基于多传感数据融合的液位测量方法技术

本发明专利技术涉及液位测量技术，其公开了一种基于多传感数据融合的液位测量方法，提高测量精度和可信度。该测量方法包括以下步骤：S1、利用温湿度传感器和气压传感器的采集数据计算液位高度；S2、基于超声波传感器测量液位高度；S3、采用EKF

【技术实现步骤摘要】
基于多传感数据融合的液位测量方法


[0001]本专利技术涉及液位测量技术，具体涉及一种基于多传感数据融合的液位测量方法。

技术介绍

[0002]在酿酒和汽油行业这样的行业，由于液体易挥发，经常需要准确的对其量值进行监测。由于接触式的测量容易造成污染和量值损失，目前主要采用红外线或超声波这类无接触式的测量方式。鉴于液体的特殊性以及超声波等的散射角和回波等因素的影响，采用单传感器的测量精度较低，特别是对于搬运中或恶劣环境中的液体，测量精度和可信度更是直线下降。

技术实现思路

[0003]本专利技术所要解决的技术问题是：提出一种基于多传感数据融合的液位测量方法，提高测量精度和可信度。
[0004]本专利技术解决上述技术问题采用的技术方案是：
[0005]一种基于多传感数据融合的液位测量方法，应用于包括多个传感器的液位测量系统中，所述多个传感器包括温湿度传感器、气压传感器和超声波传感器；
[0006]该测量方法包括以下步骤：
[0007]S1、利用温湿度传感器和气压传感器的采集数据计算液位高度；
[0008]S2、基于超声波传感器测量液位高度；
[0009]S3、采用EKF
‑
FNN算法对步骤S1计算的液位高度数据进行滤波处理，获得符合高斯分布的液位高度数据；
[0010]S4、对步骤S2中测量的液位高度数据进行可信度判断，并修正数据分布方差，获得符合高斯分布的液位高度数据；
[0011]S5、对步骤S3和步骤S4中所述符合高斯分布的液位高度数据进行数据融合。
[0012]作为进一步优化，步骤S2中，还包括：采用加权最小二乘法对超声波传感器测量数据进行处理，以消除超声波回波误差。
[0013]作为进一步优化，步骤S3中，采用EKF
‑
FNN算法对步骤S1计算的液位高度数据进行滤波处理，经过处理后的液位高度数据符合高斯模型N2(μ2，δ
22
)。
[0014]作为进一步优化，步骤S4中，所述对步骤S2测量的液位高度数据进行可信度判断，并修正数据分布方差，具体包括：
[0015]通过设置两次采样之间的差值阈值以及采样间隔，根据所述采样间隔进行数据采样，将本次采样数据与上一次采样数据的差值与差值阈值进行比较，若小于所述差值阈值，则判定本次采样数据可信，保持数据分布方差不变否则，判定本次采样数据不可信，将数据分布方差修正为一个较大值经过处理后的液位高度数据符合高斯模型
[0016]作为进一步优化，步骤S5中，所述对步骤S3和步骤S4中所述符合高斯分布的液位高度数据进行数据融合，具体包括：
[0017]融合后的数据服从高斯分布，设为N(μ，δ2)，融合的具体方法为：
[0018][0019]其中，μ,δ2为融合后的均值和方差，融合后的液位高度值由μ值确定。
[0020]本专利技术的有益效果是：
[0021]采用多传感数据融合的液位测试方法，有效地将全局液位测试和局部液位测试相结合，采用EKF
‑
FNN算法对温湿度传感器和气压传感器采集换算的高度数据进行处理，并与经过可信度判断和方差修正处理的超声波传感器采集数据进行融合。消除了超声波来回波之间的不可见误差，提高了测试的精度以及系统的鲁棒性。
附图说明
[0022]图1是本专利技术中的基于多传感数据融合的液位测量方法流程图；
[0023]图2为EKF
‑
FNN算法原理框图；
[0024]图3为本专利技术中的多传感数据融合液位测试应用示例图。
具体实施方式
[0025]本专利技术采用多传感数据融合的液位测试方式可以充分发挥各传感器的优势，进行优劣互补，提高测量的精度。该方法将温湿度传感器和气压传感器进行组合(为便于描述，下文将此组合定义为BTH测量单元)，将超声波传感器定义为UR单元；本方法将全局液位高度和局部液位高度进行有效结合，采用EKF(扩展卡尔曼滤波算法)及FNN(模糊神经网络)结合形成的EKF
‑
FNN算法对BTH数据进行处理。然后对处理后的BTH数据与UR数据进行数据融合，通过降低UR数据在回波误差较大时的权重值，来消除回波误差，解决液位测试准确性不高，测试鲁棒性差等问题。
[0026]在具体实现上，本专利技术中的基于多传感数据融合的液位测量方法如图1所示，其包括以下步骤：
[0027]S1、利用温湿度传感器和气压传感器的采集数据计算液位高度；
[0028]本步骤中，温湿度传感器、气压传感器进行数据采集得到温度、湿度、气压数据；
[0029]基于温度、湿度和气压数据(简称BTH数据)，采用下列公式可以换算成液位高度：
[0030][0031]其中，h为液位高度，P0为标准大气压，RH为测得的湿度，t为测得的温度，P为测得的气压数据。
[0032]S2、基于超声波传感器测量液位高度；
[0033]本步骤中，超声波传感器进行数据采集得到飞行距离数据(简称UR数据)，可以采
用加权最小二乘法对UR数据进行处理，以消除超声波回波误差。
[0034]S3、采用EKF
‑
FNN算法对步骤S1计算的液位高度数据进行滤波处理，获得符合高斯分布的液位高度数据；
[0035]本步骤中，EKF(扩展卡尔曼滤波)将卡尔曼滤波从线性领域扩张到非线性领域，是一种高效的数据滤波算法，EKF由于对泰勒展开式的高次项进行了省略，所以不可避免的会引入误差。而FNN(模糊神经网络)具有自学习、自适应等优点。
[0036]因此，本专利技术将EKF和FNN相结合形成EKF
‑
FNN算法，该算法中FNN以经过EKF处理的K(k)、以及新息序列作为模型输入，将模型输出X(k)和EKF的估计值作差而形成的偏差来对EKF所产生的误差进行补偿。
[0037]经过上述处理后的液位高度数据符合高斯模型N2(μ2，δ
22
)。
[0038]S4、对步骤S2中测量的液位高度数据进行可信度判断，并修正数据分布方差，获得符合高斯分布的液位高度数据；
[0039]本步骤中，对UR数据进行可信度判断是通过设置UR数据的采样间隔，并设定两次采样值的差值阈值ε，若前后两次采样数据|S(k+1)
‑
S(k)|＜ε成立，则本次采样数据是可信的，根据可信度判断的结果按照如下式来对方差进行修正：
[0040]当本次采样数据可信时，采用来修正UR数据的方差，保持方差不变；当本次采样数据不可信时，采用将方差修正为一个较大值。
[0041]经过上述处理后的液位高度数据符合高斯模型
[0042]S5、对步骤S3和步骤S4中所述符合高斯分布的液位高度数据进行数据融合。
[0043]本步骤中，对两种高度数据进行融合，由于两种高度数据均服从高斯分布，因此进行融合后的数据亦是服从高斯分布，设为N(μ，δ2)，融合的具体方法为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多传感数据融合的液位测量方法，应用于包括多个传感器的液位测量系统中，所述多个传感器包括温湿度传感器、气压传感器和超声波传感器；其特征在于，该测量方法包括以下步骤：S1、利用温湿度传感器和气压传感器的采集数据计算液位高度；S2、基于超声波传感器测量液位高度；S3、采用EKF
‑
FNN算法对步骤S1计算的液位高度数据进行滤波处理，获得符合高斯分布的液位高度数据；S4、对步骤S2中测量的液位高度数据进行可信度判断，并修正数据分布方差，获得符合高斯分布的液位高度数据；S5、对步骤S3和步骤S4中所述符合高斯分布的液位高度数据进行数据融合。2.如权利要求1所述的基于多传感数据融合的液位测量方法，其特征在于，步骤S2中，还包括：采用加权最小二乘法对超声波传感器测量数据进行处理，以消除超声波回波误差。3.如权利要求1所述的基于多传感数据融合的液位测量方法，其特征在于，步骤S3中，采用EKF
‑
FNN算法对步骤S1...

【专利技术属性】
技术研发人员：雷勇，孙硕，
申请(专利权)人：四川启睿克科技有限公司，
类型：发明
国别省市：