基于人工智能的流体输送系统精确计量方法及计量装置与流程
本发明涉及流体输送系统领域，具体说是一种基于人工智能的流体输送系统精确计量方法及计量装置。
背景技术：
对于流体介质的管道输送应用于生产与生活的方方面面，此处流体介质是指液体、气体或气液双相介质。在实际工程中需对流体输送系统计量以下数据：流量(q)、压力(p)、温度(t)、振动(v)、噪音(i)五大类基本参数，以确保对输送介质的精准管理。
这五种数据的测量通过五种传感器，分别是：流量传感器、压力传感器、温度传感器、振动传感器、噪音传感器。这五种传感器通常分别安装在流体系统输送管道上，在实际工程中存在如下问题：
①流量、压力、温度传感器的安装往往需要对输送管道进行开孔，让输送介质与传感器直接接触，以便取得传感信号，此处开孔叫“取源孔”。取源孔实际会为流体系统带来安全隐患，比如取源孔与传感器联接管件处焊缝的炸裂导致介质泄露等。然而，现有的输送管道的取源孔数量过多，每一传感器均需对应一取源孔。
②振动、噪音传感信号容易受外界环境的影响，用户往往不能读取关于流体系统此类参数的实际值，所以很多时候用户都不选择安装这两类传感器。但这两类传感器对流体系统故障的判断与检测是很有意义的，比如：振动的异常反映系统部件出现机械故障的可能，噪音的异常反映系统部件出现介质泄露的可能等等。
③这五种传感器使用一段时间后都需要进行校核，原因是多方面的，综合起来就是二大类原因：一是传感器本身精度的原因；二是外部环境因素。比如石油化工行业标准sy/t6069-2005《油气管道仪表及自动化系统运行技术规范》规定大多传感器都是使用一年后进行校核。但在实际过程中，用户往往不能及时发现计量故障或者校核需要专业的人员及设备场所，所以存在计量工作普遍不到位现象，为管理流体系统带来被动。而且我们可以认为：使用一年内传感器参数是正确的，一年后则可能出现故障，而这种故障的出现是随机的，现有技术没法做到定量定点分析数据的准确性，以此来判断各传感器是否出现问题。
③以往的人工智能需要利用云终端进行机器学习，由此建立的数据中心能耗较高，造成环境污染。
③目前当流体介质由泵或高水位流经整个系统时，以往的工程经验是核算系统各部份的水头损失和管道压力来确定所需泵的功率或输送距离的长短，但当泵的电机频率发生变化或管道中阀门开度发生变化时，输送流量会发生变化，这时流体系统各部份的水头损失和输送流量变化前是不一样的，然而却无相应仪表计量。
技术实现要素：
针对上述问题，本发明提供一种基于人工智能的流体输送系统精确计量方法，该方法实现了微型人工智能，采用“矩阵差值赋权管理”方法且开发出甄别错误数据的人工智能算法，简单可靠，使数据不再需要离开设备就能实现服务及功能的进化，同时确保了用户数据的隐私。
本发明解决上述技术问题所采用的技术方案为：一种基于人工智能的流体输送系统精确计量方法，包括如下步骤:
步骤一：将可测量出流量q、压力p、温度t、振动v、噪音i的计量装置安装于流体系统中，得到流量q、压力p、温度t、振动v、噪音i五种基本参数的数据作为计量模型数据；
步骤二：进行计量模型数据的图形化处理：包括如下步骤：
2.1计量模型学习阶段：
将流体系统运行在一个流量最大点及一个流量最小点，随后根据流体系统日常运行，得到n个点的五种参数，其中n个点中包括了最大点和最小点；
2.2计量模型归整阶段：
将计量模型中n个点的5n个参数进行归一化整理，形成5×n矩阵；
2.3计量模型降维处理：
将步骤2.2中5×n矩阵降维处理，则每个点形成10个二维图形，在二维图形上将这n个点用曲线连接起来形成二维计量模型，至此：模型上层为n个矩阵的分类数组，下层为连续曲线的回归模型；
步骤三：将后续测量的实测数据的值设为dt＝(qtptttvtat)，将该值与所述计量模型进行比对验证，以判断该值结果是否正确；
若该值正确，则直接输出数据；
若该值异常，则需要得到其中错误数据的个数，并进行异常值的调参后再输出数据。
作为优选，步骤三包括如下具体步骤：
3.1实测数据的归整阶段：将dt＝(qtptttvtat)进行归一化处理，并形成与所述计量模型的同型矩阵；
3.2实测数据的识别阶段：计算实测数据与计量模型的模型数据的差，得到两矩阵单列数据之差的绝对值之和，并对五种数据进行赋权管理，得到两矩阵单列数据之差的绝对值之和最小值mindk；
3.3偏差的允许范围学习：学得mindk被允许的范围为k；
若mindk≦k，则可判断出此时测得的dt＝(qtptttvtat)的结果是落在所述计量模型上的，是准确的，因而可直接输出数据；
若mindk>k，则可判断出此时测得的dt＝(qtptttvtat)的结果是没有落在所述计量模型上的，因而是存在异常的，此时需找出错误数据的个数；
3.4异常值的调参：采用正确数据基于计量模型对错误数据进行参数调整，调整完后再输出数据。
作为优选，当流体介质经过时，所述计量方法可根据cmt得出瞬时热能值j，其中c为介质比热,m为单位时间质量流量,t为温度。
作为优选，当流体介质经过时，所述计量方法可根据
本发明还提供一种可实现上述方法的计量装置，该计量装置通过连接装置贯通于流体系统管道上，所述计量装置包括测量管和设于测量管外的外壳隔音层，所述测量管和外壳隔音层间为真空设置，且真空内设有用于测量压力的压力传感器、用于测量温度的温度传感器、用于测量振动的震动传感器、用于测量噪音的声强传感器、用于测量流量的流量传感器，还包括设于测量管壁的综合处理装置，所述综合处理装置用于对所述采集到的压力、温度、振动、噪音、流量信号进行数据处理和输出展示。
作为优选，所述压力传感器和温度传感器通过同一取源孔与测量管内流体连通。
作为优选，所述取源孔外端设有一三通阀门，用于连接所述压力传感器和温度传感器。
作为优选，所述振动传感器和声强传感器设于测量管壁外。
作为优选，所述流量传感器可采用电磁流量计、压差流量计、超声波流量计。
与现有技术相比，本发明具有以下有益效果：
1.1优化计量装置的尺寸及成本：
①本发明计量装置将数个传感器集中设置在同一计量装置上，采用集成化的手段较大地减小了计量设备安装尺寸及成本，解决了现有技术各传感器由于设在各处管道不同位置导致的成本过大的技术问题；
②本发明技术方案利用流体力学原理，使流体系统整体计量更完善同时成本更低。
1.2提高流体系统运行安全性：
使用了电磁流量计，采用三通阀门，使同一取源孔连接两个传感器，尽可能地减少取源孔数量，提高了流体系统运行安全性。
1.3减少计量仪表(传感器)校核次数，计量精度得到显著的提升：
本发明通过人工智能的方法实时挖掘数据，及时发现数据故障，并进行参数自动补偿，从而实现在线自动校核仪表，无需人工干预，减少了校核工作，同时大大提高了计量精度。解决了现有技术实际过程中，用户往往不能及时发现计量故障或者校核需要专业的人员及设备场所导致的数据不精准的技术问题。
1.4增加了“动能表”功能
当流体介质经过本发明计量装置时，可得出瞬时动能及累积动能。本发明可根据能量守恒原则，核算流体系统各处介质的动能，了解输送介质动能分布情况，这在流体系统管理(节能)中具备极其重要的实际应用价值。
1.5实现了一种微型人工智能
使数据不离开设备就能实现服务及功能的升级，无需云端数据库，避免了大型数据库的高能耗及环境污染，保护了用户的数据隐私。
附图说明
图1为本发明流体系统的输送原理示意图；
图2为本发明中计量装置的放大结构示意图；
图3为图2的部分剖视图；
图4为图2中沿a-a的剖视图；
图5是本发明中当n＝8时的某流体系统二维计量模型图；
图6是本发明中测试点与模型点的比对示意图；
图7为本发明中若mindk在被允许的范围k内的计量模型图；
图8为以node(q)为根结点的一棵决策树的示意图。
具体实施方式
下面将结合图1-图8详细说明本发明，在此本发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。
本发明中流量q都是指体积流量，在同一套流体系统中，一套流体输送系统建立完成并运行后，硬件或过流部件不会发生改变。过流部件是指与输送介质接触的物体表面。本发明适用于开式流体系统，即：输送介质与外部环境相接触，且外部环境压力不发生变化。本发明中流体输送系统简称流体系统。这类流体系统占了极大一部份，比如：自来水系统，工业冷却水系统，新风系统、锅炉烟气系统等。在实际工程中，由于设计、安装、输送介质特征、外部环境因素，很难人工手动算出精确的过程及方程的解。需要通过计算机对传感器测得的数据结合人工识别对数据进行图形化。
本发明提供一种可用于流体系统的计量装置，如图1所示，图中箭头表示流体流经方向，该流体系统包括水池10、为所述水池供水的补水机构11，还包括水泵12和流体系统管道，所述水泵用于将水池里的流体泵向流体系统管道，所述计量装置14通过连接装置贯通于流体系统管道上，流体系统管道内的流体再通过本计量装置流向用水设备。所述连接装置可采用法兰或卡箍等。所述计量装置包括测量管和设于测量管外的外壳隔音层，所述测量管和外壳隔音层间为真空设置，外壳隔音层可采用焊接式安装等安装方式，且真空内设有用于测量压力的压力传感器、用于测量温度的温度传感器、用于测量振动的震动传感器、用于测量噪音的声强传感器、用于测量流量的流量传感器，所述声强传感器的工作原理是基于声波在流体或固体中传播；还包括设于测量管壁的综合处理装置，所述综合处理装置用于对所述采集到的压力、温度、振动、噪音、流量信号进行数据处理和输出展示。本发明中的“综合处理装置”是一套微电脑数据及图形处理系统，同时带工业通讯卡可实现不同装置间的交流，包括中央处理芯片及数据采集系统与显示屏等,其具体软件和硬件均可采用现有技术的装置，此处不做赘述。
外壳隔音层与测量管间为真空环境，起到对噪音传感器隔音的作用，同时又保护了其它四类传感器，提高了所有传感器的计量精度和使用寿命。所述振动传感器和声强传感器设于测量管壁外，所述外壳隔音层和测量管间抽真空，且将振动传感器和声强传感器设于真空环境内，使各传感器运行不受外界干扰，使运行更稳定，精度高。
所述压力传感器和温度传感器通过同一取源孔与测量管内流体连通。所述取源孔外端设有一三通阀门，用于连接所述压力传感器和温度传感器。三通阀门的设置使两个传感器共用一个取源孔，减少取源孔数量，提高流体系统运行安全性。且此取源孔与传感器之间有截断装置进行联接，以便流体系统能在不停产时对此二传感器进行调整与校核。
所述流量传感器可采用电磁流量计，但不限于电磁流量计，它包括利用力学、电学、声学测量原理的所有流量计，如压差流量计、超声波流量计等。所述电磁流量计包括激磁线圈71、铁芯7、电极73，所述激磁线圈和铁芯均位于测量管和外壳隔音层的真空内，所述电极插入测量管内。所述计量装置还包括用于与外界通信的天线74和设于天线处的天线保护壳75。
在陈述计量方法前，先论述流量、压力、温度、振动、噪音这五个参数的关系，五个参数在同一套流体系统中是直接或间接呈线性关第的，论述如下：
a:流量(q)与压力(p)的关系(能量守恒定律及流量方程)：
上式中：
p-压力；
h-水头高度；
ρ-介质密度；
g-重力加速度；
v-流速；
q-流量；
s-管道流通面积。
可知当流量q发生变化时，流速v也发生变化，即压力p发生变化，反之亦然。
需要进一步说明的是：
本文中讲的流体系统都是开式流体系统，介质与外界恒压环境相接触，则介质压力测量处与外界环境压力形成压差，外界环境压力是不变的，所以测量点压力的变化即是压力差的变化。当然在闭式流体系统中也可以使用。比如中央空调冷温水系统是典型闭式流体系统，但需要保持补水压力的恒定，相对因素比较复杂，所以不进行论述。
b:流量(q)与振动(v)的关系(管道系统的运动微分方程)：
由于流体系统本身的原因：固有频率、压力脉动、介质振动(湍流)等，流量与振动的关系可用曲线描述并建立回归方程。可以由管道系统的运动微分方程看出之间的联系：
[m]x+[c]y+[k]z＝f
上式：
[m]-总质量矩阵；
[c]-阻尼矩阵；
[k]-总刚度矩阵；
x-速度向量；
y-加速度向量；
z-位移向量；
f-干扰力向量。
当流量变化时，式中[m]发生变化，从而造成振动的变化。
c:流量(q)与温度(t)的关系(摩尔气体常量及对流换热方程)：
流量与温度的关系需要做分类说明：
①当介质是气体时，根据摩气体常量方程：pb＝rt。
式中：
p-压力；
b-气体体积；(注意：标准方程中体积用v表示，但本文用v表示振动，所以此处b表示气体体积)
r-常量；
t-温度。
②当介质是液体或者气体时，根据对流换热方程：hcsδt1＝cmδt2。
式中：
hc-表面换热系数；
s-过流部件面积；
δt1-流体介质与过流部件温差；
c-流体介质的比热；
m-流体介质的质量流量；
δt2-流体介质温度的变化量。
整个流体系统可以看成是在某个环境下的换热装置，当一套流体系统运行的任一时刻，可以认为：hc、s、δt1、c是不发生变化的，所以当流量发生变化时，流体介质的温度也发生变化。
d:流量(q)与噪音(i)的关系(声压公式):
介质在管道内流过时，因为质点的振动，会产生噪音。当一套流体系统固定(装置特征不变)时，如果管道内流量发生变化，则流场发生变化，质点振动的速度振幅也将发生变化，同时导致声压产生变化，根据公式：
式中：
vz-质点振动的速度振幅；
pi-声压；
ρ-传音物体的密度；
c-声速。
可以看出，传音物体的密度不变时，声速也是固定值。质点振动的速度与声压呈线性关系。
综上，流体系统五种参数流量(q)、压力(p)、温度(t)、振动(v)、噪音(i)是相互关联的。我们可以将这五种参数视为流体系统的五个特征，当一个特征发生变化，其它特征将与这个变化的特征可以形成函数关系,即：
在实际工程中，由于设计、安装、输送介质特征、外部环境因素，很难人工手动算出精确的过程及方程的解。需要通过计算机对传感器测得的数据结合人工识别对数据进行图形化。
本发明还提供一种运用上述计量装置实现基于人工智能的流体输送系统精确计量方法。包括如下步骤:
步骤一：将可测量出流量(q)、压力(p)、温度(t)、振动(v)、噪音(i)的上述计量装置安装于流体系统中，得到流量(q)、压力(p)、温度(t)、振动(v)、噪音(i)五种基本参数的数据作为计量模型数据；
步骤二：进行计量模型数据的图形化处理：包括如下步骤：
2.1计量模型学习阶段：
在本发明计量装置安装在流体系统上前期，所有传感器都是准确的，此时间约为一年左右，此时根据各传感器测得数据建立以下模型：流量、压力、温度、振动、噪音矩阵模型:(q-p-t-v-i)
根据流体系统日常运行，得到n个点的五种参数，每采集一次数据便形成矩阵的一列，若采集到n个不同运行点，则得到5×n矩阵：
在此过程中为使模型完善，需要流体系统运行在一个流量最大点和流量最小点，其中d1＝(q1p1t1v1a1)对应最小流量点，dn＝(qnpntnvnan)对应最大流量点，n个点中包括了最大点和最小点。这在实际中是容易做到的，因为每套流体系统流量都有一个范围，而且系统需要在这个范围内进行调试。在此过程中需要对因外界环境影响较大的参数进行人工标注或分类预测，删除后再做向量填充。比如噪音，在其它数据准确的情况下，仅对一种类型数据进行向量填充比较容易，而且此数据的填充也可以基于同类其它正确数据的基础上。
2.2计量模型归整阶段：将计量模型中n个点的5n个参数根据公式
2.3计量模型降维处理：
将步骤2.2中5×n矩阵降维处理，则每个点形成10个二维图形，在二维图形上将这n个点用曲线连接起来形成二维计量模型，至此：模型上层为n个矩阵的分类数组，下层为连续曲线的回归模型；
所述流量、压力、温度、振动、噪音可形成十个二维计量模型(q-p,q-t,q-v,q-i,p-t,p-v，p-i,t-v,t-i,v-i)。五种类型数据能形成连续函数关系，同时根据流体系统的连续性原理，在已知一个特征几个正确的数据上，将这几个数据连成光滑曲线，得到如图5所示的二维计量模型：
图5表示当n＝8时的某流体系统二维计量模型。
上述过程序为计量模型的学习阶段，需要在传感器数据不会出现大面积错误的情况下完成，因为达到一个时间节点后，传感器存在测量偏差会越来越大，此时直接采集到的数据就可能存在错误，因而在实际运行中此时间大多在流体系统运行一年以内。
步骤三：将后续测量的实测数据的值设为dt＝(qtptttvtat)，将该值与所述计量模型进行比对验证，以判断该值结果是否正确，
若该值正确，则直接输出数据，
若该值异常，则需要得到其中错误数据的个数，并进行异常值的调参后再输出数据。
在计量模型学习完成之后，对随后采集的错误数据，以传统统计学的方法不太好进行归类与比较。因为一次测量有五个数据(特征)，很有可能这五个数据(特征)分别都落在二维计量模型曲线上，但无法清楚这五个数据(特征)中哪几个发生了错误。此时需要采用机器学习的方法对模型进行再训练。
步骤三包括如下具体步骤：
3.1实测数据的归整阶段：设测得的一组数据为dt＝(qtptttvtat)，将dt＝(qtptttvtat)进行归一化处理，并形成与所述计量模型的同型矩阵；用同样方法进行归一化处理。其中min和max分别表示模型数据最小和最大值，使模型数据变为无量纲数(此无量纲数矩阵仍用dt表示)。
3.2实测数据的识别阶段：计算实测数据与计量模型的模型数据的差，得到两矩阵单列数据之差的绝对值之和，并对五种数据进行赋权管理，得到两矩阵单列数据之差的绝对值之和最小值mindk；具体为：先计算两无量纲矩阵差值：
将dt转化为d的同型矩阵dtz，再求d-dtz：
可得单列矩阵绝对值之和：
dk＝|qk-qt|+|pk-pt|+|tk-tt|+|vk-vt|+|ik-it|(k＝1,2,3,...,n)
此时一定存在dk的最小值，则对无量纲矩阵mindk各特征进行赋权处理，得到：
mindk＝α|qk-qt|+β|pk-pt|+γ|tk-tt|+λ|vk-vt|+μ|ik-it|，(此赋权值α，β，γ，λ，μ分别代表不同数据的信息增益，随后见计算方法)。特殊情况，当|qk-qt|＝|pk-pt|＝|tk-tt|＝|vk-vt|＝|ik-it|＝0时，即此测量点完全落在计量模型上，五个实测数据(特征)都是正确的。
3.3偏差的允许范围学习：学得mindk被允许的范围为k；
若mindk≦k，则可判断出此时测得的dt＝(qtptttvtat)的结果是落在所述计量模型上的，是准确的，因而可直接输出数据；
若mindk在被允许的范围k内，则测试点的值也是被允许的。此时计量模型可直观地图7表示：
mindk代表实测数据与矩阵模型的偏差，如果此偏差在被允许的范围k内，则此测量数据落入二维曲线计量模型层，对应二维曲线计量模型上各点。k值不代表两个矩阵之间的距离，需根据不同流体系统特征进行训练。
若mindk>k，则可判断出此时测得的dt＝(qtptttvtat)的结果是没有落在所述计量模型上的，因而是存在异常的，此时需采用人工智能算法找出错误数据的个数；
3.4异常值的调参：采用正确数据基于计量模型对错误数据进行参数调整，调整完后再输出数据。
若得到的mindk不在被允许的范围内，则表示有数据偏差过大。发生错误的数据类型在五种及以下时，共有
输入：训练集m＝{(q1,p1,t1,v1,i1),(q2,p2,t2,v2,i2),...,(qm,pm,tm,vm,im)}；
属性集
过程：函数treegenerate(m,ω)
1:生成结点
2:ifmindk(p,t,v,i)≤k1；(k1为除去q后的测量值与计量模型p-t-v-i四维向量的允许值，下面有类似过程不再一一说明)
3:将note标记为c1类结点；
4：endif
5:ifmindk(p,t,v,i)＞k1；
6:为note生成一个分支
7：endif
8：ifmindk(q,t,v,i)≤k2；
9:将note标记为c2类结点；
10:endif
11:ifmindk(q,t,v,i)＞k2
12:为note生成一个分支
13：endif
14:ifmindk(q,p,v,i)≤k3；
15:将note标记为c3类结点；
16:endif
17：ifmindk(q,p,v,i)＞k3
18：为note生成一个分支
19:endif
20:ifmindk(q,p,t,i)≤k4；
21:将note标记为c4类结点；
22:endif
23:ifmindk(q,p,t,i)＞k4
24:为note生成一个分支
25:endif
26:ifmindk(q,p,t,v)≤k5；
27:将note标记为c5类结点；
28:endif
29:ifmindk(q,p,t,v)＞k5
30:为note生成一个分支
31:endif
32:ifmindk(t,v,i)≤k6；(k6为除去q,p后的测量值与计量模型t-v-i三维向量的允许值，下面有类似过程不再一一说明)
33:将note标记为c6类结点；
34:endif
35:ifmindk(t,v,i)＞k6
36:为note生成一个分支
37:endif
38:(由五种属性分别取出二种，循环类似32-37过程，可知此处还有八个分支。)
39：从ω中选择最优划分属性
40:forω*的每一个值
41:为note生成一个分支；令mv表示m中在ω*上取值为
42:endfor
输出：以node
上述步骤8根据属性
c＝(1，2)表示某种传感器测量结果的可能(1＝正确，2＝错误)；可以得出：
gain(m,ω)＝ent(m)-ent(mc)
信息熵式中：假定样本m中第t类样本测量结果发生的可能性pt(t＝1,2,...,|y|)；上述算法仅为判断正误，显然y＝2(一种可能性为正确另一种可能性为不正确)。根据上述计算流体系统流量(q)、压力(p)、温度(t)、振动(v)、噪音(i)五种参数信息熵及信息增益。信息熵越小，样本的纯度越高。信息增益越大则使用属性ω来进行划分所得到的“纯度提升”越大。
综合以上可以看出：
①五种传感器当一种传感器发生错误时，样本中错误率为0.2，正确率为0.8，ent(m)＝0.7216。
②五种传感器当二种传感器发生错误时，样本中错误率为0.4，正确率为0.6，ent(m)＝0.9702。
我们可以在上述二种情况发生时，进行属性的赋权。(当然在五种传感器当四种发生错误时，也有ent(m)＝0.7216，但实际中只可能存在先坏一个传感器再坏四个传感器的情况，不存在先坏四个传感器再坏一个传感器的情况)
由上述算法第1到第29步骤，我们可以找出一种数据发生错误的所有情况。实际上这种情况也是最多的：一种传感器坏了之后，随后其它传感器逐一坏掉。但我们随后进行了参数的校正，情况便又恢复到了没坏之前。
由上述算法第30到第38步骤，我们可以找出二种数据同时出现错误的所有情况。三种传感器同时出现故障的可能性太小，本文不进行考虑。根据算式：mindk＝α|qk-qt|+β|pk-pt|+γ|tk-tt|+λ|vk-vt|+μ|ik-it|对不同属性进行赋权时，需要考虑一种实际情况：如果振动(v)及噪音(i)传感器一直异常，则表示有系统机械故障或管道泄漏存在的可能，需排除故障点后再进行确认。根据公式：gain(m,ω)＝ent(m)-ent(mc)可得不同属性的信息增益值，将此值归一化处理，使α+β+γ+λ+μ＝1,可得:α，β，γ，λ，μ五个赋权值。此值可在直观上可理解为：根据不同系统，哪种属性参数计量越稳定(错误率更低)，则赋权值越大。
异常值的调参：
通过上述步骤我们可以得出异常数据的个数或种类。在生成的二维计量模型中，根据正确数据的坐标调整错误数据参数坐标，直到准确。如图6所示，比如在计量模型(q-p)中：模型点为(qm,pm)，测试点为(qt,pm)那么：以pm为基准进行流量(q)的调整，使qm＝ζqt，ζ为调整参数(ζ不仅代表一个数值，也可能是一个函数)。
本发明中，当流体介质经过时，所述计量方法可根据cmt得出瞬时热能值j，其中c为介质比热,m为单位时间质量流量,t为温度。
当流体介质经过时，所述计量方法可根据
据的输出：
本发明数据的输出见下表：
本发明包括一个综合检测装置及一套流体系统的综合解决方案，对不同流体系统需要进行参数设置及模型的调整。是流体系统计量的集成化及人工智能化的手段，主要能达到以下技术效果：
①降低了设备安装尺寸，减少了设备安装及制造成本。
②减少了取源孔数量，提高系统运行安全性。
③提高了计量精度，根据各种表计不同特点结合流体系统的特征，实现了表计参数的自动调整，提高了生产效率。计量精度的提高主要体现在二方面：1、数据的采集及分析可定为十分钟进行一次，由此可能的故障值也将被十分钟检索一次。一年不间断可进行52560次，与传统人工一年一次校表比提高了几个数量级。
2、在人工智能算法中，对错误数据的排除存在极小的失误：如在步骤1到第29步，排除了所有存在一种数据出错误的可能，这里有一个存在失误的因素就是：有可能这个被排除的数据是正确的，而另外四个是错误的。根据“矩阵差值赋权管理”方法，则这四个点都应该落在四维计量模型上。那么，四个错误数据又可以同时落在四维计量模型上的概率是(设定k＝3)：
④增加了“动能表”的新功能性，使流体系统能源分布的情况得已清楚，过去行业内都是通过管道压力损失来判断能量消耗情况，但通过动能表可以直接读出结果使流体系统能源分布情况一目了然，为系统的科学管理提供依据。
⑤由于得到了系统某位置的准确五个参数，在系统的其它部件也可以安装此类装置，根据能量守恒及流体的连续性原理，仅需对总管上进行流量计量，当系统其它部件安装此装置时，无需安装流量计便可以得到此装置位置的所有五个数据。
以上对本发明实施例所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述，以上实施例的说明只适用于帮助理解本发明实施例的原理；同时，对于本领域的一般技术人员，依据本发明实施例，在具体实施方式以及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
- 还没有人留言评论。精彩留言会获得点赞！