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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。