羅 浩

(新疆維吾爾自治區(qū)水利科技推廣總站，烏魯木齊 830000)

1 概 述

流量測量是對大量流體運動的量化，流量測量有多種方法，可以是接觸式或非接觸式傳感器，其他間接流量測量方法大多通過測量已知區(qū)域內(nèi)流體的速度來測量流量。從定性和經(jīng)濟角度來看，準確的流量測量是必不可少的。在非接觸式流量測量中，超聲波流量測量以其分辨率高、噪聲對輸出干擾小等優(yōu)點被廣泛應用于流量測量，但超聲波流量計的非線性特性限制了其應用[1-2]。

為了克服超聲波流量計非線性響應特性所面臨的限制，本文提出一種智能流量測量技術(shù)。通過比較不同算法和方案的最小均方誤差(MSE)和回歸分析(R)，得出最優(yōu)神經(jīng)網(wǎng)絡。用優(yōu)化后的神經(jīng)網(wǎng)絡訓練系統(tǒng)獲得線性度，并使輸出適應管徑、液體密度和液體溫度的變化，所有這些都在一個范圍內(nèi)[3]。

2 超聲波流量計

圖1所示超聲波流量計(UFM)是一種廣泛應用于液體流量測量的非接觸式流量計。它不僅限于清潔的液體，而且能夠精確測量泥漿和不純凈液體的流量。超聲波流量計是測量管道中流量的最精確儀表之一。圖1顯示的是基本超聲波流量計的布置，其中管道兩側(cè)都安裝了發(fā)送和接收傳感器。接收傳感器接收發(fā)射傳感器從管道一側(cè)傾斜角度發(fā)送的超聲波信號。接收傳感器根據(jù)流向計算兩個不同的時間，分別稱為正向時間和反向時間。這兩次(運輸時間)的差與管道中的流速成正比。

圖1 超聲波流量計布置

為了克服超聲波流量計非線性響應特性所面臨的限制，提出了幾種技術(shù)，但其中有些是乏味和耗時的。此外，每次管道直徑或液體密度發(fā)生變化時，需要重復校準過程或更換/調(diào)整校準電路。當液體溫度發(fā)生變化時，超聲波流量計的非線性響應特性問題將進一步加劇，因為超聲波流量計的輸出依賴于溫度的變化。從圖1可以得出：

(1)

(2)

ΔT=Tup-Tdown

(3)

頻率：FIN=1/ΔT

式中：M為超聲波信號向前/向后傳播的次數(shù)；Co為超聲波信號在靜態(tài)流體中的速度；D為管徑；V為流體速度。

超聲波信號的速度取決于液體的密度，表示為：

(4)

式中：k為體積模量；ρ1為溫度t1下的液體比密度；ρ0為溫度t0時液體的比密度；Pt1為溫度t1下的壓力；Pt0為溫度t0時的壓力；E為液體彈性模量；α為液體溫度系數(shù)。

UFM的輸出是頻率，它被應用到信號調(diào)節(jié)中，然后由頻率-電壓轉(zhuǎn)換器產(chǎn)生電壓。從式(1)-式(4)可以看出，超聲波流量計在感應到流量后會產(chǎn)生頻率損耗。

3 傳統(tǒng)流量測試

圖2為傳統(tǒng)流量測量技術(shù)框圖。通過超聲波流量計檢測以及傳輸流量信號，最終在超聲波流量計輸出端將頻率轉(zhuǎn)換為有源信號輸出，電壓轉(zhuǎn)換器設計了校準電路，以映射F-V轉(zhuǎn)換器輸出電壓對應的流量。

圖2 傳統(tǒng)流量測量技術(shù)框圖

傳統(tǒng)的校準技術(shù)有兩個缺點：①這是一個耗時的過程；②只要系統(tǒng)參數(shù)(管徑、液體密度或液體溫度)中的任何一個發(fā)生變化，就需要進一步重新校準，從而限制了輸入范圍的滿標度。為了克服這些局限性，智能系統(tǒng)與超聲波流量傳感器配合，在輸入的滿量程上產(chǎn)生線性輸出，并使系統(tǒng)在管徑、液體密度和液體溫度變化時更具適應性。

本文將優(yōu)化后的模糊控制器與超聲波流量傳感器一起作為智能系統(tǒng)。所設計的優(yōu)化模糊邏輯模型具有如下屬性：①適應管道直徑的變化；②適應液體密度的變化；③適應液體溫度的變化；④輸出與輸入流量呈線性關(guān)系。

4 方案優(yōu)化分析

優(yōu)化后的模糊控制器克服了傳統(tǒng)標定電路的缺點，見圖3。模糊控制器的輸入?yún)?shù)為F-V轉(zhuǎn)換器的輸出、被測流體的實際溫度、已知管徑和液體密度值。以這種方式設計的模糊邏輯控制器產(chǎn)生流量，并用顯示器顯示。

圖3 擬用流量測量技術(shù)框圖

該模糊控制器模型是利用MATLAB。不同于以調(diào)節(jié)回路輸出電壓、管徑、液體密度和液體溫度的組合作為輸入?yún)?shù)，而是以相應的流量作為模糊控制器的輸出編輯。通過在級聯(lián)中添加一個帶數(shù)據(jù)轉(zhuǎn)換器單元的最佳人工神經(jīng)網(wǎng)絡(ANN)模型，克服了前文所討論的缺點。

開發(fā)神經(jīng)網(wǎng)絡的第一步是創(chuàng)建一個用于訓練、測試和驗證的數(shù)據(jù)庫。特定流量、管徑、液體密度和液體溫度的數(shù)據(jù)轉(zhuǎn)換單元的輸出電壓存儲為一行輸入數(shù)據(jù)矩陣。輸入流量、管徑、液體密度、液體溫度及其在數(shù)據(jù)轉(zhuǎn)換單元輸出端的相應電壓的各種組合被用來形成輸入數(shù)據(jù)矩陣的其他行。輸出矩陣是目標矩陣，由與流量呈線性關(guān)系的數(shù)據(jù)組成，并適應管徑、液體密度和液體溫度的變化。

找到權(quán)重以獲得期望輸出的過程稱為訓練。通過考慮隱含層數(shù)目變化的不同算法，得到優(yōu)化的神經(jīng)網(wǎng)絡。均方誤差(MSE)是輸出和目標之間的平均平方差。MSE值越小越好，當值為0時，表示沒有錯誤?；貧w(R)衡量產(chǎn)出與目標之間的相關(guān)性，回歸值等于1表示密切關(guān)系，為0表示隨機關(guān)系。

用4種不同的方案和算法來尋找優(yōu)化的神經(jīng)網(wǎng)絡。它們是Levenberg-marquardt算法(LMA)、人工蜂群算法(ABC)、蟻群優(yōu)化(ACO)、由蟻群優(yōu)化(ACO) BP神經(jīng)網(wǎng)絡。人工神經(jīng)網(wǎng)絡的優(yōu)化首先假設只有一個隱含層；記錄MSE和R值；隱含層增加到2層并重復計算；這個過程持續(xù)到4個隱含層。在所有情況下，MSE和R均已注明，見表1。圖4和圖5為對應于不同算法和隱含層的MSE和R的網(wǎng)格。從表1、圖4和圖5可以清楚地看出，假設期望的均方誤差為閾值，由蟻群算法訓練的BP網(wǎng)絡能產(chǎn)生最優(yōu)化的網(wǎng)絡。由ACO訓練的具有2個隱含層的BP被認為是最優(yōu)化的ANN，可獲得期望的結(jié)果精度。

表1 隱含層數(shù)與R和MSE的比較

圖4 網(wǎng)格顯示不同ANN模型對應的MSE

圖5 網(wǎng)格顯示不同ANN模型對應的R值

根據(jù)上述細節(jié)對網(wǎng)絡進行優(yōu)化、驗證和測試。網(wǎng)絡模型優(yōu)化結(jié)果見表2；優(yōu)化后的神經(jīng)網(wǎng)絡模型的具體參數(shù)見表3。

表2 網(wǎng)絡模型優(yōu)化結(jié)果

表3 神經(jīng)網(wǎng)絡輸入具體參數(shù)

5 結(jié) 論

用智能模糊邏輯代替?zhèn)鹘y(tǒng)的標定電路，以適應液體溫度、液體密度和管徑的變化型號。技術(shù)分析表明，采用優(yōu)化的模糊邏輯模型系統(tǒng)，可以在全尺寸范圍內(nèi)產(chǎn)生線性輸入輸出特性輸入范圍。利用仿真數(shù)據(jù)對優(yōu)化后的神經(jīng)網(wǎng)絡進行計算、驗證和測試。在相應的規(guī)定范圍內(nèi)，對不同的管道直徑、液體密度和液體溫度進行不同的試驗輸入。最終通過比較基于均方誤差最小化(MSE)和回歸法的各種方案和算法，考慮一個最優(yōu)的人工神經(jīng)網(wǎng)絡，其中流量范圍為0.0～0.002 5 m3/s，管徑范圍為0.1～0.3 m，液體密度范圍為500～1 500 kg/m3，液體溫度為25℃～75℃。