一種噪聲背景下超聲流量測量方法技術(shù)

本發(fā)明專利技術(shù)涉及一種噪聲背景下超聲流量測量方法，包括：進(jìn)行超聲流量計(jì)實(shí)驗(yàn)，根據(jù)試驗(yàn)結(jié)果，建立超聲脈沖接收信號離散模型，確定包括超聲波傳播時(shí)間的參數(shù)向量x；根據(jù)實(shí)驗(yàn)采樣獲得的超聲接收信號與模型信號確定目標(biāo)函數(shù)：確定目標(biāo)函數(shù)；構(gòu)造適應(yīng)度函數(shù)；進(jìn)行遺傳算法，通過迭代獲得優(yōu)化解作為后續(xù)蟻群算法的信息素初始條件；利用上述的遺傳算法得到的優(yōu)化解初始化蟻群信息素；根據(jù)實(shí)驗(yàn)獲得的超聲接收信號確定參數(shù)向量x的變化范圍；判斷螞蟻是否轉(zhuǎn)移及得到新的優(yōu)化解；信息素?fù)]發(fā)和更新，進(jìn)行迭代計(jì)算，得到超聲波傳播時(shí)間最優(yōu)估計(jì)值；分別獲得超聲波的順流和逆流傳播時(shí)間，獲得流量值。本發(fā)明專利技術(shù)能夠使得流量測量更為準(zhǔn)確。

【技術(shù)實(shí)現(xiàn)步驟摘要】
【專利說明】-種噪聲背景下超聲流量測量方法 所屬
本專利技術(shù)屬于流量測量
，設(shè)及一種超聲流量測量方法。
技術(shù)介紹
超聲流量計(jì)作為新興的流量儀表近十幾年發(fā)展迅速，在大型水利水電項(xiàng)目W及天 然氣貿(mào)易結(jié)算領(lǐng)域已有廣泛應(yīng)用，其中時(shí)差法超聲流量計(jì)作為計(jì)量儀表應(yīng)用最多。目前，傳 統(tǒng)時(shí)差法超聲流量測量方法中普遍采用的是雙口限電平法（簡稱雙口限法），首先通過非 過零比較，確定使用哪個(gè)周期的信號作為計(jì)時(shí)起始位置，再通過過零比較確定超聲波傳播 時(shí)間，最后基于超聲波順、逆流傳播時(shí)間計(jì)算流量。該種方法的缺點(diǎn)是當(dāng)有噪聲存在時(shí)，過 零比較得到的時(shí)間會有較大波動，嚴(yán)重影響了流量計(jì)的精度，而且當(dāng)噪聲大到一定程度時(shí)， 非過零比較無法準(zhǔn)確確定信號位置，從而導(dǎo)致錯波發(fā)生，此時(shí)由于誤差太大，流量計(jì)已不能 使用。 為了在有噪聲時(shí)仍能保證超聲流量測量精度，研究者提出基于超聲脈沖接收信號 模型的超聲流量測量方法。目前超聲脈沖接收信號的經(jīng)驗(yàn)?zāi)Ｐ椭饕袃煞N，高斯模型和混 合指數(shù)模型。高斯模型用于描述比較對稱的寬帶高頻信號。周方等學(xué)者將此模型與高斯一 牛頓法、模擬退火法、蟻群算法等相結(jié)合，證明了蟻群算法是一種有效的回波參數(shù)估計(jì)方 法，具有較高精度;針對混合指數(shù)模型，姚振靜等人將此模型與卡爾曼濾波及其優(yōu)化算 法進(jìn)行結(jié)合，用來提高超聲測距精度巧]。雖然已有學(xué)者基于超聲脈沖接收信號模型提出了 一些算法，但研究僅針對算法本身，應(yīng)用也僅限于超聲測距領(lǐng)域。對于超聲流量測量來說， 流量測量精度要求遠(yuǎn)高于超聲測距，已有方法不能直接用來解決噪聲背景下超聲流量計(jì)準(zhǔn) 確測量問題。 周方，張小鳳，張光斌，超聲回波參數(shù)的蟻群算法估計(jì)，陜西師范大學(xué)學(xué)報(bào)（自 然科學(xué)版），2012,40 (2)，35 ~40 Zhen-JingYao,Qing-HaoMeng,MingZeng,Improvementintheaccuracy ofestimatingthetime-of-flightinanultrasonicrangingsystemusingmultiple square-rootunscentedKalmanfliters,民eviewofScientificInstruments, 2010, 81， 104901-1 ~104901-7
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)為解決噪聲背景下超聲流量準(zhǔn)確測量問題，基于超聲脈沖接收信號溜合指 數(shù)模型，提供一種超聲流量測量方法，W達(dá)到降低測量誤差，提高超聲流量計(jì)測量精度的目 的。本專利技術(shù)的技術(shù)方案如下： -種噪聲背景下超聲流量測量方法，包括下列步驟：： 步驟一；進(jìn)行超聲流量計(jì)實(shí)驗(yàn)，根據(jù)試驗(yàn)結(jié)果，建立超聲脈沖接收信號離散模型如 下：(1) 其中，【主權(quán)項(xiàng)】1. ，包括下列步驟： 步驟一：進(jìn)行超聲流量計(jì)實(shí)驗(yàn)，根據(jù)試驗(yàn)結(jié)果，建立超聲脈沖接收信號離散模型如下： Am (x) = A (kts) sin (I)式中，A111(X)為超聲脈沖接收離散模型信號，k為采樣點(diǎn)數(shù)序號（k = 1，2，"·Ν)，N為 采樣點(diǎn)數(shù)，ts為采樣時(shí)間間隔，f。為超聲換能器的中心頻率，Θ為初始相位角，Atl為接收信 號幅值，T和m是超聲換能器的兩個(gè)特性參數(shù)，τ為超聲波傳播時(shí)間， u(kts-〇為單位階 躍信號，當(dāng)采樣頻率、采樣點(diǎn)數(shù)、超聲換能器及其發(fā)射頻率確定后，模型中的k、N、t s、f^P0 即為定值，隨著被測流量改變，模型信號Am(X)中的ApKm和τ會相應(yīng)變化，其中，參數(shù)向 量X = ，對X估計(jì)得越準(zhǔn)確，模型信號越逼近實(shí)驗(yàn)獲得的真實(shí)接收信號，利用下 面的遺傳一蟻群算法對X中這四個(gè)參數(shù)進(jìn)行估計(jì)，最終τ的最優(yōu)估計(jì)值即為超聲波傳播時(shí) 間； 步驟二：根據(jù)實(shí)驗(yàn)采樣獲得的超聲接收信號Ae與模型信號Am(X)確定目標(biāo)函數(shù)f(x): 基于最小二乘思想確定目標(biāo)函數(shù)，將Ae中各采樣點(diǎn)電壓與A m (X)中采樣點(diǎn)電壓之差的平方 和作為目標(biāo)函數(shù)f (X)，當(dāng)目標(biāo)函數(shù)f (X)取得最小值時(shí)，X為最優(yōu)估計(jì)值； 步驟三：基于目標(biāo)函數(shù)f (X)構(gòu)造適應(yīng)度函數(shù)eval (X)，目標(biāo)函數(shù)值越小，適應(yīng)度函數(shù)值 就越大：其中，a是使得a-f (Xi)為正的任意實(shí)數(shù)，η為種群數(shù)目，η值設(shè)定越大，收斂精度越高， 收斂速度越慢，角標(biāo)i代表第i個(gè)種群個(gè)體，在參數(shù)邊界內(nèi)隨機(jī)產(chǎn)生； 步驟四：設(shè)定X中四個(gè)參數(shù)邊界，根據(jù)適應(yīng)度函數(shù)值確定每個(gè)個(gè)體被復(fù)制的次數(shù)：首 先確定每個(gè)個(gè)體的預(yù)復(fù)制次數(shù)，它等于相應(yīng)個(gè)體的適應(yīng)度函數(shù)值與種群數(shù)目乘積的整數(shù)部 分，設(shè)R為總的預(yù)復(fù)制次數(shù)與種群數(shù)目之差，為了保持種群數(shù)目不變，從最優(yōu)個(gè)體到第R個(gè) 優(yōu)秀個(gè)體，每個(gè)個(gè)體的復(fù)制數(shù)目加1，即適應(yīng)度函數(shù)值較大的個(gè)體，被復(fù)制的概率越大； 步驟五：交叉、變異迭代獲得優(yōu)化解：從最優(yōu)解到最差解，將種群中每兩個(gè)相鄰個(gè)體分 為一組，選定一個(gè)固定的判斷概率0. 9,并隨機(jī)生成一個(gè)在O到1之間的實(shí)數(shù)P。，如果P。小 于判斷概率0. 9則進(jìn)行交叉，否則不交叉，為獲得最優(yōu)個(gè)體，每次交叉、變異之后都用上一 代的最優(yōu)個(gè)體代替下一代的最差個(gè)體；步驟二至步驟五為遺傳算法，通過迭代獲得優(yōu)化解 作為后續(xù)蟻群算法的信息素初始條件； 步驟六：利用上述的遺傳算法得到的優(yōu)化解初始化蟻群信息素； 步驟七：螞蟻移動步長α初始化，根據(jù)實(shí)驗(yàn)獲得的超聲接收信號確定參數(shù)向量X的變 化范圍； 步驟八：判斷螞蟻是否轉(zhuǎn)移及得到新的優(yōu)化解：在生成新的參數(shù)解時(shí)，分別對參數(shù)向 量X中的每個(gè)參數(shù)單獨(dú)進(jìn)行，首先對Atl進(jìn)行，令.< 1+，如果/(.〇小于 /(.<*-i)，則χχ1+，否則令《=4-，如果/0〇小于/Cf 1)， 則- ，否則.<=爿71;其中，4為第七代第8只螞蟻的參數(shù)向量值，：^ 1為 第t-ι代迭代之后按照信息素更新第s只螞蟻?zhàn)詈玫膮?shù)向量值，(1^在之間隨 機(jī)產(chǎn)生；同理，對T、m和τ三個(gè)參數(shù)進(jìn)行優(yōu)化，得到新的優(yōu)化解； 步驟九：信息素?fù)]發(fā)和更新：按照下列規(guī)則設(shè)定信息素?fù)]發(fā)系數(shù)：當(dāng)?shù)螖?shù)較小時(shí)， 信息素?fù)]發(fā)系數(shù)設(shè)定較大，有利于全局尋優(yōu)；當(dāng)?shù)螖?shù)較大時(shí)，信息素?fù)]發(fā)系數(shù)設(shè)定較 小，有利于提高局部收斂精度、加快收斂速度；重新計(jì)算信息素，螞蟻重新分配，返回步驟七 進(jìn)行迭代計(jì)算，迭代結(jié)束判據(jù)設(shè)為：在算法迭代t代后進(jìn)行判斷，如果第t代的最優(yōu)目標(biāo)函 數(shù)值與第t-j (j = 1，2, 3, 4, 5)代的最優(yōu)目標(biāo)函數(shù)值之差的絕對值均小于ΚΓ7,則迭代結(jié)束， 此時(shí)參數(shù)向量X為最優(yōu)解，其中的τ即為超聲波傳播時(shí)間最優(yōu)估計(jì)值。 步驟十：利用前述方法分別獲得超聲波的順流傳播時(shí)間T1和逆流傳播時(shí)間τ 2，代入 到時(shí)差法超聲流量計(jì)算公式，即可獲得流量值。【專利摘要】本專利技術(shù)涉及，包括：進(jìn)行超聲流量計(jì)實(shí)驗(yàn)，根據(jù)試驗(yàn)結(jié)果，建立超聲脈沖接收信號離散模型，確定包括超聲波傳播時(shí)間的參數(shù)向量x；根據(jù)實(shí)驗(yàn)采樣獲得的超聲接收信號與模型信號確定目標(biāo)函數(shù)：確定目標(biāo)函數(shù)；構(gòu)造適應(yīng)度函數(shù)；進(jìn)行遺傳算法，通過迭代獲得優(yōu)化解作為后續(xù)蟻群算法的信息素初始條件；利用上述的遺傳算法得到的優(yōu)化解初始化蟻群信息素；根據(jù)實(shí)驗(yàn)獲得的超聲接收信號確定參數(shù)向量x的變化范圍；判斷螞蟻是否轉(zhuǎn)移及得到新的優(yōu)化解；信息素?fù)]發(fā)和更新，進(jìn)行迭代計(jì)算，得到超聲波傳播時(shí)間最優(yōu)估計(jì)值；分別獲得超聲波的順流和逆流傳播時(shí)間，獲得流量本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
一種噪聲背景下超聲流量測量方法，包括下列步驟：步驟一：進(jìn)行超聲流量計(jì)實(shí)驗(yàn)，根據(jù)試驗(yàn)結(jié)果，建立超聲脈沖接收信號離散模型如下：Am(x)＝A(kts)sin[2πfc(kts?τ)+θ]??(1)其中，A(kts)=A0(kts-τT)me-kts-τTu(kts-τ)---(2)]]>式中，Am(x)為超聲脈沖接收離散模型信號，k為采樣點(diǎn)數(shù)序號(k＝1,2，…N)，N為采樣點(diǎn)數(shù)，ts為采樣時(shí)間間隔，fc為超聲換能器的中心頻率，θ為初始相位角，A0為接收信號幅值，T和m是超聲換能器的兩個(gè)特性參數(shù)，τ為超聲波傳播時(shí)間，u(kts?τ)為單位階躍信號，當(dāng)采樣頻率、采樣點(diǎn)數(shù)、超聲換能器及其發(fā)射頻率確定后，模型中的k、N、ts、fc和θ即為定值，隨著被測流量改變，模型信號Am(x)中的A0、T、m和τ會相應(yīng)變化，其中，參數(shù)向量x＝[A0?m?T?τ]，對x估計(jì)得越準(zhǔn)確，模型信號越逼近實(shí)驗(yàn)獲得的真實(shí)接收信號，利用下面的遺傳－蟻群算法對x中這四個(gè)參數(shù)進(jìn)行估計(jì)，最終τ的最優(yōu)估計(jì)值即為超聲波傳播時(shí)間；步驟二：根據(jù)實(shí)驗(yàn)采樣獲得的超聲接收信號Ae與模型信號Am(x)確定目標(biāo)函數(shù)f(x)：基于最小二乘思想確定目標(biāo)函數(shù)，將Ae中各采樣點(diǎn)電壓與Am(x)中采樣點(diǎn)電壓之差的平方和作為目標(biāo)函數(shù)f(x)，當(dāng)目標(biāo)函數(shù)f(x)取得最小值時(shí)，x為最優(yōu)估計(jì)值；步驟三：基于目標(biāo)函數(shù)f(x)構(gòu)造適應(yīng)度函數(shù)eval(x)，目標(biāo)函數(shù)值越小，適應(yīng)度函數(shù)值就越大：eval(xi)=a-f(xi)Σi=1n(a-f(xi))---(3)]]>其中，a是使得a?f(xi)為正的任意實(shí)數(shù)，n為種群數(shù)目，n值設(shè)定越大，收斂精度越高，收斂速度越慢，角標(biāo)i代表第i個(gè)種群個(gè)體，在參數(shù)邊界內(nèi)隨機(jī)產(chǎn)生；步驟四：設(shè)定x中四個(gè)參數(shù)邊界，根據(jù)適應(yīng)度函數(shù)值確定每個(gè)個(gè)體被復(fù)制的次數(shù)：首先確定每個(gè)個(gè)體的預(yù)復(fù)制次數(shù)，它等于相應(yīng)個(gè)體的適應(yīng)度函數(shù)值與種群數(shù)目乘積的整數(shù)部分，設(shè)R為總的預(yù)復(fù)制次數(shù)與種群數(shù)目之差，為了保持種群數(shù)目不變，從最優(yōu)個(gè)體到第R個(gè)優(yōu)秀個(gè)體，每個(gè)個(gè)體的復(fù)制數(shù)目加1，即適應(yīng)度函數(shù)值較大的個(gè)體，被復(fù)制的概率越大；步驟五：交叉、變異迭代獲得優(yōu)化解：從最優(yōu)解到最差解，將種群中每兩個(gè)相鄰個(gè)體分為一組，選定一個(gè)固定的判斷概率0.9，并隨機(jī)生成一個(gè)在0到1之間的實(shí)數(shù)Pc，如果Pc小于判斷概率0.9則進(jìn)行交叉，否則不交叉，為獲得最優(yōu)個(gè)體，每次交叉、變異之后都用上一代的最優(yōu)個(gè)體代替下一代的最差個(gè)體；步驟二至步驟五為遺傳算法，通過迭代獲得優(yōu)化解作為后續(xù)蟻群算法的信息素初始條件；步驟六：利用上述的遺傳算法得到的優(yōu)化解初始化蟻群信息素；步驟七：螞蟻移動步長α初始化，根據(jù)實(shí)驗(yàn)獲得的超聲接收信號確定參數(shù)向量x的變化范圍；步驟八：判斷螞蟻是否轉(zhuǎn)移及得到新的優(yōu)化解：在生成新的參數(shù)解時(shí)，分別對參數(shù)向量x中的每個(gè)參數(shù)單獨(dú)進(jìn)行，首先對A0進(jìn)行，令如果小于則xst=xs*t-1+[dA0,0,0,0],]]>否則令xst=xs*t-1-[dA0,0,0,0],]]>如果小于則否則其中，為第t代第s只螞蟻的參數(shù)向量值，為第t?1代迭代之后按照信息素更新第s只螞蟻?zhàn)詈玫膮?shù)向量值，dA0在[?α,α]之間隨機(jī)產(chǎn)生；同理，對T、m和τ三個(gè)參數(shù)進(jìn)行優(yōu)化，得到新的優(yōu)化解；步驟九：信息素?fù)]發(fā)和更新：按照下列規(guī)則設(shè)定信息素?fù)]發(fā)系數(shù)：當(dāng)?shù)螖?shù)較小時(shí)，信息素?fù)]發(fā)系數(shù)設(shè)定較大，有利于全局尋優(yōu)；當(dāng)?shù)螖?shù)較大時(shí)，信息素?fù)]發(fā)系數(shù)設(shè)定較小，有利于提高局部收斂精度、加快收斂速度；重新計(jì)算信息素，螞蟻重新分配，返回步驟七進(jìn)行迭代計(jì)算，迭代結(jié)束判據(jù)設(shè)為：在算法迭代t代后進(jìn)行判斷，如果第t代的最優(yōu)目標(biāo)函數(shù)值與第t?j(j＝1,2,3,4,5)代的最優(yōu)目標(biāo)函數(shù)值之差的絕對值均小于10?7，則迭代結(jié)束，此時(shí)參數(shù)向量x為最優(yōu)解，其中的τ即為超聲波傳播時(shí)間最優(yōu)估計(jì)值。步驟十：利用前述方法分別獲得超聲波的順流傳播時(shí)間τ1和逆流傳播時(shí)間τ2，代入到時(shí)差法超聲流量計(jì)算公式，即可獲得流量值。...

【技術(shù)特征摘要】

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：鄭丹丹，侯惠讓，張濤，
申請(專利權(quán))人：天津大學(xué)，
類型：發(fā)明
國別省市：天津;12