CN1441896A - 利用时间延迟神经网络的液体计量设备 - Google Patents

利用时间延迟神经网络的液体计量设备 Download PDF

Info

Publication number
CN1441896A
CN1441896A CN01812601A CN01812601A CN1441896A CN 1441896 A CN1441896 A CN 1441896A CN 01812601 A CN01812601 A CN 01812601A CN 01812601 A CN01812601 A CN 01812601A CN 1441896 A CN1441896 A CN 1441896A
Authority
CN
China
Prior art keywords
liquid
sensor
time
neural network
meter equipment
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
Application number
CN01812601A
Other languages
English (en)
Inventor
L·C·拉贝洛
M·瓦尔克
R·R·扎克鲁斯基
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Simmonds Precision Products Inc
Original Assignee
Simmonds Precision Products Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Simmonds Precision Products Inc filed Critical Simmonds Precision Products Inc
Publication of CN1441896A publication Critical patent/CN1441896A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
    • G01F23/22—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water
    • G01F23/28—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water by measuring the variations of parameters of electromagnetic or acoustic waves applied directly to the liquid or fluent solid material
    • G01F23/296—Acoustic waves
    • G01F23/2962—Measuring transit time of reflected waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
    • G01F23/22—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water
    • G01F23/26—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water by measuring variations of capacity or inductance of capacitors or inductors arising from the presence of liquid or fluent solid material in the electric or electromagnetic fields
    • G01F23/263—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water by measuring variations of capacity or inductance of capacitors or inductors arising from the presence of liquid or fluent solid material in the electric or electromagnetic fields by measuring variations in capacitance of capacitors
    • G01F23/266—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water by measuring variations of capacity or inductance of capacitors or inductors arising from the presence of liquid or fluent solid material in the electric or electromagnetic fields by measuring variations in capacitance of capacitors measuring circuits therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
    • G01F23/80—Arrangements for signal processing
    • G01F23/802—Particular electronic circuits for digital processing equipment
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
    • G01F23/80—Arrangements for signal processing
    • G01F23/802—Particular electronic circuits for digital processing equipment
    • G01F23/804—Particular electronic circuits for digital processing equipment containing circuits handling parameters other than liquid level

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Fluid Mechanics (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Electromagnetism (AREA)
  • Thermal Sciences (AREA)
  • Power Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)
  • Measurement Of Resistance Or Impedance (AREA)

Abstract

公开一种利用时间延迟神经网络的液体计量设备，其用于确定不能为传感器所直接测量的容器中液体量。该液体计量设备包括许多传感器和一个处理器。传感器中的每一个都能够测量一个有关的液体参数和用于产生随时间变化的、代表各自的被测量的参数。该处理装置通过时间延迟神经网络算法为处理传感器输出信号被编程。根据当前和过去传感器输出信号参数测量，确定容器中当前的液体量。还公开了一种训练一个时间延迟神经网络算法的方法，该算法根据当前和过去液体参数传感器的测量来计算一个容器中的液体的量。

Description

利用时间延迟神经网络的液体计量设备
与有关申请的相互参考
本专利申请与下列共同审理中的美国专利申请有关：申请号08/996858、标题为“利用传感器融合和数据融合的液体计量”的专利申请；申请号08/996747、标题为“改进的超声液体计量系统”的专利申请；申请号08/997444、标题为“利用原始算法分析的探测器布置”的专利申请，现在美国专利6006604；申请号08/997137、标题为“用于植入式航空燃料计量系统的黑板中央分层软件结构”的专利申请；申请号08/997271、标题为“通用传感器接口系统和方法”的专利申请。所有这些专利申请是在1997年12月23日提出的，并共同为本申请的受让人拥有。在这里作为参考引进它们的全部公开内容。
发明背景
一种利用静态神经网络的液体计量系统已在上述援引的共同审理中的美国专利申请08/996858(下文简称“858申请”)中被公开。在858申请中，公开了一种利用神经网络估算不能直接测量的容器中液体量的系统。该神经网络具有根据在单个瞬间的许多传感器的参数测量，即，单个传感器输出值的瞬象的输入。这样的静态神经网络液体计量系统的性能已被认为是足以满足要求的，但由于没有计及瞬时条件而固有地受到限制。对于那些受运动影响的液体容器系统，传感器测量数据的瞬象不唯一地确定在瞬变过程期间的系统状态，例如，像由于加速引起的姿态变化，造成了神经网络在这样条件期间估算液体量的降低。
例如，航空器燃料箱在飞行期间经常经受姿态变化。飞行使燃料表面运动，造成如燃料晃动、液面振动和波动(这里只说出一些)这样的条件。在这些条件下，传感器燃料的测量会滞后于姿态或加速测量，给出的输入样式与神经网络被训练时的输入样式不同。在神经网络的训练期间，末考虑这样的表面效应。因此，静态神经网络会估算出与燃料箱中确切存在不相同的液体量。
另外，液体计量系统的传感器一般包括内部缓冲。该内部缓冲会使得它的液体参数测量滞后于任何液体状态的快速变化。因此，甚至，例如，如由于容器间的液体转移引起的快速液体量变化这样的瞬态条件，也会导致静态神经网络的液体量估算的不准确。不仅在训练期间未计及与这样的动态效应有关的误差，而且任何可从这样效应得到的附加信息作为这样的内部传感器缓冲被有效地过滤掉。从训练的观点看，这样的效应可以使静态神经网络的量确定更可靠。
因此，最希望有的是这种液体计量系统，它不仅能够考虑当前传感器参数测量，而且也能够考虑过去的传感器参数测量。包括过去的参数测量的历史会导致一种液体量估算的改进，即使眼前的传感器测量也不单独提供由于如上面例举那样的瞬态条件而引起的实际的当前液体状态。本发明提供这样的一种性能上的改进。
发明概要
按照本发明的一个方面，用于确定不可直接用传感器测量的容器中液体量、利用时间延迟神经网络的液体计量设备包括：许多传感器，所述传感器中的每一个用于测量所述液体的一个相应的参数和用于产生一个代表由它测量的相应参数的随时间变化的传感器输出信号；以及用于处理所述传感器输出信号的处理装置，该处理装置用时间延迟神经网络算法根据当前和过去所述传感器输出信号的参数测量确定当前容器中液体量。
按照本发明的另一个方面，根据当前和过去液体参数传感器测量来计算容器中液体量的训练时间延迟神经网络算法的方法包括以下步骤：建立容器中液体特性的动态模型和由许多传感器检测的所述液体行为的参数测量；从所述动态模型为许多液体量值导出训练数据组，每个所述数据组包括当前和过去的与许多液体量值中的一个对应的液体参数传感器测量值和所述对应的液体量值；用所述导出训练数据组训练所述时间延迟神经网络算法。
附图简要说明
图1示出本发明的一个实施例的示例性应用。
图2示出本发明的一个实施例的方框图。
图3示出适于图2实施例使用的时间延迟神经网络。
图4示出表示液体参数测量过去的历史的时间图。
图5和图5A示出本发明的一个替代实施例的方框图。
图6示出适于为图5的替代实施例提供背景使用的无延迟神经网络。
图7示出适于在图5的替代实施例中使用的时间延迟神经网络的方框图。
发明的详细说明
参照图1，以一个示例性应用表示本发明的一个实施例，在这种情况下是针对航空器上的燃料计量。虽然在这里以航空器燃料计量角度具体说明本发明，但这是为了表示和解释的目的，而不应被认为有限制的意义。本专业技术人员会认识到，本发明将对任何其中想要确定容器中液体量的液体计量领域有应用。
在图1示出一个航空器10，其带有按照本发明的机载燃料测量/计量设备12。在这个例子中，计量设备12被用来确定在航空器的一个或多个燃料箱14中的燃料13的量。这里使用的术语“量”，不用作燃料量就是用作液体量，指的是不能由传感器直接测量的明确表示其体积、重量、质量或它们的组合的液体13的定量。基本关系是：图1    质量＝体积*密度或M＝V*ρ并且图2    重量＝质量*加速度或W＝N*a
在燃料箱14中燃料13的体积和/或质量是特别有意义的，因为总燃料质量决定驱动航空器10可利用的能量，而确定体积一般是确定质量的前提。在如飞机这样的动态环境中直接的体积或质量传感器是不可利用的。所以，体积和/或质量的量是从燃料13的其他参数的测量和计算中导出的。这里所说的其他参数包括，例如，密度、加速度和箱中燃料高度。这些和其他参数不是用各种传感器16(在图1上总地表示)来测量，就是从这样测量和其他计算中导出。这里所说的传感器包括但不限于电容探测传感器、压力传感器、超声的液位传感器、加速度计和温度传感器。如这里所用的，一个容器中液体参数，即“液体参数”包括任何可被测量、探测或由计算或其他技术导出的液体特性。更特别是，被测量或被探测的液体参数包括任何液体特性(例如，回波传输时间、温度、压力、容量等)和/或作用在液体上的外部参数，例如，加速力。这些各种参数本质上是示例性的，并不意味任何意义上的排斥和限制。导出液体参数是这样的液体的任一参数、特性或性质，即，它是根据一个或多个测量的参数和/或其它对系统可用的信息确定、计算或另外导出的，例如，燃料平面高度、密度和声速(VOS)。这些导出参数本质上是示例性的，并不应该在限定的意义上解释它们。
在本发明的一个实施例中，一些、一个或所有的，例如，如同传统的电容探测传感器这样的传感器16可以安置在一个箱中，如果传感器设计如此要求的话。然而，在本发明的另一实施例中，仔细地考虑到，所有的传感器16将是非插入的。这意味着，没有任何传感器将需要被电气上暴露于燃料13和/或被另外地安装或安置在箱14内。一般说，为本公开用途的非插入传感器是一种这样的传感器，即，可以把它安装在它的与箱14一起工作的位置，并可以把它从该位置移出，而当传感器被移出时，不须从箱14移出燃料13或者没有燃料从箱14中大量损失，以及/或者，是一种这样的传感器，即，它不把燃料13暴露于电气能量的情况下工作。但注意到这一点是重要的，即，本发明也可在插入传感器条件下被应用，如果一个特定应用这样需要的话。
传感器16产生输出，典型地，是以电信号的形式。这些输出被连接或输入到燃料计量处理器18。典型地，处理器18将是计算机或功能上类似的电子硬件和软件组合，它按照本发明的技术处理传感器16的输出和确定箱14中的燃料13的量。
下面参照图2上描述的本发明的实施例。燃料计量设备12包括许多液体液位传感器16。对于该实施例，例如，它们可以是传统的电容探测传感器。它们被安置箱14中的各个位置，用于测量在上述位置的液体13的高度。虽然本实施例中只表示了4个传感器，但要明白，可使用比4个多或少的传感器，并不偏离本实施的原则。每个传感器16典型地包括一个由一些同心管组成的结构，在管之间具有电介质间隔，于是电容被在传感器位置的容器中液体的液位确定。因此，每个传感器16检测到的电容是在其位置的液体液位的函数。传统上，电容探测传感器16被连接到传统的激励电路15。激励电路15用时间变化波形信号激励传感器16。响应该激励从传感器16输出的信号被连接到信号调节电路17。调节电路17可以包括，例如，跨导和电压放大器、滤波器等。来自电路17的调节输出信号可以被数字化。在本实施例中，用一个传统的数字化器19，在被数字处理器单元18处理前，如上所述确定容器14中的液体量。
对每个传感器16都可以有一个激励电路。在这种情况下，处理可以平行控制每一个传感器。或者，用另一个方式，可以只有一个激励电路。这个激励电路可以被分多路，由处理器18所控制的顺序方式激励每个传感器。另外，每个传感器16可被连接到一个单独的信号调节电路，并且，它的输出被选取，以在处理器18的控制下由数字化器19被数字化。或者，用另一个方式，每个传感器输出信号可以被单独选取，以被单个信号调节电路调节，并且，它的被选取的、被调节的输出在处理器18的控制下由数字化器19被数字化。其他电路组合也可用来测量(液)位传感器16的电容和提供被测量参数到处理器18。因此，本发明不应被以任何方式限制使用的特定传感器测量容器中液体液位。也不应限制分别到传感器和来自传感器的信号的激励和信号调节。
某些电容探测传感器还可以包括一个电阻元件。该电阻元件可以以任何传统的方式被测量和提供给处理器18用于提供电容参数测量的补偿。其它这样的系统补偿液体的温度。甚至由于时间和温度变化条件引起的系统激励和信号调节部件的不准确度也可通过用参考电阻和/或电容元件的自动校准和半自动校准来补偿。关于电容探测传感器和它们的激励及信号调节的更详细解释，参照授予Lawrence Maier和转让给与本专利申请相同的受让人的美国专利4626616和4968946。把它们作为参考引进在本申请中，用于提供这样的液体液位检测系统的结构和工作细节。
可以被编程到本实施例的处理器18中的时间延迟神经网络算法改进如上所述的电容传感器测量的处理。这种处理是考虑了动态流体表面效应以及由于燃料箱的快速排放和加注引起的液体量变化确定液体量。动态流体表面效应，如像晃动或周期的波动，通常出现，尤其在航空器燃料箱环境中。在图3的功能图上示出了适于在可被本实施例的处理器18执行的算法中使用的时间延迟神经网络的例子。参照图3，本实施例的时间延迟神经网络算法包括在L1处的第一层节点或神经元。它们通过对每个测量信号的适当加权接纳断续的电流和时间延迟的传感器输出信号C1-C4。在本实施例中，每个传感器测量C1-C4被一个时间延迟单元延迟一个预定的时间增量d，提供给一组过去的测量。要明白，那些测量C1-C4可以被多于一个的延迟单元延迟，而且，对于每个时间延迟增量将有另一组过去的测量和用于它们由神经网络算法处理的相应输入节点。第一层节点的输出被分配给第二或隐蔽层L2的节点或神经元并在那里累加，在每个情况下都用一个适当的加权。最后，第二层的节点的输出在第三或输出层的单个节点或神经元处被累加，以有效地把当前和过去参数测量的时间轨迹变换到液体体积和/或质量量输出Q。这样一来，参数测量的过去值以及它们时间上增量可以被用作神经网络功能变换的一部分。在下面的各节中，这样的一个时间延迟神经网络算法的结构和工作将成为更明显的。
上述神经网络实施例的变化包括用于每个传感器或参数测量的时间延迟单元的数目。该数目将取决于时间轨迹要在经历时间上多快被传播。另一要被确定的参数是每个延迟单元的延迟时间或时间d的增量周期。某些延迟单元可以具有设置得彼此之间相对较高或较低的延迟时间d，即它们不需要是相等的，而对于其它传感器可以不需要任何延迟单元。在本实施例中，所有传感器都是具有基本相同的响应时间的电容探测器，延迟单元可以被设置成基本上是同一增量时间延迟的延迟传感器测量C1-C4。概念上，每个当前电容测量Ci(t)的期望值不只与每个其他当前电容测量Cj(t)，i≠j，有关，而且也与每个过去电容测量Ci(t-d)和Cj(t-d)有关。根据这些当前和过去参数测量，可以获悉一个适当的电容到容器内液体体积和/或质量的神经网络变换。
在本实施例中，传感器输出信号可以在处理器18的控制下以与优选的延迟时间一致的速率由数字化器19来采样，以获得每个传感器探测的当前和过去参数测量的断续时间轨迹。该时间轨迹可以被储存在经那里的神经网络算法处理的处理器的存储器中。用另一个方式，每个传感器测量信号可以传导到抽头延迟线。在抽头延迟线那里，抽头输出成为提供给编程数字处理器18的时间延迟参数测量。在任何情况下，当前和/或过去测量采样都可以以任何传统方式在储存在存储器之前被数字化。最好是，仅预定数目的采样被用于由神经网络算法的处理，即一个在采样的时间上滑动的窗口，以确定液体量。因此，可以用每个新的或当前的采样把最老的采样移出延迟线或从存储器改写或擦除。一个在范围C(t)到C(t-nd)上的来自一个探测器的电容测量的时间轨迹会代表一个比只单独根据瞬时测量C(t)更丰富些的用于电容到体积(质量)的神经网络变换的特征。图4示出一组传感器测量C(1)-C(4)的时间轨迹的例子。
可以按照一个基于液体运动状态的动态模型的训练数值组来训练上述时间延迟神经网络算法。该模型可被分析确定(即，根据关于加速容器中液体的运动方程式)或在某个加速度范围上的实验确定。在后者的情况下，参数测量和其它数据可以在实验室设置或在实际环境中被收集，然后被用来建造一个适当的用于产生训练数据的模拟模型。训练数据可以并入已知的传感器特性，包括任何硬件或软件补偿。从下面找到的说明中时间延迟神经网络的训练将成为更好理解的。
在本发明的另一个实施例中，燃料计量设备12包括不同的许多传感器16，在图5和5A上较详细地表示了它们的构成。对于该实施例，仔细地考虑到，一些传感器组20将同一个燃料箱14一起使用。在一个实施例中，每个传感器组20包括一个超声液位传感器22、一个温度传感器24和一个加速度计26。另一个传感器组20a(在图5上用虚线框20a表示)与差分压力传感器23和另一个加速度计26a的形式成一体。即使要考虑燃料层化(例如，由于温度层化)，另外的压力传感器组可以在箱14内的不同高度上被使用。然而，要明白，在不偏离本发明的主要原则的条件下，可以使用不同的传感器16组合，或者诸传感器根本不在物理上组合。
超声型传感器组20，在本例中用了2个，各自包括声靶30。声靶被用来允许确定声音通过燃料13的速度(VOS)。声靶30可被安置在箱14的里边，并只是用作声能反射器的物理元件。仔细地考虑到，原来是箱14设计的一部分的刚性固定的结构元件(如像管、壁等)传统上可被用于声靶30，因而免除把任何结构加到箱14内部的任何需要。
按照这里所注意到的，最好，但不要求，所有传感器22、24、26、26a和28是非插入式的。在图5A上，用不同的几何形状示意地表示传感器22、24和26(例如，对超声传感器22用一个圆；对加速度计26用一个三角形)，以强调本发明仔细考虑使用一些探测或测量不同燃料参数的不同的传感器，这些参数如压力、加速度和温度。各种传感器成“组”的专门的组合也不是实现本发明的一个要求。可以使用不同的组合，或者根本不在物理上组合传感器。
在上述引进的带有申请编号08/99674的美国专利申请中，公开了用于组20中的每个超声传感器的设计细节。但是，传感器16不需要作为传感器组被组成，并可以是传统的器件。一个合适的超声传感器22也或许是从西蒙兹(Simmonds)精密航空器设备公司可购的编号20182-0101元件；一个合适的温度传感器24是一个如从挪威航空公司可购的编号8752元件这样的标准温度传感器；一个合适的用于传感器组20a的压力传感器28是从山西姆(Sensym)公司可购的编号19C030A-4元件；以及，一个合适的加速度计26是从模拟器件公司可购的编号ADXL05EM-3元件。加速度计26最好是一个3轴加速度计，它们输出如航空器飞行动作那样的加速信息。压力传感器28最好被安置在箱14的最大深度处，并传统上可以是一种差分压力传感器，使得压力测量固有地补偿液面上部空间的和周围的压力。
计量系统12还包括一个计算机系统40。该计算机系统40可以是飞机燃料管理系统计算机(未示出)的一部分，或是一个通过适当的接口功能42与燃料管理系统接口的单独处理单元。该计算机系统40包括一个硬件和软件结构。该硬件和软件结构控制燃料计量系统12的总操作，包括传感器16操作的控制、各种融合算法的执行管理和与下流处理功能的接口的控制。在上述引进的带有申请编号08/997137的审理中的专利申请中，提供了一个用于计算机系统40的适当软件结构的细节。但是，本发明不依赖于，也不要求总执行计算机系统40作为燃料计量系统12的一部分使用。相反地，本发明的目的是利用时间延迟神经网络概念进行液体计量，由处理器48执行。该液体计量可以与如系统40这样的总燃料计量计算机系统结合或分离地来实现。计算机系统40包括一个通用传感器接口(USI)部分44。USI44的主要功能是控制和激活各种不同传感器16和接收、处理和格式化从各种传感器16的输出。USI44以数据流46的形式提供传感器16的输出信号给包括时间延迟神经网络算法的处理器48。在上述引进的带有申请编号08/997271的美国专利申请中提供了USI44部分的详细说明。然而，本发明不要求使用USI44，而宁愿可以替换地利用一些传统电路中的任何一个。这些传统电路对于本专业技术人员是高熟知的，它们处理原始的传感器16的输出信号和以与到处理器48的输入兼容的格式提供传感器16的输出信息。与每个传感器的输出相联系的抽头延迟线的延迟单元可以包括USI44的一部分，如果被要求的话。用另一个方式，这样的延迟线处理可以用处理器48的算法根据传感器的输出的采样来执行。
处理器48根据从传感器16接收的数据流执行本发明的功能和计算方面。处理器48可以是计算机系统40的主要处理单元，或可以是一个与它自已的执行下述功能的硬件和软件平行的或接口的单独处理装置(因而包括计量设备12的计算机系统40)。一种合适的处理器或许是从因特尔(Inte1)公司可购的元件编号80486的处理器。这样，本发明通过燃料计量设备12，仔细地考虑接收传感器16的输出和确定在一个或多个燃料箱14中的燃料量的处理器48的使用。这个处理器48及其相关功能可以是同在上述引进专利申请中所述的较高水平的总计算机系统40的结构相结合的或者分离的，或者在没有这个结构的情况下被利用。例如，处理器48可以以微处理器、RISC处理器、DSP或它们的组合的形式被实现。
处理器48能够提供可以以任何可与总燃料管理系统兼容的格式的输出50。总燃料管理系统将把这些数据利用于进行进一步分析和显示。仔细地考虑到，处理器输出50将包括指示按所要求的质量和/或体积表示的每个箱14中的燃料量的数值(或者对所有箱14的累加量)。从时间延迟神经网络算法导出或计算出这些量值。处理器输出50也可以包括过去参数测量值。这些参数测量值根据各种传感器16的输出的时间延迟单元而被确定。这点将从在下面的说明变得明显。关于上述传感器和计算机系统的更详细的说明参考共同审理中的带有申请编号08/996858的美国专利申请。为提供这样说明这个专利申请作为参考被引进到本申请中。
如在这里所使用的，术语”系统模型”指的是总系统12的设计的许多方面，包括但不限于系统方程式、箱的几何学、传感器位置、代表参数测量的传感器输出、传感器不准确度和系统动态特性(例如，加速度和环境)。因此，一般说，系统模型指的是一组当前和过去参数测量与箱中液体量之间的数学的或其它方面的关系式。
一个神经网络算法提供所要求的输出估算。该输出基于统计分析和固有不确定度以及不仅是传感器测量也是系统不确定度的方差。该系统不确定度不是静态的，并且不能直接已知或预测。用于本发明的时间延迟神经网络算法甚至不要求：应该每次采样或更新测量(在每隔τ时间间隔)求解系统变换。例如，在本实施例中尽管神经网络受固有地由系统方程式控制的数据组训练，神经网络不实际计算或求解系统方程式。到以某个准确度知道和/或可以估算传感器不准确度、方差和系统不确定度的程度，时间延迟神经网络技术提供一个对所要求输出的更准确的估算。
参照图5所述，在示例性实施例中的燃料计量设备12的传感器16由USI44激励和处理它们的输出，并以一个测量矢量Zm的形式把相应的参数测量数据提供给处理器48。传感器16包括2个超声传感器。它们把声能传输到液体表面11和接收来自液体表面11的回声波。这些回声波已测量了经历t1f和t2f时间的往返行程。这些超声传感器也探测来自它们各自的VOS靶30的回声波，并测量作为t11VOS、t12VOS、t21VOS和t22VOS的相应回声波传播时间。传感器16包括3个温度传感器26、26a。它们产生被处理成测量数据输出Tu1、Tu2和TP的输出。u1和u2下标指的是与超声传感器组20有关的传感器或数据，而P下标指的是与压力传感器组20a有关的传感器。传感器16还包括3个加速度计26、26a。每个加速度计产生3个关于局部加速矢量，即〔aX、aY、aZ〕u1、〔aX、aY、aZ〕u2、〔aX、aY、aZ〕P的X、Y和Z分量的输出信号。差分压力传感器28产生一个被处理成测量输出P的输出。因而，测量矩阵Zm是一个如下的19个分量的矢量：zm个{t11VOS t12VOS t21VOS t22VOS t1f t2f Tu1 Tu2 TP P au1 au2 aP}其中，a指的是对于每个传感器组的各自3个轴的加速度计数据(全部总计9个加速度计输出值)。这19个测量参数和它们的过去测量参数作为一个测量矢量被提供。该测量矢量被输入到一个时间延迟神经网络的第一层的各自输入节点。该时间延迟神经网络适于在本实施例的使用，并在图7的图示中被例举。
在说明一个时间延迟神经网络之前，将利用在图6上所描述的一个典型的非延迟神经网络算法来奠定适当基础。参照图6，也可以由处理器48执行的示例性神经网络是一个向前馈送的3层视感控器，它接收测量矢量Zm，19个测量分量Z1到Z19中的每一个被连接到神经网络的输入层70的各自输入节点。每个输入值按各自权重W1、W2……W19被加权。在本实施例中，神经网络62包括一个隐蔽层72，在隐蔽层72中，例如，有40个节点。输入层70中的每一个节点都被连接到隐蔽层中的每一个节点(在图6中，为清楚起见省略了大多隐蔽层连接)。每个接点间的连接也如所示的被加权(为清楚起见，图6中省略了大多数权重标志)。于是，到隐蔽层72中每一个节点的输入是来自输入层70中节点的所有加权的输出之和。在本实施例中，神经网络62也包括一单个节点输出层74。
隐蔽层72中的每个节点按权重连接到输出层74。于是，到输出层74中单个节点的输入是来自隐蔽层中每个节点的所有加权输出之和。输出节点74产生箱14中燃料量的要求的输出QT1，在这个情况下是按质量而言的。仅在这个神经网络62中，数值按向前方向移动，从输入节点经隐蔽层72中的节点到输出节点74。通过非线性激活函数f(x)的运算，数值从隐蔽层72中的每个节点移动到输出节点74。在这个示例性实施例中，激活函数f(x)对于隐蔽层72中的每个节点是同一个，并是S形函数：
             f(x)＝1.0/〔1+e-x〕
换句话说，每个隐蔽层72节点输入，称为x，是从该输入层70中所有节点的所有的加权的输入之和，而每个隐蔽层72节点的输出是S形函数f(x)。如果对于一个特定应用适合的话，可以选择其它激活函数。该输出节点的激活函数，仅仅是一个线性和函数，使得输出节点74的输出QT1只是从隐蔽层72中的每个节点接收的所有加权的输入之和，并提供以体积和/质量的单位表示的量。也要注意到，液体密度或许是神经网络62的第二输出节点。
本发明包括上面结合图6说明的非延迟神经网络的推广。在这里，我们也根据与感兴趣的量有关的传感器的多个输出值估算了一种不直接被测量的量。但是，在那个变换中神经网络只被馈给根据当前时刻的传感器输出值。因此，神经网络计算被建立在传感器输出值的单个瞬象，并且不考虑任何以前的值。在一个传感器数据的瞬象不能唯一地确定系统状态时，当在诸瞬间时，这会导致性能降低。本发明包括被馈给从当前和过去时刻的传感器值的时间延迟神经网络。因而，该网络考虑了参数测量的历史，并且能够提供一个较好的估算，即使只最最近的传感器值不允许(因为瞬态条件)箱状态的重建。
在这里讨论的时间延迟神经网络(TDNN)的内部结构可以与规则的或静态的向前馈给神经网络相似，如像上面结合图6描述的那一个。该时间延迟网络具有第一或输入层80和一个或多个第二或隐蔽层82。隐蔽层82中所有的神经元被来自输入层80的所有输出所馈给，并将该输出累加。如果使用多于一个的隐蔽层，则每个相继的隐蔽层中的所有的神经元被馈给前面的隐蔽层的所有神经元的输出。然后，输出层84中的一个或一些神经元被馈以最后隐蔽层中所有神经元的输出。一个带有一个单独的隐蔽层8 2和一个单独的输出神经元84的网络的结构看起来与图7的示例性实施例相似。
TDNN和上述非延迟神经网络之间的一个差别在于输入的设置。假定有N个传感器，每个供给一个读数zi。在静态情况下，网络仅被馈给N个对应当前时刻t的传感器值z1(t)、z2(t)、…、zn(t)。但在TDNN的情况下，网络不仅被馈给在时间t的当前传感器值，而且也被馈给在时间t-d、t-2d、t-3d等的过去的传感器值。其中，d是延时的时间增量，它可以是如上述的系统的采样间隔。在本例子中，TDNN将具有一个最大的M个时刻的延迟。于是，馈到TDNN中的输入的总数目将是N*(M+1)，即是对M+1个时刻的每一个的N个传感器值。在图3的更直接的先进的实施例中，N＝4(4个高度传感器)，M＝1(只一个延迟)。
TDNN的概念不要求，所有的N*(M+1)个传感器测量都应该被馈到神经网络中。例如，在某些过去采样时间的传感器参数测量可以被跳过。可以想像一个神经网络被馈以在时间t、t-d、t-2d、t-4d、t-8d的传感器参数测量。另外，被延迟的传感器输出的数目可以对每个传感器有所不同。如果一个特定的传感器的输出会变化迅速，那么可以使用它在时间t、t-d、t-2d、t-3d、t-4d的参数测量。同时，如果从另一个传感器的输出信号变化较慢，可以只使用在时间t和t-4d的参数测量。对再另一个传感器，它的输出变化非常慢，可以只使用在时间t的当前参数测量，即，根本不会需要延迟的信号。不管这样的变化，神经网络仍会被认为是一个TDNN。区别这样解释的TDNN的是，至少对于一个传感器来说它的在2个不同时刻的参数测量将被馈到网络中。
一个时间延迟神经网络算法，例如像完成用图7说明的网络的一个算法这样的，使用从传感器16的输出(这些输出被总地表示为一个包括输出z1、z2、…、zn的测量矢量zm，其中n是传感器的数目，或者zm个(z1、z2、…、zn))。可以以各自的被d规定的速率更新矢量zm的每个参数测量，其中d是由系统设计者决定的预定的各自的时间延迟增量。并且，可以由处理器48控制矢量zm的每个参数测量。为了处理当前和过去参数测量，可以把TDNN算法编程到处理器48中，以便用和如对图6上描述的实施例所说明的相同的方式产生一个与传感器16有关的代表箱14中燃料量QT的输出。
时间延迟神经网络(在这里也称作一种神经网络)是一种估算器。它不在它的操作中使用一个计算系统模型(虽然该神经网络根据从一个系统模型或分析导出或推演的输入数据来进行训练)，而宁可在训练和学习过程中固有地计及系统模型关系。训练和学习过程是基于一个当前和过去测量的参数和特性数据的动态系统模型。从时间延迟神经网络的输出是所要求的输出QT1或液体量。通过非线性激活方程式根据测量矢量zm(即传感器16的输出)直接计算输出QT1。重要的是要注意到，尽管在这里说明的实施例中时间延迟神经网络算法被用来计算在箱14中燃料13的量，但同样的神经网络和附加的网络(未示出)可被用来提供如中间参数值这样的附加输出。中间参数值包括，但不限于液体密度、压力和温度等。
对TDNN的训练比对纯静态向前馈送网络的训练困难得多。差别是，现在一个单独训练点由N个传感器从当前时刻及从M个过去时刻的测量组成。因而，训练组需要是比较大。它不只要覆盖每个传感器的可能有的值的范围，而且还要覆盖它们的可能的时间上的变化。因此，产生训练组是非常困难的。在静态向前馈送网络的情况下，模拟模型只描写系统的“瞬象”，它取决于传感器关于瞬态的输出。在TDNN中，模拟模型还包括状态的动态特性。一个可能产生训练组的方法是，使用在其中状态的动态特性被模拟为一种随机游走(一种不连续的维纳(Wiener)过程)的动态特性模型。对于每个训练点，在开始时间的状态(例如t-Md)会是随机产生的。然后在M接着的时刻的状态值会被按照动态模型计算，而传感器值会利用和如在纯静态向前馈送网络情况下的基本相同的模拟模型被计算。值得再强调，正如在纯静态向前馈送网络情况下，训练数据发生器可包括传感器噪声和模型不确定度。因而，被训练的网络将是相对那些噪声和不确定度而被优化的。这是本发明的重要方面。
在说明一种用于TDNN的示例性训练技术时，让我们首先考虑一个有一个单独标量输出、根本没有输入延迟的非延迟网络。每个训练点由至该网络的输入组成。该输入是一个N个传感器值y＝(y1、y2、…、yn)和相应的输出值z(在本例中为液体量)的矢量。然后，训练组由大数目的输入-输出对(y(i)、z(i))组成。利用系统模型产生这些训练点。我们定义潜在状态矢量X。X由描述决定传感器输出的箱的性质的量组成。典型地，状态X会由箱姿态、液体质量、液体密度和液体温度等组成。然后，对一个给定的状态值，按如下的(多维的)函数计算传感器输出。
                    y＝g(X)其中，函数g是一种箱模拟模型。典型地，它被作为解析表达式和大数目用于高度-体积变换的内插的检查表的一种混合给出。为计算模型不确定度和传感器噪声，随机发生的测量误差v也应加到模拟的传感器输出上，得到如下的传感器值的计算：
                    y＝g(X)+v
典型上，相应的要求的输出值z是状态矢量X的分量之一，并可被写作：
                      z＝h(X)
在本例子中有这样的理解，即，函数h只相当于从状态矢量中选择一个分量。在其它情况下，函数h或许是较复杂。例如，如果z对应液体质量，但状态矢量X代之包含液体体积和密度，那么，函数h将是状态X的这2个分量的乘积。更其它情况也是可能有的。并且，一般来说，函数h将可以是任意复杂的。然而，最好是，所要求的液体量z已被包括在状态X之内。在这样情况下，函数h只是那个分量从该矢量中的一个选择。
为对于这个网络构建一个训练组，人们可以首先为每个状态矢量X的分量规定可变性的范围或界限。然后，在那些界限内随机产生大数目的(典型上几千个或几万个)状态矢量值X(i)。用来产生这些状态矢量X(i)的特定概率分布将取决于设计者关于在系统的实际工作期间那些值的可能分布的看法，并且，也将反映附加到那些点的重要性。在产生X(i)后，相应的要求网络输出值Z(i)(液体量的数值)可以用如下表达式被计算：
                  z(i)＝h(x(i))然后，相应的传感器输出值可以按下式计算：
                y(i)＝g(x(i))+v(i)最后的训练组将是一个对(y(i)、z(i))的集合。其中，y(i)是到神经网络的输入；z(i)是相应的要求输出。
现在结合图3实施例，考虑有如上述的一个单独时间延迟的TDNN的情况。本例子的网络在2个相继时刻被馈以传感器读数。为简单起见，让我们把这些时刻用1和2指代。然后，到该神经网络的输入是一个从y(1)和y(2)的并置得到的矢量，而输出是对应第二时刻的液体量。
                      z＝h(x(2))
为计算传感器测量信号y(1)和y(2)，状态矢量x(1)和x(2)的潜在值可以用这样的一种方式来定义，即，这2个状态值对应一个实际的箱中的一个物理上可能的转换。换句话说，对于非延迟网络的箱模型可以由系统动态特性的模型来扩大。这样一种动态模型的一个形式由2个部分组成。确定部分由一个线性变换矩阵Φ表征。它把在时刻k+1的状态同在时间k的以前的数值建立关系。另一部分，称作随机部分，由一个随机分量w加到每个状态转换组成。动态特性模型会有如下形式：
                  x(k+1)＝Φx(k)+w
该动态特性模型的一个简单的示例性形式可以由如下的方程式来表示：
                    x(k+1)＝x(k)+w这个模型对应于为单位矩阵的转换矩阵Φ。它表示缺乏关于系统动态特性的明确了解。在2个相继的时刻之间状态值的改变被模拟为一个随机矢量w。w的概率分布描述关于变化的可能方向和速率的知识。用技术术语说，状态x在这里被模拟为一个从白噪声w的积分得到的维纳过程(随机矢量w被假定为与状态无关)。这种随机过程也称为随机游走。
在较一般情况下，该动态特性模型可具有一种非线性形式：
                  x(k+1)＝f(x(k)、w)注意，上面讨论的2个简化的动态特性模型形式事实上是这个一般动态特性模型的特殊情况。随机分量w概率分布的选择反映设计者关于模型的精确形式的不确定性(的考虑)。分布越“宽”(大的协变性、长的尾部等)模型越不确定。
状态动态特性模型的形式f与状态矢量x的组成有密切关系。如果动态模型是特殊形式(随机游走模型)的，则状态分量将可能与在以前讨论的非延迟神经网络情况中的相同。如果使用比较复杂的动态模型，则状态矢量可以用感兴趣的量的变化速率，即，液体质量变化速率、温度变化速率和密度变化速率等来扩大。
现在假定，动态模型x(k+1)＝f(x(k)，w)已被规定。生成训练组的第一步将与在非延迟网络的情况下的相同。将在事先规定的界限内随机地产生在第一时刻的大数目的状态矢量x(i)(1)。然后，生成训练组的下一步将是一种对每个状态值x(i)(1)的相应的相继状态值的计算。每个状态值x(i)(1)的相应的相继状态值被表示为：
                    x(i)(2)＝f(x(i)(1)，w)这里，w(i)是随机噪声值，为每个训练点独立产生的。下一步将是按下式计算相应的传感器输出值：
            y(i)(1)＝g(x(i)(1))+v    和
            y(i)(2)＝g(x(i)(2))+v相应的要求的神经网络输出也可被按下式计算：
               z(i)＝h(x(i)(2))最后的训练组可以是一种三元组(y(i)(1)、y(i)(2)、z(i))的集合。其中y(i))(1)和y(i))(2)共同构成到神经网络的输入。
现在考虑带有M＞1的较大数目延迟的TDNN的一般情况。那么，到该网络的输入矢量由传感器在时间1，2，3，…，M+1的测量组成。这种情况和带有一个单独延迟(M＝1)的较简单情况之间的唯一差别是，现在对于每个训练点，我们需要M+1个状态值x(k)，k＝1，…，M+1。该训练组产生的过程几乎与以前所述的相同。首先，随机地产生一个大的对应第一时刻的状态矢量值x(i)(1)的集合。然后，根据这些状态值，通过迭代如下状态转换函数M次，产生对应相继时刻2，3，…，M+1的状态矢量。
      x(i)(k+1)＝f(x(i))(k)，w)    k＝1，…，M在这个表达式中，w是对每个状态转换和对每个训练点独立产生的随机量。下一步是对每个训练点和对每个时刻计算传感器测量值：
              y(i)(k)＝g(x(i)(k))+v这里，v是随机的传感器噪声，也是对每个时间指标和对每个训练点独立产生的。最后，根据在最后时间指标的状态值计算所要求的输出：
                z(i)＝h(x(i)(M+1))最后的训练组将是一个大数目的M+2元组的集合(y(i)(1)，y(i)(2)，…，y(i)(M)，y(i)(M+1)，z(i))，其中从y(i)(1)到y(i)(M+1)的M+1个输入值共同构成到神经网络的输入。一旦构成了训练组，就以与在非延迟网络情况下的相同的方式精确地执行网络的训练。
注意，延迟的输入引进到TDNN将可能需要大大增加训练点数目和训练时间。
权重都是训练前随机赋予的，而且，可以利用向后传播算法或其它适当训练算法实现该训练。向后传播算法如在下列文献中有所教导：Rumelhart等，“平行分配的处理”，MIT出版社，Cambridge，MA(1988)。其它适当训练算法是如像在下列文献中所教导的训练算法：Hassoun，“人造神经网络基础”，MIT出版社，Cambridge，MA(1995)。训练之后，权重被存储并且保持固定。然后，神经网络利用来自测量矢量zm的当前和过去的数据实时工作，并直接计算当前输光QT1。如果被要求的话，输出层可以包括较多的输出节点，以提供需要较扩大的训练过程的如像密度、温度、压力和加速度这样参数值的确定。关于神经网络训练的详细说明，参考审理中的带有申请编号08/996858的美国专利申请。
为了使TDNN提供超过静态向前馈送网络的重要优点，它应该捕获探究中的系统的动态特性。这意味着，抽头延迟线的数目M和延迟d必须如此，即，它有可能从测量中再建立感兴趣的量。定性地，最长的输入延迟，即Md，应该比系统的“记忆”小，也就是说，在“记忆”以后的时间过去测量不含有任何关于当前状态的有用信息。同样地，它应该足够长，使到TDNN的输入能捕获到最慢模式的与估算量(液体质量或体积)有关的系统动态特性。
虽然已在这里结合几个实施例说明了本发明，但要明白，这样的发明不应以任何方式被限于任何单独的实施例，而应在按照所附的权利要求的陈述在大的宽的范围内被解释。

Claims (55)

1、一种利用时间延迟神经网络的液体计量设备，用于确定不能为传感器所直接测量的容器中的液体的量，所说的计量设备包括：
许多传感器，所说的传感器中的每一个都用于测量所说液体的有关参数和用于产生随时间变化的、代表被测量的有关参数的传感器输出信号；以及
处理装置，用于处理所说的传感器输出信号，以便用一个时间延迟神经网络算法，根据当前和过去的所说传感器输出信号的参数测量，确定容器中当前的液体量。
2、权利要求1的液体计量设备，其中，处理装置包括用于储存代表过去的液体参数测量的传感器输出信号的装置。
3、权利要求2的液体计量设备，其中，处理装置包括用于采样随时间变化的传感器输出信号的装置，以提供用于储存和在处理装置中的处理的当前和过去的许多传感器的参数测量。
4、权利要求3的液体计量设备，其中，所说的对传感器输出信号采样的装置的采样速率是基于对每个在被采样的有关传感器的预定的时间延迟增量。
5、权利要求4的液体计量设备，其中，这许多传感器中的某些传感器可以不提供任何过去的参数测量。
6、权利要求4的液体计量设备，其中，一个传感器输出的预定时间延迟增量可以被设置成不等于另一个传感器输出的预定时间延迟增量。
7、权利要求1的液体计量设备，其中，处理装置用时间延迟神经网络算法，根据一个在时间上滑动的窗口处理每个传感器的预定数目的参数测量。
8、权利要求1的液体计量设备，其中，处理装置包括与至少一个传感器相联系的至少一个时间延迟装置，用于以至少一个预定时间增量来延迟所说的相应的当前传感器输出，并对每个延迟时间增量产生一个代表过去参数测量的信号。
9、权利要求8的液体计量设备，其中，这许多传感器中的某些传感器可以没有任何与其相联系的延迟装置。
10、权利要求8的液体计量设备，其中，一个传感器输出的预定时间延迟增量可以被设置成不等于另一个传感器输出的预定时间延迟增量。
11、权利要求1的液体计量设备，其中，处理装置包括一个被编程的处理器，该处理器包括用于处理当前和过去的传感器输出信号的参数测量以便确定当前的液体量的时间延迟神经网络算法。
12、权利要求1的液体计量设备，其中，液体包括飞机燃料；容器包括飞机燃料箱。
13、权利要求1的液体计量设备，其中，利用关于所说的当前和过去参数测量以及所说的被确定的量的训练数据组的值，训练所说的时间延迟神经网络算法。
14、权利要求13的液体计量设备，其中，从一个动态系统计算机模型中导出时间延迟神经网络算法的训练数据组。
15、权利要求14的液体计量设备，其中，动态系统模型包括一个容器模型。
16、权利要求1的液体计量设备，其中，从下面组中选择所说的液体的被测量参数：温度、压力、回声传播时间、加速度和容量。
17、权利要求1的液体计量设备，其中，神经网络算法产生一个对应于当前容器中液体体积的输出。
18、权利要求1的液体计量设备，其中，神经网络算法产生一个对应于当前容器中液体质量的输出。
19、权利要求1的液体计量设备，其中，神经网络算法表征这样的一个神经网络，即，它包括与所说的当前和过去参数测量对应的若干输入节点、有诸节点的至少一个隐蔽层和带有至少一个与输出对应的节点的输出层。
20、一种利用时间延迟神经网络的液体计量设备，用于确定不能为传感器所直接测量的容器中的液体量，所说的液体计量设备包括：
许多传感器，所说的传感器中的每一个都用于测量所说液体的有关参数和用于产生可随时间变化的、代表它的被测量参数的传感器输出信号；
装置，用于提供所说许多传感器的与一个当前输出信号有关的过去传感器输出信号；以及
时间延迟神经网络装置，用于处理所说许多传感器的所说的当前输出信号和所说的过去输出信号，以便确定容器中的当前的液体量。
21、权利要求20的液体计量系统，其中，提供装置包括至少一个与每个传感器相联系的时间延迟装置，用于以至少一个预定时间增量来延迟所说的相应传感器的当前输出信号，并对每个延迟时间增量产生一个过去传感器输出信号。
22、权利要求21的液体计量设备，其中，这许多传感器中的某些传感器可以不产生任何延迟的传感器输出信号。
23、权利要求21的液体计量设备，其中，一个传感器输出的预定时间延迟增量可以不等于另一个传感器输出的预定时间延迟增量。
24、权利要求20的液体计量设备，其中，时间延迟神经网络装置包括一个被编程的处理器，该处理器包括一种基于一个时间延迟神经网络的算法，该时间延迟神经网络用于用所说的时间延迟神经网络算法来处理当前和过去传感器输出信号。
25、权利要求24的液体计量设备，其中，利用所说的当前和过去传感器输出和所说的被确定的量的训练数据组的数值，训练所说的时间延迟神经网络算法。
26、权利要求25的液体计量设备，其中，从一个动态系统计算机模型中导出训练数据组。
27、权利要求26的液体计量设备，其中，动态系统计算机模型包括容器的几何模型。
28、权利要求20的液体计量设备，其中，液体包括飞机燃料；容器包括飞机燃料箱。
29、权利要求20的液体计量设备，其中，从下面组中选择所说的液体的被测量参数：温度、压力、回声传播时间、加速度和容量。
30、权利要求20的液体计量设备，其中，神经网络装置产生一个对应于当前容器中液体体积的输出。
31、权利要求20的液体计量设备，其中，神经网络装置产生一个对应于当前容器中液体质量的输出。
32、权利要求20的液体计量设备，其中，神经网络装置包括与所说的当前和过去传感器输出信号对应的若干输入节点、至少一个有诸节点的隐蔽层和一个带有至少一个与输出对应的节点的输出层。
33、权利要求20的液体计量设备，其中，所说的许多传感器包括至少2个在容器中的不同位置测量一个共同的液体参数的传感器。
34、权利要求33的液体计量设备，其中，至少2个传感器是电容探测传感器，它们被安置在容器中的不同位置，在所说的相应位置测量液体高度和产生代表它的输出信号。
35、权利要求33的液体计量设备，其中，至少2个传感器是超声传感器，它们被安置在容器中的不同位置，在所说的相应位置测量液体高度和产生代表它的输出信号。
36、权利要求20的液体计量设备，其中，多个传感器被分成许多传感器组，每个传感器组测量足以确定所说的液体量的液体参数。
37、权利要求36的液体计量设备，其中，至少一个传感器组包括一个或多个如下传感器：超声的液位传感器、温度传感器和加速度计。
38、权利要求36的液体计量设备，其中，至少2个传感器组在容器中的不同位置测量相同的参数特性，为神经网络装置提供冗余的数据。
39、权利要求36的液体计量设备，其中，至少一个所说传感器组包括一个或多个如下传感器：压力传感器、温度传感器和加速度计。
40、权利要求20的液体计量设备，其中，所说的传感器对于容器是非插入的。
41、权利要求40的液体计量设备，其中，所说的非插入传感器包括超声的液位传感器，用于从容器外的传感器位置传输声学的能量到容器中。
42、权利要求20的液体计量设备，其中，所说的许多传感器包括超声的液位传感器、至少一个温度传感器、至少一个压力传感器和至少一个加速度计。
43、权利要求20的液体计量设备，其中许多传感器测量提供液体表面平面特性的参数，并且其中神经网络装置根据当前和过去测量的参数产生一个代表容器中当前液体体积的输出。
44、一种训练一个时间延迟神经网络算法的方法，该算法用于从当前和过去液体参数传感器的测量来计算一个容器中的液体量，所说的方法包括步骤：
建立一个被许多传感器检测的容器中液体特性和所说液体特性的参数测量的动态模型；
从所说的动态模型导出关于许多液体量值的训练数据组，每个所说的数据组包括当前和过去的对应于许多液体量值的液体参数传感器测量值和所说的相应液体量值；以及
用所说的被导出的训练数据组训练所说的时间延迟神经网络算法。
45、权利要求44的方法，其中，动态模型表征在第一预定时间t1时容器中液体状态和经过一个预定的时间增量d后所说状态的变化，以导出在第二预定时间t2＝t1+d时的液体状态；并且，其中，在时间t1和t2的液体状态分别用状态矢量x(1)和x(2)的值表示。
46、权利要求45的方法，其中，根据基于一个包括一个确定部分和一个随机部分的状态矢量x(1)的函数的动态模型来确定从状态矢量x(1)到状态矢量x(2)的转换。
47、权利要求46的方法，其中，所说函数的确定部分是基于对液体状态在时间上的动态特性的了解。
48、权利要求46的方法，其中，所说函数的随机部分是基于对所说的从状态矢量x(1)到状态矢量x(2)的给定转换的随机表达式。
49、权利要求48的方法，其中，所说随机表达式是一种状态矢量x(1)变化的方向和速率的概率分布。
50、权利要求44的方法，其中，导出步骤包括步骤：
(a)确定在初始时刻t0由状态矢量x(0)的值表示的容器中的液体状态；
(b)利用动态模型，从所说的状态矢量x(n-1)确定在随后的时间t(n)＝t0+nd的液体状态，n＝1～M，其中d是一个预定时间增量，所说的在t(n)状态用状态矢量x(n)值来表示；
(c)根据状态矢量x(i)所说的值的第一函数分别确定所说的多个传感器在时间t(i)的参数测量值，其中i是0到M范围内的整数；以及
(d)根据状态矢量x(i)的所说值的第二函数分别确定在时间t(i)的液体量值，其中所说的对于时间t(i)的被确定的参数测量值和液体量值成为用于时间延迟神经网络算法的训练数据组的一部分。
51、权利要求50的方法，其中，按容器中液体状态的可变性的预先规定的界限内随机产生来确定在初始时刻t0的容器中液体状态。
52、权利要求50的方法，其中，确定每个在随后的时间t(n)的液体状态x(n)，作为一个包括随机噪声表达式的状态x(n-1)的函数。
53、权利要求52的方法，其中，与状态x(n-1)和x(n)之间的具体转换无关地导出随机噪声表达式。
54、权利要求50的方法，其中，确定参数测量值的步骤的第一函数包括随机噪声表达式。
55、权利要求54的方法，其中，与每个时刻和每个训练数据组无关地导出第一函数的随机噪声表达式。
CN01812601A 2000-07-13 2001-05-24 利用时间延迟神经网络的液体计量设备 Pending CN1441896A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US09/615,455 2000-07-13
US09/615,455 US6577960B1 (en) 2000-07-13 2000-07-13 Liquid gauging apparatus using a time delay neural network

Publications (1)

Publication Number Publication Date
CN1441896A true CN1441896A (zh) 2003-09-10

Family

ID=24465434

Family Applications (1)

Application Number Title Priority Date Filing Date
CN01812601A Pending CN1441896A (zh) 2000-07-13 2001-05-24 利用时间延迟神经网络的液体计量设备

Country Status (7)

Country Link
US (1) US6577960B1 (zh)
EP (1) EP1299697A2 (zh)
JP (1) JP2004504589A (zh)
CN (1) CN1441896A (zh)
AU (1) AU2001265032A1 (zh)
CA (1) CA2415693A1 (zh)
WO (1) WO2002006774A2 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100455999C (zh) * 2006-06-30 2009-01-28 北京奥麦特科技有限公司 一种超声波测量液位的装置及方法
CN103499374A (zh) * 2013-09-05 2014-01-08 江苏大学 一种基于神经网络的超声波动态液位检测方法和系统
CN106338319A (zh) * 2015-04-17 2017-01-18 霍尼韦尔有限公司 多路料位感测探头
CN106767763A (zh) * 2017-03-15 2017-05-31 北方工业大学 一种平面姿态测量传感器的环境补偿装置与方法
CN110514267A (zh) * 2019-08-08 2019-11-29 大连理工大学 一种箭体贮箱液位监测方法
CN110753749A (zh) * 2017-03-22 2020-02-04 自由感有限公司 用于跟踪容器中的位置和过程参数的传感器装置
CN111376910A (zh) * 2018-12-29 2020-07-07 北京嘀嘀无限科技发展有限公司 用户行为的识别方法、识别系统及计算机设备
CN112859793A (zh) * 2021-02-04 2021-05-28 中南大学 基于改进滑动时间窗口的工业生产过程动态时延辨识方法

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6901971B2 (en) * 2001-01-10 2005-06-07 Entegris, Inc. Transportable container including an internal environment monitor
DE102004052110B4 (de) 2004-10-26 2018-08-23 Endress+Hauser SE+Co. KG Verfahren zur Füllstandsmessung nach dem Laufzeitprinzip
US7251998B2 (en) * 2005-05-25 2007-08-07 Bae Systems Information And Electronic Systems Integration Inc. Liquid measurement system having a plurality of differential pressure probes
CN101223392B (zh) 2005-07-18 2010-08-11 法商Bic公司 可分离的燃料盒
US8803683B2 (en) * 2006-09-13 2014-08-12 Trackpoint Systems, Llc System, method, and device for measuring and reporting changing levels of liquids in storage tanks
DE102006047814A1 (de) 2006-10-06 2008-04-10 Endress + Hauser Gmbh + Co. Kg Vorrichtung zur Bestimmung und/oder Überwachung des Füllstandes eines Mediums
US8095480B2 (en) 2007-07-31 2012-01-10 Cornell Research Foundation, Inc. System and method to enable training a machine learning network in the presence of weak or absent training exemplars
US7825816B2 (en) * 2007-08-20 2010-11-02 Capital Formation Inc Sensing device arrangement for fuel storage tanks
US8281655B2 (en) * 2009-04-03 2012-10-09 Eaton Corporation Fuel gauging system utilizing a digital fuel gauging probe
DE102009055262A1 (de) * 2009-12-23 2011-06-30 Endress + Hauser GmbH + Co. KG, 79689 Verfahren zur Ermittlung und Überwachung des Füllstands eines Mediums in einem Behälter nach einem Laufzeitmessverfahren
CN102032935B (zh) * 2010-12-07 2012-01-11 杭州电子科技大学 城市排水汇流管网污水泵站流量的软测量方法
US9618377B2 (en) 2013-09-26 2017-04-11 Drs Sustainment Systems, Inc. Methods and apparatuses for determining the volume of a substance in a flexible tank
DE102014216875A1 (de) * 2014-08-25 2016-02-25 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Ermitteln der Flüssigkeitsmenge von einer in einem Behälter eines Fahrzeugs bevorrateten Flüssigkeit
US9910025B2 (en) 2015-06-23 2018-03-06 Simmonds Precision Products, Inc. Integrated active fuel characteristic sensor
US10627280B2 (en) * 2017-04-17 2020-04-21 Simmonds Precision Products Integrated sensor unit for fuel gauging
US10564022B2 (en) * 2017-04-18 2020-02-18 Simmonds Precision Products, Inc. Aircraft fuel gauging method using virtual probes
US10670442B2 (en) * 2017-06-28 2020-06-02 Simmonds Precision Products, Inc. Fuel gauging system and improved methodology for fuel quantity estimation
US11014683B2 (en) * 2018-03-19 2021-05-25 Simmonds Precision Products, Inc. Fluid characterization system with integrated density compensation
GB2575690A (en) * 2018-07-20 2020-01-22 Gillespie Avionics Ltd Liquid measurement device for a tank
CN116090340B (zh) * 2022-12-30 2023-09-12 朗坤智慧科技股份有限公司 一种基于数据分析的热工控制时间延迟估计方法
CN116380714B (zh) * 2023-03-15 2023-09-22 中国科学院地理科学与资源研究所 一种水样含沙量测量装置及使用其的测量方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4426616A (en) 1981-10-06 1984-01-17 Simmonds Precision Products, Inc. Capacitive measurement system
US4965731A (en) 1986-08-27 1990-10-23 Simmonds Precision Products, Inc. System and method of specific flight jet aircraft operation
DE288215T1 (de) 1987-04-24 1989-03-09 Simmonds Precision Products, Inc., Tarrytown, N.Y. Bestimmung von elektrischer kapazitaet und elektrischem widerstand.
CH683208A5 (de) 1992-03-16 1994-01-31 Sulzer Ag Mess- und Auswertevorrichtung zum Bestimmen des gasförmigen Volumens eines Flüssigkeitsbehälters.
DE4223346C2 (de) 1992-07-16 1996-05-02 Grieshaber Vega Kg Anordnung und Verfahren zur berührungslosen Füllstandmessung
US5832468A (en) * 1995-09-28 1998-11-03 The United States Of America As Represented By The Administrator Of The Environmental Protection Agency Method for improving process control by reducing lag time of sensors using artificial neural networks
US6157894A (en) * 1997-12-23 2000-12-05 Simmonds Precision Products, Inc. Liquid gauging using sensor fusion and data fusion

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100455999C (zh) * 2006-06-30 2009-01-28 北京奥麦特科技有限公司 一种超声波测量液位的装置及方法
CN103499374A (zh) * 2013-09-05 2014-01-08 江苏大学 一种基于神经网络的超声波动态液位检测方法和系统
CN103499374B (zh) * 2013-09-05 2016-06-15 江苏大学 一种基于神经网络的超声波动态液位检测方法和系统
CN106338319A (zh) * 2015-04-17 2017-01-18 霍尼韦尔有限公司 多路料位感测探头
CN106767763A (zh) * 2017-03-15 2017-05-31 北方工业大学 一种平面姿态测量传感器的环境补偿装置与方法
CN110753749A (zh) * 2017-03-22 2020-02-04 自由感有限公司 用于跟踪容器中的位置和过程参数的传感器装置
CN111376910A (zh) * 2018-12-29 2020-07-07 北京嘀嘀无限科技发展有限公司 用户行为的识别方法、识别系统及计算机设备
CN110514267A (zh) * 2019-08-08 2019-11-29 大连理工大学 一种箭体贮箱液位监测方法
CN112859793A (zh) * 2021-02-04 2021-05-28 中南大学 基于改进滑动时间窗口的工业生产过程动态时延辨识方法

Also Published As

Publication number Publication date
US6577960B1 (en) 2003-06-10
EP1299697A2 (en) 2003-04-09
AU2001265032A1 (en) 2002-01-30
JP2004504589A (ja) 2004-02-12
WO2002006774A2 (en) 2002-01-24
WO2002006774A3 (en) 2002-07-25
CA2415693A1 (en) 2002-01-24

Similar Documents

Publication Publication Date Title
CN1441896A (zh) 利用时间延迟神经网络的液体计量设备
CN110427654B (zh) 一种基于敏感状态的滑坡预测模型构建方法及系统
CN110029986B (zh) 基于粒子群极限学习机的游梁式抽油机的动液面预测方法
Bode Neural networks for cost estimation: simulations and pilot application
Henley Nonparametric geostatistics
WO2019219965A1 (en) Meta-gradient updates for training return functions for reinforcement learning systems
EP1042652A1 (en) Liquid gauging using sensor fusion and data fusion
CN109612472A (zh) 一种深空探测器自主导航系统构建方法及装置
JPH0743271B2 (ja) センサーシステムの目盛り定めの為の装置と方法
CN110059439B (zh) 一种基于数据驱动的航天器轨道确定方法
Abudu et al. Modeling of daily pan evaporation using partial least squares regression
Ancey Monte Carlo calibration of avalanches described as Coulomb fluid flows
CN108764475A (zh) 遗传小波神经网络的陀螺随机误差补偿方法及系统
CN109583100A (zh) 一种基于ago-rvm的陀螺仪故障预测方法
Chukwu et al. Analysis of some meteorological parameters using artificial neural network method for Makurdi, Nigeria
CN115471679A (zh) 一种天然河道水位流量同步同化方法及智能系统
CN110007617B (zh) 一种飞行器半实物仿真系统的不确定度传递分析方法
Gunaratna et al. Spatial autocorrelation
Ji et al. Multi-stage multi-fidelity Gaussian process modeling, with application to heavy-ion collisions
CN106092092B (zh) 面向脉冲星导航系统的分数阶可观测性分析方法
CN110888142A (zh) 基于mems激光雷达测量技术的航天器隐藏目标点测量方法
Wang Autonomous underwater vehicle (AUV) path planning and adaptive on-board routing for adaptive rapid environmental assessment
CN1226593C (zh) 动态情况下异步多传感器信息融合方法
Yoshida et al. A smart rheologic MSD model pushed/calibrated/evaluated by experimental impulses
Fulcoly et al. Exploiting Multidimensional Design of Experiments and Kriging Methods: An Application to a Satellite Radar System Tradespace and Orbital Transfer Vehicle Tradespace

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication