法及其系统

Also Published As

Publication number Publication date
CN116147724B (zh) 2024-01-19

Similar Documents

Publication Publication Date Title
CN116147724B (zh) 一种适用于超声水表的计量方法
CN114964429A (zh) 一种超声波水表检定方法
JP5501214B2 (ja) 超音波流量計の検証システム及び検証方法
CN106895890A (zh) 一种多声道超声波气体流量计声道权系数计算方法
CN101319925A (zh) 一种利用bp神经网络的煤气计量方法
CN101196394A (zh) 小段圆弧圆度的优化最小二乘评价方法
CN108693496A (zh) 一种基于参量退化方程的智能电能表误差预估方法
CN106383287A (zh) 通过提高数据同步性提升电网稳定断面测量精度的方法
CN114235111A (zh) 一种基于模型优化的超声波水表流量校准方法
CN105651361B (zh) 超声波水表自动调压检测标定装置及方法
CN107330218A (zh) 轴销式传感器及其径向力标定与计算方法、装置和系统
CN107152958A (zh) 基于多项式算法的质量流量计标定检测系统与方法
CN114199331A (zh) 一种适用于多声道超声流量计的流量计算方法
CN110906993B (zh) 一种流量计计量温度补偿方法及超声波流量计
CN109992748B (zh) 一种河口潮位调和分析方法
CN103106332A (zh) 一种测量不确定度的分析方法
CN114485863B (zh) 超声波水表的流量误差校正方法、系统、计算机及介质
CN117848465A (zh) 一种超声波水表的温度误差修正方法及系统
CN117007160A (zh) 一种基于机器学习的气体超声流量计检验系统
CN114877975A (zh) 一种基于管路入口雷诺数的超声水表流量误差修正方法
CN114252134A (zh) 一种超声波水表校准水温的方法
CN108763719B (zh) 一种面向桁架制造质量的实时可量化评价方法
CN107732940A (zh) 一种基于adpss的电力系统稳定器参数优化试验方法
Khadem et al. Sensor validation in power plants using neural networks
CN113483720A (zh) 一种基于蒙特卡洛的最小实体要求下直线度测量方法

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
CP03 Change of name, title or address

Address after: 266000 12 / F, 4b building, Dingxin science and Technology Industrial Park, No. 858, Huaguan Road, high tech Zone, Qingdao, Shandong

Patentee after: Qingdao Zhidian New Energy Technology Co.,Ltd.

Country or region after: China

Patentee after: QINGDAO TOPSCOMM COMMUNICATION Co.,Ltd.

Address before: 12th Floor, Building 4B, Dingxin Technology Industrial Park, No. 858 Huaguan Road, High tech Zone, Qingdao City, Shandong Province

Patentee before: QINGDAO TOPSCOMM COMMUNICATION Co.,Ltd.

Country or region before: China

CP03 Change of name, title or address