一种基于LMBP神经网络温度补偿算法

摘要

本发明公开了一种基于LMBP神经网络温度补偿算法，包括以下步骤：包括以下步骤：S1、训练数据：设计高低两个类别的LMBP神经网络温度补偿算法，并进行训练；S2、样本数据预处理：进行数据处理，将预测值转换为对应的流量值；S3、网格参数设计：选定网络训练函数，并校正网络权值和阈；S4、确定隐含层节点个数N拟定为5‑14。本发明经LMBP神经网络补偿后，小流量点处流量计量相对误差波动性明显减小，全量程范围内流量计量相对误差均在合格范围以内，流量计量几乎不受温度影响，补偿效果较好，LMBP神经网络温度补偿算法相比现有的查表修正算法能够更准确地预测计量流量，补偿性能稳定。

说明书

技术领域

本发明涉及流量计量技术领域，尤其涉及一种基于LMBP神经网络温度补偿算法。

背景技术

目前，我国供热计量系统中90％以上为各型号的超声波式热量表，时差法以其可测精确度高、量程比大而广泛应用于超声波式热量表流量计量中。时差法超声波热量表通过测量超声波沿顺水流方向与逆水流方向传播时间的差值来计量流量，结合流体温度计算出热量。因此，流量计量精确度是决定超声波式热量表计量特性的关键环节。受流体温度影响超声波传播速度具有非线性特征，是目前影响超声波热量表流量计量精度的最主要原因。

目前超声波热量表普遍采用的查表温度修正算法存在问题如下：

1、固件设计时温度补偿多采用查表法；

2、超声波热量表计量精度受流体温度影响较大；

3、超声波热量表计量重复性差；

4、高温小流量、低温小流量计量精度不高；

为此，我们提出了一种基于LMBP神经网络温度补偿算法来解决上述问题。

发明内容

本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于LMBP神经网络温度补偿算法。

为了实现上述目的，本发明采用了如下技术方案：

一种基于LMBP神经网络温度补偿算法，包括以下步骤：

S1、训练数据：设计高低两个类别的LMBP神经网络温度补偿算法，并进行训练；

S2、样本数据预处理：进行数据处理，将预测值转换为对应的流量值；

S3、网格参数设计：选定网络训练函数，并校正网络权值和阈；

S4、确定隐含层节点个数N拟定为5-14；

S5、网络训练结构：训练并输出网络的权值矩阵和阈值矩阵；

S6、温度补偿模型：通过LMBP神经网络温度补偿算法结构，得出预测流量值；

S7、低流量区域温度补偿建模：根据LMBP神经网络温度补偿算法原理建立温度和计量流量与实际流量之间的映射关系；

S8、高流量区域温度补偿建模：得到高流量区域输入层与隐含层及隐含层与输出层之间的权值和阈值矩阵；

S9、补偿算法移植：将计量到的流量值输入到LMBP神经网络中，通过预测运算达到补偿流量计量的目的。

优选地，所述流量测量区域包括流量管，所述流量管内底部两侧分别固定有第一反射柱反射面和第二反射柱反射面，所述第一反射柱反射面和第二反射柱反射面的上端均倾斜设置，所述第一反射柱反射面和第二反射柱反射面的倾斜端相对设置，所述流量管的上端两侧第一超声波换能器和第二超声波换能器，所述第一超声波换能器和第二超声波换能器分别位于第一反射柱反射面和第二反射柱反射面的上端。

优选地，所述步骤S1中的两个类别分别为：0.0-0.65m

优选地，所述步骤S2中数据处理为：为加快网络训练时的收敛速度，对样本数据进行归一化处理，但网络输出数据时需进行反归一化处理。

优选地，所述步骤S3中网络训练函数为：Matlab环境中的trainlm.m函数，并且根据数据训练目标，对网络训练过程中基本参数进行设置，最大训练步数为1000，训练时间不限，训练目标最小逼近误差为0.000001，为保证训练网格稳定性，学习率在0.01-0.8之间，各层间权值和阈值设置为较小的随机非零数。

优选地，所述步骤S5中通过LMBP神经网络中预测值达到误差平方和最小目标后，对预测值进行反归一化处理得到预测的流量值，并引入对反归一化预测流量值的判断环节，即要求预测流量值与实际流量值的误差在一定范围内时结束网络训练。

优选地，所述步骤S7中低流量区域温度补偿建模为针对20-70℃，0.0-0.65m

优选地，所述步骤S8中高流量区域温度补偿建模为针对20-70℃，0.39-5.5m

本发明的有益效果是：

1、LMBP神经网络具有较好的数据融合及泛化能力，适应能力强，能够有效处理样本数据中的噪声数据。通过多周期训练后的LMBP神经网络具有记忆效应，内插特性稳定，能够对给定范围内的数据进行准确预测；

2、通过总结温度、实际流量和计量流量之间的映射关系，并通过建立基于神经网络的温度补偿算法实时校正流量计量的过程，提高流量计量的精确度和稳定性；

综上所述，本发明经LMBP神经网络补偿后，小流量点处流量计量相对误差波动性明显减小，全量程范围内流量计量相对误差均在合格范围以内，流量计量几乎不受温度影响，补偿效果较好，LMBP神经网络温度补偿算法相比现有的查表修正算法能够更准确地预测计量流量，补偿性能稳定。

附图说明

图1为本发明提出的一种基于LMBP神经网络温度补偿算法的超声波流量测量原理示意图；

图2为本发明提出的一种基于LMBP神经网络温度补偿算法的超声波传输速度与温度的关系曲线图；

图3为本发明提出的一种基于LMBP神经网络温度补偿算法的超声波热量表结构原理图；

图4为本发明提出的一种基于LMBP神经网络温度补偿算法的超声波热量表流量测量主要流程示意图；

图5为本发明提出的一种基于LMBP神经网络温度补偿算法的LMBP神经网络训练流程图；

图6为本发明提出的一种基于LMBP神经网络温度补偿算法的LMBP神经网络温度补偿算法结构图；

图7为本发明提出的一种基于LMBP神经网络温度补偿算法的低流量区域权值与阈值矩阵图；

图8为本发明提出的一种基于LMBP神经网络温度补偿算法的高流量区域权值与阈值矩阵图；

图9为本发明提出的一种基于LMBP神经网络温度补偿算法的LMBP神经网络补偿流量计量流程图。

图中：1第一超声波换能器、2第二超声波换能器、3第一反射柱反射面、4第二反射柱反射面。

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。

参照图1-9，一种基于LMBP神经网络温度补偿算法，包括以下步骤：

S1、训练数据：分别对0.0-0.65m

S2、样本数据预处理：为加快网络训练时的收敛速度，对样本数据进行归一化处理，即将网络输入和输出数据分别映射到0-1范围内，归一化处理可以将有量纲样本数据整理为无量纲数据，可以凸显数据的本质含义，但网络输出数据时需进行反归一化处理，将网络预测值转换为对应的流量值，归一化计算公式为：

其中：

x′i为输入待训练数据的归一值；

xi为输入待训练数据；

xmin为待训练数据最小值；

xmax为待训练数据最大值；

λ为比例系数；

ε为调整系数。

为合理调整训练数据的敏感度，低流量区域λ为0.94，ε为0.01；高流量区域λ为0.75，ε为0.15；输入数据归一化值均在0.01-0.9范围之内，输出反归一化计算公式为：

其中

yi为输出预测数据；

y′为输出归一化预测数据；

y′min为归一化期望数据最小值；

y′max为归一化期望数据最大值。

对输出归一化预测值进行反归一化处理时，y′min和y′max必须与xmin和xmax相对应，同时，保证数据在归一化和反归一化处理过程中λ和ε相同；

S3、网格参数设计：选用Matlab环境中的trainlm.m函数作为网络训练函数，该函数采用最速下降法与牛顿-高斯算法相结合的训练法则校正网络权值和阈值；

根据数据训练目标，对网络训练过程中基本参数进行设置，最大训练步数为1000；训练时间不限；训练目标最小逼近误差为0.000001；为保证训练网格稳定性，学习率在0.01-0.8之间；各层间权值和阈值设置为较小的随机非零数；

S4、确定隐含层节点：LMBP神经网络使用一个隐含层，隐含层节点个数N的确定可按公式：

N＝2n+1

其中

n为输入节点个数；

m为输出节点个数；

x为常数项1-10；

通过上述公式计算隐含层节点个数拟定为5-14；

S5、网络训练结构：LMBP神经网络中预测值达到误差平方和最小目标后，对预测值进行反归一化处理得到预测的流量值，但在反归一化处理过程中，会将预测误差放大，影响预测流量值的真实性，由于网络初始化的随机性，多次训练结束后权值和阈值不完全相同，本发明中引入对反归一化预测流量值的判断环节，即要求预测流量值与实际流量值的误差在一定范围内时结束网络训练，输出网络的权值矩阵和阈值矩阵，该误差值设定为1.9％。低流量区域的0.0m

S6、温度补偿模型：根据以上步骤中网络参数和结构，得到三层LMBP神经网络温度补偿算法结构，X为网络输入训练数据，即一化的温度和计量流量值；W1为隐含层权值；b1为隐含层阈值；p′为隐含层输出值；w2为输出层权值；b2为输出层阈值；P为网络预测得到的输出值，经反归一化后为预测流量值；

S7、低流量区域温度补偿建模：针对20-70℃，0.0-0.65m

训练完成后，分别得到低流量区域输入层与隐含层及隐含层与输出层之间的权值和阈值矩阵，将将温度和低流量区域计量区间进行51等分，根据LMBP神经网络温度补偿算法原理建立温度和计量流量与实际流量之间的映射关系；

S8、高流量区域温度补偿建模：针对20-70℃，0.39-5.5m

训练完成后，分别得到高流量区域输入层与隐含层及隐含层与输出层之间的权值和阈值矩阵；

S9、补偿算法移植：将超声波式热量表计量得到的温度值和流量值输入到LMBP神经网络中，通过网络中各层权值和阈值的预测运。

在本发明中，流量测量区域包括流量管，流量管内底部两侧分别固定有第一反射柱反射面3和第二反射柱反射面4，第一反射柱反射面3和第二反射柱反射面4的上端均倾斜设置，第一反射柱反射面3和第二反射柱反射面4的倾斜端相对设置，流量管的上端两侧第一超声波换能器1和第二超声波换能器2，第一超声波换能器1和第二超声波换能器2分别位于第一反射柱反射面3和第二反射柱反射面4的上端。

在本发明中，算达到补偿流量计量的目的，LMBP神经网络温度补偿过程包括三个环节：输入数据归一化：根据计量温度选择计量流量归一化和反归一化边界值，同时对温度值和流量值进行归一化处理；流量补偿运算：根据计量流量选择高低流量区域温度补偿模型，通过LMBP神经网络对计量流量归一值进行预测运算；预测数据反归一处理：根据实际流量边界值进行反归一化处理，得到预测的流量值，即计量流量补偿值。

在本发明中，超声波热量表流量测量原理，如图1所示：

超声波热量表采用时差法计量流量，上游超声波换能器1发射超声波脉冲信号经反射柱反射面3反射后传播方向与流体流速方向一致，此时称为超声波顺向传播；当下游换能器2发射超声波脉冲信号经反射柱反射面4反射后传播方向与流体流动方向相反，此时称为超声波逆向传播。

理想状态下，假设超声波换能器电路延迟时间和发射端到反射面及反射面到接收端超声波传播时间的总和为τ，上游换能器1由信号发射状态到下游换能器2触发信号接收状态时，超声波信号由上游换能器1传播到下游换能器2所对应的顺向传播时间为t1，则顺向传播时间t1如公式(1)所示。

下游换能器2由信号发射状态到上游换能器1触发信号接收状态时，超声波信号由下游换能器2传播到上游换能器1所对应的逆向传播时间为t2，则逆向传播时间t2如公式(2)所示。

对应超声波逆向与顺向传播的时间差为△t，则△t为：

由于流体流速v0远小于超声波在流体中的传播速度c，即v0<

因此，管道内流体流速与超声波在流体中顺逆向传播时间差呈正比例关系，则流体流速v0如公式(5)所示。

由流体力学知识可知，超声波所测v0为轴心线流速，与面流速v呈比例关系，即:

由公式(5)和(6)可得：

其中：

K为流量校正系数；

v为管道面流速；

v0为流体线流速；

L为反射面之间的中心距离；

D为管道内径；

△t为超声波逆向与顺向传播的时间差。

超声波式热量表中管道内径和反射面间距为固定值时，流量计量主要受超声波顺逆向传播时间差△t、超声波传播速度和流量校正系数K的影响。

而在实际应用中，由于超声波在不同温度时的传播速度变化较大图2所示，理论上，0℃时超声波传播速度值最小为1403.0m/s，74℃时传播速度达到最大值为1554.7m/s，两种温度下超因此声波传播速度差为151.7m/s，对应流量计量相对误差为22.79％，对于精准的流量测量，这个偏差是不能接受的，所以在采用超声波进行流量测量的时候，必须要考虑温度对超声波传播速度的影响，从而消除超声波传播速度对流体流速测量的影响。

图3所示中，超声波式热量表主要由温度传感器、超声波流量传感器和电子积算仪三部分构成，工作过程中温度传感器、超声波流量传感器和电子积算仪三个部件相互协调，共同完成温度、流量及热量等计量信息的采集和计量工作。

电子积算仪是超声波式热量表软件设计的载体，是超声波式热量表核心部件，通过对温度信号和流量信号进行转换、计算、显示和存储等操作将采集的物理量转换为数字计量信息，为供热计量提供友好的交互平台。

如图4所示，电子积算仪计算流量的主要流程为：通过控制超声波换能器发出和接收信号的通道，测量超声波在流体中的顺逆传播时间并计算时间差，温度传感器测量管道进出口的温度，根据温度对计算的超声波流速进行密度和热焓值的补偿，最后通过流速对时间的积分求得流量。

目前，在流速计算时的补偿方法常采用的查表修正算法，一般包括三个修正环节：四流量点查表校正、K系数查表修正、超声波传播速度查表修正。查表修正算法具有代价小，易于实现等特点，但该方法对经验数据依赖性较强，实用性不佳，实际工程应用中仍需在此基础上进行复杂的二次校正。

以上所述，仅为本发明较佳的具体实施方式，但本发明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发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。