CN117029968A - 一种流量数据的诊断方法、系统、存储介质和电子设备 - Google Patents
一种流量数据的诊断方法、系统、存储介质和电子设备 Download PDFInfo
- Publication number
- CN117029968A CN117029968A CN202310890039.4A CN202310890039A CN117029968A CN 117029968 A CN117029968 A CN 117029968A CN 202310890039 A CN202310890039 A CN 202310890039A CN 117029968 A CN117029968 A CN 117029968A
- Authority
- CN
- China
- Prior art keywords
- flow
- preset
- data
- ultrasonic flowmeter
- current flow
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000003745 diagnosis Methods 0.000 title claims description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 7
- 230000001105 regulatory effect Effects 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 abstract description 6
- 239000003345 natural gas Substances 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- 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
-
- 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
- G06N3/09—Supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Fluid Mechanics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及天然气计量技术领域，尤其涉及一种流量数据的诊断方法、系统、存储介质和电子设备，方法包括：根据预设变量与流量之间的函数关系，计算得到第一当前流量；根据第一当前流量与预设超声波流量计采集的当前流量之间的偏差，确定预设超声波流量计采集的当前流量是否存在异常。能够准确判断预设超声波流量计采集的当前流量是否存在异常，以便于及时修正预设超声波流量计采集的当前流量或替换新的超声波流量计。
Description
技术领域
本发明涉及天然气计量技术领域，尤其涉及一种流量数据的诊断方法、系统、存储介质和电子设备。
背景技术
超声波流量计主要作为大口径、高压力、干线天然气管网的贸易交接计量设备，因此其计量精度至关重要。然而随着超声波流量计设备运行时间的增加，受管内污物沉淀、设备老化、意外干扰等因素影响，其计量精度可能会变化，随着技术的升级迭代，丹尼尔在1998年发布了第一代远程诊断系统或在线诊断系统(CBM)，通过CBM可以提前发现计量系统的微小故障和变化趋势，及时解决问题，减少昂贵的停车和非正常工作时间，提高生产运行效率，节省运行成本，提升计量系统的运行水平。
CBM系统乃至管网计量系统，其诊断准确性，计量水平及管理成果依赖于数据的完备性及准确性，特别是诊断数据的准确性。简单来说，对于输送量为1亿标方的管道，计量压力数据误差如为1千帕，则计量误差可达0.1％。同样，温度及其他数据对计量误差也有相应的影响。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供了一种流量数据的诊断方法、系统、存储介质和电子设备。
本发明的一种流量数据的诊断方法的技术方案如下：
根据预设变量与流量之间的函数关系，计算得到第一当前流量；
根据所述第一当前流量与预设超声波流量计采集的当前流量之间的偏差，确定所述预设超声波流量计采集的当前流量是否存在异常。
本发明的一种流量数据的诊断系统的技术方案如下：
包括第一计算模块和异常判断模块；
所述第一计算模块用于：根据预设变量与流量之间的函数关系，计算得到第一当前流量；
所述异常判断模块用于：根据所述第一当前流量与预设超声波流量计采集的当前流量之间的偏差，确定所述预设超声波流量计采集的当前流量是否存在异常。
本发明的一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述任一项所述的一种流量数据的诊断方法。
本发明的一种电子设备，包括处理器上述的存储介质，所述处理器执行所述存储介质中的指令。
采用上述进一步方案的有益效果是：
能够准确判断预设超声波流量计采集的当前流量是否存在异常，以便于及时修正预设超声波流量计采集的当前流量或替换新的超声波流量计。
附图说明
通过阅读参照以下附图所作的对非限制性实施例的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例的一种流量数据的诊断方法的流程示意图；
图2为本发明实施例的一种流量数据的诊断方法的技术框架；
图3为控制阀与超声波流量计的连接示意图；
图4为数据示意图；
图5为应用示意图之一；
图6为应用示意图之二；
图7为本发明实施例的一种流量数据的诊断系统的结构示意图；
具体实施方式
如图1所示，本发明实施例的一种流量数据的诊断方法，包括如下步骤：
S1、根据预设变量与流量之间的函数关系，计算得到第一当前流量；
其中，预设变量为超声波流量计的控制阀的开度或超声波流量计的调节阀的开度，那么：
预设变量与流量之间的函数关系为超声波流量计的控制阀的开度与流量之间的函数关系，该函数关系可通过超声波流量计的控制阀的开度与流量的历史数据拟合得到，或者，预设变量与流量之间的函数关系为超声波流量计的调节阀的开度与流量之间的函数关系，该函数关系可通过超声波流量计的调节阀的开度与流量的历史数据拟合得到。
S2、根据第一当前流量与预设超声波流量计采集的当前流量之间的偏差，确定预设超声波流量计采集的当前流量是否存在异常。具体地：
根据实际情况设置流量偏差阈值，当第一当前流量与预设超声波流量计采集的当前流量之间的偏差超过流量偏差阈值时，则判定预设超声波流量计采集的当前流量存在异常，当第一当前流量与预设超声波流量计采集的当前流量之间的偏差未超过流量偏差阈值时，则判定预设超声波流量计采集的当前流量不存在异常，也就是说，此时预设超声波流量计采集的当前流量的准确度高，是可信的。
可选地，在上述技术方案中，还包括：
S3、从超声波流量计关联的参量中确定至少一个关键参量；
其中，超声波流量计关联的参量包括但不限于：气质、温度、增益和信噪比，可利用统计学的方式如因素分析法等计算每个参量对超声波流量计所采集流量的影响程度，选取影响程度大的前几个参量作为关键参量。
S4、获取多条历史流量以及每条历史流量对应的每个关键参量的具体值，对预设深度学习模型进行训练，得到流量计算模型；
其中，预设深度学习模型可为神经网络如BP神经网络等，也可根据实际情况选用其它的深度学习模型。
S5、将预设超声波流量计的每个关键参量的具体值，输入流量计算模型，计算得到第二当前流量。具体地：
当判定预设超声波流量计采集的当前流量存在异常时，通过流量计算模型计算出的第二当前流量，替代预设超声波流量计采集的当前流量，作为可信的最终数据。
在另外一个实施例中，通过采用随机抽样一致性算法以过滤掉误差较大的数据，从而保证所有数据误差不会过大，通过采用神经网络输入参数以获取超声波流量计参数相关性较大的输入参数，也即关键性数据，从而对这些数据进行一致性校验及归一化，以提升数据质量，保证计量准确性解决上述技术问题。技术方案具体包括：
1)超声波流量计诊断数据质量提升方法技术框架
基于BP神经网络(GeneticAlgorithm-BackPropagation，GA-BP)的超声波流量计诊断数据质量提升方法技术框架即本发明的一种流量数据的诊断方法的技术框架，如图2所示，方法分为超声波流量计远程故障的正常行为建模及将相应方法用于远程故障诊断两个部分。
2)行为建模及异常数据滤除
在实际的SCADA运行数据中由于不可控的因素存在，总会存在异常数据，为保证训练数据的一致性与连续性，对自SCADA系统及国际同行处获得的训练数据进行异常数据滤除，异常数据一般先通过数据清洗方法，以过滤掉超过量程、不具备物理意义等数据，其次通过随机抽样一致性算法清洗掉不符合物理机理的数据(因现场工业数据是存在显著的非线性物理机理关系的)。同时为了避免输入参数重复使用与数据冗余，采用逐步回归算法获取神经网络输入参数。SCADA系统由于结构复杂状态参数众多，故障特征与故障之间存在极为复杂的非线性关系。
神经网络预测模型通过训练阶段的数据来确定输入输出之间的映射，然而SCADA数据在正常情况下很难找到一个完整的、正常的训练数据集。通常SCADA系统获取的数据是不连续、不一致的，为了提高神经网络预测模型的准确性，需要对数据进行预处理。预处理通过2个阶段完成，第一阶段先做通用的数据清洗，然后采用随机抽样一致性算法，将不符合物理机理的异常数据剔除出数据样本中，从而保证样本中数据误差不会过大，影响最终准确性。随机抽样一致性算法需经历如下四个步骤：
S11、选择适应工艺参数的物理机理模型(如一维流动的守恒方程)，并在SCADA数据集中随机抽取(SCADA或数据集)N个样本点，对模型进行拟合，生成符合RANSAC的规律曲线；
S12、由于非线性及不确定性或误差的存在，数据点都有一定波动，假设容差范围为：sigma，找出距离拟合曲线容差范围内的点，并统计点的个数：
S13、L重新随机选取N个点，重复S11～S12的操作，直到所有点都被选中，即可结束迭代：
S14、每一次拟合后，容差范围内都有对应的数据点数，找出数据点个数最多的情况，就是最终的拟合结果。
第二阶段，通过数据数据平均值及偏差精细再次滤除。选取流量计的相关参数数据(如气质、温度、压力、诊断参数，增益，信噪比，等进行处理)进行数据预处理，获得单一数据项的数据的平均值x和偏差δ，基于3δ法则等规则可对数据进行异常滤除，受到其他外部因素的影响导致数据具有波动性，对其进行指数滑差处理：
其中，表示t时刻的平均值，xt为t时刻的实际测量值，α(0≤α≤1)为平滑函数，如下式所示，通过获取到的/>对数据进行异常判断：
当xt满足时，可以判断当前数据为正常值，否则为异常进行滤除。实践中，可以选取k＝3和α＝0.3对功率数据进行处理。
3)选择输入参数算法以筛选关键参数
对于流量计的SCADA数据，神经网络选取输入参数，大多通过主观经验判断或者参数之间的相关性来决定。由于流量计SCADA参数之间存在相关性，使用参数相关性选取神经网络输入参数的方法，当选择输入参数存在高度相关时，会造成参数的重复使用和数据冗余的问题。而通过主观经验法选择神经网络输入参数，由于影响流量计的参数比较多，存在选择参数不准确，导致神经网络效率低，选择参数过少，精度不够等问题。本发明采取逐步回归解决这一问题，逐步回归分析具体步骤如下所示：
S21、输入SCADA参数样本X(m，n)，有n个参数x1，x2，x3，…，xn，所有参数的维度为m。
S22、故障部件参数设为xn，计算所有参数的平均值离均差平方和sii、协方差矩阵S＝(sij)n×n'和相关系数矩阵R＝(rij)n×n'。
其中i，j＝1，2，3，…，n－1，n。
S23、判断可选入参数个数是否大于2，选入参数数量当大于2继续下一步，否则结束。
S24、计算各参数的方差贡献，以l(l≥1)步为例，计算偏回归平方和
S25、选入参数的显著性检验。检验时，先选定信度a，查表得到Fa，挑选未入选的模型中方差贡献最大的参数，计算：
若F1＞Fa，说明该参数对y作用显著，应该选入参数，同时对相关系数矩阵R做变换，否则结束。
S26、判断选入参数的数量是否大于2，当数量大于2则继续下一步，否则执行S24。
S27、做剔除参数的显著性检验。挑选入选模型中方差贡献最小的变量，计算：
若F2＜Fa，说明该变量对y作用不显著，应该剔除掉，对相关系数矩阵R做变换。否则将参数保留。并执行下一步。
S28、判断为剩余可选入参数数量是否大于2个，当满足大于2时，执行S24，否则获得最优参数子集。
4)关键参数进行一致性校验及归一化处理
一致性校验作为辅助手段判断现有数据是否准确，很显然，结果的准确的必要条件是输入的准确，因此可主要通过2种方法，一种是使用控制阀的流量与开度曲线作为辅助工具，第二种是比较USM流量和调节阀的趋势，以判断计量数据的准确性及可用性。
通过使用控制阀的流量与开度曲线作为辅助工具，可以将相同的策略应用于USM流量。可以将控制阀计算出的流量与USM采集的流量进行比较，以帮助判断USM是否正常工作，其流量数据是否准确，只有准确数据才会最终被使用，从而提升最终的结果质量，控制阀与超声波流量计的连接关系如图3所示。
此外，还可以比较USM流量和调节阀的趋势。调节阀流量与开度曲线与在线USM流量获取流量的相关机制如图4所示。如果这两者之间有任何显着差异，则可能会发生错误。
归一化处理采用通用或标准化的方法，使得数据处于同一数量级，便于进行对比。
本发明可以部署了于相应的工业系统，首先开发了数据接口，通过webservice实现了与管道行业SCADA系统中间数据库的数据读取，读取的数据包括工艺数据、计量诊断等数据。其次，基于本发明的方法对上述数据进行了数据质量提升。最后，基于提升后的数据，开发了管存计算、运销分析、组分对比、计量参数对比、计量参数核查、输差分析、计量回路、流量计诊断等功能，如图5所示。诊断功能及数据筛如图6所示。
本发明的有益效果如下：
1)本发明的目的是提出一基于BP神经网络技术的流量计诊断数据质量提升方法，以解决现场工业数据质量不确定性问题，此外，基于本发明提出的数据质量提升方法，可以有效的保障计量过程以及依赖的数据基础的准确性，从而保证计量系统输差或管存等关键数据及决策信息的准确性。
2)本发明采用随机抽样一致性算法以过滤掉误差较大的数据，通过采用神经网络输入参数以获取超声波流量计参数相关性较大的输入参数，并对这些数据进行一致性校验及归一化，从而提升数据质量，保证计量准确性。
3)本发明通过采用随机抽样一致性算法以过滤掉误差较大的数据，从而保证所有数据误差不会过大，通过采用神经网络输入参数以获取超声波流量计参数相关性较大的输入参数，即影响决策信息的关键性数据，从而对这些数据进行一致性校验及归一化，以提升数据质量，保证计量准确性以解决上述技术问题。
4)通过基于BP神经网络技术的流量计诊断数据质量提升方法，可有效提升诊断数据的完备性、有效性和准确性。数据准确性将使得管存、输差等关键决策信息更为准确，以输差为例，通过本方法，可使得计量系统的输差不确定度控制在0.2％范围内，以通用要求0.5％为对比指标，使得输差控制能力提升了0.3％，具备重大的经济效益及社会效益。
在上述各实施例中，虽然对步骤进行了编号S1、S2等，但只是本申请给出的具体实施例，本领域的技术人员可根据实际情况调整S1、S2等的执行顺序，此也在本发明的保护范围内，可以理解，在一些实施例中，可以包含如上述各实施方式中的部分或全部。
如图7所示，本发明实施例的一种流量数据的诊断系统，包括第一计算模块和异常判断模块；
第一计算模块用于：根据预设变量与流量之间的函数关系，计算得到第一当前流量；
异常判断模块用于：根据第一当前流量与预设超声波流量计采集的当前流量之间的偏差，确定预设超声波流量计采集的当前流量是否存在异常。
还包括模型训练模块和第二计算模块；
模型训练模块用于：
从超声波流量计关联的参量中确定至少一个关键参量；
获取多条历史流量以及每条历史流量对应的每个关键参量的具体值，对预设深度学习模型进行训练，得到流量计算模型；
第二计算模块用于：
将预设超声波流量计的每个关键参量的具体值，输入流量计算模型，计算得到第二当前流量。
可选地，在上述技术方案中，预设变量与流量之间的函数关系为超声波流量计的控制阀的开度与流量之间的函数关系，或者，预设变量与流量之间的函数关系为超声波流量计的调节阀的开度与流量之间的函数关系。
可选地，在上述技术方案中，超声波流量计关联的参量包括：气质、温度、增益和信噪比。
上述关于本发明的一种流量数据的诊断系统中的各参数和各个单元模块实现相应功能的步骤，可参考上文中关于一种流量数据的诊断方法的实施例中的各参数和步骤，在此不做赘述。
本发明实施例的一种存储介质，其特征在于，存储介质中存储有指令，当计算机读取指令时，使计算机执行上述任一项的一种流量数据的诊断方法。
本发明实施例的一种电子设备，包括处理器和上述的存储介质，处理器执行存储介质中的指令。其中，电子设备可以选用电脑、手机等。
所属技术领域的技术人员知道，本发明可以实现为系统、方法或计算机程序产品。
因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是一一但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)，只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种流量数据的诊断方法，其特征在于，包括：
根据预设变量与流量之间的函数关系，计算得到第一当前流量；
根据所述第一当前流量与预设超声波流量计采集的当前流量之间的偏差，确定所述预设超声波流量计采集的当前流量是否存在异常。
2.根据权利要求1所述的一种流量数据的诊断方法，其特征在于，还包括：
从超声波流量计关联的参量中确定至少一个关键参量；
获取多条历史流量以及每条历史流量对应的每个关键参量的具体值，对预设深度学习模型进行训练，得到流量计算模型；
将所述预设超声波流量计的每个关键参量的具体值，输入所述流量计算模型，计算得到第二当前流量。
3.根据权利要求1或2所述的一种流量数据的诊断方法，其特征在于，所述预设变量与流量之间的函数关系为超声波流量计的控制阀的开度与流量之间的函数关系，或者，所述预设变量与流量之间的函数关系为超声波流量计的调节阀的开度与流量之间的函数关系。
4.根据权利要求2所述的一种流量数据的诊断方法，其特征在于，超声波流量计关联的参量包括：气质、温度、增益和信噪比。
5.一种流量数据的诊断系统，其特征在于，包括第一计算模块和异常判断模块；
所述第一计算模块用于：根据预设变量与流量之间的函数关系，计算得到第一当前流量；
所述异常判断模块用于：根据所述第一当前流量与预设超声波流量计采集的当前流量之间的偏差，确定所述预设超声波流量计采集的当前流量是否存在异常。
6.根据权利要求5所述的一种流量数据的诊断系统，其特征在于，还包括模型训练模块和第二计算模块；
所述模型训练模块用于：
从超声波流量计关联的参量中确定至少一个关键参量；
获取多条历史流量以及每条历史流量对应的每个关键参量的具体值，对预设深度学习模型进行训练，得到流量计算模型；
所述第二计算模块用于：
将所述预设超声波流量计的每个关键参量的具体值，输入所述流量计算模型，计算得到第二当前流量。
7.根据权利要求5或6所述的一种流量数据的诊断系统，其特征在于，所述预设变量与流量之间的函数关系为超声波流量计的控制阀的开度与流量之间的函数关系，或者，所述预设变量与流量之间的函数关系为超声波流量计的调节阀的开度与流量之间的函数关系。
8.根据权利要求6所述的一种流量数据的诊断系统，其特征在于，超声波流量计关联的参量包括：气质、温度、增益和信噪比。
9.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1至4中任一项所述的一种流量数据的诊断方法。
10.一种电子设备，其特征在于，包括处理器和权利要求9所述的存储介质，所述处理器执行所述存储介质中的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310890039.4A CN117029968A (zh) | 2023-07-19 | 2023-07-19 | 一种流量数据的诊断方法、系统、存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310890039.4A CN117029968A (zh) | 2023-07-19 | 2023-07-19 | 一种流量数据的诊断方法、系统、存储介质和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117029968A true CN117029968A (zh) | 2023-11-10 |
Family
ID=88630809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310890039.4A Pending CN117029968A (zh) | 2023-07-19 | 2023-07-19 | 一种流量数据的诊断方法、系统、存储介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117029968A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117268512A (zh) * | 2023-11-23 | 2023-12-22 | 青岛鼎信通讯科技有限公司 | 一种适用于超声水表的一致性优化方法 |
| CN117807375A (zh) * | 2024-02-27 | 2024-04-02 | 成都秦川物联网科技股份有限公司 | 基于物联网的超声波水表噪声处理方法、系统及设备 |
-
2023
- 2023-07-19 CN CN202310890039.4A patent/CN117029968A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117268512A (zh) * | 2023-11-23 | 2023-12-22 | 青岛鼎信通讯科技有限公司 | 一种适用于超声水表的一致性优化方法 |
| CN117268512B (zh) * | 2023-11-23 | 2024-02-09 | 青岛鼎信通讯科技有限公司 | 一种适用于超声水表的一致性优化方法 |
| CN117807375A (zh) * | 2024-02-27 | 2024-04-02 | 成都秦川物联网科技股份有限公司 | 基于物联网的超声波水表噪声处理方法、系统及设备 |
| CN117807375B (zh) * | 2024-02-27 | 2024-05-24 | 成都秦川物联网科技股份有限公司 | 基于物联网的超声波水表噪声处理方法、系统及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111459778B (zh) | 运维系统异常指标检测模型优化方法、装置及存储介质 | |
| CN117029968A (zh) | 一种流量数据的诊断方法、系统、存储介质和电子设备 | |
| US7275018B2 (en) | Method of condition monitoring | |
| JP2020123365A (ja) | 動的外れ値偏り低減システム及び方法 | |
| CN105593864B (zh) | 用于维护设备的分析设备退化 | |
| JP5827426B1 (ja) | 予兆診断システム及び予兆診断方法 | |
| CN115994248B (zh) | 阀门故障的数据检测方法及系统 | |
| CN113868953B (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
| CN114970688A (zh) | 基于LSTMAD算法和Hermite插值法的滑坡监测数据预处理方法 | |
| CN113420061A (zh) | 炼油和化工生产装置的稳态工况分析方法、优化调试方法及系统 | |
| CN112100574A (zh) | 一种基于重采样的aakr模型不确定度计算方法及系统 | |
| CN113935535A (zh) | 一种面向中长期预测模型的主成分分析方法 | |
| CN117556366B (zh) | 基于数据筛选的数据异常检测系统及方法 | |
| US20210080924A1 (en) | Diagnosis Method and Diagnosis System for a Processing Engineering Plant and Training Method | |
| CN116384732A (zh) | 场站管道风险智能评估方法、系统、存储介质及计算设备 | |
| CN114235108B (zh) | 基于数据分析燃气流量计异常状态检测方法和装置 | |
| CN115375039A (zh) | 一种工业设备故障预测方法、装置、电子设备及存储介质 | |
| CN112949816A (zh) | 一种基于ann的静力水准仪异常数据识别方法及系统 | |
| CN112100919A (zh) | 一种基于re-cf-ekf算法的滚动轴承剩余寿命预测方法 | |
| CN117590048B (zh) | 一种换流变阀侧套管末屏分压器的电阻分压方法及系统 | |
| CN116738859B (zh) | 一种铜管在线无损寿命评估方法及系统 | |
| CN117113886B (zh) | 一种压力预测方法及装置 | |
| CN117705178A (zh) | 风电螺栓信息检测方法、装置、电子设备和存储介质 | |
| CN116468292A (zh) | 一种基于数据分析的核电设备健康评估方法及系统 | |
| CN114048925A (zh) | 一种电网综合运营预警方法、装置及终端设备 |
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 |