一种基于神经网络的误差补偿超声波燃气表设计

1.本发明涉及一种基于神经网络的误差补偿超声波燃气表设计。


背景技术：

2.天然气作为一种高质量，绿色环保的能源成为国内能源结构的首选。超声波燃气表的测量精度是衡量超声波燃气表是否满足测量要求的重要指标，是改进超声波燃气表的结构和参数或进行误差补偿的重要依据。随着技术的不断进步，超声波燃气表已经应用到工业生产、国防事业及医疗建设等各个领域。但是，受本身测量电路的制约，超声波燃气表的测量结果很容易受到外界环境的影响，如温度、湿度、压力等，深入研究超声波燃气表误差补偿方法对提高超声波燃气表测量精度至关重要。
3.目前由于现场安装条件限制，换能器受到安装误差、温度、流量波动、不稳定流场的影响。对这些因素所引起的超声波燃气表的测量误差进行补偿，大多都是通过硬件电路及敏感元件等实现的，但是对于温度和流场的误差影响难以消除。随着神经网络的迅速发展，建立了基于神经网络的误差补偿模型，神经网络根据具体的测量工况参数，如长度、直径、顺逆流渡约时间等，通过误差补偿模型补偿到超声波燃气表的测量结果中，以提高超声波燃气表的测量精度。发明专利内容
4.本发明的目的是提高超声波燃气表的测量精度，通过对超声波燃气表误差补偿实现方便，智能化程度高，使用便捷，功耗低，运行安全可靠性高，便于推广使用。具体技术方案如下：
5.步骤s1：根据超声波燃气表时差法测量原理，筛选每次实验记录下的实验数据，选择其中影响超声波燃气表测量的几何量参数、信号因素和流场因素，包括管道长度、管道内径、换能器安装角度和顺逆流渡越时间，作为神经网络的输入参数并构造用于神经网络训练的数据集。
6.步骤s2：将影响超声波燃气表的几何量参数、信号因素和流场因素等参数作为神经网络的输入，瞬时流量q1与真实瞬时流量值q之间的误差值作为神经网络的输出，进行神经网络的训练，在训练完成后，即可获得一个搭建好可以调用的神经网络。根据输入的参数的值，就可以预测出对应条件下的瞬时流量的误差值。
7.步骤3：调用s2步骤中搭建好的神经网络，当想要知道超声波燃气表的几何量参数、信号因素和流场因素中影响因素对超声波燃气表精度影响较大时，把对应的参数值作为输入输进神经网络，就可以预测这个参数值对超声波燃气表精度的影响。
8.步骤4：调用s2步骤中搭建好的神经网络对每个影响因素值对超声波燃气表产生的影响进行具体分析。
9.所述步骤s1中确定预测模型中的输入参数包括：1)修正系数k。在计算流量时，需根据流动状态确定修正系数k，其取值与雷诺数有
关，雷诺数是表征流体的流动状态的无量纲数，雷诺数re的计算公式是2)管道长度l。一般情况下，管道长度l与管道直径和换能器安装角度相关，根据公式管道长度与管道直径、换能器安装角度密切相关，所以管道长度的大小对超声波燃气表的瞬时流量产生影响。3)管道直径d。根据2)中所述管道直径跟管道长度、换能器安装角度有关，所以管道直径的大小会对超声波燃气表的瞬时流量产生影响。4)换能器安装角度θ。根据2)中所述换能器安装角度跟管道长度、管道直径有关，所以换能器安装角度会对超声波燃气表的瞬时流量产生影响。5)顺逆流渡越时间t1,t2。根据超声波顺流渡越时间公式：超声波逆流渡越时间公式：超声波信号在流体中的渡越时间差：顺逆流渡越时间主要跟管道长度、超声波信号的传播速度和管道内气体流体的流速有关。所以顺逆流时间差对超声波燃气表的瞬时流量的大小产生影响。6)瞬时流量q。根据瞬时流量公式：从公式中可看出几何量参数、信号因素和流场因素对超声波燃气表的精度都会产生影响。
10.所述步骤s2中的神经网络的搭建步骤为：步骤s2.1：在开始训练神经网络之前，需要初始化网络的权重和偏置(或其他参数)。通常会使用随机初始化的方法给这些参数一个初始值。步骤s2.2：随机选取一个输入样本及对应期望输出，计算隐含层和输出层的各个神经院的输入及输出，在前向传播阶段，输入数据从输入层开始通过网络，逐层进行加权和激活函数的计算，直到到达输出层。这意味着输入数据的信息在网络中向前传播，每个神经元将计算其输入的加权和，并将结果传递给下一层的神经元。步骤s2.3：每个神经元通常都会应用激活函数对其输入进行非线性变换。激活函数引入了非线性特性，使得神经网络可以学习和表示更复杂的模式和关系。步骤s2.4：最后一层神经元产生网络的输出结果。输出层的激活函数和处理方式取决于问题的类型。步骤s2.5：根据网络的输出结果和真实标签(或目标值)，计算损失函数来衡量网络的预测与实际值之间的差距。步骤s2.6：反向传播是训练神经网络的关键步骤。在这个阶段，通过使用链式法则和梯度下降的方法，计算每个参数对损失函数的梯度。梯度表示了参数的变化方向，使得可以通过梯度下降来更新网络中的参数。步骤s2.7：根据计算得到的梯度，使用优化算法(如随机梯度下降、动量法、adam等)来更新网络中的参数。通过不断迭代和更新参数，网络逐渐减小损失函数，以提高其性能和预测能力。
步骤s2.8：前向传播、损失计算和反向传播构成了一次迭代的训练过程。通过多次迭代，网络不断学习并调整参数，以提高其在训练数据上的拟合能力。
11.所述步骤s3中的基于神经网络的误差补偿超声波燃气表预测步骤为：步骤s3.1：根据选定的环境影响因素，将实验数据整理为神经网络的输入与输出格式，并把前70％的数据作为训练集，后30％作为测试机验证网络预测精度。步骤s3.2：根据输入与输出个数设定神经网络参数，进行神经网络训练。步骤s3.3：在建立好符合误差要求的神经网络之后，输入管道长度、管道直径、换能器安装角度、顺逆流渡越时间的值，预测相应的瞬时流量q1与真实瞬时流量值q的误差值。
12.所述步骤s4中的调用搭建好的神经网络的每个影响因素对超声波燃气表测量精度产生的影响进行分析的具体步骤为：步骤s4.1：当研究某一影响因素对超声波燃气表的影响时，采用控制变量法的思想，控制其他影响因素为工况下的数值不变，该影响因素在某个区间范围内以固定步长逐渐增大，并把这组影响因素数据整理为神经网络的输入形式。步骤s4.2：调用s2步骤中训练好的神经网络，将这组影响因素作为输入输进神经网络。根据瞬时流量q1与真实瞬时流量值q的误差值就可以得到该影响因素对瞬时流量的影响，通过作图可以清晰地看到瞬时流量q1与真实瞬时流量值q的误差值随该影响因素变化而产生的变化趋势。步骤s4.3：在分析其他影响因素的影响时，只要选择对应的影响因素重复上述步骤s4.1和s4.2即可，直到分析完每个影响因素对超声波燃气表的瞬时流量的影响。
13.本发明的有益效果是：只要有测试的实验数据，就可以在实验数据的基础上快递搭建好神经网络，实现对任意影响因素下超声波燃气表瞬时流量的预测，并能准确分析出各个影响因素对超声波燃气表瞬时流量的影响，稳定且可靠，并提高了效率。
附图说明
14.图1是本发明专利所述一种基于神经网络的误差补偿超声波燃气表设计预测及影响因素分析步骤流程图；
15.图2是本发明专利所述神经网络的算法流程图；
16.图3是本发明专利所述的基于神经网络的超声波燃气表瞬时流量预测步骤流场图。
具体实施方式
17.以下结合实施例并对照附图对本发明方法作进一步详细的说明：
18.如图1所示，本发明所述的一种基于神经网络的误差补偿超声波燃气表设计，其包括以下具体实施步骤：
19.步骤s1，对超声波燃气表瞬时流量有影响的影响因子进行选取：在时差法原理的前提下，超声波燃气表的瞬时流量与管道长度、管道内径、换能器安装角度和顺逆流渡越时间有关系，根据瞬时流量公式可以得到流场修正系数
k、管道长度l、管道内径d、换能器安装角度θ及顺逆流渡越时间t1,t2有关。综上所述，影响瞬时流量大小的影响因素主要是管道长度、管道内径、换能器安装角度和顺逆流渡越时间。
20.步骤s2，根据构造好的数据集进行神经网络的训练和搭建：如图2所示，建立了一个基于神经网络的超声波燃气表瞬时流量预测模型，具体包含以下步骤：1)根据历史实验数据，将管道内径、换能器安装角度和顺逆流渡越时间作为神经网络的输入，瞬时流量q1与真实瞬时流量值q的误差值作为输出，把前70％的数据当作神经网络的训练集，后30％的数据作为测试集来检测神经网络的预测精度。2)选取神经网络的参数：开始训练神经网络之前，需要初始化网络的权重和偏置(或其他参数)。通常会使用随机初始化的方法给这些参数一个初始值，给输入层与隐含层、隐含层与输出层的连接权值、阈值分别赋一个区间(-1,1)内的随机数，设定误差函数为其中n为样本个数，d(i)为期望输出，y(i)为输出层的输出。根据公式选择隐含层节点数，其中n为隐含层节点数；m为输入节点数；l为输出节点数；a为1-10之间的常数。选择合适的设定值，对能达到误差要求的范围越接近。3)根据1)和2)设定的参数，进行神经网络的训练即信号正向传播和误差反向传播，连接权值和阈值的修正，当训练结果的误差满足条件时，完成神经网络的训练。
21.步骤s3，调用搭建好的神经网络对某个影响因子下的超声波燃气表的瞬时流量q1与真实瞬时流量值q的误差值进行预测；如图3所示，通过调用建立好的神经网络，输入相应的影响因素值就可以进行瞬时流量q1与真实瞬时流量值q的误差值的预测。将后30％作为测试集的实验数据输入建立好的神经网络，并将预测的瞬时流量误差值与真实瞬时流量误差值进行比较。
22.步骤s4，调用搭建好的神经网络对各个影响因素对超声波燃气表瞬时流量大小产生的影响进行分析：当研究几何量参数、信号因素和流场因素对瞬时流量的影响时，控制单一变量的数值，使得其他因素在区间范围内以一定补偿逐渐增大，并将这组数据整理为神经网络的输入格式，输入已经搭建好的神经网络，即可得到瞬时流量随其他因素变化而引起的误差。对误差进行补偿，可提高超声波燃气表的测量精度。
23.当研究流场修正系数k对瞬时流量的影响时，控制管道长度l、管道内径d、换能器安装角度θ及顺逆流渡越时间t1,t2的数值保持不变，将这组数据整理为输入神经网络的输入格式，输入已经搭建好的神经网络，即可得到流场修正系数k对超声波燃气表瞬时流量的影响。
24.当研究管道长度l对瞬时流量的影响时，控制流场修正系数k、管道内径d、换能器安装角度θ及顺逆流渡越时间t1,t2的数值保持不变，将这组数据整理为输入神经网络的输入格式，输入已经搭建好的神经网络，即可得到管道长度对超声波燃气表瞬时流量的影响。
25.当研究管道内径d对瞬时流量的影响时，控制流场修正系数k、管道长度l、换能器安装角度θ及顺逆流渡越时间t1,t2的数值保持不变，将这组数据整理为输入神经网络的输入格式，输入已经搭建好的神经网络，即可得到管道内径d对超声波燃气表瞬时流量的影响。
26.当研究换能器安装角度θ对瞬时流量的影响时，控制流场修正系数k、管道长度l、管道内径d及顺逆流渡越时间t1,t2的数值保持不变，将这组数据整理为输入神经网络的输
入格式，输入已经搭建好的神经网络，即可得到换能器安装角度θ对超声波燃气表瞬时流量的影响。
27.当研究顺逆流渡越时间t1,t2对瞬时流量的影响时，控制流场修正系数k、管道长度l、管道内径d及换能器安装角度θ的数值保持不变，将这组数据整理为输入神经网络的输入格式，输入已经搭建好的神经网络，即可得到顺逆流渡越时间t1,t2对超声波燃气表瞬时流量的影响。
28.本发明方法所述的一种基于神经网络的误差补偿超声波燃气表设计，主要分析各个因素对超声波燃气表的影响，将流场修正系数k、管道长度l、管道内径d、换能器安装角度θ及顺逆流渡越时间t1,t2等影响因素作为网络的输入，将瞬时流量q1与真实瞬时流量值q的误差值作为网络的输出进行训练，在训练结束后，将预测误差与真实误差进行加和，即可得到补偿后的瞬时流量，并分析各个影响因素对超声波燃气表瞬时流量的影响，消除产生的误差，提高超声波燃气表的精度。
29.以上实例的说明只是用于帮助理解本发明的核心思想；同时，对于本领域的一般技术人员，依据本发明方法的思想，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方法的限制。

技术特征：
1.一种基于神经网络的误差补偿超声波燃气表设计，其内容包括：步骤s1对超声波燃气表的瞬时流量有影响的几何量参数、信号因素和流场因素进行选取并构成神经网络训练的数据集、步骤s2根据构造好的数据集进行神经网络的训练和搭建、步骤s3调用搭建好的神经网络对超声波燃气表的几何量参数、信号因素和流场因素中影响因素对超声波燃气表精度瞬时流量的误差值进行预测、步骤s4调用搭建好的神经网络各个影响因素对超声波燃气表瞬时流量误差值大小产生的影响进行分析。2.根据权利要求1所述的步骤s1对超声波燃气表瞬时流量误差值有影响的影响因子进行选取及数据集构造，其特征在于，根据公式从公式中可看出几何量参数、信号因素和流场因素对超声波燃气表的精度都会产生影响。3.根据权利要求1所述的步骤s2根据构造好的数据集进行神经网络的训练和搭建，其特征在于，根据构建好的训练数据集，创建一个包含一层输入层，一层隐含层及一层输出层的神经网络。其中输入层包括流场修正系数、管道长度、管道直径、换能器安装角度、顺逆流渡越时间这5个神经元，隐含层包括6个神经元，输出层包括瞬时流量q1与真实瞬时流量值q的误差值1个神经元。4.根据权利要求1所述的步骤s3调用搭建好的神经网络对某个影响因素下的瞬时流量q1与真实瞬时流量值q的误差值进行预测，其特征在于，可以利用搭建好的神经网络快速对某个影响因素下的瞬时流量q1与真实瞬时流量值q的误差值进行预测，克服了实验中难以准确控制影响因素的值的问题，准确度高并提高了计算效率。5.根据权利要求1所述的步骤s4调用搭建好的神经网络对每个影响因素对超声波燃气表瞬时流量误差值的影响引进分析，其特征在于，在神经网络的基础上采用控制变量法的思想，分别对每个影响因素对瞬时流量q1与真实瞬时流量值q的误差值的影响进行分析，如分析流场修正系数k的影响时，控制管道长度l、管道内径d、换能器安装角度θ及顺逆流渡越时间t1,t2等几个影响因素数值不变，构造新的数据集，根据输出的瞬时流量q1与真实瞬时流量值q的误差值结果即可得到流场修正系数k对输出的瞬时流量q1与真实瞬时流量值q的误差值的影响。分析其他影响因素时，依照分析流场修正系数k对输出的瞬时流量q1与真实瞬时流量值q的误差值的影响步骤操作即可，直至分析完每个影响因素对瞬时流量误差值的影响。

技术总结
本发明涉及一种基于神经网络的误差补偿超声波燃气表设计。所述方法包括：对超声波燃气表有影响的各个影响因素进行选取并构造神经网络训练的数据集，根据构造好的数据集进行神经网络对某个影响因素下的瞬时流量与真实瞬时流量值的误差值进行预测，调用搭建好的神经网络对每个影响因素对超声波燃气表瞬时流量误差值产生的影响进行分析，结果表明本发明的效果为：在原有实验数据的基础上可以快速地对各个影响因素下的瞬时流量与真实瞬时流量值的误差值进行预测，能清晰地显示出各个影响因素对瞬时流量与真实瞬时流量值的误差值的影响程度，预测精度高，适用性强，稳定性强，提高了效率。高了效率。高了效率。


技术研发人员：梁爽 周君洋 王瑞兵 张凯
受保护的技术使用者：中国计量大学
技术研发日：2023.06.21
技术公布日：2023/8/31