CN116558587A - 基于流量预测的超声波流体流量测量方法及系统 - Google Patents
基于流量预测的超声波流体流量测量方法及系统 Download PDFInfo
- Publication number
- CN116558587A CN116558587A CN202310584471.0A CN202310584471A CN116558587A CN 116558587 A CN116558587 A CN 116558587A CN 202310584471 A CN202310584471 A CN 202310584471A CN 116558587 A CN116558587 A CN 116558587A
- Authority
- CN
- China
- Prior art keywords
- flow
- transducer
- gain
- prediction
- layer
- 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
- 239000012530 fluid Substances 0.000 title claims abstract description 64
- 238000000691 measurement method Methods 0.000 title claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims description 67
- 238000005070 sampling Methods 0.000 claims description 48
- 238000004364 calculation method Methods 0.000 claims description 30
- 238000001514 detection method Methods 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 20
- 230000005284 excitation Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 14
- 230000003321 amplification Effects 0.000 claims description 12
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 6
- 230000004069 differentiation Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000013213 extrapolation Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000000630 rising effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003434 inspiratory effect Effects 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 240000007651 Rubus glaucus Species 0.000 description 2
- 235000011034 Rubus glaucus Nutrition 0.000 description 2
- 235000009122 Rubus idaeus Nutrition 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001351 cycling effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000019888 Circadian rhythm sleep disease Diseases 0.000 description 1
- 208000001456 Jet Lag Syndrome Diseases 0.000 description 1
- 239000004696 Poly ether ether ketone Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 208000033915 jet lag type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 229920002530 polyetherether ketone Polymers 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000009613 pulmonary function test Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000013125 spirometry Methods 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- 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
- 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
-
- 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
-
- 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
Abstract
本发明涉及流体流量测量技术领域，具体公开了一种基于流量预测的超声波流体流量测量方法及系统，针对最常用的基于阈值的UGFM系统在流量测量范围方面仍然存在的局限性，本发明构建了一种流量预测模型(基于滑动窗口算法和长短期记忆网络)，基于采样的前n个流量数据预测下一时刻的流量，从而根据该预测的流量动态计算出增益用于对信号进行放大，然后再进行阈值检测和过零比较，以及通过合理设置阈值来进行阈值检测和过零比较，能一定程度上增加UGFM的测量范围，适用于流量变化较大的流体流量测量，且不影响测量精度。
Description
技术领域
本发明涉及流体流量测量技术领域，尤其涉及一种基于流量预测的超声波流体流量测量方法及系统。
背景技术
近年来，超声波气体流量计(UGFM)引起了人们的极大关注。与涡轮流量计、涡流流量计和差压流量计等传统流量计相比，UGFM提供了高精度测量，具有高调节比和无压力损失。此外，它们可以测量双向流量。由于其优点，UGFM已被广泛应用于许多领域，如气体输送、化学工程和肺通气评估。如今，由于流量计的测量范围、精度和收集的气体流量数据的准确性，对流量计的要求显著增加。尽管具有大直径的UGFM具有较宽的范围，但它们在低流量测量中可能不太准确。在这种情况下，有必要更换流道和超声波换能器，以实现更大的测量范围。此外，在肺活量测量、风速测量和某些航空航天应用领域，通常使用小直径管道测量流速范围相对较宽的快速变化气体的流速。然而，当前的UGFM在重建宽流速范围内收集的气体信息方面的精度有限，并且在峰值流速测量方面的精度较低。因此，如何在不更换管道的情况下扩大UGFM的测量范围，同时保持精度和高采样率，已成为当前的研究热点。
超声气体流量计的测量方法总共有时差法和多普勒法两种，多普勒法多适用于测量多种混合流体介质(如气体+液体)等，测量精度较低。因此测量单一介质的流体通常采用时差法。时差法超声气体流量计的工作原理是，在管道周围布置一对换能器(第一换能器即换能器1和第二换能器即换能器2)，测量换能器1发射——换能器2接收的飞行时间t1和换能器2发射——换能器1接收的飞行时间t2，即可通过公式计算得到管道内流体的流速(单位m/s)，如图1所示，公式表示如下：
t1＝L(c+vcosθ) (1)
t2＝L(c-vcosθ) (2)
式中，v表示流速；L是超声波传播路径的有效长度；D表示气体路径的内径；θ是超声波束的主要传播方向和气体流动方向之间的角度；t1是指声波从换能器1传播到换能器2的时间；t2是指声波从换能器2传播到换能器1的时间。流体流速v可以表示为：
流速v与管道横截面积S的乘积可获得管道中的瞬时体积流量Q(单位L/s)：
Q＝S·v·α (4)
时差法超声气体流量计比较依赖对回波信号的处理，其中较常见的有包络法、互相关法和阈值法。包络法和互相关法由于其需要高速ADC采样和繁琐的运算会导致系统成本以及速度慢，因此市面上大多的超声气体流量计产品均采取阈值法作为其回波处理方式，用来获取飞行时间(t1和t2)。阈值法的信号处理流程框图以及时域表示如图2。
如图3底部所示。点A1、A2、…、An被定义为回波信号上升段的正极值点，点B1、B2、…、Bn被定义为回波信号上升段负极值点。回波信号通常包含一定量的噪声。为了减少噪声干扰，第一个可观测的最大点和最小点被定义为A1和B1，而An和Bn分别指回波信号中的最大值和最小值。
飞行时间测量法是超声波测量中应用最广泛的方法，因为它受环境和其他因素的影响较小。UGFM信号处理的一个关键部分是超声波飞行时间(TOF)的计算，这取决于回波信号的处理。使用回波信号的特征点的典型方法包括互相关、包络和阈值方法。互相关方法和包络方法需要进行多次数学运算和高速模数转换器(ADC)进行信号采样，这可能会受到噪声的显著影响，从而降低测量精度。基于阈值方法的UGFM系统越来越受到关注，因为它们不依赖于高速ADC对回波信号进行采样，也不需要复杂的数据拟合和繁重的计算。然而，由于超声换能器和气体介质之间的声阻抗不匹配，这种系统在气体介质中传播期间经常遭受回波信号的低接收效率和进一步的信号衰减。因此，其流量测量范围也极为有限。已经有一些关于扩大基于阈值的UGFM系统的流量测量范围的研究。如双阈值法和动态阈值法，利用前一采样点的回波信号特性来调整下一次流量测量的阈值，表现出相当大的滞后性，因此气体速度变化的增加可能导致调整延迟或调整误差。此外，随着流速的增加，回波信号显著衰减，相邻极值点之间的差异减小，使得动态阈值的调整变得越来越困难。因此，自适应增益控制对于提高超声波气体流量计系统的流量测量范围至关重要。基于回波信号极值点的变化使用自动增益电路(AGC)控制器，但仍存在采样率低和回波信号在大流量范围内失真等局限性，不适用于较大的流量测量。
发明内容
本发明提供基于流量预测的超声波流体流量测量方法，解决的技术问题在于：如何在不影响测量精度的情况下，能一定程度上增加UGFM的测量范围，适用于流量变化较大的流体(比如气体)流量测量。
为解决以上技术问题，本发明提供基于流量预测的超声波流体流量测量方法，包括步骤：
S1、搭建超声流体流量计信号采集系统，该系统包括圆形管以及放置在所述圆形管外壁上参数相同的第一换能器和第二换能器；
S2、利用流量容积模拟器模拟出从负最大流量到正最大流量的流体作用于所述圆形管，根据所述第一换能器和所述第二换能器的回波信号得到此时不同流量与增益的关系；
S3、在测量的第一个周期，在不加增益的情况下通过阈值检测和过零比较计算得到当前流量；
S4、对于随后的每一个周期，在阈值检测和过零比较之前，先使用流量预测模型根据此前一个周期内n个采样时刻的流量采集值预测得到下一采样时刻的流量然后根据/>和不同流量与增益的关系得到/>对应的增益对信号进行放大，然后再对放大后的信号进行阈值检测和过零比较，得到下一时刻的流体流量。
进一步地，所述步骤S2具体包括步骤：
S21、将所述第二换能器作为激励端，将所述第一换能器作为接收端，采用流量容积模拟器模拟出从负最大流量到正最大流量的流体作用于所述圆形管，绘制所述第一换能器的回波信号正极值点A1、A2、A3、A4的电压幅值VA1、VA2、VA3、VA4随流量的变化曲线，A1、A2、A3、A4分别指信号在从低到高转变期间的第一个、第二个、第三个和第四个正极大值点；
S22、拟合出所述变化曲线的VA1、VA2、VA3、VA4与不同流量之间的映射关系；
S23、以0流量时候的VA1为基准，将其他所有流量下的VA1信号都放大到0流量时候的VA1的水平，得到放大后的回波信号极值点A1、A2、A3、A4的电压值这里的放大程度即为不同流量的增益，从而得到不同流量与增益的关系；
S24、将所述第一换能器作为激励端，将所述第二换能器作为接收端，采用与步骤S21至步骤S23相同的过程获取此时不同流量与增益的关系。
进一步地，在未采用流量预测动态调整增益的过程中，设置的阈值为Vthreshold∈(VA1,VA2)。
进一步地，在采用流量预测动态调整增益的过程中，设置的阈值为
进一步地，在所述步骤S4中，所述流量预测模型包括输入层、LSTM层、Dense层和输出层，其中输入层采用滑动窗口的方式获取此前n个采样时刻的流量采集值送入所述LSTM层，所述LSTM层采用长短期记忆网络得到特征输出至所述Dense层，所述Dense层提取特征之间的相关性，由输出层输出预测的下一个采样时刻的流量
进一步地，在所述输入层与所述LSTM层之间先后设置有微分层、归一化层，分别用于执行微分和归一化操作；在所述Dense层和所述输出层先后设有逆归一化层和逆微分层，分别用于执行逆归一化和逆微分操作。
本发明还提供一种基于流量预测的超声波流体流量测量系统，其关键在于：包括流体流量计信号采集系统、流量容积模拟器、流量计算模块、流量预测模块和增益计算模块；
所述流体流量计信号采集系统包括圆形管以及放置在所述圆形管外壁上参数相同的第一换能器和第二换能器；
所述流量容积模拟器用于模拟出从负最大流量到正最大流量的流体作用于所述圆形管；所述增益计算模块用于根据所述第一换能器和所述第二换能器的回波信号得到此时不同流量与增益的关系；
所述流量计算模块用于，在测量的第一个周期，在不加增益的情况下通过阈值检测和过零比较计算得到当前流量；所述流量预测模块用于，对于随后的每一个周期，在阈值检测和过零比较之前，先使用流量预测模型根据此前一个周期内n个采样时刻的流量采集值预测得到下一采样时刻的流量所述增益计算模块用于根据/>和不同流量与增益的关系得到/>对应的增益对信号进行放大；所述流量计算模块还用于对放大后的信号进行阈值检测和过零比较，得到下一时刻的流体流量。
具体的，所述增益计算模块根据所述第一换能器和所述第二换能器的回波信号得到此时不同流量与增益的关系，具体包括步骤：
S21、将所述第二换能器作为激励端，将所述第一换能器作为接收端，采用流量容积模拟器模拟出从负最大流量到正最大流量的流体作用于所述圆形管，绘制所述第一换能器的回波信号正极值点A1、A2、A3、A4的电压幅值VA1、VA2、VA3、VA4随流量的变化曲线，A1、A2、A3、A4分别指信号在从低到高转变期间的第一个、第二个、第三个和第四个正极大值点；
S22、拟合出所述变化曲线的VA1、VA2、VA3、VA4与不同流量之间的映射关系；
S23、以0流量时候的VA1为基准，将其他所有流量下的VA1信号都放大到0流量时候的VA1的水平，得到放大后的回波信号极值点A1、A2、A3、A4的电压值这里的放大程度即为不同流量的增益，从而得到不同流量与增益的关系；
S24、将所述第一换能器作为激励端，将所述第二换能器作为接收端，采用与步骤S21至步骤S23相同的过程获取此时不同流量与增益的关系。
具体的，在未采用流量预测动态调整增益的过程中，设置的阈值为Vthreshold∈(VA1,VA2)。
具体的，在采用流量预测动态调整增益的过程中，设置的阈值为
本发明提供的基于流量预测的超声波流体流量测量方法及系统，构建了一种流量预测模型(基于滑动窗口算法和长短期记忆网络)，基于采样的前n个流量数据预测下一时刻的流量，从而根据该预测的流量动态计算出增益用于对信号进行放大，然后再进行阈值检测和过零比较，以及通过合理设置阈值来进行阈值检测和过零比较，能一定程度上增加UGFM的测量范围，适用于流量变化较大的流体流量测量，且不影响测量精度。
附图说明
图1是本发明背景技术提供的单声道UGFM系统原理示意图；
图2是本发明背景技术提供的用阈值法测定UGFM中的TOF的流程图；
图3是本发明背景技术提供的阈值法UGFM的激励和回波信号波形图；
图4是本发明实施例提供的UGFM回波信号采样装置图；
图5是本发明实施例提供的负流量的回波信号变化图；
图6是本发明实施例提供的正流量的回波信号变化图；
图7是本发明实施例提供的两个换能器在不同流量下的回波信号波形图；
图8是本发明实施例提供的使用阈值方法在不同流量下的回波信号波形图；
图9是本发明实施例提供的归一化后的回波信号波形图；
图10是本发明实施例提供的回波极值点随流量变化的曲线图；
图11是本发明实施例提供的基于流量预测的超声波流体流量测量方法的原理图；
图12是本发明实施例提供的放大后的回波信号极值点随流速的变化曲线图；
图13是本发明实施例提供的用于流量预测的SW-LSTM模型示意图；
图14是本发明实施例提供的线A和曲线B的示意图；
图15是本发明实施例提供的SW-LSTM模型的预测情况图；
图16是本发明实施例提供的实验装置原理示意图；
图17是本发明实施例提供的0流速时换能器1的回波信号图；
图18是本发明实施例提供的不同正流量下的回波信号比较图；
图19是本发明实施例提供的A曲线和B曲线的实验数据图；
图20是本发明实施例提供的A曲线的实验数据比较图；
图21是本发明实施例提供的LSTM模型下的志愿者实验数据验证曲线图；
图22是本发明实施例提供的LSTM模型下气体注射器实验数据的验证图；
图23是本发明实施例提供的使用线性外推模型的预测情况图；
图24是本发明实施例提供的性外推模型下气体注射器实验数据的验证结果图。
具体实施方式
下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。
本实施例以气体这一流体为例，说明基于流量预测的超声波流体流量测量方法及系统。
在单通道UGFM系统中，需要对用于计算给定时间流速的两个飞行时间(TOF)测量值(t1和t2)依次采样。也就是说，在完成一次TOF(t1)测量之后，系统等待，直到管道中的回波信号衰减到某个水平，然后开始下一次TOF(t2)测量。通常，忽略两次TOF测量之间的流速变化。然而，对于流速变化快的气体或需要高实时流量测量精度的应用，有必要尽可能缩短两次TOF测量之间的时间，以提高采样率和流量测量精度。减少激励信号中的脉冲数量可以有效地缩短回波信号的尾部长度，从而减少单个飞行时间(TOF)的测量时间。因此，在本例中，对超声波气体流量计(UGFM)系统中的回波信号的分析和最后的实验部分都使用了单脉冲信号作为激励信号。
由于UGFM的数学模型难以构建，通常使用数值拟合方法来分析系统。因此，本实施例首先建立了UGFM回波信号的数据采集系统即超声气体流量计信号采集系统，如图4所示。为了收集回波信号，使用流量容积模拟器(Hans Rudolph生产)模拟正向和反向的恒定流量。使用内径为19mm、长度为140mm的由聚醚醚酮制成的圆形管。一对换能器(第一换能器即换能器1和第二换能器即换能器2)被放置在管壁上，两个换能器的中心频率为300kHz。在管道和换能器的交叉处放置250不锈钢编织丝网，以促进超声波的传播。使用峰值为60V的正单脉冲信号作为脉冲宽度为100μs的激励信号。回波信号被放大了2000倍。UGFM系统与流量容积模拟器相连，并使用Tektronix TDS2024B示波器捕获两个换能器的回波信号。
如图4所示，从左到右的气流定义为正流，反向定义为负流。图5和图6显示了负流量[-12,0]L/s和正流量[0,12]L/s时换能器1回波信号的变化。x轴、y轴和z轴分别表示采样回波信号的采样点(Sampling point，采样周期为4ns)、流量(Flow value)和幅度(Amplitude)。随着流量的增加，回波信号的衰减变得显著，并且极值点A1-An和B1-Bn减小。
图5和图6的比较表明，回波信号在正向的衰减大于在负向的衰减。换能器的这种不平衡衰减可能是由它们在结构、材料和其他方面的差异引起的。UGFM的回波信号与流量之间存在一定的映射关系，表示为
VA(Q,t)＝f(Q,t) (5)
其中VA表示回波信号的电压，f表示流量和回波信号之间的映射关系。类似地，按照相同的程序对换能器2的回波信号进行采样，将其与换能器1的回波信号，即VA(i)进行比较。对比结果如图7所示。
图7(a)-(c)显示了不同流速(+4、+8和+12L/s)下换能器1的回波信号VA(i)，以及不同流速(-4、-8和-12L/s)时换能器2的回波信号VA。图7(d)-(f)显示了-4、-8和-12L/s流速下的VA，以及+4、+8和+12L/s流速时的VA(i)。x轴和y轴分别表示回波信号的采样点和振幅。
可以看出，当超声波逆着流动方向传播时，两个换能器的回波信号在相同的流速下几乎一致。这种关系可以表示为：
VA(i)(Q,t)＝f(-Q,t) (6)
因此，可以通过找到系统中在相同流速下一个换能器的回波信号的变化规律来就可以得到另一个换能器速率的回波信号变化规律。
超声信号在UGFM中传播过程中，随着流量的增大，回波信号的极值点(A1-An和B1-Bn)会发生不同程度的衰减。图8显示了在相同起点的同一方向上的低、中、高流速下的回波信号。如图8所示，阈值电压设置在A1和A2之间。换句话说，特征点F1和F2位于A2所在的回波周期的上升沿，TOF的计算终点是点E。随着流速的增加，A2衰减到阈值以下。特征点F3是在阈值电压的交点处获得的，回波信号位于A3所在的周期中，TOF的计算终点为E’。通过比较E和E’，如果计时在E’结束，则在计算中计算出额外的循环，从而导致错误的流量结果。这通常被称为流量测量中的跳跃循环现象。
在相同的UGFM系统中，随着流速的增加，回波信号的包络将成比例地减小，即极值点A1-An的值将成比例减小。因此，目前有方案提出了一种AGC控制器来提高流量检测范围。对不同流速下采集的回波信号进行归一化，并对其极值点进行对准，得到图9。
图9(a)显示了负流速为0、-2、-4、-6L/s时的归一化回波信号，图9(b)显示了负流速为-8、-10、-12、-14L/s时的归一化回波信号。图9(a)表明，流量在0～6L/s的回波信号的包络随着流量的增加而保持相对一致，并且在回波信号的上升部分有4个可见的极值点。然而，图9(b)表明，随着流速的持续增加，回波信号的包络线发生了一些失真，并且在失真之后的一定流量范围内保持一致。在这个流量范围内，回波信号的上升部分有5个可见的极值点。
图9(c)显示了正流速为0、2、4、6、8、10L/s时的归一化回波信号，图9(d)显示了正流速为12、14L/s时的归一化回波信号。对于正流速也观察到了和负流速类似的现象，流量为0至10L/s之间的回波信号的包络基本保持一致，但随着流速的增加，回波信号的包络在一定程度上失真。
因此，尽管AGC控制器可以在一定程度上扩大流量测量的范围，但它有局限性。当流速过大并导致回波信号的包络失真时，AGC控制器将无法对UGFM执行回波自适应控制。此外，由于回波信号是一个间歇的纺锤形包络信号，AGC控制器需要对换能器进行两次间歇激励，以对飞行时间进行采样，第一次激励用于调制回波信号增益，第二次激励用于对飞行时间进行采样。这大大增加了采样周期，使得难以提高采样率来精确测量快速变化的气体流速。
本实施例提取在[-16,+16]L/s间隔内的流速下换能器2的回波信号的正极值点(即A1-A4)处的值。每个流量点以1L/s的间隔采样50次。考虑到采样噪声、管道中不规则的气流和采样精度，在不同的流速下，回波信号的峰值可能不同。对于每个流量的回波信号，提取最大和最小极值点。此外，对相邻点进行一次线性化，以绘制回波信号极值点相对于流量的变化，如图10所示。
VA1-VA4分别表示点A1-A4处的电压值。图10显示，在零流量下，相邻极值点之间的差值在(VA1,VA2)区间中最大。阈值电压被设置为该间隔中的值，Vthreshold∈(VA1,VA2)，以最大化UGFM中的流量测量范围。
VA1-VA4和流量Q之间存在映射关系，表示为：
其中Q表示体积流量；VA1-VA4分别是指在同一流量Q下点A1-A4处的电压值；f1-f4表示A1-A4与流量之间的映射关系。
如图10所示，固定阈值电压Vthreshold设置为0.8V，流量计相应的最大测量范围为[-10,7]L/s。对不同流量下回波信号的分析表明，每个峰值点的振幅与最大峰值点的幅度之比基本相同。因此，在这种情况下，可以通过基于回波信号的峰值处的值调整阈值来确定回波信号的特征点。本例计算了VA1-VA3值与VA4值的比值。结果是，尽管流量发生变化，但VA1-VA3与VA4的比率通常稳定在[-4,4]L/s的范围内。但随着流速的增加，在比率中观察到明显的上升/下降趋势，并且阈值的调整范围减小。这种现象表明了这种动态阈值方法的局限性。
图10表明，在更宽的流量范围内，回波信号峰值之间的差异非常小。在这种情况下，用动态阈值电压来控制测量范围是不容易的。此外，AGC方法由于包络会发生畸变也不适用于更大范围的流量测试。
为了能够增大超声气体流量计的流量测试范围，需要对回波信号做自适应控制的调整。而现有的超声气体流量计虽然可以在一定条件下扩宽流量测试范围，但是其中都具有一定的调整滞后性，即不适宜测量流量变化特别快的气体。而且在上述测试中发现当流量超过一定大小后，回波信号会发生一定程度的畸变。
基于上述分析，为了最大限度地扩大流速测试范围，本实施例提出了一种基于流量预测的超声波流体流量测量方法，如图11所示，包括步骤：
S1、搭建超声流体流量计信号采集系统，该系统包括圆形管以及放置在圆形管外壁上参数相同的第一换能器和第二换能器(参见图4)；
S2、利用流量容积模拟器模拟出从负最大流量到正最大流量的流体作用于圆形管，根据第一换能器和第二换能器的回波信号得到此时不同流量与增益的关系；
S3、在测量的第一个周期，在不加增益的情况下通过阈值检测和过零比较计算得到当前流量；
S4、对于随后的每一个周期，在阈值检测和过零比较之前，先使用流量预测模型根据此前一个周期内n个采样时刻的流量采集值预测得到下一采样时刻的流量然后根据/>和不同流量与增益的关系得到/>对应的增益对信号进行放大，然后再对放大后的信号进行阈值检测和过零比较，得到下一时刻的流体流量。
其中，步骤S2具体包括步骤：
S21、将第二换能器作为激励端，将第一换能器作为接收端，采用流量容积模拟器模拟出从负最大流量到正最大流量的流体作用于圆形管，绘制第一换能器的回波信号正极值点A1、A2、A3、A4的电压幅值VA1、VA2、VA3、VA4随流量的变化曲线，A1、A2、A3、A4分别指信号在从低到高转变期间的第一个、第二个、第三个和第四个正极大值点；
S22、拟合出变化曲线的VA1、VA2、VA3、VA4与不同流量之间的映射关系；
S23、以0流量时候的VA1为基准，将其他所有流量下的VA1信号都放大到0流量时候的VA1的水平，得到放大后的回波信号极值点A1、A2、A3、A4的电压值这里的放大程度即为不同流量的增益，从而得到不同流量与增益的关系；
S24、将第一换能器作为激励端，将第二换能器作为接收端，采用与步骤S21至步骤S23相同的过程获取此时不同流量与增益的关系。
如图11所示，其中V0表示系统的输入。在初始A0倍放大和滤波之后，获得信号VA。通过首先对输入信号A0进行放大，然后进行滤波来计算信号VA。换能器1和换能器2的到达时间t1和t2分别通过阈值检测和过零比较获得。使用式(3)计算管道中气体的平均流速v。流量Q作为v和管道横截面积S的乘积的体积流量表示管道中的平均体积流量。使用采样前的前n个流量数据预测下一采样时刻的流量，并且预测的流量表示为g表示流量和增益k之间的关系，增益k是基于下一采样时刻的预测流速和已知的不同流量与增益的关系获得的。
流体流动是连续的，而流体采样的样本是离散的。然而，随着流量的增加，在较大的流量区间，即使流量的微小变化也可能导致阈值检测误差。本系统可以在采样之前预测流量的变化和大小，以在测量范围内实现更精确的流量测量和回声信号增益的精确控制，尽管流量波动很大。
因为回波信号中VA1的波动随流量变化较小，所以选择VA1为基准确定放大倍数k。本例选取图10中0流量时最大VA1构成的曲线(f1(0))为基准，把所有流量下的回波信号的VA1都放大到0流量时VA1的大小，可确定Q流量下的放大增益为：
k(Q)＝VA1(Q)/f1(0) (8)
从而获得了增益与流量的关系。
在Q流速(比如)下放大的VA1-VA4可以表示为：
其中分别表示增益为k(Q)放大后的回波信号极值点A1-A4的值。由于回波信号是时变的，可以将式(9)改写为：
其中，表示在流速Q下增益为k(Q)放大后的回波信号。
使用图10中的最大VA1曲线为基准按照公式(10)进行放大调整，获得了图12，它显示了放大后的信号曲线。为了最大限度地减少干扰对测量的影响，阈值电压应设置在相对较大的间隔内。阈值(黑色虚线)应调整为式(11)：
分别表示在当前流速下回波信号的点A1、A2处的电压值，点A1、A2分别为回波信号在从低到高转变期间的第一个极大值点和第二个极大值点。
这样通过图11所示系统，如果流量预测误差很小的话，就能精准控制回波信号放大倍数，从而精确地测量飞行时间t1和t2，进而精确得到被测流体的流量值。
要想图11能够精确稳定的工作，流量预测环节也至关重要，较大的预测误差仍然会导致跳周期现象的发生。近年来LSTM深度学习神经网络模型被经常用于时间序列预测。本发明的流量采集和预测也是一个时间序列预测问题。因此此处采用LSTM神经网络用作本系统的预测。由于气流也是惯性流体，通常不会发生较大的突变，流量数据之间存在一定的相关性和耦合性，因此将流量预测模型的构建和工作流程如下：
预测模型通过n流量数据滑窗进行规律拆分，如图13中的“输入层”部分；“LSTM层”中隐藏层中的LSTM单元通过循环连接互连；LSTM的输出后添加“Dense层”提取特征之间的关联；最后输出下一个采样时间的流量预测值。完成第i次流量采样后，采样的真实流量数据进入数据滑窗，进行第i+1次流量采样前的预测。值的注意的是，预测值…仅用于图11控制系统中放大倍数k的确定，并不参与之后流量的预测。
肺活量计是一种UGFM，用于测量肺部吸入/呼出的空气的流速。在肺功能测试过程中，受试者需要深吸气，并在一次用力呼吸中快速呼气。流速变化很大，并且流动方向不断变化。因此，本实施例使用肺活量计来训练所提出的SW–LSTM模型。1995年，美国胸科学会(ATS)提出了26种流动时间波形，表示参与者在强迫呼吸过程中气流随时间的变化。此外，所有肺活量计都必须根据这些标准26波形进行验证，才能被认为适合向所有参与者提供。2000年后，国际标准化组织发布并更新了ISO 23747，以及国内发布的行业标准YY/T 1438-2016，规定了肺活量计的要求。这两个标准定义了不同峰值流量(PF)、上升时间(RT)和驻留时间(DT)的曲线A和B(图14)，用以验证流量计的准确性。曲线A(RT在100ms和120ms之间，DT在120ms和140ms之间)用于验证流量计的准确性、可重复性和线性，而流速变化较大的曲线B(RT在12ms和18ms之间，DT在24ms和36ms之间)则用于验证流量计的采样率和稳定性。
如图14所示，标出了曲线A瞬时流量的重要参数。更具体地说，PEF和PIF是指呼气峰值流量和吸气峰值流量；FEF25/50/75和FIF25/50/75％是指在肺容量的25/50/75％时的瞬时用力呼气/吸气流量。26个流动时间波形与这两个剖面相似，但它们的RT、DT和PF值不同。
26个正弦波形和5个呼吸波形被包括在训练数据集中。使用流量容积模拟器生成呼吸波形，呼吸频率在12至60bpm之间。为了使用SW-LSTM模型实现更准确的预测，应该仔细确定滑窗n大小。过大的n会减慢系统的速度，使其无法以所需的采样率进行采样。如果n太小，则系统无法准确识别流速的变化趋势。因此，为了实现精确的流量预测，窗口大小既不应该太大也不应该太小。在本实施例中，它被设置为10(即n＝10)。
为了减少数据强相关性对预测结果的影响，在数据处理之前，通过微分过程对数据进行预处理。然后用Minmax方法对预处理后的数据进行归一化，以实现更快的收敛。图13显示了基于流量预测的SW–LSTM模型。在“输入层”和“LSTM层”之间应添加两个步骤，即“微分过程”和“归一化”，也就是加入微分层和归一化层分别进行微分和归一化。在“输出层”之前，引入两个步骤：“逆微分过程”与“逆归一化”，也就是在Dense层和输出层先后设有逆归一化层和逆微分层，分别用于执行逆归一化和逆微分操作。
使用SW(滑窗)算法，窗口在时间序列数据流中滑动，并产生对模型的输入。LSTM模型包含三个隐藏层，迭代次数设置为50。计算模型中每个神经元的输出。使用Adam优化算法对模型进行离线训练，并定义了损失函数。通过梯度下降来更新神经网络的权重。此外，通过在输出层引入Dropout技术，并在每次训练迭代中根据一定的概率随机选择要去除的神经元，该模型可以避免训练数据的过拟合，从而提高其泛化能力和鲁棒性。此外，模型的噪声容忍度增加，使其能够更好地处理带有噪声的输入数据。
使用曲线A和曲线B作为测试数据。均方误差(MSE)是最小化线性回归模型拟合的平方和的成本函数的平均值，计算公式为式(12)。它可以看出模型中异常值和大误差的数量，并用于评估所提出模型的回归结果。
其中Q(i)和分别表示模型的输入数据集和预测数据集。预测的流速不可避免地与实际值不同，N表示一个测试集中流量数据Q(i)或/>的个数。因此，实际放大回波信号极值点的/>和/>表示为：
和/>形成控制系统和LSTM模型的误差带。在模型和控制系统的运行过程中，只要/>在误差带内，系统就能稳定工作。因此，可以通过计算是否满足式(14)的要求来确定系统是否正常工作。
通过SW-LSTM模型以5ms的间隔对A曲线的数据进行采样。表1和表2显示了不同PF值的A曲线和B曲线的模型误差结果。Max(E1)和Min(E2)(单位：V)表示误差带内的最大误差和最小误差。阈值电压被设置为1.10V，用来观察控制系统误差最大点的阈值电压余量。
表1 A曲线的预测结果情况
表2 B曲线的预测结果情况
表1中的计算结果表明，该模型在A曲线的预测中具有非常好的性能。所有点都满足式(14)的要求。换句话说，所有的点都得到了正确的估计。最大E1裕度为-0.2802V(PF＝-16L/s)，最小E2裕度为0.2487V(PF＝14.5L/s)。图15显示了A曲线(PF＝-16L/s)和B曲线(PF＝14.5L/s)的原始数据和预测数据之间的比较。
此外，同时绘制了经过控制系统放大后的最大和最小/>曲线。可以看出，控制系统和SW-LSTM模型取得了令人满意的结果，即使对于流量变化较快的B曲线，也能确保稳定运行。
基于上述方法，本实施例还提供一种基于流量预测的超声波流体流量测量系统，其关键在于：包括流体流量计信号采集系统、流量容积模拟器、流量计算模块、流量预测模块和增益计算模块；
流体流量计信号采集系统包括圆形管以及放置在圆形管外壁上参数相同的第一换能器和第二换能器；
流量容积模拟器用于模拟出从负最大流量到正最大流量的流体作用于圆形管；增益计算模块用于根据第一换能器和第二换能器的回波信号得到此时不同流量与增益的关系；
流量计算模块用于，在测量的第一个周期，在不加增益的情况下通过阈值检测和过零比较计算得到当前流量；流量预测模块用于，对于随后的每一个周期，在阈值检测和过零比较之前，先使用流量预测模型根据此前一个周期内n个采样时刻的流量采集值预测得到下一采样时刻的流量增益计算模块用于根据/>和不同流量与增益的关系得到对应的增益对信号进行放大；流量计算模块还用于对放大后的信号进行阈值检测和过零比较，得到下一时刻的流体流量。
系统中各个模块实现的功能在上述方法中已经详细说明，此处不再赘述。
综上，本发明实施例提供的基于流量预测的超声波流体流量测量方法及系统，提出了一种流量预测模型(基于滑动窗口算法和长短期记忆网络)采样前的前n个流量数据进行流量预测，以动态计算出增益用于对信号进行动态放大，并通过合理设置阈值来进行阈值检测和过零比较，能一定程度上增加UGFM的测量范围，适用于流量变化较大的流体流量测量，且不影响测量精度。
下面进行实验验证。
在前面分析的基础上，建立了实验电路系统，原理图如图16所示。气流管路和换能器的安装结构与图4相同。换能器与最初的设计一样。Boost电路的输出为60V，具有两个100kΩ的匹配电阻器，表示为RM1和RM2。CPU通过五个开关(即S1至S5)控制超声波换能器中信号的激励和接收。脉冲宽度为100的单个脉冲信号μs作为激励信号。
当CPU控制激励信号的产生时，它还向TDC-GP22发送了“启动”指令，这是一种高精度的时间-数字转换器。在阈值和过零比较之后，向TDC发送“停止”指令。在信号放大和滤波方面，本实施例使用了两个AD8092AR器件及其外围电路。MAX9202比较器、SN74HC74D SOIC和外围电路用于阈值和过零比较。德州仪器VCA824系列放大器用于通过调整其增益控制输入电压进行增益控制，以及由CPU通过SPI接口控制的MAX5541系列DAC转换器。实验系统的处理单元是树莓派4B，它配备了博通BCM2711、四核Cortex-A72 ARMv8 64位SoC@1.5GHz，并集成了博通VideoCore VI@500MHz GPU。SW-LSTM模型在Raspberry Pi 4B上的Python中稳定运行。计算板具有4GB LPDDR4 SDRAM、15个GPIO引脚和SPI接口，可以满足UGFM的所有要求。UGFM可以与PC通信，而PC可以实时存储和显示流量数据。
对于每个采样的流速，使用通过两个时间点的回波信号的阈值方法获得的t1和t2来计算。SW从零开始。通过对初始回波信号进行放大来计算t1和t2，从而获得第一个样本。对于随后的周期，首先使用SW-LSTM模型进行预测，以在采样t1和t2之前调整增益。SW-LSTM模型的参数在前一章中进行了训练。换能器2的增益调节可以从式(6)和(12)中获得，作为：
SW-LSTM模型总共有N1＝172个神经元，并且以n＝10个时间序列流量数据作为输入，该模型的计算成本被计算为O(nN1)＝O(1720)。为了在UGFM系统中实现相同水平的流量测量精度，互相关法和包络法需要确保ADC采样率不低于25MHz，并且回波信号在每个流量采集周期约250μs内采样两次，这意味着每次采样的最小数据样本数为N2＝6250。互相关和包络方法的计算成本可以分别表示为大约O(N2 2)＝O(62500)和O(2N2)＝O(12500)，这比LSTM方法高得多。树莓派4B上LSTM模型的模拟计算表明，该模型预测一个流量值所需的时间约为660-700μs，满足该系统5ms流量采样周期的设计要求。
为了校准UGFM，流量容积模拟器的工作模式首先生成恒定流量。利用示波器采集UGFM的回波信号，提出了流量预测和回波增益控制的方法。图17显示了换能器1在零流速下接收到的回波信号。并将另一个收集的回波信号与未使用本方法放大的回波信号进行比较，比较结果如图18所示。
图18(a),(e),(i),(m),(c),(g),(k),(o)分别显示了流量为+4、+8、+12、+16、-4、-8、-12和-16L/s时换能器1的回波信号。回波信号被放大了2000次。在流量预测和增益补偿之后，换能器1在+4、+8、+12、+16、-4、-8、-12和-16L/s流速下的回波信号分别如图18(b),(f),(j),(n),(d),(h),(l),(p)所示。如图18所示，在八个流速下的VA * 1值为0.76、0.76、0.76、0.74、0.76、0.74、0.76和0.76V，VA * 2的值为1.86、1.94、2.56、1.82、1.94、1.48、1.50和1.38V。所有VA * 1和VA * 2值都满足式(14)中的要求。
为了验证获得的流速，将流量容积模拟器(FVS)设置为“单次呼气/吸气”模式进行模拟。选择不同的曲线A和曲线B以产生正方向和负方向的流动。将使用UGFM系统测量的特定流量点的数据与模拟器的模拟数据进行比较。比较结果如图19所示。图19(a)和19(b)分别说明了在[-16,16]L/s的流量范围内，曲线A和B曲线的FVS读数和超声波气体流量计(UGFM)系统测量读数。图19中的每个“测量值”代表50次测量的平均值。从图19中可以观察到，UGFM的测量范围可以扩大到[-16,16]L/s；在信号采样中也没有观察到跳过周期和数据失真。对于用于验证系统采样率和稳定性的B曲线，该UGFM系统也表现出良好的测量性能。流量测量的误差范围小于±2.0％，最大正误差和负误差分别为1.92％和-1.96％。此外，设备性能完全符合ISO 23747标准和YY-1438标准的要求。选择了两组剖面A(PF＝14.5L/s和PF＝-14.5L/s)，并对模拟器数据和UGFM系统采样数据进行了比较，如图20(a)和图20(b)所示。根据图20，UGFM的输出数据和FVS的输出数据在流量测量的所有采样点高度一致。
为了验证SW-LSTM模型和UGFM系统的适用性和稳定性，招募了20名志愿者使用UGFM流量计进行呼吸气流PF测量。UGFM收集的数据被输入到SW–LSTM模型中进行验证。志愿者的最大呼气和吸气流速分别达到+11.8L/s和-11.6L/s，没有任何流量跳跃或跳跃循环现象。图21显示了其中一名志愿者的测试结果。
与图15类似，图21也包括最大值和最小值的误差带曲线。最后，为了进一步测试系统的稳定性和鲁棒性，使用气流的连续随机作用进行了实验。将一个3L的气体注射器连接到UGFM，通过手动将柱塞从筒中拉出/推入筒中，以在[-16,16]L/s的不同速率范围内产生连续的不规则气流。在多次试验中未观察到流量跳跃或跳跃循环现象。图22显示了在测试过程中捕获的波形。收集流速，并将收集的数据输入SW-LSTM模型进行验证。结果如图22所示。在此，SW-LSTM模型的预测结果是准确的，即使是在[-16.3,16.8]L/s的测量范围内的不规则流量。在UGFM中的信号采样中也没有观察到跳过周期和数据失真。
本实施例还试图将线性外推法应用于所提出的系统，即图11中的“流量预测”模块。A曲线和B曲线的不同PF，以及图15中所示的数据，使用线性外推模型进行了验证，如图23所示。为了便于观察阈值电压Vthreshold和回波峰值电压和/>图23中的幅度标度范围固定为区间[0.6,2.6]V。通过比较图15和图24，可以观察到线性外推模型在A曲线上也表现出良好的预测性能。然而，在预测快速变化的B曲线时，线性外推方法可能表现出显著的预测误差，导致跳周期现象，而LSTM模型仍然保持良好的预测性能。此外，使用线性外推法对表1和表2中A曲线和B曲线中的所有PFs进行了验证，结果表明，线性外推方法的所有B曲线都未能满足式(14)的要求，导致流量预测误差较大，并出现跳周期现象。同样，本实施例还验证了图22中随机推拉气泵产生的气流信号。图22使用线性外推方法，如图24所示。可以观察到，线性外推方法在不规则变化的流速的这一部分也表现出显著的预测误差和跳过周期误差。在这个流量采样段内，可以观察到大约20个/>或/>没有被正确确定而发生了跳周期现象。
因此，预测模型的选择和构建对新系统也至关重要。特别是在流速快速变化的情况下，LSTM模型在流速预测方面表现出更快、更准确的性能，从而能够在系统运行期间正确确定回波信号VA1和VA2，而不会出现周期性跳跃现象。本实施例构建的SW-LSTM模型在ISO23747标准和YY-1438标准的要求下表现良好。
综上，本实施例以19mm内径的UGFM系统为例研究和分析了UGFM系统在正流量和负流量测量中的回波信号特性。此外，还分析了回波信号在[-16,16]L/s范围内的变化，并给出了回波信号的极值点与流速之间的关系。高流量区回波信号的特性表明了AGC和其他UGFM控制方法的局限性。在阈值方法的基础上，本实施例提出了一种基于流量预测的回波信号处理动态增益控制方法，可以解决AGC控制器等回波自适应方法的滞后调整问题。为了获得准确的TOF，使用SW算法和LSTM模型建立了多输入单输出流量预测模型，该模型可以根据下一采样时刻的流量预测来调整采样前回波信号的增益。与线性外推法等其他方法相比，这种方法可以最大限度地扩大流量测量的范围，具有更大的通用性，并且更有利于测量流速快速变化的气体。
结果表明，该方法在不改变信号路径和流动路径的情况下，有效地增加了流量测量的范围。阈值法的初始范围从[-10,7]扩大到[-16,16]L/s。该范围在正方向和负方向上分别扩展了约2.3倍和1.6倍。流量测量的误差范围小于±2％。此外，它符合ISO 23747标准和YY-1438中规定的所有性能要求，包括线性、稳定性和其他要求。最后，仿真和实验结果都证明了该方法的可行性。模拟器和实验的结果表明，这种控制方法具有广泛的适用性，可以用来实现精确的流量测量。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (10)
1.基于流量预测的超声波流体流量测量方法，其特征在于，包括步骤：
S1、搭建超声流体流量计信号采集系统，该系统包括圆形管以及放置在所述圆形管外壁上参数相同的第一换能器和第二换能器；
S2、利用流量容积模拟器模拟出从负最大流量到正最大流量的流体作用于所述圆形管，根据所述第一换能器和所述第二换能器的回波信号得到此时不同流量与增益的关系；
S3、在测量的第一个周期，在不加增益的情况下通过阈值检测和过零比较计算得到当前流量；
S4、对于随后的每一个周期，在阈值检测和过零比较之前，先使用流量预测模型根据此前一个周期内n个采样时刻的流量采集值预测得到下一采样时刻的流量然后根据和不同流量与增益的关系得到/>对应的增益对信号进行放大，然后再对放大后的信号进行阈值检测和过零比较，得到下一时刻的流体流量。
2.根据权利要求1所述的基于流量预测的超声波流体流量测量方法，其特征在于，所述步骤S2具体包括步骤：
S21、将所述第二换能器作为激励端，将所述第一换能器作为接收端，采用流量容积模拟器模拟出从负最大流量到正最大流量的流体作用于所述圆形管，绘制所述第一换能器的回波信号正极值点A1、A2、A3、A4的电压幅值VA1、VA2、VA3、VA4随流量的变化曲线，A1、A2、A3、A4分别指信号在从低到高转变期间的第一个、第二个、第三个和第四个正极大值点；
S22、拟合出所述变化曲线的VA1、VA2、VA3、VA4与不同流量之间的映射关系；
S23、以0流量时候的VA1为基准，将其他所有流量下的VA1信号都放大到0流量时候的VA1的水平，得到放大后的回波信号极值点A1、A2、A3、A4的电压值这里的放大程度即为不同流量的增益，从而得到不同流量与增益的关系；
S24、将所述第一换能器作为激励端，将所述第二换能器作为接收端，采用与步骤S21至步骤S23相同的过程获取此时不同流量与增益的关系。
3.根据权利要求2所述的基于流量预测的超声波流体流量测量方法，其特征在于：在未采用流量预测动态调整增益的过程中，设置的阈值为Vthreshold∈(VA1,VA2)。
4.根据权利要求3所述的基于流量预测的超声波流体流量测量方法，其特征在于：在采用流量预测动态调整增益的过程中，设置的阈值为
5.根据权利要求1所述的基于流量预测的超声波流体流量测量方法，其特征在于：在所述步骤S4中，所述流量预测模型包括输入层、LSTM层、Dense层和输出层，其中输入层采用滑动窗口的方式获取此前n个采样时刻的流量采集值送入所述LSTM层，所述LSTM层采用长短期记忆网络得到特征输出至所述Dense层，所述Dense层提取特征之间的相关性，由输出层输出预测的下一个采样时刻的流量
6.根据权利要求5所述的基于流量预测的超声波流体流量测量方法，其特征在于：在所述输入层与所述LSTM层之间先后设置有微分层、归一化层，分别用于执行微分和归一化操作；在所述Dense层和所述输出层先后设有逆归一化层和逆微分层，分别用于执行逆归一化和逆微分操作。
7.基于流量预测的超声波流体流量测量系统，其特征在于：包括流体流量计信号采集系统、流量容积模拟器、流量计算模块、流量预测模块和增益计算模块；
所述流体流量计信号采集系统包括圆形管以及放置在所述圆形管外壁上参数相同的第一换能器和第二换能器；
所述流量容积模拟器用于模拟出从负最大流量到正最大流量的流体作用于所述圆形管；所述增益计算模块用于根据所述第一换能器和所述第二换能器的回波信号得到此时不同流量与增益的关系；
所述流量计算模块用于，在测量的第一个周期，在不加增益的情况下通过阈值检测和过零比较计算得到当前流量；所述流量预测模块用于，对于随后的每一个周期，在阈值检测和过零比较之前，先使用流量预测模型根据此前一个周期内n个采样时刻的流量采集值预测得到下一采样时刻的流量所述增益计算模块用于根据/>和不同流量与增益的关系得到/>对应的增益对信号进行放大；所述流量计算模块还用于对放大后的信号进行阈值检测和过零比较，得到下一时刻的流体流量。
8.如权利要求7所述的基于流量预测的超声波流体流量测量系统，其特征在于，所述增益计算模块根据所述第一换能器和所述第二换能器的回波信号得到此时不同流量与增益的关系，具体包括步骤：
S21、将所述第二换能器作为激励端，将所述第一换能器作为接收端，采用流量容积模拟器模拟出从负最大流量到正最大流量的流体作用于所述圆形管，绘制所述第一换能器的回波信号正极值点A1、A2、A3、A4的电压幅值VA1、VA2、VA3、VA4随流量的变化曲线，A1、A2、A3、A4分别指信号在从低到高转变期间的第一个、第二个、第三个和第四个正极大值点；
S22、拟合出所述变化曲线的VA1、VA2、VA3、VA4与不同流量之间的映射关系；
S23、以0流量时候的VA1为基准，将其他所有流量下的VA1信号都放大到0流量时候的VA1的水平，得到放大后的回波信号极值点A1、A2、A3、A4的电压值这里的放大程度即为不同流量的增益，从而得到不同流量与增益的关系；
S24、将所述第一换能器作为激励端，将所述第二换能器作为接收端，采用与步骤S21至步骤S23相同的过程获取此时不同流量与增益的关系。
9.如权利要求8所述的基于流量预测的超声波流体流量测量系统，其特征在于：在未采用流量预测动态调整增益的过程中，设置的阈值为Vthreshold∈(VA1,VA2)。
10.根据权利要求8所述的基于流量预测的超声波流体流量测量方法，其特征在于：在采用流量预测动态调整增益的过程中，设置的阈值为
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310584471.0A CN116558587A (zh) | 2023-05-23 | 2023-05-23 | 基于流量预测的超声波流体流量测量方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310584471.0A CN116558587A (zh) | 2023-05-23 | 2023-05-23 | 基于流量预测的超声波流体流量测量方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116558587A true CN116558587A (zh) | 2023-08-08 |
Family
ID=87487830
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310584471.0A Pending CN116558587A (zh) | 2023-05-23 | 2023-05-23 | 基于流量预测的超声波流体流量测量方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116558587A (zh) |
Cited By (1)
| 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 |
-
2023
- 2023-05-23 CN CN202310584471.0A patent/CN116558587A/zh active Pending
Cited By (2)
| 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 |
|---|---|---|
| CN106768109B (zh) | 基于回波上升段峰值拟合和基于回波能量点定位的气体超声波流量计信号处理方法 | |
| Schena et al. | Flow measurement in mechanical ventilation: A review | |
| Zhu et al. | Variable ratio threshold and zero-crossing detection based signal processing method for ultrasonic gas flow meter | |
| CN116558587A (zh) | 基于流量预测的超声波流体流量测量方法及系统 | |
| US20090240453A1 (en) | Method and system of determining forthcoming failure of transducers | |
| CN107655533B (zh) | 一种基于回波能量积分的气体超声波流量计信号处理方法和系统 | |
| EP3243046B1 (en) | A flow meter | |
| Fan et al. | Effectively measuring respiratory flow with portable pressure data using back propagation neural network | |
| CN107843305B (zh) | 一种基于回波信号包络拟合的气体超声波流量计信号处理方法 | |
| CN107153086A (zh) | 两相流过程参数的声电双模态融合测量方法 | |
| Tian et al. | Energy peak fitting of echo based signal processing method for ultrasonic gas flow meter | |
| CN107367306A (zh) | 一种基于Kalman滤波的气体超声波流量计融合方法和系统 | |
| Zheng et al. | Research and realization of ultrasonic gas flow rate measurement based on ultrasonic exponential model | |
| CN115824331A (zh) | 一种适用于超声水表的低功耗测量方法 | |
| Mu et al. | Echo signal envelope fitting based signal processing methods for ultrasonic gas flow-meter | |
| WO2016173329A1 (zh) | 基于侧音测相的超声波流量测量方法及装置 | |
| Ma et al. | Applications of digital signal processing methods in TOF calculation of ultrasonic gas flowmeter | |
| CN113375737A (zh) | 时差式超声气体流量计的流速计量方法 | |
| WO2020034345A1 (zh) | 声波法测量管内轴向流速分布、流量的方法及系统 | |
| Wang et al. | Gain Control Method for Echo Signal Processing in Wide-Range UGFM Systems Based on Flow Forecasting | |
| CN108665066A (zh) | 基于bp神经网络的便携式呼吸机流量曲线标定方法 | |
| Goldsmith et al. | A system for recording high fidelity cough sound and airflow characteristics | |
| Ma et al. | Signal processing method based on connection fitting of echo peak point with a large slope for ultrasonic gas flow meter | |
| CN114459674A (zh) | 高频压力传感器幅频特性的动态校测方法及系统 | |
| CN114271810B (zh) | 球型阻塞节流装置以及应用球型阻塞节流装置的肺量计 |
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 |