<small id="ewmia"></small><xmp id="ewmia"><td id="ewmia"></td><xmp id="ewmia"><td id="ewmia"></td><small id="ewmia"><td id="ewmia"></td></small>
  • <small id="ewmia"></small><small id="ewmia"></small>
  • <xmp id="ewmia">
  • <small id="ewmia"><li id="ewmia"></li></small><small id="ewmia"><li id="ewmia"></li></small><small id="ewmia"></small><small id="ewmia"><li id="ewmia"></li></small>
  • <td id="ewmia"></td>
  • <td id="ewmia"><s id="ewmia"></s></td>
  • <td id="ewmia"></td><td id="ewmia"><button id="ewmia"></button></td>
  • <small id="ewmia"><td id="ewmia"></td></small>
  • <td id="ewmia"><li id="ewmia"></li></td>
  • <td id="ewmia"></td>
  • 基于聲共振原理的液位測量與誤差補償方法

    論文價格:150元/篇 論文用途:碩士畢業論文 Master Thesis 編輯:碩博論文網 點擊次數:
    論文字數:37566 論文編號:sb2022071415215349069 日期:2022-08-12 來源:碩博論文網

    本文是一篇工程碩士論文,本文從兩個角度進行處理:一、從解析模型的角度出發,使用基于MAKE規則的聲共振序列缺陷補償與液位估計方法對共振點序列進行補償,并根據液位換算公式重新求得液位高度;二、從數據模型的角度出發,通過建立深度學習(CNN、LSTM)液位估計模型,直接從原始共振數據中推理得到液位高度值,進而提高液位測量的精確度。
    第1章 緒論
    1.1 研究背景及意義
    液位測量在原材料運輸、工業及工程系統的狀態檢測等領域起到了越來越重要的作用[1]。例如,在石油化工領域中,利用液位測量裝置檢測儲油罐內油液高度進而核算油量,是監測油罐安全、管理庫存、結算用油等環節的關鍵步驟。但是,在實際生產或物料運輸過程中,由于生產工況多變、計量裝置性能退化、監測環境多干擾等原因,導致液位精確測量成為不小的難題。例如,容器內壁出現異物、液體表面出現殘渣、氣泡等因素導致液位測量不準確。
    通常經過檢測液面兩側物質的特性或者相關物理參數(電容、電感、壓差以及聲速和光能等)在液面兩側發生的變化,確定液位高度值[2]。綜合國內外液位測量研究現狀,按檢測裝置是否與液體接觸,可以將測量方法分為接觸式液位測量方法和非接觸式液位測量方法[3]。接觸式液位測量方法包括音叉振動液位測量法、靜壓式液位測量法等。非接觸式液位測量方法包括超聲波液位測量法、光電折射式液位測量法、聲共振液位測量法等[3],非接觸式液位測量設備安裝簡單、耐腐蝕、在工業生產中得到廣泛應用。
    超聲波液位測量法,具有造價低、安裝簡單、靈活性高等特點,在工業環境中得到了廣泛應用。該方法向所測液面發出超聲波并記錄經液面反射的超聲波抵達發射源的時間,利用時間與液位高度成比例的原理來計算液位高度。理想狀態下,超聲波液位測量方法準確率很高。但是當被測液面含有大量雜質時,超聲波會發生寄生反射降低測量精度[8]。

    工程碩士論文怎么寫
    工程碩士論文怎么寫

    針對超聲波測量液位時存在寄生反射問題,文獻[10]提出了一種通過發射一段某個頻段內隨時間均勻變化的正弦波。在導管中發射波和反射波進行疊加后會形成共振波(合成波)并從中提取一組共振點序列,然后換算液位高度??陕劼暡ㄑ苌涮匦钥梢岳@過液面上的障礙物,在真實液面上發生反射,進而克服了超聲波在測量液位時存在的寄生反射問題,在一定程度上提升了液位測量精度。在基于固定頻段的液位測量方法的應用中,要求獲取的共振點序列必須是連續的、完整的。但是,由于測量環境噪聲干擾、裝置安裝不當、參數設置不合適等原因,獲取的共振點序列會存在缺陷情況(局部虛假共振點或被遺漏的共振點),致使測量結果出現較大誤差。
    ...........................
    1.2 液位測量國內外研究現狀
    液位測量在工業領域應用廣泛,國內外大量學者對液位測量方法進行了深入研究。通常根據測量原理、測量方式、裝置是否與液體接觸等方式對液位測量方法進行分類,本節根據測量裝置是否與液體接觸將測量方法進行分類講解。
    1.2.1 接觸式液位測量方法
    機械式浮筒測量:該方法的測量裝置主要由帶孔的磁浮筒、干簧或者小錳銅電阻、不銹鋼套管等器件組成。不銹鋼管固定在罐體的頂部與底部,并將磁浮筒(內置干簧等測量元件)穿插在不銹鋼上。當液位發生變化時,不銹鋼管上套的磁浮筒會發生上下波動,從而接通位于液面上的干簧點,測得液位高度。該原理的優點是裝置簡單、價格低廉,缺陷是頻繁的液面波動會導致該裝置發生機械磨損,使得測量精度低,同時增加了維修成本。且浮筒型測量依靠浮力來浮動,因此其測量的液位高度范圍都會受到限制,不能滿足高液位與低液位的測量要求。
    音叉振動液位測量法[4]:該方法將兩個振動音叉插入到待檢測的液體中,根據檢測到的共振波信號的變化情況來輸出開關信號。該方法適用于測量粘度較高的液體或粉狀物,實現對液體未達到某高度或超過某高度的情況做報警。音叉常安裝于容器側面,且該方法不能用于對液體進行連續測量。
    靜壓式液位測量法[5]:該方法將壓力傳感器安裝于所測液體底部,通過檢測底部液體壓力,轉換計算出液位高度。常用的壓力傳感器精度高、耐腐蝕,缺點是需要不斷矯正傳感器,且傳感器維修困難。
    電容式液位測量法[6]:該方法主要是通過測量由于液體高度變化引起的電容變化量來推算液位高度值。電容式液位測量法具有較好的抗干擾能力,可應用于高溫、高壓環境和耐腐蝕性介質的測量。
    ...............................
    第2章 相關理論基礎
    2.1 引言
    本文擬從兩個角度研究新型的共振缺陷(測量誤差)補償方法。一是在延續使用共振點序列液位換算公式求取液位高度的基礎上,給出基于MAKER規則的缺陷補償模型,對缺陷波形進行修正以實現測量誤差補償的目的;二是在液位監測系統長期運行產生大量聲共振數據后,建立深度學習測量模型,直接從原始數據中推理出液位高度。因此,本章介紹了證據推理和深度學習兩個方面的相關理論基礎。
    證據推理理論也稱為Dempster - Shafer(D-S)證據理論,該理論為各種不確定性信息的表達(辨識框架)、建模(證據)、推理和融合(組合規則)提供了有效的方法[11]。Yang在傳統D-S證據理論算法的基礎上,基于正交和定理提出了一種具有嚴格概率推理過程的證據推理(Evidence Reasoning,ER)規則[12]。在ER規則中,證據可靠性和證據重要性被明確定義。當證據間相關性較弱時,使用ER規則融合證據效果較好,但當證據之間相關性較強時,該規則處理結果不理想。為解決該問題,Yang和Xu進一步提出了一種極大似然證據推理(Maximum Likelihood Evidential Reasoning, MAKER)規則,充分考慮了融合中證據間的相關性。當證據元素的權重和證據的權重相等時,MAKER規則簡化為ER規則,當證據的可靠性等于其重要性權重時,MAKER規則簡化為Dempster規則。
    隨著大數據時代的到來,深度學習在處理海量數據的優勢顯得格外突出,卷積神經網絡作為一種典型深度學習模型被廣泛應用,但處理時間序列時存在一定的局限性。Elman等人提出了用于處理序列數據的循環神經網絡模型(RNN),解決了傳統神經網絡在處理序列信號方面的局限性。長短期記憶網絡(LSTM)相比于RNN,在模型中添加了部分控制單元用于對輸入信息進行判定,可以解決輸入數據存在長序列依賴的問題。
    .........................
    2.2 基于MAKER規則的證據推理模型
    D-S證據理論定義了辨識框架,然后在辨識框架理論之上建立測度函數和給定Dempster證據組合規則、證據推理(ER)規則[14]。下面對辨識框架、基本概率賦值函數[15](BPA)、Dempster組合規則、ER規則和極大似然證據推理規則的基本概念進行簡單介紹。
    ER規則中引入了證據的可靠性因子和重要性權重兩個概念[17]。證據的可靠性因子(0 1)j jr r飽是客觀存在的,表示證據ej相較于其他證據可以進行正確評估的能力。證據的重要性權重(0 1)j jw w?可根據證據的信息源主觀確定,在證據組合時wj反映證據ej相較于其他證據的對結果的相對貢獻比例。
    為了克服上述問題,文獻[10]在使用低頻聲波測量液位的基礎上提出了基于固定頻段聲共振測量液位的方法。該方法將發射波換成一段頻率遠高于20Hz的固定頻段正弦波并采集返回的合成波。通過從合成波中提取一組共振點序列來換算液位高度,可避免麥克風采集聲波頻率下限的限制,提升液位測量范圍(10米以上)。但是,由于測量環境噪聲干擾、裝置安裝不當、參數設置不合適等原因,固定頻段測量液位的方法在獲取的共振點序列時會存在缺陷情況,致使測量結果出現較大誤差。在不同的噪聲環境中進行大量實驗獲取共振點序列,匯總缺陷序列中虛假共振點和遺漏共振點的分布情況并進行共振缺陷分析。

    工程碩士論文參考
    工程碩士論文參考

    ............................
    第3章 基于聲共振的液位測量原理及共振缺陷分析........................30
    3.1 引言.......................30
    3.2 基于低頻聲共振原理的液位測量方法......................30
    第4章 基于MAKER規則的聲共振序列缺陷補償與液位估計方法.......................40
    4.1 引言.......................40
    4.2 基于MAKER規則的共振波缺陷補償模型 ....................40
    第5章 基于STFT和CNN的頻域特征提取與液位估計方法..............................45
    5.1 引言............................45
    5.2 基于STFT和CNN的液位估計方法 ........................45
    第六章 基于LSTM的聲共振液位估計方法
    6.1 引言
    上一章提出的基于STFT和CNN的液位估計方法的液位估值精度由STFT獲取的時頻特征和CNN獲取的特征共同決定。CNN在進行卷積操作前,需要將合成波變換成空間特征(如STFT特征)。然而,在提取特征(STFT)過程中可能會丟失相關音頻特征,進而影響液位估值的精度。另一方面,CNN以靜態窗口的形式將固定長度的特征數據傳遞到網絡中,輸入窗口大小的選擇會在識別效果和網絡訓練難度上帶來沖突[44],進而影響液位估值的精度。因此,可以考慮其他深度學習模型估計液位高度。
    循環神經網絡(RNN)是深度學習網絡的一種。它能夠將先前的數據特征與當前數據特征聯系起來,通過發掘時序數據的相關性來實現特征的學習。采集的合成波實質是隨時間變化的時序信號,因此可以選用循環神經網絡模型對合成波的時序特征進行挖掘分析。經典循環神經網絡模型在反向傳播的過程中存在梯度爆炸和梯度消失的可能性,無法處理存在長時間依賴的數據[45]。合成波屬于長時間序列,因此本章選用改良后的循環神經網絡LSTM(長短期記憶網絡)提取合成波中的特征估計液位高度。
    本章所提出的方法中,首先通過聲共振液位測量平臺采集不同液位高度的合成波。然后,鑒于合成波的時序性優勢將其進行預處理后作為模型輸入。最后,構建三層長短期記憶網絡模型,實現對合成波的特征提取和對液位高度的準確估計。本章提出的基于LSTM的聲共振液位估計方法的主要貢獻有三方面:一,“端到端”的處理方法不需要選擇提取哪種特征;二,模型輸出結果不依賴于特征提取結果;三,所提出方法繼承了聲共振液位測量方法的優勢,并顯著提升了液位測量精度。
    ...............................
    第7章 總結與展望
    7.1 研究總結
    本文分析了基于可聞聲波測量液位的優勢和缺陷,發現使用固定頻段聲波測量液位的方法在復雜工況的下,提取到缺陷共振點序列的問題。針對該問題,本文從兩個角度進行處理:一、從解析模型的角度出發,使用基于MAKE規則的聲共振序列缺陷補償與液位估計方法對共振點序列進行補償,并根據液位換算公式重新求得液位高度;二、從數據模型的角度出發,通過建立深度學習(CNN、LSTM)液位估計模型,直接從原始共振數據中推理得到液位高度值,進而提高液位測量的精確度。本文主要成果如下:
    (1)介紹了兩種基于聲共振原理的液位測量方法并對采集的缺陷波形進行總結分析。介紹了一種使用低頻聲波測量液位的方法,并在此方法的基礎上介紹了一種使用固定頻段聲波測量液位的方法。通過大量實驗發現,在復雜工況下使用固定頻段聲波測量液位時,會出現提取到缺陷共振點序列的現象,進而影響液位測量精度。該問題的提出為下面章節指明了研究方向。
    (2)針對(1)中出現的問題,從解析模型的角度出發,提出了基于MAKER規則聲共振點序列缺陷補償與液位估計方法。首先提取合成波中的特征(相對頻率差和相對液位高度);然后基于樣本值投點法、似然歸一化方法構建初始參考證據矩陣和聯合參考證據矩陣,獲取特征證據;再基于概率賦值函數獲取證據的可靠性因子,將證據對共振點序列缺陷類型的集合?中每個單子集命題的信任度之和作為證據的可靠性,利用MAKER規則對激活證據進行融合,最后對共振點序列缺陷狀況進行推理決策,再根據推理結果補償共振點序列,重新換算液位高度,降低測量誤差。
    參考文獻(略)


    如果您有論文相關需求,可以通過下面的方式聯系我們
    點擊聯系客服
    QQ 1429724474 電話 18964107217
    女人和公牛配好爽
    <small id="ewmia"></small><xmp id="ewmia"><td id="ewmia"></td><xmp id="ewmia"><td id="ewmia"></td><small id="ewmia"><td id="ewmia"></td></small>
  • <small id="ewmia"></small><small id="ewmia"></small>
  • <xmp id="ewmia">
  • <small id="ewmia"><li id="ewmia"></li></small><small id="ewmia"><li id="ewmia"></li></small><small id="ewmia"></small><small id="ewmia"><li id="ewmia"></li></small>
  • <td id="ewmia"></td>
  • <td id="ewmia"><s id="ewmia"></s></td>
  • <td id="ewmia"></td><td id="ewmia"><button id="ewmia"></button></td>
  • <small id="ewmia"><td id="ewmia"></td></small>
  • <td id="ewmia"><li id="ewmia"></li></td>
  • <td id="ewmia"></td>