CN117309079A - 基于时差法的超声飞渡时间测量方法、装置、设备及介质 - Google Patents
基于时差法的超声飞渡时间测量方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117309079A CN117309079A CN202311600011.9A CN202311600011A CN117309079A CN 117309079 A CN117309079 A CN 117309079A CN 202311600011 A CN202311600011 A CN 202311600011A CN 117309079 A CN117309079 A CN 117309079A
- Authority
- CN
- China
- Prior art keywords
- ultrasonic
- ultrasonic signal
- target
- signal
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 183
- 238000005259 measurement Methods 0.000 claims abstract description 87
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000003062 neural network model Methods 0.000 claims abstract description 50
- 239000012530 fluid Substances 0.000 claims abstract description 39
- 230000007246 mechanism Effects 0.000 claims abstract description 21
- 230000007787 long-term memory Effects 0.000 claims abstract description 18
- 230000006403 short-term memory Effects 0.000 claims abstract description 16
- 230000000644 propagated effect Effects 0.000 claims abstract description 10
- 238000011144 upstream manufacturing Methods 0.000 claims description 39
- 230000015654 memory Effects 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 238000000691 measurement method Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000007704 transition Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 238000009776 industrial production Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 description 18
- 238000002604 ultrasonography Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004880 explosion Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000019888 Circadian rhythm sleep disease Diseases 0.000 description 1
- 208000001456 Jet Lag Syndrome Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 208000033915 jet lag type circadian rhythm sleep disease Diseases 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010992 reflux Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Electromagnetism (AREA)
- Fluid Mechanics (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Measuring Volume Flow (AREA)
Abstract
本申请公开了一种基于时差法的超声飞渡时间测量方法、装置、设备及介质,涉及工业生产技术领域。该方法包括:获取超声波进入流体时相对于流体流动方向传播的顺流超声信号与逆流超声信号;分别对所述顺流超声信号与所述逆流超声信号进行小波包去噪,以得到目标顺流超声信号与目标逆流超声信号;利用所述目标顺流超声信号与所述目标逆流超声信号训练预先基于长短期记忆网络构建的神经网络模型,以得到超声飞渡时间测量模型;其中,所述超声飞渡时间测量模型的输出层前添加了一个注意力机制层;通过所述超声飞渡时间测量模型对超声飞渡时间进行测量。通过本申请的技术方案,可以提高超声流量计飞渡时间测量的精度。
Description
技术领域
本发明涉及工业生产技术领域,特别涉及一种基于时差法的超声飞渡时间测量方法、装置、设备及介质。
背景技术
在工业生产过程中,流量测量对于控制流体流量和监测流程的稳定性和效率至关重要。超声流量计广泛应用于能源、环境、石油化工、化学、制药、食品加工等工业领域中的流程控制。超声测流的重要技术参数为超声飞渡时间,准确获知超声飞渡时间是提升超声测流的关键。同时,超声测量技术不仅可以用于流量测量,也可以用于多种物理场的测量,如温度、湿度、距离等。无论何种物理场的测量,超声飞渡时间都是决定测量精度的关键因素。
目前,基于时差法的超声飞渡时间测量技术主要包括“阈值法”、“广义互相关法”和“二次相关法”。阈值法和基于相关法的超声波检测方法在多个领域得到广泛应用,但它们仍存在一些缺陷。阈值法在受到噪声干扰时表现不稳定,而基于相关法的方法虽然精度高、抗干扰能力强,但其广义互相关算法在低信噪比环境下性能会恶化。
综上,如何准确测量超声飞渡时间是本领域技术人员亟待解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于时差法的超声飞渡时间测量方法、装置、设备及介质,能够提高超声流量计飞渡时间测量的精度。其具体方案如下:
第一方面,本申请公开了一种基于时差法的超声飞渡时间测量方法,包括:
获取超声波进入流体时相对于流体流动方向传播的顺流超声信号与逆流超声信号;
分别对所述顺流超声信号与所述逆流超声信号进行小波包去噪,以得到目标顺流超声信号与目标逆流超声信号;
利用所述目标顺流超声信号与所述目标逆流超声信号训练预先基于长短期记忆网络构建的神经网络模型,以得到超声飞渡时间测量模型;其中,所述超声飞渡时间测量模型的输出层前添加了一个注意力机制层;
通过所述超声飞渡时间测量模型对超声飞渡时间进行测量。
可选的,所述获取超声波进入流体时相对于流体流动方向传播的顺流超声信号与逆流超声信号,包括:
获取所述流体的流速范围以便根据所述流速范围确定所述流体的最大流速与最小流速;
根据所述最大流速与所述最小流速确定顺流超声信号与逆流超声信号共同的信号时延范围,以便根据所述信号时延范围确定与所述最大流速对应的最小时延和与所述最小流速对应的最大时延;
基于所述最小时延与所述最大时延确定训练所述神经网络模型时的神经网络分类数量,并根据所述神经网络分类数量确定不同的管道入口流速;
基于所述管道入口流速采集所述顺流超声信号与所述逆流超声信号。
可选的,所述基于所述管道入口流速采集所述顺流超声信号与所述逆流超声信号之后,还包括:
改变信噪比并重复执行所述基于所述管道入口流速采集所述顺流超声信号与所述逆流超声信号的步骤,以得到不同的所述信噪比下第一预设数量的顺流超声信号样本与逆流超声信号样本;
相应的,所述分别对所述顺流超声信号与所述逆流超声信号进行小波包去噪,以得到目标顺流超声信号与目标逆流超声信号,包括:
分别对所述顺流超声信号样本与所述逆流超声信号样本进行小波包去噪,以得到目标顺流超声信号样本与目标逆流超声信号样本;
相应的,所述利用所述目标顺流超声信号与所述目标逆流超声信号训练预先基于长短期记忆网络构建的神经网络模型,以得到超声飞渡时间测量模型,包括:
利用所述目标顺流超声信号样本与所述目标逆流超声信号样本训练预先基于长短期记忆网络构建的神经网络模型,以得到超声飞渡时间测量模型。
可选的,所述利用所述目标顺流超声信号样本与所述目标逆流超声信号样本训练预先基于长短期记忆网络构建的神经网络模型,以得到超声飞渡时间测量模型,包括:
确定所述目标顺流超声信号样本与所述目标逆流超声信号样本的信号长度,并基于所述信号长度为所述目标顺流超声信号样本与所述目标逆流超声信号样本各自设置第二预设数量的采样点;
利用所述目标顺流超声信号样本与所述目标逆流超声信号样本确定初始数据集,并根据所述采样点对所述初始数据集中的超声信号样本设置第三预设数量的飞渡时间差得到训练数据集;
按照预设分配比例对所述训练数据集进行划分以得到训练集、测试集以及验证集,然后利用所述训练集训练预先基于长短期记忆网络构建的神经网络模型、利用所述测试集测试所述神经网络模型以及利用所述验证集验证所述神经网络模型,以得到超声飞渡时间测量模型。
可选的,所述分别对所述顺流超声信号与所述逆流超声信号进行小波包去噪,以得到目标顺流超声信号与目标逆流超声信号,包括:
利用小波包分解算法将所述顺流超声信号与所述逆流超声信号进行分解以得到不同的小波包系数;
对所述小波包系数进行去噪处理得到去噪后的小波包系数,然后利用小波包重构算法对所述去噪后的小波包系数进行重构以得到目标顺流超声信号与目标逆流超声信号。
可选的,所述利用所述目标顺流超声信号与所述目标逆流超声信号训练预先基于长短期记忆网络构建的神经网络模型,以得到超声飞渡时间测量模型之前,还包括:
对所述目标顺流超声信号与所述目标逆流超声信号进行归一化处理。
可选的,所述利用所述目标顺流超声信号与所述目标逆流超声信号训练预先基于长短期记忆网络构建的神经网络模型,以得到超声飞渡时间测量模型的过程中,还包括:
通过所述目标顺流超声信号与所述目标逆流超声信号确定真实时延值,并获取所述神经网络模型在训练过程中输出的预测时延值;
确定所述真实时延值与所述预测时延值之间的准确率、均方根误差和平均绝对误差,以便根据所述准确率、所述均方根误差和所述平均绝对误差对所述神经网络模型进行调整,以得到超声飞渡时间测量模型。
第二方面,本申请公开了一种基于时差法的超声飞渡时间测量装置,包括:
信号获取模块,用于获取超声波进入流体时相对于流体流动方向传播的顺流超声信号与逆流超声信号;
信号处理模块,用于分别对所述顺流超声信号与所述逆流超声信号进行小波包去噪,以得到目标顺流超声信号与目标逆流超声信号;
模型训练模块,用于利用所述目标顺流超声信号与所述目标逆流超声信号训练预先基于长短期记忆网络构建的神经网络模型,以得到超声飞渡时间测量模型;其中,所述超声飞渡时间测量模型的输出层前添加了一个注意力机制层;
模型应用模块,用于通过所述超声飞渡时间测量模型对超声飞渡时间进行测量。
第三方面,本申请公开了一种电子设备,所述电子设备包括处理器和存储器;其中,所述存储器用于存储计算机程序,所述计算机程序由所述处理器加载并执行以实现如前所述的基于时差法的超声飞渡时间测量方法。
第四方面,本申请公开了一种计算机可读存储介质,用于存储计算机程序;其中所述计算机程序被处理器执行时实现如前所述的基于时差法的超声飞渡时间测量方法。
本申请提供了一种基于时差法的超声飞渡时间测量方法,包括:获取超声波进入流体时相对于流体流动方向传播的顺流超声信号与逆流超声信号;分别对所述顺流超声信号与所述逆流超声信号进行小波包去噪,以得到目标顺流超声信号与目标逆流超声信号;利用所述目标顺流超声信号与所述目标逆流超声信号训练预先基于长短期记忆网络构建的神经网络模型,以得到超声飞渡时间测量模型;其中,所述超声飞渡时间测量模型的输出层前添加了一个注意力机制层;通过所述超声飞渡时间测量模型对超声飞渡时间进行测量。本发明有效解决了传统基于时差法的超声飞渡时间测量方法存在的问题,具有更高的测量精度、更强的抗干扰能力以及更低的计算复杂度。相比传统的阈值法和基于相关法的方法,这种综合利用深度学习方法和传统时差测量方法的新型超声飞渡时间测量方法能够更准确地测量流速,进一步提高计量特性。并且采用的深度学习方法能够减少复杂的数学运算,特别是在大量数据处理时,计算复杂度较低,有利于提高实时性要求较高的应用的适用性。同时在核电站等严苛环境中具有广泛的应用潜力,将提升流量测量的准确性和稳定性,有助于工业生产过程中的流量控制和监测流程的稳定性和效率,具备较高的实用价值。
此外,本申请提供的一种基于时差法的超声飞渡时间测量装置、设备及存储介质,与上述基于时差法的超声飞渡时间测量方法对应,效果同上。
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为本申请公开的一种基于时差法的超声飞渡时间测量方法流程图;
图2为本申请公开的一种时差法测流原理示意图;
图3为本申请公开的一种基于时差法的超声飞渡时间测量方法示意图;
图4为本申请公开的一种具体的基于时差法的超声飞渡时间测量方法流程图;
图5为本申请公开的一种长短期记忆网络结构示意图;
图6为本申请公开的一种具体的基于时差法的超声飞渡时间测量方法流程图;
图7为本申请公开的一种具体的基于时差法的超声飞渡时间测量方法流程图;
图8为本申请公开的一种具体的基于时差法的超声飞渡时间测量方法示意图;
图9为本申请公开的一种基于时差法的超声飞渡时间测量装置结构示意图;
图10为本申请公开的一种电子设备结构图。
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。
当前,基于时差法的超声飞渡时间测量技术主要包括“阈值法”、“广义互相关法”和“二次相关法”。这些方法的主要原理、应用时的问题或缺点以及解决这些问题时可能遇到的困难如下所述:
(1)、阈值法通过判断超声信号是否达到设定阈值来计算超声飞渡时间。该方法首先设置超声信号的阈值,即设定一个信号强度的界限;然后监测超声信号的强度,当信号强度超过设定的阈值时记录时间并停止计时器得到超声飞渡时间。阈值法在信号处理过程中需要设定一个阈值来判断超声信号的有效部分,阈值的选取可能对结果产生较大的影响。由于阈值法对噪声敏感,因此在信号中存在噪声的情况下特别容易受到噪声的干扰,导致测量不稳定或不准确。在解决阈值法的问题时,需要选择合适的阈值来最大程度地减少噪声的影响并确保准确测量流速。然而,寻找适当的阈值可能需要对不同情况进行反复试验和调整,而且很可能在某些情况下仍然无法完全消除误差。
(2)、广义互相关法通过将上下游波形相似的超声信号进行相关运算,通过判断相关峰的位置来计算超声飞渡时间。该方法通过获取上下游超声信号的波形数据,并对两路波形进行相关运算找到相关峰的位置;然后根据相关峰的位置差来计算超声飞渡时间。广义互相关法涉及复杂的数学运算,特别是在大量数据处理时计算复杂度较高,可能导致较长的响应时间,不适用于实时性要求较高的应用。在广义互相关法中,关键是选择合适的参考信号。然而找到适合特定应用的参考信号并不是一项简单的任务,而且对于复杂的流体介质可能很难找到适合的参考信号,这可能导致测量不准确。
(3)、二次相关法将一路超声信号进行自相关得到的结果再与上下游超声信号互相关得到的结果进行相关,判断相关峰位置从而计算超声飞渡时间。该方法对一路超声信号进行自相关运算得到自相关结果;然后将自相关结果与上下游超声信号的互相关结果进行相关运算找到相关峰的位置,根据相关峰的位置差来计算超声飞渡时间。二次相关法对信号的平滑程度要求较高,对于波动较大或不规则的信号可能失效或产生较大误差,因此在实际应用中较少使用。二次相关法的主要困难之一是计算复杂度。要实现高精度的二次相关计算,可能需要专门的硬件或更强大的计算设备。此外,由于信号受到噪声和干扰,提高测量准确性也可能需要更复杂的算法和信号预处理步骤,这可能增加实现的难度。
为此,本申请提供了一种基于时差法的超声飞渡时间测量方案,能够解决基于时差法的超声飞渡时间测量方法中存在的测量准确性问题,提高超声流量计飞渡时间测量的精度。
本发明实施例公开了一种基于时差法的超声飞渡时间测量方法,参见图1所示,该方法包括:
步骤S11:获取超声波进入流体时相对于流体流动方向传播的顺流超声信号与逆流超声信号。
本申请实施例中,旨在解决基于时差法的超声飞渡时间测量方法中存在的测量准确性问题。时差法的工作原理图如图2所示。图中的D为管道直径;S1和S2分别表示2个超声波换能器;L为换能器之间的距离;θ表示为超声波进入液体的入射角;V表示流体流速,C表示为超声波信号在水中的声速,α为V和C之间的夹角;表示为顺流时间,即换能器S1发射、S2接收时超声波在管道中的传播时间;/>表示为逆流时间,即换能器S2发射、S1接收时超声波在管道中的传播时间。
时差法测流时的顺流时间和逆流时间/>分别可用下式进行计算:
;/>;其中,τ为信号在换能器及硬件电路中的时间延迟。设ΔT为顺逆流时间差,则:
;
由于常见液体中的声速要大于1000m/s,而流体的流速小于10m/s,即,所以ΔT可以简化为:/>;那么进一步的/>;通过上式可求出瞬时流量如下:。
其中,K表示为流速分布修正系数;S表示为管道截面积。可见,顺逆流时间差ΔT计算的准确度对流量的精度有着重要影响。同时管道流量的计算对实时性要求较高,因此提高超声信号顺逆流时间差ΔT计算的准确度和实时性是需要重点关注的问题。
如图3所示为本发明的方法流程图,首先获取超声波进入流体时相对于流体流动方向传播的顺流超声信号与逆流超声信号/>。
步骤S12:分别对所述顺流超声信号与所述逆流超声信号进行小波包去噪,以得到目标顺流超声信号与目标逆流超声信号。
本申请实施例中,引入小波包去噪的技术,通过采用小波变换的小波包去噪方式来处理超声信号,从而减少噪声对测量结果的干扰。通过小波包去噪,可以提取出已含噪声信号中的有用信号,进一步提高了测量精度,有效地减少噪声对测量结果的干扰,使得超声流量计飞渡时间测量更加准确可靠。
在图3中,为目标顺流超声信号,代表顺流超声信号/>经小波包去噪之后得到的信号;/>为目标逆流超声信号,代表逆流超声信号/>经小波包去噪之后得到的信号。
步骤S13:利用所述目标顺流超声信号与所述目标逆流超声信号训练预先基于长短期记忆网络构建的神经网络模型,以得到超声飞渡时间测量模型;其中,所述超声飞渡时间测量模型的输出层前添加了一个注意力机制层。
步骤S14:通过所述超声飞渡时间测量模型对超声飞渡时间进行测量。
为方便描述,将步骤S13和步骤S14结合起来进行说明。
本申请实施例中,采用循环神经网络(Recurrent Neural Network,RNN)和一维卷积神经网络(Convolutional Neural Networks,CNN)结合的深度学习模型,利用神经网络对到达时间进行特征识别并确定超声信号的到达时间。
如图3所示,LSTM(Long Short-Term Memory,长短期记忆网络)是一种特殊类型的循环神经网络,它在处理序列数据和时间序列数据方面表现出色。利用目标顺流超声信号和目标逆流超声信号/>训练基于长短期记忆网络构建的神经网络模型,并在神经网络模型的输出层之前添加一个注意力层可以提高模型性能。利用该模型得到的输出ΔT即代表经神经网络模型计算之后输出的顺逆流超声信号飞渡时间差。
可以理解的是,注意力机制可以动态地分配不同输入部分的权重,使模型能够更集中地关注对当前任务更有意义的部分,这有助于提高模型的收敛速度和准确性。尤其对于处理长序列数据时,可以更好地捕捉序列中的长距离依赖关系,避免信息的丢失,从而在各种任务中取得更好的性能。将循环神经网络和一维卷积神经网络结合后,再与传统时差法相结合实现利用深度学习模型的神经网络特征识别能力对到达时间进行特征识别,确定超声信号的到达时间。这样的结合使得测量精度得到显著提高,能够更准确地测量流速,解决了传统方法中阈值设定和信号波动对测量准确性的影响。
本申请提供了一种基于时差法的超声飞渡时间测量方法,包括:获取超声波进入流体时相对于流体流动方向传播的顺流超声信号与逆流超声信号;分别对所述顺流超声信号与所述逆流超声信号进行小波包去噪,以得到目标顺流超声信号与目标逆流超声信号;利用所述目标顺流超声信号与所述目标逆流超声信号训练预先基于长短期记忆网络构建的神经网络模型,以得到超声飞渡时间测量模型;其中,所述超声飞渡时间测量模型的输出层前添加了一个注意力机制层;通过所述超声飞渡时间测量模型对超声飞渡时间进行测量。本发明有效解决了传统基于时差法的超声飞渡时间测量方法存在的问题,具有更高的测量精度、更强的抗干扰能力以及更低的计算复杂度。相比传统的阈值法和基于相关法的方法,这种综合利用深度学习方法和传统时差测量方法的新型超声飞渡时间测量方法能够更准确地测量流速,进一步提高计量特性。并且采用的深度学习方法能够减少复杂的数学运算,特别是在大量数据处理时,计算复杂度较低,有利于提高实时性要求较高的应用的适用性。同时在核电站等严苛环境中具有广泛的应用潜力,将提升流量测量的准确性和稳定性,有助于工业生产过程中的流量控制和监测流程的稳定性和效率,具备较高的实用价值。
超声信号在从发射端超声换能器传输至接收端超声换能器的过程中会经过多条路径,且多条路径下的超声信号频率相近、波形相似,对飞渡时间的准确计算带来很大困难。本申请实施例公开了一种具体的基于时差法的超声飞渡时间测量方法,采用优化的小波分解即小波包分解解决信号中的频率混叠现象,将信号的高频部分和低频部分均进行多级分解,得到不同尺度和位置的小波包系数,从而反映信号在不同频带和不同时刻的特征。参见图4所示,步骤S12具体包括:
步骤S120:利用小波包分解算法将所述顺流超声信号与所述逆流超声信号进行分解以得到不同的小波包系数。
可以理解的是,小波分解和小波包分析适用于非平稳信号的分析。在小波变换的过程中只对信号的低频部分进行分解,对信号的高频部分不再继续分解,这样会导致丢失很多信号细节。本发明采用优化的小波分解即小波包分解,它进一步将信号分解成更多的子带,提供更高的分辨率。小波包分解后进一步对分解后的子带进行小波包分析以获取有关信号局部特征的信息。
小波包去噪方法源于傅里叶变换,相比于傅里叶变换对信号使用一组无限长的三角函数进行卷积,小波变换使用的是一组正交且迅速衰减的小波函数进行拟合。小波函数可以沿时间轴前后平移,也可按比例伸展和压缩,以获取低频和高频小波,构造好的小波函数可以用于滤波或压缩信号,从而可以提取出已含噪声信号中的有用信号。
小波包去噪方法如下:子空间是函数/>的闭包空间,设/>,则表示为:/>;
其中,j代表尺度参数,通常是一个非负整数。尺度参数控制了小波包分解的尺度,影响信号在时间和频率域上的分辨率。较小的j对应更高的频率分辨率和较短的时间窗口;较大的j对应更低的频率分辨率和更长的时间窗口。通过改变j的值,可以选择不同尺度下的小波包分解。n通常表示信号或子空间的索引。在小波包变换中,原始信号通常表示为,其中n是信号的索引。同时,小波包变换将信号分解成多个子空间,每个子空间都有一个不同的索引n代表不同的频带或尺度。这些子空间对应于不同的频率成分。
表示在子空间/>中的一个信号或函数,通常是原始信号/>在不同尺度j下的近似或分解。这个信号/>是通过小波包变换进行分解和重构得到的。式中,i通常用作一个索引,表示某种迭代或循环操作中的当前迭代或循环的编号;t表示时间变量,表示信号或函数的时间域;z是一个参数,可能在特定的上下文中具有不同的含义。通常,它用于调整小波基函数的位置或进行滤波操作。/>用于表示在小波包变换中用于分解和重构的信号或函数,可以是/>在某个特定尺度j和位置z下的近似。
本申请实施例中,原始的顺流超声信号和逆流超声信号/>会经过小波包分解,利用小波包分解算法得到一系列小波包系数/>。也即,小波包分解算法由求/>和/>,即:/>;/>和/>均为小波分解共轭滤波器系数,k和l通常代表一些索引或者迭代变量。利用小波包分解算法将信号分解成不同频率和尺度的成分,以便更好地处理和分析。
需要指出的是,这个集合包含了在尺度参数j+1下信号或子空间/>的小波包系数,是一个较高尺度下的小波包系数集合;/>这个集合包含了在尺度参数j下信号或子空间/>的小波包系数,意味着在较低尺度下对原始信号或子空间进行了分解,与/>相关联;/>这个集合包含了在尺度参数j下信号或子空间/>的小波包系数,同样表示在较低尺度下对原始信号或子空间的另一部分进行了分解。
步骤S121:对所述小波包系数进行去噪处理得到去噪后的小波包系数,然后利用小波包重构算法对所述去噪后的小波包系数进行重构以得到目标顺流超声信号与目标逆流超声信号。
本申请实施例中,在小波包分解后,可以对得到的小波包系数进行去噪处理以去除噪声成分或进行噪声抑制,同时保留信号的有用信息得到去噪后的小波包系数。去噪后的小波包系数/>会被用于进行小波包重构。这一步骤涉及将经过去噪处理的小波包系数重新组合,通过逆变换操作来还原顺流和逆流超声信号,可以理解的是,重构后的信号即为去噪后的目标顺流超声信号/>和目标逆流超声信号/>。由于噪声成分已经被抑制或去除,因此重构后得到的目标顺逆流超声信号比原始信号更干净,从而提高了顺逆流时间测量的准确性。具体的,小波包重构算法是由/>和/>求/>,即;式中/>和/>均为小波重构共轭滤波器系数。
可见,通过小波包去噪后再结合神经网络的特征识别能力来测量超声飞渡时间,可以有效地减少噪声对测量结果的干扰,从而提高流量计飞渡时间的测量精度。相比传统的阈值法和基于相关法的方法,这种综合利用深度学习方法和传统时差测量方法的新型超声流量计飞渡时间测量方法能够更准确地测量流速,进一步提高计量特性。
长短期记忆网络(LSTM)是一种特殊类型的循环神经网络(RNN),与普通的RNN相比,LSTM在解决梯度消失和梯度爆炸问题方面更加有效,因此能够更好地捕捉长期依赖关系,使其在许多序列建模任务中取得了优异的表现。LSTM引入了三个门:输入门(InputGate)、遗忘门(Forget Gate)和输出门(Output Gate),来控制信息在网络中的流动,从而减少梯度消失和梯度爆炸问题。其核心思想是在循环过程中通过门控机制来选择性地记忆、遗忘或输出信息,从而更好地处理长序列的数据。由于引入了门控机制,LSTM可以更好地捕捉长期依赖关系,适用于需要处理长序列的任务。通过门控机制,LSTM可以有效地避免梯度消失和梯度爆炸问题,使得网络训练更加稳定。LSTM适用于各种序列数据的建模,如自然语言处理(Natural Language Processing,NLP)任务、语音识别、股票预测等。
LSTM的结构如图5所示。图中方框①内为遗忘门,其作用是决定哪些信息需要从单元状态中删除,它会输出一个0到1之间的值,表示对应位置的信息保留的程度,主要公式为:;其中,/>是遗忘门在时刻t的输出;/>是最终输出在时刻t- 1的值。图中方框②内为记忆门(Memory Gate),其作用是决定哪些信息需要增加到单元状态中,它由两部分组成:一个sigmoid层和一个tanh层。sigmoid层会输出一个0到1之间的值,表示对应位置的信息更新的程度;tanh层会输出一个-1到1之间的值,表示新的候选信息。两者相乘后就得到了要增加到单元状态中的信息,其公式为:/>;;其中,/>是输入门在时刻t的输出;/>是候选单元状态在时刻t的值。图中方框③内为输出门,其作用是用于计算当前时刻的输出值。它也由一个sigmoid层和一个tanh层组成。两者相乘后就得到了当前单元的最终输出,主要公式为:/>;;/>;其中,/>是输出门在时刻t的输出,/>表示新的单元状态。
另外,对于上述公式中出现的为sigmoid函数,/>为输入;/>是遗忘门的权重参数,用于计算遗忘门的输出;/>是遗忘门的偏置参数,用于偏置遗忘门的输出。/>是记忆门的权重参数,用于计算记忆门的候选值;/>是记忆门的偏置参数,用于偏置记忆门的候选值。/>是输入门的权重参数,用于计算输入门的输出;/>是输入门的偏置参数,用于偏置输入门的输出。/>是输出门的权重参数,用于计算输出门的输出;/>是输出门的偏置参数,用于偏置输出门的输出。这些参数是神经网络的可学习参数,它们在训练过程中通过反向传播算法进行优化,以使神经网络能够更好地拟合训练数据,并执行特定的任务。这些权重和偏置参数决定了每个门的开启程度以及记忆单元状态的更新,从而影响了LSTM网络的行为和性能。
本申请实施例公开了一种具体的基于时差法的超声飞渡时间测量方法,参见图6所示,针对步骤S13,具体包括:
步骤S130:确定所述目标顺流超声信号样本与所述目标逆流超声信号样本的信号长度,并基于所述信号长度为所述目标顺流超声信号样本与所述目标逆流超声信号样本各自设置第二预设数量的采样点。
步骤S131:利用所述目标顺流超声信号样本与所述目标逆流超声信号样本确定初始数据集,并根据所述采样点对所述初始数据集中的超声信号样本设置第三预设数量的飞渡时间差得到训练数据集。
在一种具体的实施方式中,用于飞渡时间测量的信号部分长度M对应的持续时间可以为20µs,固定为50个采样点。利用从实际工况运行过程中采集到的不同流量下的12个超声样本生成初始数据集。数据集中一共有50×12=600个采样点,每个采样点对应0.4μs。
需要指出的是,顺逆流超声信号的飞渡时间差包含着管道的流速信息,但是实际上不可能测得管道在所有流量下的超声信号。为了克服这一限制,本申请实施例中对采集到的12个超声序列进行时移,人为制造时间差以模拟真实场景下不同流速的顺逆流超声信号的飞渡时间。
本申请实施例中,用表示一个实际的超声信号,其中t为时间。则生成的顺流超声信号/>和逆流超声信号/>分别为/>和/>;其中,ΔT是顺逆流超声信号的飞渡时间差,/>和/>是利用0.1-0.2范围内的随机标准差来做数据增强的加性高斯噪声。
进一步的,为避免信号的尺度变化,同时加快神经网络时的收敛速度,防止模型梯度爆炸,本申请实施例中对所述目标顺流超声信号与所述目标逆流超声信号进行归一化处理,通过对数据的线性变换,将数值映射到[-1,1]之间。转换公式如下:
;
其中,是归一化以后的数据,也即,/>是对/>进行归一化处理后的数据;X是原始数据大小,/>和/>分别是原始数据的最大值与最小值。如此一来,12组超声样本,12组数据,每组都进行归一化,能够得到12组归一化后的数据。当对上述超声信号数据进行归一化处理后,可以加快神经网络收敛速度,提高计算精度。
本申请实施例中,为克服采样率的限制,提高流量测量的分辨性能,首先对长度为M的序列进行50倍插值,然后在1-10个采样点内设置500个飞渡时间差。由于前面生成了12个初始数据集,那么在对每个数据集分别设置500种不同的飞渡时间差后,其范围为1-500;又分别在1-10个采样点之间都进行设置,于是总共生成12×500×10=60000个训练数据集,每个数据集中均包含着飞渡时间在1-500范围内的顺逆流超声信号。
步骤S132:按照预设分配比例对所述训练数据集进行划分以得到训练集、测试集以及验证集,然后利用所述训练集训练预先基于长短期记忆网络构建的神经网络模型、利用所述测试集测试所述神经网络模型以及利用所述验证集验证所述神经网络模型,以得到超声飞渡时间测量模型。
需要指出的是,本发明中神经网络模型的损失函数采用交叉熵损失函数,定义如下:;其中,N表示数据集中的样本数量,N=60000;/>是第i个样本的损失值;/>是第i个样本中第c个类别的目标值(真实值);/>是模型预测的第i个样本中第c个类别的概率。这是神经网络模型根据输入数据(超声信号)得出的预测概率。通过最小化这个损失函数,可以训练神经网络模型,使其能够更准确地预测超声信号对应的时延分类,进而实现流速的测量。
本申请实施例中,按照预设分配比例对训练数据集进行划分,在一种具体的实施方式中,按照8:1:1的比例将模型产生的训练数据分为训练集、验证集和测试集三部分。随机选取48000条数据作为训练集来训练神经网络,训练集中的数据用于模型拟合的数据样本,调试网络中的参数;随机选取6000条数据作为测试集测试神经网络的训练效果,测试集中的数据用来评估最终模型的泛化能力;随机选取其余6000条数据作为验证集,用来测试神经网络及对比方法的性能,验证集中的数据用于调整超参数,监控模型是否发生过拟合。
可见,本发明有效解决了传统基于时差法的超声流量计飞渡时间测量方法存在的问题,具有更高的测量精度、更强的抗干扰能力以及更低的计算复杂度,同时在核电站等严苛环境中具有广泛的应用潜力,将提升流量测量的准确性和稳定性,有助于工业生产过程中的流量控制和监测流程的稳定性和效率,具备较高的实用价值。
本申请实施例公开了一种具体的基于时差法的超声飞渡时间测量方法,基于LSTM建立超声飞渡时间测量模型,同时为了进一步提高收敛速度,在全连接层引入自注意力机制。
在传统的神经网络模型中,输入的每个部分都会被平等地处理,无论其重要性如何。但在许多任务中,特定的输入部分对于产生正确的输出更为重要。例如,在翻译一句话时,对于不同的目标语言单词,输入语言中的不同单词的重要性是不同的。注意力机制的核心思想是,让模型能够根据输入的每个部分的重要性,动态地分配不同的权重,使得模型能够更加集中地关注那些对于当前任务更有意义的部分。这样一来,在模型进行预测时,它就会更加聚焦于关键的信息,从而提高模型的性能。
在注意力机制中,一般有三个关键组成部分:查询(Query):表示当前时刻模型要关注的目标位置或信息。键(Key):表示输入的不同部分,通常是编码器输出的隐藏状态。值(Value):表示与键对应的信息,通常也是编码器输出的隐藏状态。具体的注意力计算过程如下:首先,通过计算Query与所有Key之间的相似度,得到注意力权重(AttentionWeights)。常用的相似度计算方法有点积(Dot Product)、缩放点积(Scaled DotProduct)、加性(Additive)等。然后将注意力权重与相应的Value相乘,然后将这些加权值求和得到最终的注意力输出。最后,将注意力输出与之前的模型输出或者其他部分进行融合,得到最终的模型输出。
本申请实施例中,在得到超声飞渡时间测量模型的过程中,训练神经网络模型,直至符合精度要求。具体的,通过所述目标顺流超声信号与所述目标逆流超声信号确定真实时延值,并获取所述神经网络模型在训练过程中输出的预测时延值;确定所述真实时延值与所述预测时延值之间的准确率、均方根误差和平均绝对误差,以便根据所述准确率、所述均方根误差和所述平均绝对误差对所述神经网络模型进行调整,以得到超声飞渡时间测量模型。
需要指出的是,真实时延值为,神经网络模型在训练过程中输出的预测时延值为/>;计算/>和/>之间的准确率/>、均方根误差/>以及平均绝对误差作为评价指标,定义如下:
;
;
;
其中,是验证集数据中算法计算得出的时延值和真实时延值相等的个数;n是验证集数据的个数;/>是验证集中第i条数据的真实时延值;/>是其对应的算法计算得出的时延值;/>是验证集中数据的真实时延值的平均值。
可见,注意力机制能够有效地帮助模型集中关注于重要的信息,从而在各种任务中取得更好的性能。在处理长序列数据时,注意力机制能够更好地捕捉序列中的长距离依赖关系,避免信息的丢失。注意力机制使得模型输出时可以得到对应输入的权重信息,这样可以增加模型的解释性,便于理解模型的决策过程。通过引入注意力机制等技术,可以有效地应对超声回波信号在传播过程中受到温度、压力和换能器特性等因素的影响。这有助于提高超声流量计的适应性和稳定性,使得测量结果更加稳定可靠。相比传统基于相关法的超声流量计方法,本发明中采用的深度学习方法能够减少复杂的数学运算,特别是在大量数据处理时,计算复杂度较低,有利于提高实时性要求较高的应用的适用性。
本申请实施例公开了一种具体的基于时差法的超声飞渡时间测量方法,参见图7所示,该方法包括:
步骤S21:获取所述流体的流速范围以便根据所述流速范围确定所述流体的最大流速与最小流速;
步骤S22:根据所述最大流速与所述最小流速确定顺流超声信号与逆流超声信号共同的信号时延范围,以便根据所述信号时延范围确定与所述最大流速对应的最小时延和与所述最小流速对应的最大时延;
步骤S23:基于所述最小时延与所述最大时延确定训练所述神经网络模型时的神经网络分类数量,并根据所述神经网络分类数量确定不同的管道入口流速。
为方便描述,将上述步骤结合起来进行说明。
可以理解的是,由于要利用顺逆流超声信号对预先构建的神经网络模型进行训练,因此,在训练之前需要收集训练样本。本申请实施例中,首先获取管道内部的流体流速范围,根据该范围可以确定流体的最大流速与最小流速。通过理论计算能够根据流体的最大流速与最小流速得到顺流、逆流超声信号的时延范围/>;其中,,/>,(τ为采样时间),/>和/>分别对应最小时延和最大时延。
进一步的,根据和/>能够得到时延分类区间[m,n];则神经网络分类数量即可确定为n–m+1。需要指出的是,神经网络分类数量指的是用于管道流速分类任务的神经网络输出的不同类别的数量。具体来说,每个不同的时延范围对应于一种不同的管道流速神经网络的目标是将输入的顺流或逆流超声信号分类到这些不同的时延范围中的一个,从而间接估算出管道内的流速。
本申请实施例中,当确定出神经网络分类数量后,意味着得到了n–m+1个时延类别,那么当这些时延类别分别乘以采样时间τ后可以反推出n–m+1个理论时延值,进而计算出对应的n–m+1个不同的管道流速。
步骤S24:基于所述管道入口流速采集所述顺流超声信号与所述逆流超声信号。
本申请实施例中,计算出n–m+1个不同的管道流速后,将n–m+1个不同的管道流速依次设置为管道入口流速,然后在不同入口流速下采集一定数量的顺流、逆流超声信号。
步骤S25:改变信噪比并重复执行所述基于所述管道入口流速采集所述顺流超声信号与所述逆流超声信号的步骤,以得到不同的所述信噪比下第一预设数量的顺流超声信号样本与逆流超声信号样本。
本申请实施例中,改变信噪比,重复步骤S24,采集不同信噪比下的顺流、逆流超声信号。在不同信噪比下一共采集第一预设数量的顺流超声信号样本与逆流超声信号样本。
步骤S26:分别对所述顺流超声信号样本与所述逆流超声信号样本进行小波包去噪,以得到目标顺流超声信号样本与目标逆流超声信号样本。
步骤S27:利用所述目标顺流超声信号样本与所述目标逆流超声信号样本训练预先基于长短期记忆网络构建的神经网络模型,以得到超声飞渡时间测量模型。
步骤S28:通过所述超声飞渡时间测量模型对超声飞渡时间进行测量。
为方便描述,将上述步骤S26、步骤S27、步骤S28结合起来进行说明。
本申请实施例中,在得到多组顺流超声信号样本与逆流超声信号样本后,再执行信号的去噪处理;然后如图8所示,利用上述步骤得到的多组映射关系制作数据集。映射关系中采集到的顺流、逆流超声信号代表一组输入数据的特征值(输入),而对应的时延分类作为目标值(输出)训练神经网络模型。利用最终得到的超声飞渡时间测量模型输出时延数据,实现对超声飞渡时间的测量。
可见,本申请实施例克服现有技术中存在的问题并提高超声飞渡时间测量的准确性和可靠性,通过综合利用深度学习方法和传统时差测量方法的新型超声飞渡时间测量方法的优势提高测量精度和适应性。在以超声飞渡时间为检测物理量的各类超声测量技术中,如超声温度测量、超声湿度测量和超声距离测量等均能起到提升测量精度或准确性的作用,因此在工业领域,特别是在对流量测量要求严格的场所,具备潜在应用潜力,这对于保证工业生产过程运行的安全和效益具有重要意义。
相应的,本申请实施例还公开了一种基于时差法的超声飞渡时间测量装置,参见图9所示,该装置包括:
信号获取模块11,用于获取超声波进入流体时相对于流体流动方向传播的顺流超声信号与逆流超声信号;
信号处理模块12,用于分别对所述顺流超声信号与所述逆流超声信号进行小波包去噪,以得到目标顺流超声信号与目标逆流超声信号;
模型训练模块13,用于利用所述目标顺流超声信号与所述目标逆流超声信号训练预先基于长短期记忆网络构建的神经网络模型,以得到超声飞渡时间测量模型;其中,所述超声飞渡时间测量模型的输出层前添加了一个注意力机制层;
模型应用模块14,用于通过所述超声飞渡时间测量模型对超声飞渡时间进行测量。
其中,关于上述各个模块更加具体的工作过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
由此可见,通过本实施例的上述方案,包括:获取超声波进入流体时相对于流体流动方向传播的顺流超声信号与逆流超声信号;分别对所述顺流超声信号与所述逆流超声信号进行小波包去噪,以得到目标顺流超声信号与目标逆流超声信号;利用所述目标顺流超声信号与所述目标逆流超声信号训练预先基于长短期记忆网络构建的神经网络模型,以得到超声飞渡时间测量模型;其中,所述超声飞渡时间测量模型的输出层前添加了一个注意力机制层;通过所述超声飞渡时间测量模型对超声飞渡时间进行测量。本发明有效解决了传统基于时差法的超声飞渡时间测量方法存在的问题,具有更高的测量精度、更强的抗干扰能力以及更低的计算复杂度。相比传统的阈值法和基于相关法的方法,这种综合利用深度学习方法和传统时差测量方法的新型超声飞渡时间测量方法能够更准确地测量流速,进一步提高计量特性。并且采用的深度学习方法能够减少复杂的数学运算,特别是在大量数据处理时,计算复杂度较低,有利于提高实时性要求较高的应用的适用性。同时在核电站等严苛环境中具有广泛的应用潜力,将提升流量测量的准确性和稳定性,有助于工业生产过程中的流量控制和监测流程的稳定性和效率,具备较高的实用价值。
进一步的,本申请实施例还公开了一种电子设备,图10是根据一示例性实施例示出的电子设备20结构图,图中内容不能认为是对本申请的使用范围的任何限制。
图10为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20,具体可以包括:至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中,所述存储器22用于存储计算机程序,所述计算机程序由所述处理器21加载并执行,以实现前述任一实施例公开的基于时差法的超声飞渡时间测量方法中的相关步骤。
本实施例中,电源23用于为电子设备20上的各硬件设备提供工作电压;通信接口24能够为电子设备20创建与外界设备之间的数据传输通道,其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进行具体限定;输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
另外,存储器22作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,其上所存储的资源可以包括操作系统221、计算机程序222及数据223等,数据223可以包括各种各样的数据。存储方式可以是短暂存储或者永久存储。
其中,操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222,其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的基于时差法的超声飞渡时间测量方法的计算机程序之外,还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的,本申请实施例还公开了一种计算机可读存储介质,这里所说的计算机可读存储介质包括随机存取存储器(Random Access Memory,RAM)、内存、只读存储器(Read-Only Memory,ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、磁碟或者光盘或技术领域内所公知的任意其他形式的存储介质。其中,所述计算机程序被处理器执行时实现前述基于时差法的超声飞渡时间测量方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容,在此不再进行赘述。
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它实施例的不同之处,各个实施例之间相同或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。
结合本文中所公开的实施例描述的基于时差法的超声飞渡时间测量方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种基于时差法的超声飞渡时间测量方法、装置、设备及介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于时差法的超声飞渡时间测量方法,其特征在于,包括:
获取超声波进入流体时相对于流体流动方向传播的顺流超声信号与逆流超声信号;
分别对所述顺流超声信号与所述逆流超声信号进行小波包去噪,以得到目标顺流超声信号与目标逆流超声信号;
利用所述目标顺流超声信号与所述目标逆流超声信号训练预先基于长短期记忆网络构建的神经网络模型,以得到超声飞渡时间测量模型;其中,所述超声飞渡时间测量模型的输出层前添加了一个注意力机制层;
通过所述超声飞渡时间测量模型对超声飞渡时间进行测量。
2.根据权利要求1所述的基于时差法的超声飞渡时间测量方法,其特征在于,所述获取超声波进入流体时相对于流体流动方向传播的顺流超声信号与逆流超声信号,包括:
获取所述流体的流速范围以便根据所述流速范围确定所述流体的最大流速与最小流速;
根据所述最大流速与所述最小流速确定顺流超声信号与逆流超声信号共同的信号时延范围,以便根据所述信号时延范围确定与所述最大流速对应的最小时延和与所述最小流速对应的最大时延;
基于所述最小时延与所述最大时延确定训练所述神经网络模型时的神经网络分类数量,并根据所述神经网络分类数量确定不同的管道入口流速;
基于所述管道入口流速采集所述顺流超声信号与所述逆流超声信号。
3.根据权利要求2所述的基于时差法的超声飞渡时间测量方法,其特征在于,所述基于所述管道入口流速采集所述顺流超声信号与所述逆流超声信号之后,还包括:
改变信噪比并重复执行所述基于所述管道入口流速采集所述顺流超声信号与所述逆流超声信号的步骤,以得到不同的所述信噪比下第一预设数量的顺流超声信号样本与逆流超声信号样本;
相应的,所述分别对所述顺流超声信号与所述逆流超声信号进行小波包去噪,以得到目标顺流超声信号与目标逆流超声信号,包括:
分别对所述顺流超声信号样本与所述逆流超声信号样本进行小波包去噪,以得到目标顺流超声信号样本与目标逆流超声信号样本;
相应的,所述利用所述目标顺流超声信号与所述目标逆流超声信号训练预先基于长短期记忆网络构建的神经网络模型,以得到超声飞渡时间测量模型,包括:
利用所述目标顺流超声信号样本与所述目标逆流超声信号样本训练预先基于长短期记忆网络构建的神经网络模型,以得到超声飞渡时间测量模型。
4.根据权利要求3所述的基于时差法的超声飞渡时间测量方法,其特征在于,所述利用所述目标顺流超声信号样本与所述目标逆流超声信号样本训练预先基于长短期记忆网络构建的神经网络模型,以得到超声飞渡时间测量模型,包括:
确定所述目标顺流超声信号样本与所述目标逆流超声信号样本的信号长度,并基于所述信号长度为所述目标顺流超声信号样本与所述目标逆流超声信号样本各自设置第二预设数量的采样点;
利用所述目标顺流超声信号样本与所述目标逆流超声信号样本确定初始数据集,并根据所述采样点对所述初始数据集中的超声信号样本设置第三预设数量的飞渡时间差得到训练数据集;
按照预设分配比例对所述训练数据集进行划分以得到训练集、测试集以及验证集,然后利用所述训练集训练预先基于长短期记忆网络构建的神经网络模型、利用所述测试集测试所述神经网络模型以及利用所述验证集验证所述神经网络模型,以得到超声飞渡时间测量模型。
5.根据权利要求1所述的基于时差法的超声飞渡时间测量方法,其特征在于,所述分别对所述顺流超声信号与所述逆流超声信号进行小波包去噪,以得到目标顺流超声信号与目标逆流超声信号,包括:
利用小波包分解算法将所述顺流超声信号与所述逆流超声信号进行分解以得到不同的小波包系数;
对所述小波包系数进行去噪处理得到去噪后的小波包系数,然后利用小波包重构算法对所述去噪后的小波包系数进行重构以得到目标顺流超声信号与目标逆流超声信号。
6.根据权利要求1所述的基于时差法的超声飞渡时间测量方法,其特征在于,所述利用所述目标顺流超声信号与所述目标逆流超声信号训练预先基于长短期记忆网络构建的神经网络模型,以得到超声飞渡时间测量模型之前,还包括:
对所述目标顺流超声信号与所述目标逆流超声信号进行归一化处理。
7.根据权利要求1至6任一项所述的基于时差法的超声飞渡时间测量方法,其特征在于,所述利用所述目标顺流超声信号与所述目标逆流超声信号训练预先基于长短期记忆网络构建的神经网络模型,以得到超声飞渡时间测量模型的过程中,还包括:
通过所述目标顺流超声信号与所述目标逆流超声信号确定真实时延值,并获取所述神经网络模型在训练过程中输出的预测时延值;
确定所述真实时延值与所述预测时延值之间的准确率、均方根误差和平均绝对误差,以便根据所述准确率、所述均方根误差和所述平均绝对误差对所述神经网络模型进行调整,以得到超声飞渡时间测量模型。
8.一种基于时差法的超声飞渡时间测量装置,其特征在于,包括:
信号获取模块,用于获取超声波进入流体时相对于流体流动方向传播的顺流超声信号与逆流超声信号;
信号处理模块,用于分别对所述顺流超声信号与所述逆流超声信号进行小波包去噪,以得到目标顺流超声信号与目标逆流超声信号;
模型训练模块,用于利用所述目标顺流超声信号与所述目标逆流超声信号训练预先基于长短期记忆网络构建的神经网络模型,以得到超声飞渡时间测量模型;其中,所述超声飞渡时间测量模型的输出层前添加了一个注意力机制层;
模型应用模块,用于通过所述超声飞渡时间测量模型对超声飞渡时间进行测量。
9.一种电子设备,其特征在于,所述电子设备包括处理器和存储器;其中,所述存储器用于存储计算机程序,所述计算机程序由所述处理器加载并执行以实现如权利要求1至7任一项所述的基于时差法的超声飞渡时间测量方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序;其中所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于时差法的超声飞渡时间测量方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311600011.9A CN117309079B (zh) | 2023-11-28 | 2023-11-28 | 基于时差法的超声飞渡时间测量方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311600011.9A CN117309079B (zh) | 2023-11-28 | 2023-11-28 | 基于时差法的超声飞渡时间测量方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117309079A true CN117309079A (zh) | 2023-12-29 |
CN117309079B CN117309079B (zh) | 2024-03-12 |
Family
ID=89273982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311600011.9A Active CN117309079B (zh) | 2023-11-28 | 2023-11-28 | 基于时差法的超声飞渡时间测量方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117309079B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150170640A1 (en) * | 2013-12-17 | 2015-06-18 | Google Inc. | Generating representations of acoustic sequences |
CN111737640A (zh) * | 2020-08-17 | 2020-10-02 | 深圳江行联加智能科技有限公司 | 水位预测方法、装置及计算机可读存储介质 |
CN112132324A (zh) * | 2020-08-26 | 2020-12-25 | 浙江工业大学 | 一种基于深度学习模型的超声波水表数据修复方法 |
CN112179455A (zh) * | 2020-08-26 | 2021-01-05 | 浙江工业大学 | 一种基于双向lstm的超声波水表数据修复方法 |
CN113566929A (zh) * | 2021-09-27 | 2021-10-29 | 山东西王食品有限公司 | 基于lstm的油罐液面超声测量方法、系统、终端及存储介质 |
CN114462293A (zh) * | 2021-10-27 | 2022-05-10 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种高超声速目标中长期轨迹预测方法 |
CN114608665A (zh) * | 2020-12-08 | 2022-06-10 | 金卡智能集团股份有限公司 | 流体检测方法及设备 |
US20220253646A1 (en) * | 2019-07-08 | 2022-08-11 | Endress+Hauser Group Services Ag | Method of determining an interface height of an interface between an upper and a lower layer comprised in a thickener |
WO2022233596A1 (en) * | 2021-05-03 | 2022-11-10 | Basf Coatings Gmbh | Methods and systems for determining the fill level of a liquid in a container |
CN115660141A (zh) * | 2022-09-09 | 2023-01-31 | 浙江工业大学之江学院 | 基于循环神经网络集成的超声波燃气表故障预测方法 |
CN116029219A (zh) * | 2023-02-27 | 2023-04-28 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种飞行器气动热预测方法、装置、设备及存储介质 |
CN116558587A (zh) * | 2023-05-23 | 2023-08-08 | 重庆大学 | 基于流量预测的超声波流体流量测量方法及系统 |
-
2023
- 2023-11-28 CN CN202311600011.9A patent/CN117309079B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150170640A1 (en) * | 2013-12-17 | 2015-06-18 | Google Inc. | Generating representations of acoustic sequences |
US20220253646A1 (en) * | 2019-07-08 | 2022-08-11 | Endress+Hauser Group Services Ag | Method of determining an interface height of an interface between an upper and a lower layer comprised in a thickener |
CN111737640A (zh) * | 2020-08-17 | 2020-10-02 | 深圳江行联加智能科技有限公司 | 水位预测方法、装置及计算机可读存储介质 |
CN112132324A (zh) * | 2020-08-26 | 2020-12-25 | 浙江工业大学 | 一种基于深度学习模型的超声波水表数据修复方法 |
CN112179455A (zh) * | 2020-08-26 | 2021-01-05 | 浙江工业大学 | 一种基于双向lstm的超声波水表数据修复方法 |
CN114608665A (zh) * | 2020-12-08 | 2022-06-10 | 金卡智能集团股份有限公司 | 流体检测方法及设备 |
WO2022233596A1 (en) * | 2021-05-03 | 2022-11-10 | Basf Coatings Gmbh | Methods and systems for determining the fill level of a liquid in a container |
CN113566929A (zh) * | 2021-09-27 | 2021-10-29 | 山东西王食品有限公司 | 基于lstm的油罐液面超声测量方法、系统、终端及存储介质 |
CN114462293A (zh) * | 2021-10-27 | 2022-05-10 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种高超声速目标中长期轨迹预测方法 |
CN115660141A (zh) * | 2022-09-09 | 2023-01-31 | 浙江工业大学之江学院 | 基于循环神经网络集成的超声波燃气表故障预测方法 |
CN116029219A (zh) * | 2023-02-27 | 2023-04-28 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种飞行器气动热预测方法、装置、设备及存储介质 |
CN116558587A (zh) * | 2023-05-23 | 2023-08-08 | 重庆大学 | 基于流量预测的超声波流体流量测量方法及系统 |
Non-Patent Citations (1)
Title |
---|
吴云霄: ""多声道超声波气体流量计新型渡越时间测量及声道融合算法研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 01, 15 January 2022 (2022-01-15), pages 019 - 201 * |
Also Published As
Publication number | Publication date |
---|---|
CN117309079B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110632572B (zh) | 基于无意调相特性的雷达辐射源个体识别方法及装置 | |
CN109061589B (zh) | 随机跳频雷达的目标运动参数估计方法 | |
CN112086100B (zh) | 基于量化误差熵的多层随机神经网络的城市噪音识别方法 | |
CN113687433B (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
CN101984360A (zh) | 基于frft的归一化泄露lms自适应动目标检测器 | |
Kao et al. | Anomaly detection for univariate time series with statistics and deep learning | |
CN108281961B (zh) | 一种自适应鲁棒扩展卡尔曼的参数辨识方法 | |
CN112183225A (zh) | 一种基于概率潜在语义分析的水下目标信号特征提取方法 | |
CN117390434A (zh) | 一种基于多尺度分解与重构的瞬态电磁信号时延估计方法 | |
CN117434153B (zh) | 基于超声波技术的道路无损检测方法及系统 | |
CN117309079B (zh) | 基于时差法的超声飞渡时间测量方法、装置、设备及介质 | |
CN112327286A (zh) | 低复杂度下日常活动分类方法、装置、设备及存储介质 | |
Basu et al. | A nonparametric test for stationarity based on local Fourier analysis | |
Xianmin | A new method with high confidence for validation of computer simulation models of flight systems | |
CN115547347A (zh) | 基于多尺度时频特征提取的鲸类声信号识别方法与系统 | |
CN115345216A (zh) | 一种融合先验信息的fmcw雷达干扰消除方法 | |
Li et al. | Research on sparse decomposition processing of ultrasonic signals of heat exchanger fouling | |
Wang et al. | Dual Gaussian attenuation model of ultrasonic echo and its parameter estimation | |
CN111462479A (zh) | 一种基于傅里叶-递归神经网络的交通流预测方法 | |
Zhang | Flow measurement of natural gas in pipeline based on 1d-convolutional neural network | |
Song | Random signal frequency identification based on AR model spectral estimation | |
CN114970647B (zh) | 基于概率神经网络的电磁数据识别方法及系统 | |
Ronkin et al. | Numerical Investigation of the Ultrasonic Transit Time Flowmeter Accuracy in Heterogeneous Flows | |
CN116643250B (zh) | 基于稀疏线性调频信号的宽带雷达高速目标相参积累方法 | |
CN113823317B (zh) | 基于频谱结构化识别的变电站噪声分离方法、设备及介质 |
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 |