文摘
逐步发展的超声波水表性能优越,水表的使用逐渐占据了大部分的市场由于其独特的优势。通过分析影响因素的超声波水表、卡尔曼滤波器用于分析影响因素,并得到了差异。在本文中,结合卡尔曼滤波器的应用范围,介绍了。结合数据融合的方法,超声波水表的影响因素进行了分析。他们是流量、温度、音速,时差,等。选择合适的传感器通过传感器选择方法,和相应的数据是通过相应的传感器的方法。我们把数据融合方法和使用卡尔曼滤波的方法来过滤数据。通过比较之前和之后的数据处理,发现之前和之后的数据过滤的不同影响因素小。其中,流动速度系数影响最大的超声波水表的准确性;温度与声速的性能几乎没有影响超声波水表。当设计一个超声波水表,它主要是必要考虑流量和时间的影响超声波水表的性能差异。
1。介绍
超声波水表是一种新型的水表检测造成的时差速度变化的超声波声束传播水上游和下游分析和处理速度,进一步计算水的流量。它的特点是低流量开始,广泛率,测量精度高,工作稳定。没有移动部件内部和没有flow-blocking元素,并且它不受水中的杂质的影响,使用寿命长。输出完成通信功能,满足各种通信和无线网络的需求。具有优良的小流量检测功能,可以解决许多传统水表的问题,更适合水费梯度收费,更适合水资源节约和合理使用,并具有广阔的市场和应用前景。超声水表是一个完全的电子水表生产工业级电子元器件使用超声波时差的原则。与机械水表相比,它具有精度高的特点,良好的可靠性,各种比,使用寿命长,没有移动部件,不需要设置参数,安装在任何角度。
卡尔曼滤波是一种算法,使用线性系统状态方程和系统输入和输出观测数据最优估计系统状态(1- - - - - -4]。由于观测数据包含系统中的噪声和干扰的影响,最优估计也可以被视为一个过滤过程5]。数据过滤是一种数据处理技术,消除噪音和恢复真实数据(6]。测量方差已知时,卡尔曼滤波器估计动态系统的状态可以从一系列的数据包含测量噪声(7- - - - - -10]。卡尔曼滤波是目前使用最广泛的过滤方法,因为它是方便计算机编程,可以更新和实时处理现场收集的数据(11- - - - - -13]。它有一个广泛的应用领域的通信,导航、制导和控制(14- - - - - -16]。在卡尔曼滤波的过程中,被选中的数据传感器,结合所收集的数据传感器和相关算法;卡尔曼滤波结果融合;最后,关于四个因素的数据来自流量、温度、声速和时差了17- - - - - -19]。
2。方法
2.1。卡尔曼滤波原理
卡尔曼滤波是一种递归滤波方法,该方法不需要保存过去的历史信息。新的数据集获得的估计价值在前一时刻的状态方程系统本身来获得一个新的估计价值在某种方式。卡尔曼滤波不需要的信号和噪声是平稳过程的假设。它是通过计算机编程实现,可以更新和处理实时现场收集的数据。对系统干扰和观察错误在每一刻,一些适当的假设的统计特性。通过处理观测信号与噪声,真正的信号的估计价值最小的误差。
2.1.1。线性卡尔曼
假设线性系统的状态 ,卡尔曼滤波的原理可以由以下公式表示:
在公式(1), 是以前的结果状态预测, 是以前的状态的最优结果,是当前状态控制量;在公式(2), 相对应的协方差吗 和 是 。相应的协方差, ,代表的换位矩阵 ,和是系统的协方差的过程;(当前状态的最优估计价值 )是 ; 卡尔曼增益。
2.1.2。扩展卡尔曼
实际系统总是有不同程度的非线性。非线性系统的滤波问题,常用的方法是使用线性化技术将它们转换成一个近似的线性滤波问题。这是扩展卡尔曼滤波方法(扩展卡尔曼滤波,卡尔曼滤波器)。扩展卡尔曼滤波器是基于线性卡尔曼滤波器。其核心是扩大过滤值非线性函数f ( )和成泰勒级数一般非线性系统和忽略二阶以上条款。得到一个近似的线性化模型,然后,应用卡尔曼滤波完成目标的筛选和评估。
2.1.3。无味卡尔曼
扩展卡尔曼滤波是非线性系统方程和观测方程进行泰勒展开和留住它的一阶近似,这不可避免地引入了线性化误差。如果线性化的假设是不正确的,使用这个算法会导致滤波器的性能降级而导致分歧。无味卡尔曼滤波(UKF无味卡尔曼滤波器),抛弃了传统的线性化方法非线性函数,采用卡尔曼滤波线性滤波器框架,并使用无味变换(UT)过程均值和协方差预测方程。
2.2。数据融合
2.2.1。传感器的选择
传感器系统的主要设计。传感器的质量直接影响到后续的数据处理和数据处理的来源是否正确。这是最基本的一个系统,这是原始数据的采集。然而,传感器是最重要的环节获取原始数据。传感器需要获得信号转换成一个剧增电信号。这个信号的准确性关系到整个数据的质量。
在传感器的选择,有一些需要注意的基本要求。
(1)类型的传感器。我们选择传感器类型和选择正确的传感器根据各种传感器的类型和功能。许多传感器参与本文选择使用这种方法。这些传感器包括压力传感器和温度变化的影响因素。这些传感器包括压力传感器和温度变化的影响因素,压力和温度传感器影响等。
(2)传感器的数量。选择传感器的数量主要取决于所需的传感器数量,关键超声波水表的位置通常是作为标准。
(3)选择范围。传感器的测量范围是由测量传感器的测量范围,最后是必需的。测量值通常是一个值范围。值越接近,越高获得的范围。在正常情况下,传感器的工作范围是在工作范围内,以防止损伤或损坏传感器。
(4)精度的选择。选择传感器测量精度的测量数据是一个非常重要的方面。一般来说,它是充分考虑会议动态重量测量的要求。不适当选择传感器,太大或太小。一个传感器,太大就会增加错误,和一个传感器太小可能无法测量所需的数据。它也可能导致损坏传感器。
(5)传感器的适用范围。传感器的适用范围主要是相关的规模大小的传感器和传感器的安装位置。确保传感器可以安全地工作是传感器安装的先决条件。结合使用的环境传感器,我们确保传感器不受安装位置的问题。
2.2.2。数据收集
超声波流量测量不仅是一个简单的数据过滤也是一个复杂的非线性转换过程。只有基本卡尔曼滤波算法不能解决非线性问题,因此本文还试图使用派生的扩展卡尔曼滤波器过滤算法。对于模型中的系数确定分析,系统的状态,观测方程和相应的相关系数,我不会重复它们。使用的数据过滤和初始状态是一样的那些在前一节中。由于观察到的状态变量,数据如下表所示1。
2.2.3。数据融合方法
多源信息融合的因素来分析影响目标的结果,以某种方式获得数据,获得的描述和解释过程所需的目标,并实现数据融合和目标之间的映射。根据融合水平,融合模型通常分为三个层次:数据、功能,和决策信息融合和处理。根据信息融合的结构,数据融合在集中式、分布式和混合式融合方法,最后,结合数据特征的映射关系,结合数据融合方法选择,和最优融合计划是通过误差分析。
信息融合是模拟真实情况,忽略了更少的影响因素,确定更多的影响因素,并结合时间和空间的法则建立数学模型,描述和分类的信息数据,并使用子集数据中包含它。我们形成一个更好的信息融合系统。
(1)信息融合的水平。信息融合通常分为四个阶段,即信息源收集和整理阶段,信息来源处理阶段,分析和决策阶段,输出级融合的结论。传感器收集的信息数据,然后处理算法在模型转换来确定目标在决策级数据融合。在研究每一层之后,可以获得以下分析。
(1)数据层融合指的是原始数据的直接融合。数据的来源是使用相应的传感器,通过因子分析和后相关数据模型,数据层融合逐渐开展,提取和数据在数据处理结果是判断。数据层融合的优点是,可以减少数据提取的细节通过融合层。当有缺陷,计算数据和实时计算。数据层融合框图如图1。
特征层融合指的是数据的特征分析和提取的相同类型的数据。然后,我们分析和过程算法,保留主要成分数据,并提供对最终结果的支持。特征层融合的优点是减少处理的数据量和便于实时数据处理。特征层融合的框图如图2。
决策融合指的是高层次的融合,这是总结和灵活的数据处理过程。预处理后的数据,一个决策计划,然后,计划结合和比较来确定最终的组合方案。融合决策层的框图如图3。
通过引入信息融合的水平,我们可以看到不同的信息融合有不同的特点和适用范围。当传感器数据可以用于各种信息融合,信息融合技术可以直接使用。传感器不匹配时,数据需要通过特定的方法,融合和枚举方法选择使用各种方法来融合的数据来确定最终的数据选择方法。
(2)信息融合结构。信息融合技术的系统结构通常可以分为集中式融合、分布式融合,混合融合体系结构。我们做出以下讨论在研究:(1)集中式融合是指发送每个传感器的观测数据到数据库,通过数据库在数据融合做出初步判断,并确定结构的准确性和信息损失率。在传输过程中,需要一个良好的网络速度,确保数据传输的完整性(2)分布式融合指的是预处理的观测数据通过一个特定的数学模型,设计算法通过每个传感器然后发送部分处理结果到数据库后,最初的结论。与集中式融合结构相比,处理过的数据有一个较小的数据大小,降低带宽需求,更高的实际操作的可行性(3)混合融合相结合的集中式融合和分布式融合的优势。但它有更高的经济需求和一般用于处理更复杂的模型
(3)信息融合算法。信息融合算法融合处理的基础和重要内容。算法获得之间的关系数据或数据和目标之间的关系通过实际情况建立数据分析模型,然后结合建立模型与现有的数据处理模型,并通过计算机实现数据融合的目的。可以融合算法,在这个阶段通常包括模糊理论、d - s证据理论、贝叶斯推理和神经网络算法。不同的算法的分析如下。
模糊理论的价值是指确定数据融合的关键因素通过融合过程,逐步扩大的关键因素,最后推导逐渐模糊的目标提取方法。
d - s证据理论采用概率理论的方法。这个理论可以有效地解决位置影响因素的概率,然后通过全概率公式获得集成数据总体目标的结果。因此,它被广泛使用。
贝叶斯推理是指建立先验概率和后验概率之间的关系通过贝叶斯规则,整体进行概率分析,确定不同因素的概率法则,和整体概率分析是通过数据。由于未知的概率,这种方法的误差比较大。
神经网络本质上是模拟人类大脑通过深入学习的过程,通过不断重复的过程,获得认知的东西和执行临时人类大脑功能。深度学习结合多传感器数据融合多个传感器的数据,和全面的深度学习获得每个传感器的数据映射和获得传感器之间的映射关系。然后,根据重复训练,得到预测数据的误差越来越小。当误差达到一定的精度,可以满足实用性。
相应的初始状态和系数如下:
噪声的预测过程和测量过程,调整不同的变量,如下:
由于扩展卡尔曼滤波器滤波算法,迭代计算和雅可比矩阵的偏导数矩阵在计算过程中,添加的测量矩阵的观测方程,如下:
根据上述测量矩阵和其他假设初始状态,可以得到矩阵的初始值,如下:
算法的迭代计算过程详细。只有当每一步都是精心计算可以计算数量和扩展卡尔曼滤波器过滤算法的复杂性被理解更深入;执行的计算是根据下面的迭代过程。
上面的数据处理算法结合相关软件,最后,数据融合后的结果。
卡尔曼MATLAB代码如下所示。
|
||||||||||||||||||||||||||
2.3。实验结果和分析
从上面的迭代计算过程中,可以看出,扩展卡尔曼滤波器滤波算法比基本KF滤波算法要复杂得多,雅可比矩阵更新添加在计算过程中,向量的复杂性并不是一点高于标量。如果变量是相关的,而不是独立的,计算的数量将会增加。在上面的迭代计算过程中,当初始化协方差矩阵,对角矩阵,和互相关添加;在更新过程中,也假定噪声协方差是一个对角矩阵,而不是相关的。在连续迭代计算,方差协方差矩阵的值对应于流速变得越来越大,其收敛性的讨论应加强随访,和编程计算很容易旅行,这可以通过MATLAB编程实现,可以迭代次数和计算。在这个过程中没有错误;上述过滤后,发现数据过滤效果很好,几乎没有波动。比较表和分析数据的过滤前后如下表所示2。
从表中数据,它不是很直观。之前和之后的变化相应的数据过滤绘制成图表,并过滤结果的四个变量进行了比较。从数据4- - - - - -7,它可以很直观的看到,过滤效果更好。
它还可以看到从上面的图的图表数据5和6有相同的变化,由于超声波在水中的传播速度是温度的函数,因此,法律的变化是相同的。这表明两个超声波的影响是相同的。曲线图在图4类似于那些在图吗7,但图的波动4比图吗7,表明两者之间有一定的影响因素。
3所示。结论
本文分析了超声波水表的准确性的影响因素和咨询相关信息发现的影响因素主要是流量、温度、声速和时差。相应的传感器方法用于获取相应的数据,和卡尔曼滤波方法用于执行数据。关于过滤处理,通过比较处理前后的数据,发现数据过滤前后对不同的影响因素相对较小。错误的比较下图所示8- - - - - -11。综合分析的错误可以在图中找到12。流速度因素产生更大的影响超声波水表的准确性。音速超声波水表性能影响较小,所以数据符合实际情况,表明数据的准确性和数据模型的建立是更好。
3.1。验证算法的可行性
处理后的数据表2,原始数据和错误数据如下表3和4得到了。从数据,可以发现数据的误差的绝对值是低于2%,大部分数据的误差分析是1%左右。这表明数据的误差满足现有数据分析的需要。
卡尔曼滤波方法用于过滤数据。通过比较之前和之后的数据处理,发现之前和之后的数据过滤不同的影响因素相对较小。错误的比较下图所示8- - - - - -11,有一个全面的分析误差。它可以发现,通过分析误差趋势的流速,流速误差分析图如图8是获得。
通过分析温度误差的趋势,温度误差分析图表如图9是获得。
通过分析声速误差趋势,声速误差分析图如图10是获得。
通过分析的误差趋势时差,时差误差分析图表如图11是获得。
它可以发现从数据的误差的绝对值数据基本上是2%以下,和大部分的数据的误差分析约为1%。这表明数据的误差满足现有数据分析的需要。
3.2。实际实验结果和分析
卡尔曼滤波方法用于过滤数据。通过比较之前和之后的数据处理,发现之前和之后的数据过滤不同的影响因素相对较小。错误的比较下图所示9- - - - - -12,有一个全面的分析误差。可以发现,流动速度的因素有更大影响超声波水表在图的准确性12。音速超声波水表性能影响较小,所以数据符合实际情况,表明数据的准确性和数据模型的建立是更好。在超声波水表的应用,有必要加强控制流的速度,防止流的变化速度的超声波水表造成大量超声波水表的性能的变化,这将影响水表的应用。通过四个因素的比较,可以发现声速误差分析数据的过滤前后大约是0.04%,和对超声波水表的影响可以忽略。如果有必要,它可以减少对超声波传播的影响因素水表实现增加水表的性能的目的。
通过比较之前和之后的错误过滤流速的四个因素,温度、声速,时差,可以发现其中有负数。修正后的数据,如下图所示13是获得。
从图可以看出13的主要影响超声波水表流量和时间的差异。温度与声速的性能几乎没有影响超声波水表。当设计一个超声波水表,它主要是必要考虑流量和时间的影响超声波水表的性能差异。其次,我们考虑的影响,温度对超声波水表的性能。声速的影响在超声波水表可以被忽略。
数据可用性
标签数据集用于支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
作者的贡献
刘富强左和Yu的贡献同样这项工作。
确认
这项研究由专项资金资助的环境模拟与污染控制国家重点联合实验室在格兰特18 k07espct数量。