基于改进的Elman神经网络的水表流量计量方法和系统技术方案

本发明专利技术公开了一种基于改进的Elman神经网络的水表流量计量方法和系统，其中，方法包括：获取管道内各个流量点超声波的时间差数据；对预处理后的各时间差数据进行随机选取，得到训练样本集和测试样本集；构建改进的Elman神经网络模型，根据训练样本集并利用自适应误差反向传播算法对改进的Elman神经网络模型进行训练，并通过测试样本集对改进的Elman神经网络模型进行仿真验证，最终确定流量计量模型；调用流量计量模型获取待测超声波流量计的当前超声波的时间差数据，根据时间差数据以确定待测超声波流量计的瞬时流量。本发明专利技术采用自适应误差反向传播算法训练，使得具体收敛速度快，从而避免了涉及复杂参数修正与校正补偿以减小计量误差的问题，且测量精度高。

Water Meter Flow Measurement Method and System Based on Improved Elman Neural Network

The invention discloses a water meter flow measurement method and system based on improved Elman neural network, which includes: acquiring time difference data of ultrasonic wave at each flow point in pipeline; randomly selecting each time difference data after pretreatment to obtain training sample set and testing sample set; constructing improved Elman neural network model, according to training sample set and utilizing it. The improved Elman neural network model is trained by the adaptive error back propagation algorithm, and the improved Elman neural network model is simulated and validated by the test sample set to determine the flow measurement model. The flow measurement model is used to obtain the current ultrasonic time difference data of the ultrasonic flowmeter to be measured, and the instantaneous of the ultrasonic flowmeter to be measured is determined according to the time difference data. Time flow. The invention adopts the adaptive error back propagation algorithm to train, which makes the specific convergence speed fast, avoids the problem of complex parameter correction and correction compensation to reduce measurement error, and has high measurement accuracy.

【技术实现步骤摘要】
基于改进的Elman神经网络的水表流量计量方法和系统
本专利技术涉及水表流量计量
，尤其涉及一种基于改进的Elman神经网络的水表流量计量方法和系统。
技术介绍
水表是测量水流量的仪表，可以分为机械式计量和电子流量计量两种。机械式计量的水表，由于其技术成熟、成本较低、安装调试方便等优点，在目前的市场上占有绝对的比重。但是机械式计量的水表存在流量计测量精度不高，压力损耗较大，适用范围具有单一性且抄表不易的缺点。而在电子流量计量方面：目前，一般采用由计量原理推导的流量公式，其中涉及到对不同参数的复杂修正或者经验估计，且对于一些易受工况影响的水表而言，还需要实时进行相应的校正补偿以减小计量误差，过程复杂且具有一定误差。同时，在实际流量计量中还存在着传感器的安装、采样等误差。因此，电子水表所采集的数据和水流量的对应规律具有一定复杂性、非线性以及不确定性。因此，需要一种水表流量计量方法和系统，测量精度高，且能够克服电子水表流量计量涉及复杂参数修正与校正补偿以减小计量误差。
技术实现思路
本专利技术提供的基于改进的Elman神经网络的水表流量计量方法和系统，其主要目的在于测量精度高，且能够克服电子水表流量计量涉及复杂参数修正与校正补偿以减小计量误差。为解决上述技术问题，本专利技术采用如下技术方案：一种基于改进的Elman神经网络的水表流量计量方法，包括以下步骤：获取管道内各个流量点超声波的顺流飞行时间和逆流飞行时间的时间差数据；对各所述时间差数据进行预处理，并对预处理后的各所述时间差数据进行随机选取，得到训练样本集和测试样本集；构建改进的Elman神经网络模型，所述改进的Elman神经网络模型包括输入层、隐含层、承接层以及输出层；根据所述训练样本集并利用自适应误差反向传播算法对改进的Elman神经网络模型进行训练，并通过测试样本集对改进的Elman神经网络模型进行仿真验证，最终确定流量计量模型；调用所述流量计量模型获取设置在管道中待测超声波流量计的当前超声波的顺流飞行时间和逆流飞行时间的时间差数据，根据所述时间差数据以确定待测超声波流量计的瞬时流量。作为一种可实施方式，所述根据所述训练样本集并利用自适应误差反向传播算法对改进的Elman神经网络模型进行训练，并通过测试样本集对改进的Elman神经网络模型进行仿真验证，得到流量计量模型，包括以下步骤；根据所述训练样本集并利用自适应误差反向传播算法对改进的Elman神经网络模型进行训练，直到输出数据的误差满足精度要求；再通过测试样本集对改进的Elman神经网络模型进行仿真验证，当满足验证要求时，保存各层连接权值与阈值，最终确定流量计量模型。作为一种可实施方式，所述对各所述时间差数据进行预处理，包括以下步骤：对各所述时间差数据进行有效数据选取，对选取后的有效数据中的异常数据进行筛选，得到异常数据；计算各异常数据相邻对应的平均值，并以各平均值替换对应的异常数据；再采用卡尔曼滤波器状态方程对替换后的各时间差数据进行滤波处理，得到相对平滑的各时间差数据。作为一种可实施方式，所述卡尔曼滤波器状态方程的具体公式为：x(k)＝A·x(k-1)+B·u(k)+w(k)z(k)＝H·x(k)+y(k)；式中，A、B以及H为系统参数；x(k)代表k时刻系统的状态；u(k)代表控制量；w(k)代表符合高斯分布的过程噪声；z(k)代表k时刻系统的观测值；y(k)代表符合高斯分布的测量噪声。作为一种可实施方式，所述训练样本集为随机选取得到的M个时间差数据；所述测试样本集为随机选取得到的N个时间差数据。作为一种可实施方式，本专利技术提供的基于改进的Elman神经网络的水表流量计量方法，还包括以下步骤；在最终确定流量计量模型后，将所述流量计量模型封装生成API；并编辑对应API的接口和功能说明的API文档。相应的，本专利技术还提供一种基于改进的Elman神经网络的水表流量计量系统，包括获取模块、预处理模块、训练验证模块以及计量模块；所述获取模块，用于获取管道内各个流量点超声波的顺流飞行时间和逆流飞行时间的时间差数据；所述预处理模块，用于对各所述时间差数据进行预处理，并对预处理后的各所述时间差数据进行随机选取，得到训练样本集和测试样本集；所述训练验证模块，用于构建改进的Elman神经网络模型，所述改进的Elman神经网络模型包括输入层、隐含层、承接层以及输出层；根据所述训练样本集并利用自适应误差反向传播算法对改进的Elman神经网络模型进行训练，并通过测试样本集对改进的Elman神经网络模型进行仿真验证，最终确定流量计量模型；所述计量模块，用于调用所述流量计量模型获取设置在管道中待测超声波流量计的当前超声波的顺流飞行时间和逆流飞行时间的时间差数据，根据所述时间差数据以确定待测超声波流量计的瞬时流量。作为一种可实施方式，所述训练验证模块包括自适应训练单元和验证单元；所述自适应训练单元，用于根据所述训练样本集并利用自适应误差反向传播算法对改进的Elman神经网络模型进行训练，直到输出数据的误差满足精度要求；所述验证单元，用于再通过测试样本集对改进的Elman神经网络模型进行仿真验证，当满足验证要求时，保存各层连接权值与阈值，最终确定流量计量模型。作为一种可实施方式，所述预处理模块还用于，对各所述时间差数据进行有效数据选取，对选取后的有效数据中的异常数据进行筛选，得到异常数据；计算各异常数据相邻对应的平均值，并以各平均值替换对应的异常数据；再采用卡尔曼滤波器状态方程对替换后的各时间差数据进行滤波处理，得到相对平滑的各时间差数据。作为一种可实施方式，本专利技术提供的基于改进的Elman神经网络的水表流量计量系统，还包括封装模块；所述封装模块，用于在最终确定流量计量模型后，将所述流量计量模型封装生成API；并编辑对应API的接口和功能说明的API文档。与现有技术相比，本技术方案具有以下优点：本专利技术提供的基于改进的Elman神经网络的水表流量计量方法和系统，对获取的管道内各个流量点超声波的时间差数据进行预处理选取，得到训练样本集和测试样本集；根据训练样本集并利用自适应误差反向传播算法对构建的改进的Elman神经网络模型进行训练，再通过测试样本集对训练后的模型进行测试，最终确定流量计量模型；由于采用自适应误差反向传播算法训练，使得具体收敛速度快，不易陷入局部极值的特点；从而避免了涉及复杂参数修正与校正补偿以减小计量误差的问题；且调用流量计量模型来获取当前的时间差数据以确定待测超声波流量计的瞬时流量，使得瞬时流量的测量精度高。附图说明图1为本专利技术实施例一提供的基于改进的Elman神经网络的水表流量计量方法的流程示意图；图2为改进的Elman神经网络模型的结构示意图；图3为改进的Elman神经网络模型的训练流程示意图；图4为改进的Elman神经网络模型的自适应误差梯度控制示意图；图5为本专利技术实施例二提供的基于改进的Elman神经网络的水表流量计量系统的结构示意图。图中：100、获取模块；200、预处理模块；300、训练验证模块；310、自适应训练单元；320、验证单元；400、计量模块；500、封装模块。具体实施方式以下结合附图，对本专利技术上述的和另外的技术特征和优点进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的部分本文档来自技高网...

【技术保护点】
1.一种基于改进的Elman神经网络的水表流量计量方法，其特征在于，包括以下步骤：获取管道内各个流量点超声波的顺流飞行时间和逆流飞行时间的时间差数据；对各所述时间差数据进行预处理，并对预处理后的各所述时间差数据进行随机选取，得到训练样本集和测试样本集；构建改进的Elman神经网络模型，所述改进的Elman神经网络模型包括输入层、隐含层、承接层以及输出层；根据所述训练样本集并利用自适应误差反向传播算法对改进的Elman神经网络模型进行训练，并通过测试样本集对改进的Elman神经网络模型进行仿真验证，最终确定流量计量模型；调用所述流量计量模型获取设置在管道中待测超声波流量计的当前超声波的顺流飞行时间和逆流飞行时间的时间差数据，根据所述时间差数据以确定待测超声波流量计的瞬时流量。

【技术特征摘要】
1.一种基于改进的Elman神经网络的水表流量计量方法，其特征在于，包括以下步骤：获取管道内各个流量点超声波的顺流飞行时间和逆流飞行时间的时间差数据；对各所述时间差数据进行预处理，并对预处理后的各所述时间差数据进行随机选取，得到训练样本集和测试样本集；构建改进的Elman神经网络模型，所述改进的Elman神经网络模型包括输入层、隐含层、承接层以及输出层；根据所述训练样本集并利用自适应误差反向传播算法对改进的Elman神经网络模型进行训练，并通过测试样本集对改进的Elman神经网络模型进行仿真验证，最终确定流量计量模型；调用所述流量计量模型获取设置在管道中待测超声波流量计的当前超声波的顺流飞行时间和逆流飞行时间的时间差数据，根据所述时间差数据以确定待测超声波流量计的瞬时流量。2.如权利要求1所述的基于改进的Elman神经网络的水表流量计量方法，其特征在于，所述根据所述训练样本集并利用自适应误差反向传播算法对改进的Elman神经网络模型进行训练，并通过测试样本集对改进的Elman神经网络模型进行仿真验证，得到流量计量模型，包括以下步骤；根据所述训练样本集并利用自适应误差反向传播算法对改进的Elman神经网络模型进行训练，直到输出数据的误差满足精度要求；再通过测试样本集对改进的Elman神经网络模型进行仿真验证，当满足验证要求时，保存各层连接权值与阈值，最终确定流量计量模型。3.如权利要求1所述的基于改进的Elman神经网络的水表流量计量方法，其特征在于，所述对各所述时间差数据进行预处理，包括以下步骤：对各所述时间差数据进行有效数据选取，对选取后的有效数据中的异常数据进行筛选，得到异常数据；计算各异常数据相邻对应的平均值，并以各平均值替换对应的异常数据；再采用卡尔曼滤波器状态方程对替换后的各时间差数据进行滤波处理，得到相对平滑的各时间差数据。4.如权利要求3所述的基于改进的Elman神经网络的水表流量计量方法，其特征在于，所述卡尔曼滤波器状态方程的具体公式为：x(k)＝A·x(k-1)+B·u(k)+w(k)z(k)＝H·x(k)+y(k)；式中，A、B以及H为系统参数；x(k)代表k时刻系统的状态；u(k)代表控制量；w(k)代表符合高斯分布的过程噪声；z(k)代表k时刻系统的观测值；y(k)代表符合高斯分布的测量噪声。5.如权利要求1所述的基于改进的Elman神经网络的水表流量计量方法，其特征在于，所述训练样本集为随机选...

【专利技术属性】
技术研发人员：胡海霞，付明磊，周力，吴德，郑乐进，
申请(专利权)人：杭州莱宸科技有限公司，
类型：发明
国别省市：浙江,33