CN117007160A - 一种基于机器学习的气体超声流量计检验系统 - Google Patents
一种基于机器学习的气体超声流量计检验系统 Download PDFInfo
- Publication number
- CN117007160A CN117007160A CN202311018445.8A CN202311018445A CN117007160A CN 117007160 A CN117007160 A CN 117007160A CN 202311018445 A CN202311018445 A CN 202311018445A CN 117007160 A CN117007160 A CN 117007160A
- Authority
- CN
- China
- Prior art keywords
- gas
- machine learning
- subsystem
- flow meter
- learning based
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 18
- 238000007689 inspection Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims description 12
- 238000004587 chromatography analysis Methods 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 29
- 239000012530 fluid Substances 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000000034 method Methods 0.000 description 5
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F25/00—Testing or calibration of apparatus for measuring volume, volume flow or liquid level or for metering by volume
- G01F25/10—Testing or calibration of apparatus for measuring volume, volume flow or liquid level or for metering by volume of 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (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)
- Fluid Mechanics (AREA)
- Measuring Volume Flow (AREA)
Abstract
本发明公开了一种基于机器学习的气体超声流量计检验系统,其特征在于,包括:信号监测子系统,用于获取仪表运行参数;模型训练子系统,用于根据仪表运行参数生成训练数据,并通过所述训练数据对预先构建的神经网络模型进行训练;预测输出子系统,用于通过训练好的神经网络模型对获取的仪表实时运行参数进行预测,输出流量测量误差;本发明根据流量计实时产生的运行参数建立训练样本训练网络模型,通过训练好的网络模型可以在流量计运行的同时完成检验,无需拆卸,保证了流量计的工作周期并且有利于设备的维护。
Description
技术领域
本发明涉及流量计检验技术领域,更具体的说是涉及一种基于机器学习的气体超声流量计检验系统。
背景技术
目前,气体超声流量计是目前天然气贸易交接中最常用的计量器具之一,超声流量计的测量准确度是天然气贸易交接的公平、公正的有力保障。
但是,伴随气体超声流量计的使用,其测量的准确度也会有所变化,进而需要进行频繁的性能检验,频繁的检验需要对应频繁的拆卸,这带来的大大不便的同时,对设备自身也会带来损耗。
因此,如何避免频繁拆卸的情况下实现对气体超声流量计的检验是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于机器学习的气体超声流量计检验系统,在不进行拆卸的情况下,实现对流量计测量偏差的预测,完成对气体超声流量计的检验。
为了实现上述目的,本发明采用如下技术方案:
一种基于机器学习的气体超声流量计检验系统,包括:
信号监测子系统,用于获取仪表运行参数;
模型训练子系统,用于根据仪表运行参数生成训练数据,并通过所述训练数据对预先构建的神经网络模型进行训练;
预测输出子系统,用于通过训练好的神经网络模型对获取的仪表实时运行参数进行预测,输出流量测量误差。
进一步的,所述仪表运行参数包括:信噪比、信号增益值、各声道声速、声速测量值、各声道流速、剖面系数、对称性指标、平均流速和流量测量值。
进一步的,还包括:
声速检验子系统,用于根据所述仪表运行参数计算理论声速值;并根据理论声速值和声速测量值计算声速偏差。
进一步的,还包括温度变送器和压力变送器,分别用于采集工况条件下的温度和压力。
进一步的,所述声速检验子系统包括:数据获取接口、生产数据库、refprop计算平台和色谱分析平台;
所述数据获取接口分别连接至所述生产数据库和所述色谱分析平台;
所述生产数据库通过所述数据获取接口读取工况下的温度和压力;
所述色谱分析平台通过所述数据接口获取气体的组分信息;
所述refprop计算平台根据温度、压力和组分信息计算理论声速。
进一步的,采用如下公式计算理论声速值:
其中,cv表示气体的比定容热容;cp表示气体的比定压热容;R表示通用气体常数;T表示气体的热力学温度;M表示气体的摩尔质量;Z表示气体的压缩因子;ρ表示气体的摩尔密度;表示一次偏导数。
进一步的,所述声速检验子系统还包括显示模块,所述显示模块与所述色谱分析平台通讯连接,用于显示气体中各组分信息。
进一步的,所述神经网络模型为BP神经网络,所述BP神经网络包括输入层、隐含层和输出层;
所述输入层用于获取信噪比、信号增益值、各声道声速、声速测量值、各声道流速、剖面系数、对称性指标、平均流速、流量测量值;
所述隐含层用于根据输入层中的特征进行加权计算并通过激活函数进行传递;
所述输出层用于输出测量误差的预测值。
进一步的,还包括报警子系统,用于根据检测子系统中监测的各项参数,分别设置阈值,并通过报警信号提示超过阈值的参数。
本发明的有益效果:
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于机器学习的气体超声流量计检验系统,根据流量计运行参数建立训练样本训练BP神经网络模型,通过训练好的BP神经网络模型可以在流量计运行的同时完成检验,无需拆卸,保证了流量计的工作周期并且有利于设备的维护。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图超声流量计原理示意图;
图2附图为本发明提供的一种基于机器学习的气体超声流量计检验系统结构示意图;
图3附图为本发明中的声速检验子系统的结构示意图;
图4附图为本发明中BP神经网络的结构示意图;
图5附图超声流量计性能参数示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
超声流量计测量原理:
流量计以测量声波在流动介质中传播的时间与流量的关系为原理。如图1所示,通常认为声波在流体中的实际传播速度是由介质静止状态下声波的传播速度和流体轴向平均流速在声波传播方向上的分量组成,顺流传播时间tdown和逆流传播时间tup与各量间的关系为:
式中:cf为声波在流体中的传播速度;v为流体的轴向流速;为声道角;L为声道长度。
可计算得到流体流速和声波的传播速度:
将测得的k个声道的流体速度vi,i=1,2,…,k;利用数学的函数关系联合起来,可得到管道平均流速乘以过流面积A,即可得到体积流量qv,如下式:
如图2,本发明实施例公开了一种基于机器学习的气体超声流量计检验系统,其特征在于,包括:
信号监测子系统,用于获取仪表运行参数;
模型训练子系统,用于生成训练数据,并通过所述训练数据对预先构建的神经网络模型进行训练;仪表运行参数包括:信噪比、信号增益值、各声道声速、声速测量值、各声道流速、剖面系数、对称性指标、平均流速和流量测量值;
预测输出子系统,用于通过训练好的神经网络模型对获取的仪表实时运行参数进行预测,输出测量误差。
如图3,在一种实施例中,还包括:声速检验子系统,用于根据仪表运行参数计算理论声速;并根据理论声速值和声速测量值计算声速偏差,声速偏差作为BP网络模型的重要输入参数。
声速检验子系统包括:数据获取接口、生产数据库、色谱分析平台,refprop计算;数据获取接口分别连接至生产数据库和色谱分析平台;生产数据库通过数据获取接口读取工况下的温度和压力;色谱分析平台通过数据获取接口采集气体的组分信息;refprop计算平台根据温度、压力和组分信息计算理论声速值。
采用如下公式计算理论声速值:
其中,cv表示气体的比定容热容;cp表示气体的比定压热容;R表示通用气体常数;T表示气体的热力学温度;M表示气体的摩尔质量;Z表示气体的压缩因子;ρ表示气体的摩尔密度;表示一次偏导数。
其中cv和cp的计算公式如下:
在本实施例中,声速检测子系统还包括显示模块,显示模块与色谱分析平台通讯连接,用于显示气体的组分信息。
如图4,在另一实施例中,神经网络模型为BP神经网络,BP神经网络包括输入层、隐含层和输出层;
输入层用于获取流量计各项性能指标,如图5,信噪比、信号增益值、各声道声速、各声道流速、剖面系数、对称性指标、测量平均声速、理论声速、声速偏差和测量平均流速;
隐含层用于根据输入层中的特征进行加权计算并通过激活函数进行传递;
输出层用于输出流量测量误差的预测值。
其中,在模型的训练阶段,模型的输入为流量计各项性能指标,输出值的参考值为超声流量计实流检定时得到的真实的流量测量误差。根据样本集,建立基于BP神经网络的超声流量计流量测量示值误差的预测模型。
在另一实施例中,还包括报警子系统,根据检测子系统中监测的各项参数,分别设置阈值,通过报警信号提示超过阈值的参数。
在BP神经网络的正向传播过程中,神经元接收到来自n个其他神经元传递过来的输入信号(即各项输入的特征),这些输入信号通过带权重的连接进行传递,神经元接收到的总输入值将与神经元的阈值进行比较然后通过“激活函数”处理以产生神经元的输出。将神经元的输出结果作为输入再传递给下一个节点。依次计算,直到得到最终结果。
在BP神经网络的反向传播过程,将输出的结果与期望的输出结果进行比较,将比较产生的误差利用网络进行反向传播,本质是一个“负反馈”的过程。通过多次迭代,不断地对网络上的各个节点间的权重进行调整,权重的调整采用梯度下降法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基于机器学习的气体超声流量计检验系统,其特征在于,包括:
信号监测子系统,用于获取仪表运行参数;
模型训练子系统,用于根据仪表运行参数生成训练数据,并通过所述训练数据对预先构建的神经网络模型进行训练;
预测输出子系统,用于通过训练好的神经网络模型对获取的仪表实时运行参数进行预测,输出流量测量误差。
2.根据权利要求1所述的一种基于机器学习的气体超声流量计检验系统,其特征在于,所述仪表运行参数包括:信噪比、信号增益值、各声道声速、测量平均流速和测量平均流速。
3.根据权利要求2所述的一种基于机器学习的气体超声流量计检验系统,其特征在于,还包括:
声速检验子系统,用于根据所述仪表运行参数计算理论声速值;并根据理论声速值和声速测量值计算声速偏差。
4.根据权利要求3所述的一种基于机器学习的气体超声流量计检验系统,其特征在于,还包括温度变送器和压力变送器,分别用于采集工况条件下的温度和压力。
5.根据权利要求4所述的一种基于机器学习的气体超声流量计检验系统,其特征在于,所述声速检验子系统包括:数据获取接口、生产数据库、refprop计算平台和色谱分析平台;
所述数据获取接口分别连接至所述生产数据库和所述色谱分析平台;
所述生产数据库通过所述数据获取接口读取工况下的温度和压力;
所述色谱分析平台通过所述数据获取接口采集气体样本进行分析,计算组分信息;
所述refprop计算平台根据温度、压力和组分信息计算理论声速值。
6.根据权利要求5所述的一种基于机器学习的气体超声流量计检验系统,其特征在于,采用如下公式计算理论声速值:
其中,cv表示气体的比定容热容;cp表示气体的比定压热容;R表示通用气体常数;T表示气体的热力学温度;M表示气体的摩尔质量;Z表示气体的压缩因子;ρ表示气体的摩尔密度;表示一次偏导数。
7.根据权利要求5所述的一种基于机器学习的气体超声流量计检验系统,其特征在于,所述声速检验子系统还包括显示模块,所述显示模块与所述色谱分析平台通讯连接,用于显示气体中各组分信息。
8.根据权利要求3所述的一种基于机器学习的气体超声流量计检验系统,其特征在于,所述神经网络模型为BP神经网络,所述BP神经网络包括输入层、隐含层和输出层;
所述输入层用于获取信噪比、信号增益值、各声道声速和平均流速;
所述隐含层用于根据输入层中的特征进行加权计算并通过激活函数进行传递;
所述输出层用于输出流量测量误差的预测值。
9.根据权利要求1所述的一种基于机器学习的气体超声流量计检验系统,其特征在于,还包括报警子系统,用于根据检测子系统中监测的各项参数,分别设置阈值,并通过报警信号提示超过阈值的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311018445.8A CN117007160A (zh) | 2023-08-14 | 2023-08-14 | 一种基于机器学习的气体超声流量计检验系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311018445.8A CN117007160A (zh) | 2023-08-14 | 2023-08-14 | 一种基于机器学习的气体超声流量计检验系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117007160A true CN117007160A (zh) | 2023-11-07 |
Family
ID=88567125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311018445.8A Pending CN117007160A (zh) | 2023-08-14 | 2023-08-14 | 一种基于机器学习的气体超声流量计检验系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117007160A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117889943A (zh) * | 2024-03-13 | 2024-04-16 | 浙江维度仪表有限公司 | 基于机器学习的气体超声波流量计检验方法及系统 |
-
2023
- 2023-08-14 CN CN202311018445.8A patent/CN117007160A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117889943A (zh) * | 2024-03-13 | 2024-04-16 | 浙江维度仪表有限公司 | 基于机器学习的气体超声波流量计检验方法及系统 |
CN117889943B (zh) * | 2024-03-13 | 2024-05-14 | 浙江维度仪表有限公司 | 基于机器学习的气体超声波流量计检验方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105042339B (zh) | 一种基于无量纲的成品油管道泄漏量估计系统及方法 | |
JP5292001B2 (ja) | 流量計の現場較正用のシステムおよび方法 | |
RU2446393C2 (ru) | Способ диагностики шероховатости трубопровода и ультразвуковой расходомер | |
RU2514071C2 (ru) | Система и способ обнаружения нароста отложений в ультразвуковом расходомере и машиночитаемый носитель информации | |
RU2443010C1 (ru) | Способ определения приближающегося отказа преобразователей, система определения приближающегося отказа преобразователей (варианты) и машиночитаемый носитель информации | |
CN117007160A (zh) | 一种基于机器学习的气体超声流量计检验系统 | |
CN114964429A (zh) | 一种超声波水表检定方法 | |
CN109724657A (zh) | 基于改进的Elman神经网络的水表流量计量方法和系统 | |
CN113551744A (zh) | 一种超声流量计性能在线监测方法及系统 | |
CN115824331A (zh) | 一种适用于超声水表的低功耗测量方法 | |
CN116685833A (zh) | 用于流量测量的定量验证的系统和方法 | |
CN101900589A (zh) | 基于质量流量计的夹气液体流量测量方法 | |
CN113108853B (zh) | 一种提高低流速流体流量测量精度的方法 | |
CN103076400A (zh) | 一种基于振动频率的新型腐蚀探头及其测量系统 | |
CN111222229B (zh) | 气液两相流动态流动过程的瞬时流量测量模型构建方法 | |
EP1644833B1 (en) | Method to snapshot and playback raw data in an ultrasonic meter | |
JP4688253B2 (ja) | 超音波流量計 | |
RU2471153C2 (ru) | Способ и система измерения суммарного расхода текучей среды и ультразвуковой расходомер | |
Zhao et al. | A method combining measurement tool and numerical simulation for calculating acoustic signals of ultrasonic flowmeter | |
CN116124234B (zh) | 气体超声流量计 | |
Khadka | Multiphase flow estimation using accelerometers, ultrasonic sensors, and machine learning | |
Decuupere et al. | Instrumented FLIP Test and Static Pressure Influence on the Onset Velocity and Frequency on an Industrial Scale | |
CN110566471B (zh) | 一种基于功能参数的便捷式泵声学性能获取方法 | |
CN117606573A (zh) | 一种基于随机森林算法的超声波流量计在线校准设计 | |
Kolluri et al. | Design and Simulation of Ultrasonic Blood Flow Measurement Using Discontinues Galerkin and Finite Element Method |
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 |