超声波热能流量计高精度补偿方法


超声波热能流量计高精度补偿方法


热能流量计广泛应用于冶金、化工、轻工业等国民经济基础行业 , 对国民经济发展有重要支撑作用 。 随着企业生产规模不断扩大 , 生产系统结构越来越复杂 , 为保证工业生产安全运行 , 需要对关键生产参数进行实时监控和测量 。 此外 , 随着国家节能减排政策的出台 , 企业对能源综合利用、余热回收计量也提出了更高要求 。 但受工业现场环境恶劣、生产工艺结构复杂 , 以及多通道、流量不稳定等因素影响 , 热能流量计难以准确测量 , 无法实现工业过程的稳定控制和及时优化 。 因此 , 研究流量计高精度补偿方法 , 对企业实现智能制造和降本增效具有积极作用 。
【超声波热能流量计高精度补偿方法】
目前 , 在工业生产中大多仍采用结构简单的传统机械式仪表 , 而机械磨损会导致其精度下降、维护成本升高、使用寿命缩短等问题 。 近年来 , 随着人工智能、智能仪器仪表等新兴技术的不断发展 , 超声波热能表、涡轮热能表、涡街热能表等先进传感器在制造业中获得了成功推广和应用 。 其中 , 超声波流量表是一类非接触式仪表 , 精度高、功耗低、使用寿命长 , 成为业界研究热点 。
超声波流量表的常用测量方法包括时差法、噪声法、多普勒法等 。 时差法超声波热能流量表是一种新型智能检测仪 , 但受声道数量、管道内流速稳定性及变化率等因素的影响 , 仪器在低流速状态下存在检测灵敏度不足、稳定性较差、测量精度低等问题 , 需要对其进行及时校准和补偿 。 但该方法依赖技术人员的主观经验 , 效率低 , 特别是随着工厂规模的不断扩大 , 现场包含的大量仪器仪表维护困难 , 造成技术人员的劳动强度增大 。 针对上述问题 , 国内外学者开展了大量研究 。 文献提出了基于卡尔曼滤波的数据滤波算法 , 可显著降低测量误差 , 提高水表检测精度 。 文献提出了一种基于BP神经网络的补偿算法 , 应用于超声波热量表中 , 取得良好的补偿效果 。 虽然BP神经网络具有较强的泛化能力 , 但算法收敛速度慢 , 且易陷入局部最优解 。 然而 , 由于工业现场环境恶劣 , 仪器易受外界干扰 , 上述方法在实际应用中存在一定局限 。

    推荐阅读