CN121140887A - 一种基于支持向量机和电磁流量计的流量测量方法 - Google Patents

Abstract

本发明涉及人工智能技术，揭露了一种基于支持向量机和电磁流量计的流量测量方法，包括：利用电磁流量计测量目标流体的原始流量数据，并记录目标工作状态下目标流体的干扰因素参数；获取真实流量数据，计算原始流量数据和真实流量数据的偏差值，并根据干扰因素参数、原始流量数据和偏差值构建支持向量机的训练数据集；利用训练集对支持向量机进行优化，得到优化支持向量机；采集实际工作状态下目标流体的初始流量数据和实际干扰参数；利用优化支持向量机生成流量偏差值；对初始流量数据进行修正，得到最终流量数据。本发明可以提高流量测量精准度。

Description

一种基于支持向量机和电磁流量计的流量测量方法

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于支持向量机和电磁流量计的流量测量方法。

背景技术

电磁流量计的流量测量是指基于法拉第电磁感应定律，通过测量导电流体在磁场中运动所产生的感应电动势来直接计算出流体流速和流量的方法。

然而，这种电磁流量计的流量测量方式，在实际工业应用中存在显著不足之处，测量精度严重依赖于流场分布的理想性与稳定性，测量结果易受多种时变干扰因素的影响，传统方法本质上是一种开环测量，缺乏对自身测量状态和外部环境变化的感知与自适应补偿能力，从而导致电磁流量计进行流量测量时精准度较低。

发明内容

本发明提供一种基于支持向量机和电磁流量计的流量测量方法，其主要目的在于解决利用电磁流量计进行流量测量时精准度较低的问题。

为实现上述目的，本发明提供的一种基于支持向量机和电磁流量计的流量测量方法，包括：

利用预设的电磁流量计测量目标流体在目标工作状态下的原始流量数据，并记录目标工作状态下所述目标流体的干扰因素参数；

获取所述目标流体在目标工作状态下的真实流量数据，计算所述原始流量数据和所述真实流量数据的偏差值，并根据所述干扰因素参数、所述原始流量数据和所述偏差值构建预设支持向量机的训练数据集；

利用所述训练集对所述支持向量机进行优化，得到优化支持向量机；

利用所述电磁流量计采集实际工作状态下所述目标流体的初始流量数据和实际干扰参数；

利用所述优化支持向量机生成所述初始流量数据和所述实际干扰参数对应的所述目标流体的流量偏差值；

根据所述流量偏差值对所述初始流量数据进行修正，得到所述目标流体的最终流量数据。

本发明实施例通过系统性地采集涵盖多种干扰目标工作状态的原始流量、干扰因素和真实偏差数据来构建高精度训练集，并训练出能够深刻理解复杂非线性误差规律的优化支持向量机模型，其核心优势在于实现了对电磁流量计在实际工作中因流体特性变化、环境干扰等复杂因素所引起的系统性误差的在线、自适应、精准补偿，从而将传统依赖物理模型的单一测量升级为数据驱动与物理原理融合的智能感知，最终显著提升了流量测量的长期精度、稳定性和可靠性。因此本发明提出的基于支持向量机和电磁流量计的流量测量方法，可以解决利用电磁流量计进行流量测量时精准度较低的问题。

附图说明

图1为本发明一实施例提供的基于支持向量机和电磁流量计的流量测量方法的流程示意图；

图2为本发明一实施例提供的测量原始流量数据的流程示意图；

图3为本发明一实施例提供的更新模型参数的流程示意图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种基于支持向量机和电磁流量计的流量测量方法。所述基于支持向量机和电磁流量计的流量测量方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于支持向量机和电磁流量计的流量测量方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

参照图1所示，为本发明一实施例提供的基于支持向量机和电磁流量计的流量测量方法的流程示意图。在本实施例中，所述基于支持向量机和电磁流量计的流量测量方法包括：

S1、利用预设的电磁流量计测量目标流体在目标工作状态下的原始流量数据，并记录目标工作状态下所述目标流体的干扰因素参数。

本发明实施例中，所述预设的电磁流量计是一种基于法拉第电磁感应定律工作的流量测量装置，其硬件核心包括用于产生稳定磁场的励磁线圈、用于检测感应电动势的一对或多对测量电极、以及内含微处理器单元的信号处理与转换模块，该设备被预先安装于待测管道上。

其中，所述目标流体是指待测量流量的、具备一定导电性的流体介质，包括但不限于工业循环水、医疗用生理盐水、金融数据中心冷却液等；目标工作状态是指为训练支持向量机而预先设定的、覆盖后续实际应用场景的流体运行参数范围，具体包括流体流速、温度、压力及周围电磁环境；所述干扰因素参数是指在目标工作状态下，会导致电磁流量计测量误差的，包括流体温度、管道周围电磁干扰强度、流体电导率、管道内流体压力等。

本发明实施例中，参阅图2所示，所述利用预设的电磁流量计测量目标流体在目标工作状态下的原始流量数据，包括：

S21、利用预设的电磁流量计实时读取目标流体在目标工作状态下的感应电压信号和电流信号；

S22、分别将所述感应电压信号和所述电流信号转换为数字电压信号和数字电流信号；

S23、根据所述数字电压信号和所述数字电流信号计算目标流体在目标工作状态下的原始流量数据。

详细地，所述感应电压信号是一对测量电极上感应产生的、与流体平均流速成正比的微伏级模拟电势差信号；所述电流信号则是指为维持所述磁场稳定而流经励磁线圈的激励电流所对应的模拟电信号。

本发明实施例中，所述利用预设的电磁流量计实时读取目标流体在目标工作状态下的感应电压信号和电流信号，包括：

利用所述电磁流量计获取目标流体切割磁力线时的感应电动势，并根据所述电磁流量计中的采样电阻获取励磁电流信号；

将所述感应电动势和所述励磁电流信号进行幅值放大处理，得到所述目标流体的放大感应电动势和放大电流信号；

对所述放大感应电动势和所述放大电流信号进行去噪处理，得到所述目标流体的感应电压信号和电流信号。

详细地，将感应电动势和励磁电流信号送入高精度仪表放大器进行差分放大，其中感应电动势通道采用可编程增益放大器以适应不同流速量程，励磁电流信号则通过隔离运算放大器进行调理，确保信号幅值被线性放大至伏特级以满足后续处理需求，

具体地，放大后的信号输入由模拟滤波和数字滤波组成的多级去噪环节，先经由硬件抗混叠滤波器抑制高频干扰，再通过基于现场可编程门阵列实现的数字滤波器进行自适应滤波处理，最终输出信噪比显著提升、可用于精确计算的电压信号和电流信号。

本发明实施例中，所述数字电压信号和所述数字电流信号是指通过高精度模数转换器对模拟电信号进行量化、编码及抗混叠处理后形成的离散时间数字序列。

本发明实施例中，所述分别将所述感应电压信号和所述电流信号转换为数字电压信号和数字电流信号，包括：

对所述感应电压信号和所述电流信号进行量化处理，得到量化电压信号和量化电流信号；

对所述量化电压信号和所述量化电流信号进行数字滤波处理，得到滤波电压信号和滤波电流信号；

对所述滤波电压信号和所述滤波电流信号进行数据格式处理，得到数字电压信号和数字电流信号。

详细地，调用内置的A/D转换模块将连续的模拟信号按预设量程（如电压0-5V对应0-65535，电流4-20mA对应8192-32768）转换为离散的数字整型值，得到量化电压信号和量化电流信号。

具体地，对量化后的数字信号序列施加数字滤波算法（如滑动平均滤波，窗口大小为5），以平滑数据并抑制瞬时脉冲干扰，从而得到滤波电压信号和滤波电流信号，再将滤波后的整型数据转换为IEEE754单精度浮点数等标准格式，生成可供支持向量机模型直接处理的标准数字电压信号和数字电流信号。

进一步地，读取滤波后的电压数字量和电流数字量，先将电压数字量反推为实际感应电压值（通过预设的“数字量-电压值”校准曲线，如数字量32768对应2.5V），再根据电磁流量计的测量公式Q=K×B×D×V（其中Q为体积流量，K为仪表常数，B为磁场强度，D为管道内径，V为流体平均流速，且V与感应电压值成正比），代入预设的硬件参数（如K=0.1m³/(h・V)、B=0.5T、D=0.1m），计算出原始流量数据（单位m³/h），并将结果与对应时间戳关联存储。

更进一步地，通过多路数据采集卡连接温度传感器（铂电阻）、电磁干扰检测仪、电导率仪及压力变送器，设定与流量数据相同的采样频率（1Hz），实时接收各传感器输出的模拟信号（如温度对应0-10V、电磁干扰对应0-5V），通过与流量信号相同的A/D转换和滤波流程将其转换为数字信号并反推为实际参数值（如温度数字量32768对应50℃），从而得到温度、电磁干扰强度、电导率和压力等干扰因素参数。

本发明实施例中，通过获取流量和干扰关联的高质量原始数据，为后续支持向量机训练提供精准的输入特征。

S2、获取所述目标流体在目标工作状态下的真实流量数据，计算所述原始流量数据和所述真实流量数据的偏差值，并根据所述干扰因素参数、所述原始流量数据和所述偏差值构建预设支持向量机的训练数据集。

本发明实施例中，所述真实流量数据是指在与测量原始流量数据相同的目标工作状态下，通过静态称重法或容积法测得的、可作为基准的流量数据；所述预设支持向量机是指预先设定模型类型（支持向量回归机SVR）、核函数（径向基函数RBF）及初始参数（惩罚系数C=1、核参数γ=0.1、误差容忍度ε=0.01）的机器学习模型。

详细地，连接静态称重法标准装置（含计量级电子秤或流体收集罐），在与测量原始流量数据相同的目标工作状态下，控制目标流体通过阀门流入收集罐，实时读取流体质量数据（采样频率1Hz），同时记录收集时间，待收集结束后，计算出真实流量数据。

本发明实施例中，偏差值是通过动态加权评估算法得到的、带有置信度评价的系统固有误差量化指标，反映原始数据的误差程度。

本发明实施例中，所述计算所述原始流量数据和所述真实流量数据的偏差值，包括：

将所述原始流量数据和所述真实流量数据进行时序对齐，得到时序流量数据；

分别计算所述时序流量数据中的原始流量数据和真实流量数据的概率分布，得到原始流量分布和真实流量分布；

计算所述原始流量分布和所述真实流量分布之间的统计距离；

根据所述统计距离计算所述原始流量数据和所述真实流量数据的偏差值。

详细地，对原始流量数据序列和真实流量数据序列进行动态时间规整处理，消除因系统响应时间不同步造成的相位差异，完成时序对齐，基于对齐后的时序数据分别构建原始流量数据和真实流量数据的核密度估计概率分布模型。

接着，通过计算两个概率分布之间的Wasserstein距离来量化它们的整体统计差异，并将此距离作为基准偏差量，结合该计算时段内信号的信噪比生成置信度权重，将基准偏差量与置信度权重相乘，输出一个经过加权的、能够更准确反映系统固有测量误差的最终偏差值。

本发明实施例中，所述训练数据集是指由干扰因素参数、原始流量数据和偏差值组成的结构化数据集。

本发明实施例中，所述根据所述干扰因素参数、所述原始流量数据和所述偏差值构建预设支持向量机的训练数据集，包括：

对所述干扰因素参数和所述原始流量数据进行归一化处理，得到归一化流量数据和归一化干扰参数；

按预设顺序将所述归一化干扰参数、所述归一化流量数据和所述偏差值进行数据排列，得到流量排列数据；

对所述流量排列数据进行数据划分，生成预设支持向量机的训练数据集。

详细地，对干扰因素参数（如温度20-80℃、电磁干扰0-50mV）和原始流量数据（如0.5-10m³/h）分别进行处理，计算公式为“归一化后的值=（原始值-参数最小值）/（参数最大值-参数最小值）”，例如温度30℃，最小值20℃、最大值80℃，则归一化温度为（30-20）/（80-20）≈0.167，所有参数归一化后取值范围均为[0,1]。

具体地，按照预设的固定顺序（如“归一化温度→归一化电磁干扰强度→归一化电导率→归一化压力→归一化原始流量数据→偏差值”），通过数据拼接将每组“归一化干扰参数+归一化原始流量数据+偏差值”整合为一条一维数据向量，例如“[0.167,0.2,0.3,0.1,0.5,+0.2]”，每条向量对应一个样本，将所有样本按行排列，生成流量排列数据。

进一步地，调用随机抽样算法（如sklearn库的train_test_split函数），设置划分比例为7:3，将流量排列数据随机分为训练集和验证集，其中训练集用于支持向量机的参数学习，验证集用于初步评估模型性能，划分时确保两组数据的工况分布一致（如高温高干扰工况样本占比相同）。

本发明实施例中，为支持向量机提供带精准标签的训练样本，确保模型能学习到干扰因素与流量误差的映射关系，避免模型因数据不准确导致预测偏差。

S3、利用所述训练集对所述支持向量机进行优化，得到优化支持向量机。

本发明实施例中，优化支持向量机是指通过训练集反复调整模型参数（惩罚系数C、核参数γ、误差容忍度ε），使模型在验证集上的预测误差（如平均绝对误差MAE）小于预设阈值（如0.05m³/h）的支持向量回归机。

本发明实施例中，所述利用所述训练集对所述支持向量机进行优化，得到优化支持向量机，包括：

根据所述训练集中的归一化干扰参数和归一化流量数据计算所述目标流体的训练偏差值；

根据所述训练偏差值和所述训练集中的偏差值计算所述目标流体的误差值；

判断所述误差值是否小于预设阈值，若所述误差值小于预设阈值，则根据所述误差值对所述支持向量机中的预设模型参数进行优化，得到优化模型参数；

利用所述优化模型参数更新所述支持向量机中的模型参数，得到优化支持向量机；

若所述误差值大于或等于预设阈值，则根据所述误差值对所述支持向量机中的预设模型参数进行更新，得到更新模型参数，并根据所述更新模型参数替换所述更新支持向量机中的模型参数，得到更新支持向量机；

利用所述更新支持向量机确定更新误差值，并返回至判断所述误差值是否小于预设阈值的步骤，直至所述更新误差值小于预设阈值。

详细地，加载预设支持向量机模型（初始参数C=1、γ=0.1、ε=0.01），从训练集中提取归一化干扰参数和归一化流量数据作为输入特征矩阵（维度为n×m，n为样本数，m为特征数），通过模型的决策函数（基于RBF核的支持向量回归公式）对每个样本进行预测，生成对应的训练偏差值（即模型预测的偏差值）。

本发明实施例中，所述根据所述训练集中的归一化干扰参数和归一化流量数据计算所述目标流体的训练偏差值，包括：

将所述训练集中的归一化干扰参数和归一化流量数据进行特征转换，得到组合特征向量；

计算所述组合特征向量与所述支持向量机中所有支持向量的相似度，得到核函数向量；

对所述核函数值向量进行加权融合，得到所述目标流体的训练偏差值。

详细地，将训练集中每个样本的归一化干扰参数和归一化流量数据按预设顺序拼接成一个完整的组合特征向量，通过预设的径向基核函数，计算该组合特征向量与支持向量机模型中所有支持向量在高维特征空间中的相似度，生成一个由多个核函数值组成的核函数向量，将该核函数向量与支持向量机训练得到的拉格朗日乘子权重向量进行点积运算，并将计算结果加上偏置项，最终输出该样本对应的训练偏差值。

接着，采用平均绝对误差（MAE）作为评价指标，计算公式为“MAE=（1/n）×Σ|训练偏差值-真实偏差值|”（n为训练集样本数），例如n=100，所有样本的误差绝对值之和为5，则MAE=0.05m³/h，计算机将计算得到的MAE作为当前模型的误差值，与预设阈值（如0.05m³/h）进行比较。

具体地，判断所述误差值是否小于预设阈值，若所述误差值小于预设阈值，则认为当前模型参数已接近最优，通过网格搜索算法微调参数（如C在4-6、γ在0.4-0.6范围内遍历），每次微调后重新计算训练集MAE，选择MAE最小（如0.04m³/h）对应的参数组合（如C=5、γ=0.5、ε=0.01）作为优化模型参数，计算机将该参数组合存储至配置文件中。

进一步地，将配置文件中的优化模型参数（C=5、γ=0.5、ε=0.01）替换预设支持向量机中的初始参数，得到优化支持向量机。

本发明实施例中，所述预设模型参数具体包括惩罚系数C、核函数类型及其相应参数（如径向基核函数的宽度参数γ）。

本发明实施例中，参阅图3所示，所述根据所述误差值对所述支持向量机中的预设模型参数进行更新，得到更新模型参数，包括：

S31、根据所述误差值计算所述支持向量机中预设模型参数的参数梯度向量；

S32、根据所述参数梯度向量和所述支持向量机中自适应学习率生成参数更新量；

S33、将所述模型参数与所述参数更新量进行叠加运算，得到更新模型参数。

详细地，从输出层的误差值开始实施反向传播算法，沿着计算路径依次计算误差对核函数参数γ和惩罚系数C的偏导数，其中对γ的梯度计算涉及核矩阵导数与拉格朗日乘子的链式求导，对C的梯度则需考虑其在优化问题约束边界上的灵敏度分析，最终生成包含各参数梯度分量的高维参数梯度向量。

接着，调用自适应学习率优化器，基于参数梯度向量的一阶矩估计和二阶矩估计进行偏差校正，结合动态调整的学习率系数计算出每个参数维度的更新步长和方向，生成具有自适应特性的参数更新量向量。

具体地，通过向量运算单元将当前模型参数向量与参数更新量向量进行逐元素叠加，例如按固定步长（如C每次增加1、γ每次增加0.1）更新初始参数（如C从1→2→3，γ从0.1→0.2→0.3），在此过程中引入动量项以平滑更新轨迹并加速收敛，同时对更新后的参数施加边界约束，最终输出符合优化目标的更新模型参数。

更进一步地，将更新支持向量机的训练集MAE作为更新误差值，再次代入条件判断语句（if误差值<阈值），若更新误差值仍大于阈值（如0.08m³/h），则重复“参数更新→生成更新支持向量机→计算更新误差值”的循环，直至某次更新后误差值降至0.05m³/h以下（如0.045m³/h），停止循环并将此时的模型参数作为优化模型参数，生成优化支持向量机。

本发明实施例中，通过反复调整参数降低模型预测误差，确保优化后的模型能精准捕捉干扰因素与流量偏差的关系，为后续实际流量修正提供可靠依据。

S4、利用所述电磁流量计采集实际工作状态下所述目标流体的初始流量数据和实际干扰参数。

本发明实施例中，实际工作状态是指本方法最终应用的、现场真实的流体运行场景，其参数范围与目标工作状态一致或部分重叠，包括现场流体的实际流速、温度、压力及周围电磁环境；初始流量数据是指在实际工作状态下，电磁流量计直接测量并输出的、未经过偏差修正的原始流量数据，其误差来源与目标工作状态下的原始流量数据一致；实际干扰参数是指在实际工作状态下，现场实时采集的、影响初始流量数据准确性的干扰因素参数，包括现场流体温度、管道周围实际电磁干扰强度、现场流体电导率等，与目标工作状态的干扰因素参数类型一致。

详细地，通过工业以太网与安装在现场管道上的电磁流量计及配套传感器（温度、电磁干扰检测仪等）建立实时通信，设定数据采集频率为1Hz，电磁流量计实时输出初始流量的模拟信号（4-20mA），经A/D转换为数字信号后传输至计算机，同时配套传感器将实际干扰参数的模拟信号转换为数字信号并同步上传，计算机对接收的数据进行实时预处理（采用中值滤波算法剔除瞬时脉冲干扰，对传感器掉线导致的缺失数据用前5秒均值填充），按“时间戳+初始流量数据+实际干扰参数（温度、电磁干扰、电导率、压力）”的格式存储。

本发明实施例中，实时获取现场真实数据，为优化支持向量机提供符合实际场景的输入，避免因实验室与现场工况差异导致的修正偏差。

S5、利用所述优化支持向量机生成所述初始流量数据和所述实际干扰参数对应的所述目标流体的流量偏差值。

本发明实施例中，流量偏差值是指在实际工作状态下，优化支持向量机根据“初始流量数据+实际干扰参数”预测出的、用于修正初始流量数据的误差值，其数值大小和正负反映初始流量数据与真实流量数据的偏差程度。

本发明实施例中，所述利用所述优化支持向量机生成所述初始流量数据和所述实际干扰参数对应的所述目标流体的流量偏差值，包括：

将所述初始流量数据和所述实际干扰参数转换为融合特征向量；

计算所述融合特征向量与所述优化支持向量机中所有支持向量的相似度，得到相似度向量；

对所相似度向量进行加权融合，得到所述目标流体的流量偏差值。

详细地，读取同一时间戳的初始流量数据和实际干扰参数（温度、电磁干扰强度、电导率、压力），并对其进行归一化处理，例如初始流量5m³/h（训练集最值0.5-10m³/h），归一化后为（5-0.5）/（10-0.5）≈0.474，再按照预设的特征顺序（“归一化温度→归一化电磁干扰→归一化电导率→归一化压力→归一化初始流量”）将这些归一化后的参数整合为一条一维特征向量（如“[0.2,0.3,0.4,0.2,0.474]”），确保特征向量维度与训练集输入特征一致。

具体地，将融合后的特征向量输入优化支持向量机，模型通过预设的决策函数（基于优化后的参数C=5、γ=0.5）计算该特征向量对应的流量偏差值（如+0.15m³/h），若同时输入多组特征向量（如10组连续时间戳的数据），则模型生成对应的流量偏差向量（如“[+0.15,+0.14,+0.16,...]”），将流量偏差值（或向量）与对应时间戳的初始流量数据关联。

本发明实施例中，快速、精准地预测实际工况下的流量误差，无需再次使用标准装置测量真实流量，降低现场应用成本。

S6、根据所述流量偏差值对所述初始流量数据进行修正，得到所述目标流体的最终流量数据。

本发明实施例中，最终流量数据是指通过流量偏差值对初始流量数据进行修正后得到的、接近真实流量的精准流量数据，其误差范围远小于初始流量数据。

详细地，读取同一时间戳的初始流量数据和对应的流量偏差值，通过最终流量数据=初始流量数据+流量偏差值的运算，例如初始流量数据为49.85m³/h、流量偏差值为+0.15m³/h，则最终流量数据为50m³/h，修正后，计算机对最终流量数据进行量程校验（判断其是否在电磁流量计的有效量程内，如0.5-10m³/h），若超出量程则标记为无效数据并触发报警，若在量程内则将最终流量数据按“时间戳+最终流量”的格式存储，同时推送至现场监控系统（如SCADA）供实时查看或调控。

本发明实施例中，通过对初始流量数据进行修正，从而输出精准的最终流量数据，解决电磁流量计受干扰导致的测量误差问题，满足实际应用对流量精度的要求。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围并不仅依据上述说明进行限定，因此旨在将落在保护范围内的等同要件的含义和范围内的所有变化涵括在本发明内。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于支持向量机和电磁流量计的流量测量方法，其特征在于，所述方法包括：

利用预设的电磁流量计测量目标流体在目标工作状态下的原始流量数据，并记录目标工作状态下所述目标流体的干扰因素参数；

获取所述目标流体在目标工作状态下的真实流量数据，计算所述原始流量数据和所述真实流量数据的偏差值，并根据所述干扰因素参数、所述原始流量数据和所述偏差值构建预设支持向量机的训练数据集；

利用所述训练集对所述支持向量机进行优化，得到优化支持向量机；

利用所述电磁流量计采集实际工作状态下所述目标流体的初始流量数据和实际干扰参数；

利用所述优化支持向量机生成所述初始流量数据和所述实际干扰参数对应的所述目标流体的流量偏差值；

根据所述流量偏差值对所述初始流量数据进行修正，得到所述目标流体的最终流量数据。

2.如权利要求1所述的基于支持向量机和电磁流量计的流量测量方法，其特征在于，所述利用预设的电磁流量计测量目标流体在目标工作状态下的原始流量数据，包括：

利用预设的电磁流量计实时读取目标流体在目标工作状态下的感应电压信号和电流信号；

分别将所述感应电压信号和所述电流信号转换为数字电压信号和数字电流信号；

根据所述数字电压信号和所述数字电流信号计算目标流体在目标工作状态下的原始流量数据。

3.如权利要求2所述的基于支持向量机和电磁流量计的流量测量方法，其特征在于，所述利用预设的电磁流量计实时读取目标流体在目标工作状态下的感应电压信号和电流信号，包括：

利用所述电磁流量计获取目标流体切割磁力线时的感应电动势，并根据所述电磁流量计中的采样电阻获取励磁电流信号；

将所述感应电动势和所述励磁电流信号进行幅值放大处理，得到所述目标流体的放大感应电动势和放大电流信号；

对所述放大感应电动势和所述放大电流信号进行去噪处理，得到所述目标流体的感应电压信号和电流信号。

4.如权利要求2所述的基于支持向量机和电磁流量计的流量测量方法，其特征在于，所述分别将所述感应电压信号和所述电流信号转换为数字电压信号和数字电流信号，包括：

对所述感应电压信号和所述电流信号进行量化处理，得到量化电压信号和量化电流信号；

对所述量化电压信号和所述量化电流信号进行数字滤波处理，得到滤波电压信号和滤波电流信号；

对所述滤波电压信号和所述滤波电流信号进行数据格式处理，得到数字电压信号和数字电流信号。

5.如权利要求1所述的基于支持向量机和电磁流量计的流量测量方法，其特征在于，所述计算所述原始流量数据和所述真实流量数据的偏差值，包括：

将所述原始流量数据和所述真实流量数据进行时序对齐，得到时序流量数据；

分别计算所述时序流量数据中的原始流量数据和真实流量数据的概率分布，得到原始流量分布和真实流量分布；

计算所述原始流量分布和所述真实流量分布之间的统计距离；

根据所述统计距离计算所述原始流量数据和所述真实流量数据的偏差值。

6.如权利要求1所述的基于支持向量机和电磁流量计的流量测量方法，其特征在于，所述根据所述干扰因素参数、所述原始流量数据和所述偏差值构建预设支持向量机的训练数据集，包括：

对所述干扰因素参数和所述原始流量数据进行归一化处理，得到归一化流量数据和归一化干扰参数；

按预设顺序将所述归一化干扰参数、所述归一化流量数据和所述偏差值进行数据排列，得到流量排列数据；

对所述流量排列数据进行数据划分，生成预设支持向量机的训练数据集。

7.如权利要求1所述的基于支持向量机和电磁流量计的流量测量方法，其特征在于，所述利用所述训练集对所述支持向量机进行优化，得到优化支持向量机，包括：

根据所述训练集中的归一化干扰参数和归一化流量数据计算所述目标流体的训练偏差值；

根据所述训练偏差值和所述训练集中的偏差值计算所述目标流体的误差值；

判断所述误差值是否小于预设阈值，若所述误差值小于预设阈值，则根据所述误差值对所述支持向量机中的预设模型参数进行优化，得到优化模型参数；

利用所述优化模型参数更新所述支持向量机中的模型参数，得到优化支持向量机；

若所述误差值大于或等于预设阈值，则根据所述误差值对所述支持向量机中的预设模型参数进行更新，得到更新模型参数，并根据所述更新模型参数替换所述更新支持向量机中的模型参数，得到更新支持向量机；

利用所述更新支持向量机确定更新误差值，并返回至判断所述误差值是否小于预设阈值的步骤，直至所述更新误差值小于预设阈值。

8.如权利要求7所述的基于支持向量机和电磁流量计的流量测量方法，其特征在于，所述根据所述训练集中的归一化干扰参数和归一化流量数据计算所述目标流体的训练偏差值，包括：

将所述训练集中的归一化干扰参数和归一化流量数据进行特征转换，得到组合特征向量；

计算所述组合特征向量与所述支持向量机中所有支持向量的相似度，得到核函数向量；

对所述核函数值向量进行加权融合，得到所述目标流体的训练偏差值。

9.权利要求7所述的基于支持向量机和电磁流量计的流量测量方法，其特征在于，所述根据所述误差值对所述支持向量机中的预设模型参数进行更新，得到更新模型参数，包括：

根据所述误差值计算所述支持向量机中预设模型参数的参数梯度向量；

根据所述参数梯度向量和所述支持向量机中自适应学习率生成参数更新量；

将所述模型参数与所述参数更新量进行叠加运算，得到更新模型参数。

10.如权利要求1所述的基于支持向量机和电磁流量计的流量测量方法，其特征在于，所述利用所述优化支持向量机生成所述初始流量数据和所述实际干扰参数对应的所述目标流体的流量偏差值，包括：

将所述初始流量数据和所述实际干扰参数转换为融合特征向量；

计算所述融合特征向量与所述优化支持向量机中所有支持向量的相似度，得到相似度向量；

对所相似度向量进行加权融合，得到所述目标流体的流量偏差值。