CN117131469A - 一种智能差压变送器的误差校验方法 - Google Patents

Abstract

本申请涉及差压变送器误差校验领域，尤其涉及一种智能差压变送器的误差校验方法，方法包括获取变送器历史数据中的输出电流数据、温度数据和湿度数据，计算电流非线性程度及环境影响相关性；利用线性回归法，获得关于历史输出差压、环境影响相关性及电流非线性程度的线性方程；设置线性聚拢模型并设置追加层；响应于实时数据被获取，根据设置追加层的线性聚拢模型，计算实时数据的第一影响权重和第二影响权重；响应于第一影响权重大于第一阈值，生成环境调整信号；响应于第二影响权重大于第二阈值，生成非线性校准信号。本申请通过自然回归和神经网络，找到导致误差产生的重要因素，给出精准的误差校正方向。

Description

一种智能差压变送器的误差校验方法

技术领域

本申请涉及差压变送器误差校验领域，尤其涉及一种智能差压变送器的误差校验方法。

背景技术

差压变送器是一种用于测量液体压差或气体差压的仪器。差压变送器通常由压力传感器、电路板和外壳组成，差压变送器利用压力传感器感知液体或气体的压力差，并将差压转换为标准信号（通常是电流信号或电压信号）输出。标准信号可以被接收并用于控制和监测液体或气体流动。通过使用差压变送器，可以准确地测量差压，实现流量控制和监测，还可以远程传输信号，方便集中控制和监测。随着长时间的使用差压变送器会产生误差，为了确保其准确性，需要进行误差校验。

现有技术中，差压变送器的误差校验方法为：收集有关智能差压变送器的历史数据作为训练集，历史数据包括输入信号（差压值）和输出信号（变送器的测量值），构建一个神经网络模型并进行训练和测试评估。如果神经网络模型发现差压变送器输出与实际值存在差异，使用神经网络模型的预测来纠正输出值，从而校准差压变送器的误差。

而差压变送器中导致误差产生的原因有多种，如环境影响带来的误差和输出非线性产生的影响，如何找到导致误差产生的重要原因，给出误差校正方向建议，提高误差校验的精准性是亟需解决的问题。

发明内容

为了从误差产生的原因出发，找到导致误差产生的重要因素，给出明确且精准的误差校正方向，本申请提供一种智能差压变送器的误差校验方法，采用如下的技术方案：

一种智能差压变送器的误差校验方法，包括步骤：获取变送器历史数据中的输出电流数据，根据预设的电流线性模型，计算电流非线性程度；获取变送器历史数据中的温度数据和湿度数据，根据预设的环境影响相关性模型，计算环境影响相关性；利用线性回归法，获得关于历史输出差压、所述环境影响相关性及所述电流非线性程度的线性方程；训练预设的神经网络模型，使所述历史输出差压、所述环境影响相关性及所述电流非线性程度朝向所述线性方程靠拢并经过迭代训练，生成线性聚拢模型并设置追加层；响应于实时数据被获取，根据设置追加层的线性聚拢模型，计算实时数据的第一影响权重和第二影响权重；响应于实时数据的第一影响权重大于第一阈值，生成环境调整信号；响应于实时数据的第二影响权重大于第二阈值，生成非线性校准信号。

可选的，计算电流非线性程度中，包括步骤：将历史输出电流数据中的离散电流数据作为样本点，计算样本点的离散性，取离散性最小的样本点作为中心样本点；获得关于中心样本点和任意一个所述样本点的直线方程；计算电流非线性程度，所述电流非线性程度为拟合损失的最小值，其中，所述拟合损失为所述样本点到所述直线方程的欧氏距离之和。

可选的，所述计算环境影响相关性中，包括步骤：计算温度影响序列及温度异常程度，所述温度异常程度为温度影响序列的信息熵；计算湿度影响序列及湿度异常程度，所述湿度异常程度为湿度影响序列的信息熵；将湿度异常程度和温度异常程度进行加权求和，得到环境影响相关性。

可选的，所述利用线性回归法，获得关于历史输出差压、所述环境影响相关性、所述电流非线性程度的线性方程，并检验线性方程的合理性，包括步骤：计算获得线性方程，方程式为：，其中，/>为历史输出差压，/>为环境影响相关性，/>为电流非线性程度，/>为异常存在常数，/>为第一参数，/>为第二参数；利用T检验法，根据设定的概率阈值，获得线性方程合理性的检验结果，响应于检验结果小于或等于预设的概率阈值，生成第一指令。

可选的，所述训练预设的神经网络模型，使所述历史输出差压、所述环境影响相关性及所述电流非线性程度朝向所述线性方程靠拢并经过迭代训练，生成线性聚拢模型，包括步骤：计算训练集，将数据点作为输入层，数据点在线性方程上的投影点作为输出层，完成一次训练得到一次训练的损失函数，其中，所述数据点为，/>为历史输出差压，为环境影响相关性，/>为电流非线性程度；迭代训练直至所述损失函数归零或迭代次数达到预设值，完成训练，得到所述线性聚拢模型；对所述线性聚拢模型设定追加层，且所述追加层的追加过程为线性变化；利用特征可视化技术，对所述追加层进行反向传播，得到所述环境影响相关性对追加层的第一影响程度、所述电流非线性程度对追加层的第二影响程度；对所述第一影响程度归一化得到历史数据的第一影响权重，对所述第二影响程度归一化得到历史数据的第二影响权重。

本申请具有以下技术效果：

1、对输出电流、温度、湿度信息提取特征，基于差压变送器输出的电流数据，计算差压变送器的电流非线性程度，基于环境的温度数据和湿度数据，计算环境影响相关性，利用线性回归法，获得关于历史输出差压、环境影响相关性及电流非线性程度的线性方程，利用BP神经网络模型生成线性聚拢模型，寻找误差来源，并确定误差校正方向。通过自然回归和神经网络两种方法，找到导致误差产生的重要因素。

2、对线性聚拢模型设置追加层，并通过特征可视化技术，对追加层进行反向传播，获得环境影响相关性及电流非线性程度分别对于追加层的影响程度，分别对影响程度归一化获得第一影响权重和第二影响权重，以此判定是否需要进行环境调整或非线性校准。

附图说明

通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，并且相同或对应的标号表示相同或对应的部分。

图1是本申请实施例一种智能差压变送器的误差校验方法中步骤S1-S7的方法流程图。

图2是本申请实施例一种智能差压变送器的误差校验方法中步骤S10-S12的方法流程图。

图3是本申请实施例一种智能差压变送器的误差校验方法中步骤S20-S22的方法流程图。

图4是本申请实施例一种智能差压变送器的误差校验方法中步骤S30-S31的方法流程图。

图5是本申请实施例一种智能差压变送器的误差校验方法中步骤S40-S44的方法流程图。

图6是本申请实施例一种智能差压变送器的误差校验方法中线性聚拢模型的训练的过程图。

图7是本申请实施例一种智能差压变送器的误差校验方法中示出线性聚拢模型设置追加层的过程图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。

应当理解，当本申请的权利要求、说明书及附图使用术语“第一”、“第二”等时，其仅是用于区别不同对象，而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

本申请实施例公开一种智能差压变送器的误差校验方法，参照图1，包括步骤S1-S5，具体如下：

S1：获取变送器历史数据中的输出电流数据，根据预设的电流线性模型，计算电流非线性程度。

由于差压变送器原理是：将压差转换为线性变化的电流数据输出，但是由于大部分的变送器普遍存在输出非线性的情况，但只要非线性程度较低，可以作为合理输出。基于差压变送器输出的电流数据，计算差压变送器的电流非线性程度。参照图2，包括步骤S10-S12，具体如下：

S10：将历史输出电流数据中的离散电流数据作为样本点，计算样本点的离散性，取离散性最小的样本点作为中心样本点。

通过压差变送器的PID（Proportional Integral Derivative，比例-积分-微分）控制系统，获得历史输出电流数据，记录为I。通过预设的差压变送器的读数显示器获得差压数据，记录为。

设置电流线性模型，将采集到的离散电流数据作为样本点，计算每个样本点到其他样本点之间的欧氏距离之和，作为该样本点的离散性。取离散性最小的样本点，作为中心样本点。

S11：获得关于中心样本点和任意一个样本点的直线方程。

采用两点式线性方程的计算方法，计算关于中心样本点和任意样本点的直线方程，得到若干个直线方程。

S12：计算电流非线性程度，电流非线性程度为拟合损失的最小值。

其中，拟合损失为样本点到直线方程的欧氏距离之和。

以一个直线方程为例，计算各个样本点到该直线方程之间的欧氏距离之和，作为拟合损失，一个方程对应一个拟合损失，取最小拟合损失为电流非线性程度。

S2：获取变送器历史数据中的温度数据和湿度数据，根据预设的环境影响相关性模型，计算环境影响相关性。

通过预设的温度传感器，获得环境温度数据，记为T。通过预设的湿度传感器，获得环境湿度数据，记录为S。

由于环境温度、环境湿度可能会导致压差变送器内部零件膨胀或收缩，电子元件受到腐蚀或绝缘性能下降，从而影响测量的准确性，导致差压读数不准确，所以进行环境影响相关性的计算，参照图3，包括步骤S20-S22，具体如下：

S20：计算温度影响序列及温度异常程度，温度异常程度为温度影响序列的信息熵。

S21：计算湿度影响序列及湿度异常程度，湿度异常程度为湿度影响序列的信息熵。

S22：将湿度异常程度和温度异常程度进行加权求和，得到环境影响相关性。

具体地，基于得到的环境温度、环境湿度，设置环境影响相关性模型。确定环境温度合理范围、环境湿度合理范围。

例如，环境温度范围为(0℃,50℃)，环境湿度合理范围为(5%RH,95%RH)。将环境温度数据对比环境温度合理范围，若环境温度数据在环境温度合理范围之内，则输出为0，若环境温度数据不在环境温度合理范围之内，则输出为环境温度数据与环境温度合理范围边界0℃或50℃ 的差值的最小值。将所有最小值和0℃按照时间排序，得到温度影响序列。计算温度影响序列的信息熵，作为温度异常程度，计算公式为：

其中，为温度异常程度，/>表示数值为/>的温度数据占所有温度数据的比例值，/>为该温度序列的最大值，/>的值越大，说明此时的温度信息混乱程度越高，说明此时温度的异常程度越高。

湿度数据处理方法与温度相同，在此不做赘述，得到湿度异常程度。并将湿度异常程度和温度异常程度进行加权求和，得到环境影响相关性。

S3：利用线性回归法，获得关于历史输出差压、环境影响相关性及电流非线性程度的线性方程。参照图4，包括步骤S30-S31，具体如下：

S30：计算获得线性方程。

具体地，线性方程的方程式为：，其中，/>为历史输出差压，/>为环境影响相关性，/>为电流非线性程度，/>为异常存在常数，/>为第一参数，/>为第二参数。代入根据变送器历史数据计算得出的环境影响相关性/>及电流非线性程度/>得到线性方程/>的具体参数。示例性的，/>可以为0.4，/>可以为0.7，/>可以为4.3。

S31：利用T检验法，根据设定的概率阈值，获得线性方程合理性的检验结果，响应于检验结果小于或等于预设的概率阈值，生成第一指令。

利用T检验法，对关于输出差压、环境影响相关性和电流非线性程度的线性方程：进行检验。

例如，设定标准线性概率阈值为99%，若检验结果大于99%，说明此时的线性方程为合理方程。反之，则为不合理线性方程，生成第一指令。

但由于压差变送器在实际使用时，通过上述检验过程后的结果往往小于或等于99%，输出差压、环境影响相关性和电流非线性程度三者之间不会呈现严格线性，即会存在偏置项，偏置项包含环境影响带来的误差和输出非线性产生的影响，响应于第一指令，利用神经网络训练模型，使得各点往线性方程/>上靠拢，具体如下：

S4：训练预设的神经网络模型，使历史输出差压、环境影响相关性及电流非线性程度朝向线性方程靠拢并经过迭代训练，生成线性聚拢模型并设置追加层。参照图5，包括步骤S40-S44：

S40：计算训练集，将数据点作为输入层，数据点在线性方程上的投影点作为输出层，完成一次训练得到一次训练的损失函数。

参照图6，设定数据点为，/>为历史输出差压，/>为环境影响相关性，/>为电流非线性程度。数据点在线性方程/>上的投影点/>作为输出层，完成一次训练并得到一次训练的损失函数。具体地，损失函数采用MSE（MeanSquared Error，均方差损失函数）。

S41：迭代训练直至损失函数归零或迭代次数达到预设值，完成训练，得到线性聚拢模型。

将所有的数据点均按照步骤S40中的训练过程完成训练，即为一次迭代过程。设置迭代终止条件为损失函数归零或完成1000次迭代。达到迭代终止条件后即完成了线性聚拢模型的训练。

S42：对线性聚拢模型设定追加层，且追加层的追加过程为线性变化。

参照图7，将得到线性聚拢模型追加一层，且追加层的追加过程为线性变化，追加层为，其中线性过程为线性方程/>。

S43：利用特征可视化技术，对追加层进行反向传播，得到环境影响相关性对追加层的第一影响程度、电流非线性程度对追加层的第二影响程度。

S44：对第一影响程度归一化得到历史数据的第一影响权重，对第二影响程度归一化得到历史数据的第二影响权重。

具体地，使用CAM（Class Activation Mapping，特征可视化技术），对追加层进行反向传播，得到/>和/>对/>的影响程度，并归一化为影响权重，其中，/>对/>的第一影响程度记为z，/>对/>的第二影响程度记为v。

设定第一阈值为r，当z＞r时，此时环境造成误差较大，应立即调整工作环境，生成环境调整信号。

当v＞r时，此时输出非线性问题突出，应立即进行非线性校准，生成非线性校准信号。

示例性的，r可以为0.2。CAM可以通过从神经网络上下载和导入线性聚拢模型来获取权重信息。

本申请中，神经网络模型为BP（Backpropagation，反向传播）神经网络模型。

S5：响应于实时数据被获取，根据设置追加层的线性聚拢模型，计算实时数据的第一影响权重和第二影响权重。

若实时数据被获取，则计算实时数据的第一影响权重和第二影响权重，实时数据包括实时的压差变送器输出电流数据、环境温度数据和环境湿度数据。

S6：响应于实时数据的第一影响权重大于第一阈值，生成环境调整信号。

若实时数据的第一影响权重大于第一阈值，判定此时环境造成的误差较大，即环境因素为误差产生的主要因素，则发送环境调整信号，根据环境调整信号提醒用户进行工作环境的调整。

S7：响应于实时数据的第二影响权重大于第二阈值，生成非线性校准信号。

若实时数据的第二影响权重大于第二阈值，判定此时非线性原因造成的误差较大，即非线性原因为误差产生的主要因素，发送非线性校准信号，根据非线性校准信号提醒用户进行非线性校准。

本申请实施例一种智能差压变送器的误差校验方法的实施原理为：从误差产生的原因出发，对输出电流、温度、湿度信息提取特征，通过自然回归和神经网络两种方法，找到导致误差产生的重要因素，给出明确且精准的误差校正方向。

虽然本说明书已经示出和描述了本申请的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本申请思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本申请的过程中，可以采用对本文所描述的本申请实施例的各种替代方案。

以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (5)

1.一种智能差压变送器的误差校验方法，其特征在于，包括步骤：

获取变送器历史数据中的输出电流数据，根据预设的电流线性模型，计算电流非线性程度；

获取变送器历史数据中的温度数据和湿度数据，根据预设的环境影响相关性模型，计算环境影响相关性；

利用线性回归法，获得关于历史输出差压、所述环境影响相关性及所述电流非线性程度的线性方程；

训练预设的神经网络模型，使所述历史输出差压、所述环境影响相关性及所述电流非线性程度朝向所述线性方程靠拢，经过迭代训练生成线性聚拢模型并设置追加层；

响应于实时数据被获取，根据设置追加层的线性聚拢模型，计算实时数据的第一影响权重和第二影响权重；

响应于实时数据的第一影响权重大于第一阈值，生成环境调整信号；

响应于实时数据的第二影响权重大于第二阈值，生成非线性校准信号。

2.根据权利要求1所述的智能差压变送器的误差校验方法，其特征在于，计算电流非线性程度中，包括步骤：

将历史输出电流数据中的离散电流数据作为样本点，计算样本点的离散性，取离散性最小的样本点作为中心样本点；

获得关于中心样本点和任意一个所述样本点的直线方程；

计算电流非线性程度，所述电流非线性程度为拟合损失的最小值，其中，所述拟合损失为所述样本点到所述直线方程的欧氏距离之和。

3.根据权利要求1所述的智能差压变送器的误差校验方法，其特征在于，所述计算环境影响相关性中，包括步骤：

计算温度影响序列及温度异常程度，所述温度异常程度为温度影响序列的信息熵；

计算湿度影响序列及湿度异常程度，所述湿度异常程度为湿度影响序列的信息熵；

将湿度异常程度和温度异常程度进行加权求和，得到环境影响相关性。

4.根据权利要求1-3任一项所述的智能差压变送器的误差校验方法，其特征在于，所述利用线性回归法，获得关于历史输出差压、所述环境影响相关性、所述电流非线性程度的线性方程，并检验线性方程的合理性，包括步骤：

计算获得线性方程，方程式为：，其中，/>为历史输出差压，/>为环境影响相关性，/>为电流非线性程度，/>为异常存在常数，/>为第一参数，/>为第二参数；

根据设定的概率阈值，获得线性方程合理性的检验结果。

5.根据权利要求4所述的智能差压变送器的误差校验方法，其特征在于，所述训练预设的神经网络模型，使所述历史输出差压、所述环境影响相关性及所述电流非线性程度朝向所述线性方程靠拢并经过迭代训练，生成线性聚拢模型，包括步骤：

计算训练集，将数据点作为输入层，数据点在线性方程上的投影点作为输出层，完成一次训练得到一次训练的损失函数，其中，所述数据点为，/>为历史输出差压，/>为环境影响相关性，/>为电流非线性程度；

迭代训练直至所述损失函数归零或迭代次数达到预设值，完成训练，得到所述线性聚拢模型；

对所述线性聚拢模型设定追加层，且所述追加层的追加过程为线性变化；

利用特征可视化技术，对所述追加层进行反向传播，得到所述环境影响相关性对追加层的第一影响程度、所述电流非线性程度对追加层的第二影响程度；

对所述第一影响程度归一化得到历史数据的第一影响权重，对所述第二影响程度归一化得到历史数据的第二影响权重。