神经网络改进算法在超声波流量测量中的应用

　　0　引言

　　现代化液压设备日益向高压、大功率、高精度和大容量的方向发展,其组成和结构变得越来越复杂,随之而来的系统故障引起的损失也越来越大。因此, 人们对液压设备的可靠性和可维修性提出了更高的要求,液压设备的状态检测和故障诊断技术日益受到重视。流量是反映液压设备运行状态及其随时间而变化的特征 的基本参数,它的获得是液压系统状态检测与故障定位的基本要求。检测方面,在理想的充分发展流动环境下,几乎所有的超声波流量计都可以获得满意的效果。但 是工程液压系统由于结构体积的原因,直管段长度难以满足流态发展要求。管道上的弯曲对速度截面产生扭曲造成轴向紊流,使传统的超声波流量测量很难达到满意 的计量精度。

　　因此有众多的研究人员对弯管后紊流进行了研究。M MEnayet等人(1982年)[1]对单弯管流动进行了激光多普勒试验研究。结果表明,在弯管中出现的紊流强度和入口的初始状态有关,并且和雷诺数的 变化趋势一致。在这个试验中还表明了在弯管后部6D处,仍然存在着非常严重的速度分布歧变。T.T. Yeh等人(2001年)[2]对管流的理想以及非理想状态进行了数值模拟,提出使用超声波进行流动测量对发展流量计量有很大的潜力,但是必须对流场本身 要有充分的了解和掌握。在非理想状况下的流动必须充分考虑紊流的存在,由于强烈的轴向流动,使用传统的流量系数曲线根本不可能获得合适的结果。KiWon Lim等人(1999年)[3]探讨了90°弯管中流场对电磁流量计测量的影响情况,他们的试验测量的数据最远到达弯管后部22D。试验证明在较低的雷诺 数范围内(Re<400),紊流对后部流场的影响至少要维持到5~6D,当雷诺数达到1500时,紊流即使到15D附近还是没有明显的衰减。本文提 出采用神经网络技术很好的解决在紊流状态下的流量测量问题,提高了超声波流量计的检测能力和测量精度。

　　1　超声波平行层测量方法

　　平行层测量方法是超声波多声道测量方法的一种,它的声道布置形式如图1所示,ξ表示声道传播平面到管道轴心的距离。每个平面内的平均流速可表示为:

　　这里c是声波在管内介质中的声速, L表示两传感器之间的距离,△t为声波在传感器A1和A2之间的正向和反向传播的时间差。

　　2　神经网络建立与优化

　　神经网络采用BP算法[4],首先把系统典型的模式作为学习样本,离线学习和训练,使该网络记忆这些状态信息,在模式识别的过程中可通过调整神 经元间兴奋强度的权值来记忆这些模式信息。当网络训练好后,网络就具有了智能模式识别能力。网络结构如图2所示。在这里我们将超声波检测获得的vi作为输 入Xi, Yi表示与流态相关的状态参数。