CN117573668B - 一种基于超声波燃气表计量数据的优化方法 - Google Patents
一种基于超声波燃气表计量数据的优化方法 Download PDFInfo
- Publication number
- CN117573668B CN117573668B CN202410052862.2A CN202410052862A CN117573668B CN 117573668 B CN117573668 B CN 117573668B CN 202410052862 A CN202410052862 A CN 202410052862A CN 117573668 B CN117573668 B CN 117573668B
- Authority
- CN
- China
- Prior art keywords
- gas meter
- data
- optimization
- measurement
- gas
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005259 measurement Methods 0.000 claims abstract description 72
- 239000012530 fluid Substances 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 238000012937 correction Methods 0.000 claims abstract description 18
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims description 42
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 192
- 230000002159 abnormal effect Effects 0.000 description 16
- 238000003860 storage Methods 0.000 description 9
- 239000002737 fuel gas Substances 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training 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
- G01F1/668—Compensating or correcting for variations in velocity of sound
-
- 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
- G01F15/02—Compensating or correcting for variations in pressure, density or temperature
- G01F15/04—Compensating or correcting for variations in pressure, density or temperature of gases to be measured
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Fluid Mechanics (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Electromagnetism (AREA)
- Measuring Volume Flow (AREA)
Abstract
本发明公开了一种基于超声波燃气表计量数据的优化方法，涉及计量数据优化技术领域，若由分析获取的相对强弱指数不符合预期，计算测量条件对相对强弱指数的影响程度，依据影响程度的大小，确定是否需要对燃气表测量数据进行补偿；构建燃气表测量数据的初始补偿模型，通过多变量优化后，对优化后的补偿模型做敏感性分析，由补偿因子结合实时温度和压力数据，完成对燃气表显示数据的修正，获取管道内流体特征，依据流体特征与优化方案的对应性，从预先构建的燃气表优化知识图谱内为燃气表匹配对应的优化方案，执行所述优化方案，对燃气表做出优化。可以消弭温度及压力带来的干扰，降低燃气表测量误差，提高了燃气表显示数据的真实性和可靠性。
Description
技术领域
本发明涉及计量数据优化技术领域，具体为一种基于超声波燃气表计量数据的优化方法。
背景技术
超声波燃气表是一种采用超声波技术进行测量的燃气表。与传统的机械式燃气表相比，超声波燃气表具有更高的测量精度和可靠性，并且不易受到机械磨损和老化等因素的影响。超声波燃气表的工作原理是利用超声波在气体中传播的速度与气体流量之间的关系来测量燃气流量。当燃气通过超声波燃气表时，超声波发射器会发射一束超声波，并在气体中传播。当超声波遇到气体中的障碍物（如燃气中的杂质或气体分子）时，会发生反射和散射。通过测量超声波在气体中传播的时间和速度，可以计算出燃气的流量。
在申请公布号为CN116295692A的中国发明专利中，公开了一种膜式燃气表的燃气数据处理方法、系统、装置及介质。该补偿方法通过获取膜式燃气表的字符长度和字符间隔长度，并根据字符长度和字符间隔长度确定膜式燃气表的字符圆心角和字符间隔圆心角；获取膜式燃气表的回转体积，并根据回转体积和字符间隔圆心角确定膜式燃气表的字符间隔补偿量；确定膜式燃气表的计量时刻和字轮直径；根据计量时刻获取膜式燃气表的边界信息和边界距离；根据字符间隔补偿量、字轮直径、回转体积和边界距离确定膜式燃气表的补偿燃气量。
以上补偿方法可以准确计量膜式燃气表在开始或结束时的燃气补偿量，提高了燃气计量的准确性，但是除此之外，在现有的计量数据的优化方法中，在超声波燃气表不断的向外部输出显示数据时，通常是以数据质量作为优化的出发点，在输出的显示数据存在异常时，对产生异常数据进行替换或者修正，最后获取修正后的显示数据。
但是这种优化数据的方式虽然能降低异常数据出现的频率，但是其实际覆盖面较窄，仅仅能够筛选出其中的若干个异常点，当异常点较多时，通常都是通过报警来解决，而且，在超声波燃气表所处的温度及气压多变时，管道内燃气状态也会受到影响，温度及气压变化给燃气表显示数据带来的干扰程度不足，干扰后的显示数据难以被确定为异常数据，这就导致现有的优化方法很难起到实际的作用。
为此，本发明提供了一种基于超声波燃气表计量数据的优化方法。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了一种基于超声波燃气表计量数据的优化方法，通过计算测量条件对相对强弱指数的影响程度，依据影响程度的大小，确定是否需要对燃气表测量数据进行补偿；构建燃气表测量数据的初始补偿模型，通过多变量优化后，对优化后的补偿模型做敏感性分析，由补偿因子结合实时温度和压力数据，完成对燃气表显示数据的修正，获取管道内流体特征，依据流体特征与优化方案的对应性，从预先构建的燃气表优化知识图谱内为燃气表匹配对应的优化方案，执行所述优化方案，对燃气表做出优化。可以消弭温度及压力带来的干扰，降低燃气表测量误差，提高了燃气表显示数据的真实性和可靠性，从而解决了背景技术中记载的技术问题。
（二）技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于超声波燃气表计量数据的优化方法，包括，
在与燃气表相连通的管道内获取燃气表的测量条件数据，构建燃气表的测量条件集合，由测量条件集合生成条件系数，若条件系数/>超过条件阈值，发出预警指令；
在接收到预警指令后，对燃气表的显示误差做趋势分析，若由分析获取的相对强弱指数不符合预期，计算测量条件对相对强弱指数的影响程度，依据影响程度的大小，确定是否需要对燃气表测量数据进行补偿；
构建燃气表测量数据的初始补偿模型，通过多变量优化后，对优化后的补偿模型做敏感性分析，依据分析结果确定相应的补偿因子，由补偿因子结合实时温度和压力数据，完成对燃气表显示数据的优化；
若修正后的燃气表显示数据精度不足预期，获取管道内流体特征，依据流体特征与优化方案的对应性，从预先构建的燃气表优化知识图谱内为燃气表匹配对应的优化方案，执行所述优化方案，对燃气表做出优化。
进一步的，在与其相连通的管道内设置监测点，在每个监测周期内，对管道内的温度及压力进行监测，分别获取燃气表工作时的测量温度Ct及测量压力Cu；连续经过若干个监测周期后，将监测获取的数据汇总，构建燃气表的测量条件集合。
进一步的，条件系数的获取方式如下：将测量温度Ct及测量压力Cu做线性归一化处理，并将相应的数据值映射在区间/>内，再依据如下公式：
其中，为测量温度在各个监测周期内的均值，/>为测量压力在监测周期内的均值；权重系数：/> ，/>，且/>，其中，/>，n为监测周期内的个数，是大于1的正整数。
进一步的，于每个监测周期内对实际的燃气消耗进行监测，获取测量数据，以其与燃气表显示数据的差值作为显示误差，将显示误差连续获取若干个后构建误差集合；对误差集合内的显示误差做趋势分析，并获取对应的相对强弱指数，判断当前监测周期内的相对强弱指数是否落入预设的区间内，若未落入，发出判断指令。
进一步的，接收到判断指令后，连续获取多个监测周期内的相对强弱指数及相应的条件系数，以与条件系数/>相对应的测量条件数据作为自变量，以各个监测周期内的相对强弱指数作为因变量，做线性回归分析并获取对应的回归方程。
进一步的，以回归方程中与测量条件数据相对应的回归系数作为影响因子，再依据如下方式构建影响系数；
其中，为测量温度Ct的影响因子，/>为测量压力Cu的影响因子；权重系数，/>，权重系数可以参考层次分析法获取；
若影响系数超过影响阈值，向外部发出修正指令；若影响系数/>未超过预期，发出提醒指令。
进一步的，在不同的温度和压力下对燃气流量进行测量，完成数据采集；根据气体状态方程，分析温度和压力对燃气密度的影响，确定超声波在燃气中的传播速度受到温度和压力的影响程度，获取相应的物理联系；根据采集数据及物理联系，基于经验非线性方程构建初始补偿模型，以描述温度和压力对测量数据的影响。
进一步的，获取标准试验数据，使用多重线性回归分析，优化初始补偿模型的模型参数，使模型预测的值与实验数据相贴合，并使用其他变量，对初始补偿模型进行多变量优化并验证，获取优化后补偿模型；
对优化后的补偿模型做敏感性分析，以温度及压力作为分析因素，获取分析因素对测量数据的影响程度，由所述影响程度确定对应的补偿因子，由补偿因子结合实时温度和压力数据，动态调整燃气表显示数据。
进一步的，以测量数据作为燃气表显示数据，构建数据精度模型，分别计算修正前后的燃气表显示数据的数据精度，参考如下方式：
其中，为燃气表显示数据在i位置上的值，/>为燃气表显示数据的均值；
以补偿前后的数据精度的比值作为精度比Pb，若精度比Pb超过比例阈值，向外部发出自检指令。
进一步的，接收到自检指令后，在管道内采集对应的流体数据，依据流体数据及其分布状态，汇总后构建流体数据集合，在设置特征标准后，对流体数据集合内数据做特征识别，获取对应的流体特征；以超声波燃气表优化作为目标词，构建获取训练和优化后的初始知识图谱，将其作为燃气表优化知识图谱。
（三）有益效果
本发明提供了一种基于超声波燃气表计量数据的优化方法，具备以下有益效果：
1、通过构建条件系数，依据条件系数/>对燃气表所受到的干扰程度进行初步判断，如果干扰程度较大，则燃气表显示数据的真实性较低，通过条件系数的变化，能够对燃气表的工作状态进行预知。
2、通过趋势分析，以相对强弱指数对显示误差的变化程度进行分析，从而能够对燃气表在长期的使用后，所产生的误差是否会存在累积进行判断，从而依据判断结果，确定是否需要对燃气表做检修，若是达到了检修的标准，则可以暂停燃气表的使用，进入检修状态。
3、依据影响系数的值判断燃气表的测量条件对其显示误差变化趋势的影响程度，若是所述影响程度较大，则向外部发出修正指令，基于修正指令，对燃气表的显示数据做修正及补偿。
4、实现对燃气表数据的优化，在一定程度上消弭了温度及压力带来的干扰，和真实数据间的误差更小，提高了燃气表显示数据的真实性和可靠性，在以此作为计价标准时，所产生的经济损失相对也较少；而通过构建补偿模型，能够减少持续优化数据的次数，提高优化效率。
5、通过搭建燃气表优化知识图谱，依据流体特征，从燃气表优化知识图谱内匹配出对应的优化方案，对燃气表做针对性的优化，使经过优化后的燃气表与其所处的测量条件贴合性更高；在燃气表产生异常时，能够快速地经常处理，提高优化效率。
附图说明
图1为本发明超声波燃气表计量数据的优化方法流程示意图；
图2为本发明超声波燃气表计量数据的优化系统结果示意图。
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。
请参阅图1，本发明提供一种基于超声波燃气表计量数据的优化方法，包括如下步骤：
步骤一、在与燃气表相连通的管道内获取燃气表的测量条件数据，构建燃气表的测量条件集合，由测量条件集合生成条件系数，若条件系数/>超过条件阈值，发出预警指令；
所述步骤一包括如下内容：
步骤101、在确定燃气表位置后，在与其相连通的管道内设置监测点，并确定相应的监测周期，例如1分钟或3分钟，在每个监测周期内，对管道内的温度及压力进行监测，分别获取燃气表，也即，超声波燃气表的工作时的测量温度Ct及测量压力Cu；连续经过若干个监测周期后，将监测获取的数据汇总，构建燃气表的测量条件集合；
步骤102、由测量条件集合生成条件系数，其中，条件系数/>的获取方式如下：将测量温度Ct及测量压力Cu做线性归一化处理，并将相应的数据值映射在区间/>内，再依据如下公式：
其中，为测量温度在各个监测周期内的均值，/>为测量压力在监测周期内的均值；权重系数：/> ，/>，且/>，其中，权重系数可以参考层次分析法获取；
其中，，n为监测周期内的个数，是大于1的正整数，/>为测量温度在i位置上的值，/>为测量压力在i位置上的值；
结合历史数据及对燃气表质量的管理预期，预先设置条件阈值，若条件系数超过预先的条件阈值，则说明管道内的气体内的温度和压力可能会存在一定的异常，在这种情形下，所述燃气表在用于对燃气的使用状态进行监测时，其实际数据和测量数据间可能会存在一定差别，真实性和可靠性不足，此时，向外部发出预警指令；
需要作补充说明的是：
超声波燃气表通过测量超声波信号在燃气介质中传播时间的差异来计算流速和流量，温度和压力是影响超声波燃气表测量准确性的两个主要环境因素，它们通过改变燃气的物理属性，从而干扰超声波的传播特性。
燃气的声速随温度变化而变化，温度升高，分子运动加快，声速增加；相反，温度降低时，声速减慢，温度还影响燃气的密度，根据理想气体定律，温度升高时，在不改变压力的情况下，燃气体积会膨胀，密度下降；温度下降，密度上升，改变燃气密度会间接影响超声波测量，因为声波传播时间的测量通常假设燃气密度是恒定的。
燃气的密度随压力变化而变化，压力增加，燃气分子被压缩，密度增加；压力降低，密度降低。压力影响声速，但这种影响在气体中通常较小，因为气体的可压缩性比液体大。不过，在高压力下，压力对声速的影响会变得更加显著。
使用时，结合步骤101及102中的内容：
在超声波燃气表处于使用状态下时，温度和压力因素会对管道内的流体状态带来一定的影响，最终对燃气表测量数据带来一定的干扰，使实际数据和显示数据间产生一定的误差，若不能及时处理，则会带来一定的经济损失；在本步骤中，通过构建条件系数，依据条件系数/>对燃气表所受到的干扰程度进行初步判断，如果干扰程度较大，则燃气表显示数据的真实性较低，此时，则需要及时的做出处理，反之，则可以继续维持状态；从而，通过条件系数/>的变化，能够对燃气表的工作状态进行预知。
在现有的计量数据的优化方法中，在超声波燃气表不断的向外部输出显示数据时，通常是以数据质量作为优化的出发点，在输出的显示数据存在异常时，对产生异常数据进行替换或者修正，最后获取修正后的显示数据，但是这种优化数据的方式虽然能降低异常数据出现的频率，但是其实际覆盖面较窄，仅仅能够筛选出其中的若干个异常点，当异常点较多时，通常都是通过报警来解决，而且，在超声波燃气表所处的温度及气压多变时，管道内燃气状态也会受到影响，温度及气压变化给燃气表显示数据带来的干扰程度不足，干扰后的显示数据难以被确定为异常数据，这就导致现有的优化方法很难起到实际的作用。
步骤二、在接收到预警指令后，对燃气表的显示误差做趋势分析，若由分析获取的相对强弱指数不符合预期，计算测量条件对相对强弱指数的影响程度，依据影响程度的大小，确定是否需要对燃气表测量数据进行补偿；
所述步骤二包括如下内容：
步骤201、在管道内的监测点处，于每个监测周期内对实际的燃气消耗进行监测，获取测量数据，以其与燃气表显示数据的差值作为显示误差，将显示误差连续获取若干个后构建误差集合；对误差集合内的显示误差做趋势分析，并获取对应的相对强弱指数，判断当前监测周期内的相对强弱指数是否落入预设的区间内，若未落入，发出判断指令；
其中，相对强弱指数的获取方式如下：
计算每个监测周期内的显示误差变化（涨幅和跌幅），即以当前监测周期内的显示误差减去上一个监测周期内的显示误差；将正的显示误差变化（涨幅）和负的显示误差变化（跌幅）分别累加，并计算相对强度（RS），通过计算RS的比例，得到相对强弱指数（RSI）。
通过趋势分析，以相对强弱指数对显示误差的变化程度进行分析，从而能够对燃气表在长期的使用后，所产生的误差是否会存在累积进行判断，从而依据判断结果，确定是否需要对燃气表做检修，若是达到了检修的标准，则可以暂停燃气表的使用，进入检修状态。
步骤202、接收到判断指令后，连续获取多个监测周期内的相对强弱指数及相应的条件系数，以与条件系数/>相对应的测量条件数据作为自变量，以各个监测周期内的相对强弱指数作为因变量，做线性回归分析并获取对应的回归方程；
步骤203、以回归方程中与测量条件数据相对应的回归系数作为影响因子，再依据如下方式构建影响系数；
其中，为测量温度Ct的影响因子，/>为测量压力Cu的影响因子；权重系数，/>，权重系数可以参考层次分析法获取；
结合历史数据及对燃气表的使用预期，预先设置影响阈值，若影响系数超过影响阈值，则说明管道内的温度及压力这两个代表性条件对燃气表显示误差带来的影响是累积性的，如果不能及时地做出处理，燃气表可能会产生损坏，此时，向外部发出修正指令；
若影响系数未超过预期，则说明燃气表运行受到的影响是稳定的，此时发出提醒指令。
其中，趋势分析可以参考如下内容：
趋势分析是一种统计方法，用于检测一系列数据点（例如时间序列数据）在一定时间内的移动方向或路径，它通过分析历史数据来预测未来趋势，帮助了解过去的行为，并尝试预测未来可能发生的变化，在财务分析、气象学、市场研究以及各种科学研究中，趋势分析都有着广泛应用。
相对强弱指数通常是指在趋势分析中用来衡量趋势强度或方向的指标，指代衡量某个特定变量随时间变化的程度的度量指标。
使用时，结合步骤201至203中的内容：
通过做多重回归分析后，构建影响系数，依据影响系数/>的值判断燃气表的测量条件对其显示误差变化趋势的影响程度，若是所述影响程度较大，则向外部发出修正指令，基于修正指令，对燃气表的显示数据做修正及补偿；同时，在经过若干次不同的回归分析后，也可以对除了温度和气压之外的因素进行判断和分析。
步骤三、构建燃气表测量数据的初始补偿模型，通过多变量优化后，对优化后的补偿模型做敏感性分析，依据分析结果确定相应的补偿因子，由补偿因子结合实时温度和压力数据，完成对燃气表显示数据的优化；
所述步骤三包括如下内容：
步骤301、在不同的温度和压力下对燃气流量进行测量，完成数据采集；根据气体状态方程，分析温度和压力对燃气密度的影响，确定超声波在燃气中的传播速度受到温度和压力的影响程度，获取相应的物理联系；
根据采集数据及物理联系，基于经验非线性方程构建初始补偿模型，以描述温度和压力对测量数据的影响，从而完成初始补偿模型的构建：
步骤302、获取标准试验数据，例如，使用具有已知参数（如温度、压力和流量）的标准燃气进行实验，改变温度和压力条件，并记录相应的测量数据，获取试验数据；使用多重线性回归分析，优化初始补偿模型的模型参数，使模型预测的值与实验数据相贴合，并使用其他变量，例如，燃气种类、湿度等，对初始补偿模型进行多变量优化并验证，获取优化后补偿模型；
步骤303、对优化后的补偿模型做敏感性分析，以温度及压力作为分析因素，获取分析因素对测量数据的影响程度，由所述影响程度确定对应的补偿因子，由补偿因子结合实时温度和压力数据，动态调整燃气表显示数据。
使用时，结合步骤301至303中的内容：
在接收到修正指令后构建补偿模型，并在经过敏感性分析后获取对应的补偿因子，从而，依据补偿因子及当前的温度及压力数据，实现对燃气表当前的显示数进行补偿和修正，在经过修正和补偿后，实现对燃气表数据的优化；从而，在经过优化后的燃气表显示数据在一定程度上消弭了温度及压力带来的干扰，和真实数据间的误差更小，从而提高了燃气表显示数据的真实性和可靠性，在以此作为计价标准时，所产生的经济损失相对也较少；而通过构建补偿模型，能够减少持续优化数据的次数，提高优化效率。
步骤四、若修正后的燃气表显示数据精度不足预期，获取管道内流体特征，依据流体特征与优化方案的对应性，从预先构建的燃气表优化知识图谱内为燃气表匹配对应的优化方案，执行所述优化方案，对燃气表做出优化；
所述步骤四包括如下内容：
步骤401、以测量数据作为燃气表显示数据，构建数据精度模型，分别计算修正前后的燃气表显示数据的数据精度，参考如下方式：
其中，为燃气表显示数据在i位置上的值，/>为燃气表显示数据的均值；
以补偿前后的数据精度的比值作为精度比Pb，结合历史数据及燃气表精度的管理预期，预先设置比例阈值，若精度比Pb超过比例阈值，则说明对燃气表的测量数据做出补偿和修正后，其使用的数据精度不足，燃气表可能存在一定的运行故障，此时，向外部发出自检指令；
步骤402、接收到自检指令后，在管道内采集对应的流体数据，例如，压力、流速、密度及温度等，依据流体数据及其分布状态，汇总后构建流体数据集合，在设置特征标准后，对流体数据集合内数据做特征识别，获取对应的流体特征；
步骤403、以超声波燃气表优化作为目标词，构建燃气表优化知识图谱；其具体方式可以参如下内容：
以超声波燃气表优化作为目标词，收集相关的数据集，可能包括文献、报告、新闻、数据库等；对收集的数据做清洗，剔除无关信息，进行数据标准化；对完成清洗的数据文本，使用自然语言处理的方法将数据文本数据分词，提取关键词和短语；
使用深度学习模型，如基于Bert的NER模型，来识别数据文本中的关键实体，例如超声波燃气表的环境条件、使用运行状态、流体特征及优化方案等；将以上数据汇总后，构建知识图谱数据集合；
使用关系抽取模型来确定知识图谱数据集合内实体之间的关系，合并知识图谱中相同或相似的实体，并利用逻辑推理模型或机器学习模型来发现隐含的知识关系；使用RDF数据模型将数据转化为知识图谱的表示形式，包括标识核心实体、定义实体之间的关系和属性，并且使用统一的表示方式；
构建初始知识图谱，包括建立图谱中的实体节点和它们之间的关系边，选择图数据库或图谱存储系统，并将数据加载到其中；在验证和评估的基础上，对初始的知识图谱做迭代和优化调整，扩充图谱的范围和深度，增加数据的丰富性和准确性；
获取训练和优化后的初始知识图谱，将其作为燃气表优化知识图谱，依据流体特征与优化方案的对应性，从燃气表优化知识图谱内为燃气表匹配对应的优化方案，执行所述优化方案，燃气表做出优化。
使用时，结合步骤401至403中的内容：
通过对管道内的流体特征进行检测和识别，同时，通过搭建燃气表优化知识图谱，从而在接收到自检指令，需要对燃气表当前的运行状态做自检时，依据流体特征，从燃气表优化知识图谱内匹配出对应的优化方案，从而，依据匹配出优化方案，能够对燃气表做针对性的优化，使经过优化后的燃气表与其所处的测量条件贴合性更高；而同时，通过快速的匹配出优化方案，在燃气表产生异常时，也能够快速地经常处理，缩短燃气表不能使用或者使用状态不佳的持续时长，提高优化效率。
需要说明的是：层次分析法是一种定性和定量相结合的分析方法，它可以将复杂的问题分解为多个层次，通过比较各层次因素的重要性，可以帮助决策者对复杂问题进行决策，确定最终的决策方案，在这个过程中，层次分析法可以用来确定这些指标的权重系数；层次分析法的步骤如下：
明确问题：首先需要明确决策问题，确定决策的目标和备选方案；
建立层次结构模型：根据问题的性质和决策目标，将问题分解为不同的层次，通常包括目标层、准则层和方案层；目标层是决策问题的总目标，准则层是用于评估备选方案的准则，方案层是备选方案；
构造判断矩阵：通过两两比较同一层次中的元素相对于上一层中某一元素的重要性，构造判断矩阵。判断矩阵中的元素表示两个元素相对重要性的比值；
层次单排序：根据判断矩阵，计算同一层次中元素相对于上一层中某一元素的相对重要性排序权重。这一过程称为层次单排序；
一致性检验：检验判断矩阵的一致性，即检验判断矩阵是否满足一致性条件。如果满足一致性条件，则认为层次单排序结果是合理的；
层次总排序：计算各层元素对系统目标的合成权重，进行总排序，以确定递阶结构图中最底层各个元素的总排序权重；
通过层次分析法，决策者可以将复杂的决策问题分解为不同的层次，并基于定性和定量的分析进行决策；这种方法能够提高决策的准确性和有效性，特别适用于那些难以用定量方法解决的复杂问题。
请参阅图2，本发明提供一种基于超声波燃气表计量数据的优化系统，包括，
预警单元，在与燃气表相连通的管道内获取燃气表的测量条件数据，构建燃气表的测量条件集合，由测量条件集合生成条件系数，若条件系数超过条件阈值，发出预警指令；
分析单元，若由分析获取的相对强弱指数不符合预期，计算测量条件对相对强弱指数的影响程度，依据影响程度的大小，确定是否需要对燃气表测量数据进行补偿；
修正单元，构建燃气表测量数据的初始补偿模型，通过多变量优化后，对优化后的补偿模型做敏感性分析，由补偿因子结合实时温度和压力数据，完成对燃气表显示数据的修正；
优化单元，获取管道内流体特征，依据流体特征与优化方案的对应性，从预先构建的燃气表优化知识图谱内为燃气表匹配对应的优化方案，执行所述优化方案，对燃气表做出优化。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一些逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-onlymemory，ROM）、随机存取存储器（randomaccessmemory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (3)
1.一种基于超声波燃气表计量数据的优化方法，其特征在于：包括，
在与燃气表相连通的管道内获取燃气表的测量条件数据，构建燃气表的测量条件集合，由测量条件集合生成条件系数Wp(t，u)，若条件系数Wp(t，u)超过条件阈值，发出预警指令；其中，在每个监测周期内对管道内的温度及压力进行监测，分别获取燃气表工作时的测量温度Ct及测量压力Cu，连续经过若干个监测周期后，将监测获取的数据汇总，构建燃气表的测量条件集合；
所述条件系数Wp(t，u)的获取方式如下：将测量温度Ct及测量压力Cu做线性归一化处理，并将相应的数据值映射在区间[0，1]内，再依据如下公式：
其中，为测量温度在各个监测周期内的均值，/>为测量压力在监测周期内的均值；权重系数：0≤β≤1，0≤α≤1，且α+β＝1，其中，i＝1，2，…n，n为监测周期内的个数，是大于1的正整数，Cti为测量温度在i位置上的值，Cui为测量压力在i位置上的值；
在接收到预警指令后，对燃气表的显示误差做趋势分析，若由分析获取的相对强弱指数不符合预期，计算测量条件对相对强弱指数的影响程度，依据影响程度的大小，确定是否需要对燃气表测量数据进行补偿；其中，于每个监测周期内对实际的燃气消耗进行监测，获取测量数据，以其与燃气表显示数据的差值作为显示误差，将显示误差连续获取若干个后构建误差集合；对误差集合内的显示误差做趋势分析，并获取对应的相对强弱指数，判断当前监测周期内的相对强弱指数是否落入预设的区间内，若未落入，发出判断指令；
根据采集数据及物理联系，基于经验非线性方程，构建燃气表测量数据的初始补偿模型，通过多变量优化后，对优化后的补偿模型做敏感性分析，依据分析结果确定相应的补偿因子，由补偿因子结合实时温度和压力数据，完成对燃气表显示数据的优化；其中，在不同的温度和压力下对燃气流量进行测量，完成数据采集；根据气体状态方程，分析温度和压力对燃气密度的影响，确定超声波在燃气中的传播速度受到温度和压力的影响程度，获取相应的物理联系；根据采集数据及物理联系，基于经验非线性方程构建初始补偿模型；
获取标准试验数据，使用多重线性回归分析，优化初始补偿模型的模型参数，使模型预测的值与实验数据相贴合，并使用其他变量，对初始补偿模型进行多变量优化并验证，获取优化后补偿模型；
若修正后的燃气表显示数据精度不足预期，获取管道内流体特征，依据流体特征与优化方案的对应性，从预先构建的燃气表优化知识图谱内为燃气表匹配对应的优化方案，执行所述优化方案，对燃气表做出优化；其中，以测量数据作为燃气表显示数据，构建数据精度模型，分别计算修正前后的燃气表显示数据的数据精度Py，其中：
其中，Yoi为燃气表显示数据在i位置上的值，为燃气表显示数据的均值；
以补偿前后的数据精度Py的比值作为精度比Pb，若精度比Pb超过比例阈值，向外部发出自检指令；
接收到自检指令后，在管道内采集对应的流体数据，依据流体数据及其分布状态，汇总后构建流体数据集合，在设置特征标准后，对流体数据集合内数据做特征识别，获取对应的流体特征；以超声波燃气表优化作为目标词，构建获取训练和优化后的初始知识图谱，将其作为燃气表优化知识图谱。
2.根据权利要求1所述的一种基于超声波燃气表计量数据的优化方法，其特征在于：
接收到判断指令后，连续获取多个监测周期内的相对强弱指数及相应的条件系数Wp(t，u)，以与条件系数Wp(t，u)相对应的测量条件数据作为自变量，以各个监测周期内的相对强弱指数作为因变量，做线性回归分析并获取对应的回归方程。
3.根据权利要求2所述的一种基于超声波燃气表计量数据的优化方法，其特征在于：
以回归方程中与测量条件数据相对应的回归系数作为影响因子，再依据如下方式构建影响系数Yr(t，u)；
其中，为测量温度Ct的影响因子，/>为测量压力Cu的影响因子；权重系数0≤ψ1≤1，0≤ψ2≤1，若影响系数Yr(t,u)超过影响阈值，向外部发出修正指令；若影响系数Yr(t,u)未超过预期，发出提醒指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410052862.2A CN117573668B (zh) | 2024-01-15 | 2024-01-15 | 一种基于超声波燃气表计量数据的优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410052862.2A CN117573668B (zh) | 2024-01-15 | 2024-01-15 | 一种基于超声波燃气表计量数据的优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117573668A CN117573668A (zh) | 2024-02-20 |
| CN117573668B true CN117573668B (zh) | 2024-04-09 |
Family
ID=89864623
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410052862.2A Active CN117573668B (zh) | 2024-01-15 | 2024-01-15 | 一种基于超声波燃气表计量数据的优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117573668B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116244443A (zh) * | 2022-09-09 | 2023-06-09 | 浙江工业大学之江学院 | 一种基于知识图谱的超声波燃气表节点故障诊断方法 |
| CN117078017A (zh) * | 2023-09-15 | 2023-11-17 | 国网浙江省电力有限公司金华供电公司 | 一种用于电力电网设备监控智能化决策分析系统 |
| CN117309076A (zh) * | 2023-09-22 | 2023-12-29 | 重庆市山城燃气设备有限公司 | 一种用于超声波燃气表计量数据的增益智能调整控制方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116346864B (zh) * | 2023-05-30 | 2023-08-01 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气物联网的超声波计量补偿方法、系统和介质 |
-
2024
- 2024-01-15 CN CN202410052862.2A patent/CN117573668B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116244443A (zh) * | 2022-09-09 | 2023-06-09 | 浙江工业大学之江学院 | 一种基于知识图谱的超声波燃气表节点故障诊断方法 |
| CN117078017A (zh) * | 2023-09-15 | 2023-11-17 | 国网浙江省电力有限公司金华供电公司 | 一种用于电力电网设备监控智能化决策分析系统 |
| CN117309076A (zh) * | 2023-09-22 | 2023-12-29 | 重庆市山城燃气设备有限公司 | 一种用于超声波燃气表计量数据的增益智能调整控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117573668A (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104764869B (zh) | 一种基于多维特征量的变压器气体故障诊断和报警方法 | |
| JP4799168B2 (ja) | 配水及び管路情報解析システム | |
| CN105300923A (zh) | 一种近红外光谱分析仪在线应用时无测点温度补偿模型修正方法 | |
| JPH06502247A (ja) | 試験サンプルの特性または組成あるいはその両方を推定する方法 | |
| CN108399434B (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
| Sengupta et al. | Interpreting impact echo data to predict condition rating of concrete bridge decks: A machine-learning approach | |
| CN117195135B (zh) | 一种水污染异常溯源检测方法及系统 | |
| CN101673096B (zh) | 一种丹参注射液生产浓缩过程密度的软测量方法 | |
| CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
| CN115375026A (zh) | 一种多故障模式下的航空发动机寿命预测方法 | |
| CN116985183A (zh) | 一种近红外光谱分析仪质量监测管理方法及系统 | |
| CN109299201B (zh) | 基于两阶段聚类的电厂生产子系统异常监测方法及装置 | |
| CN117573668B (zh) | 一种基于超声波燃气表计量数据的优化方法 | |
| Zhou et al. | Quantification of value of information associated with optimal observation actions within partially observable Markov decision processes | |
| CN115270637A (zh) | 一种基于gbrt的地下排水管道最大应力预测方法 | |
| CN115206088A (zh) | 考虑动态交通流的城市快速路交通事故风险量化评估方法 | |
| CN113836813A (zh) | 一种基于数据分析的高炉风口漏水检测方法 | |
| CN116738859B (zh) | 一种铜管在线无损寿命评估方法及系统 | |
| CN116794088B (zh) | 一种x荧光品位分析仪铜浮选泡沫品位在线补偿方法 | |
| CN117574180B (zh) | 燃料生产排放系统数据关联性控制管理系统 | |
| CN117147807B (zh) | 一种用于石油勘探的油质监测系统及方法 | |
| EP4261535A1 (en) | Method for automatic flawless tube detection | |
| CN116593579B (zh) | 一种车用尿素液浓度估测方法 | |
| CN117893100B (zh) | 基于卷积神经网络的质量评价数据更新模型的构建方法 | |
| Zhang et al. | Predicting damage and quantifying uncertainty in composite plates with semi-supervised VAE-BNN model |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: No. 800 Songda Road, Qingpu District, Shanghai, 201799 Patentee after: ZENNER Metering Technology (Shanghai) Ltd. Country or region after: China Address before: No. 6558 Yinggang East Road, Qingpu Industrial Park, Qingpu District, Shanghai, June 2017 Patentee before: ZENNER Metering Technology (Shanghai) Ltd. Country or region before: China |