人工神经网络蒸汽流量计量误差校正方法

　　0　引言

　　流量测量系统包括流量计、二次仪表及被测对象。各测量器具间的匹配、安装精度、测量工况与设计工况的差异及仪表老化等都可能影响测量精度。这就要求对流量测量系统在测量中的进行误差分析,把误差从实际测量中删掉,从而提高测量精度。由于影响流量测量系统误差的因素较多,且大多是非线性,各种因素具有不确定性,机理较为复杂,难以用数学分析方法对测量误差进行校正,利用人工神经网络对非线性系统的映射能力,对测量系统进行校正可以提高测量仪表的精度[1-3]。本文提出用人工神经网络模糊模型对流量测量装置测量误差进行校正的方法,并在孔板流量计过热蒸汽流量测量中实际应用,取得较好的效果。

　　1　流量测量误差分析与校正原理

　　1.1　差压式流量测量系统的误差源

　　差压式流量计测量过热蒸汽流量过程中主要包括以下几项误差[4]:1)工作状态与设计状态不同引起的测量误差;2)节流装置安装不正确带来的误差;3)引压管路安装、伴热保温不当、泄漏或堵塞等造成的误差;4)节流元件及变送器磨损造成的误差;5)节流元件及变送器和二次仪表的制造误差等。其中1)主要表现为实际测量中介质的温度、压力与设计工况不同,导致密度不同引起的测量误差,通常测量系统都带有温度、压力补偿,可以消除密度差异引起的误差,但由于补偿模型本身的精度问题存在原理误差。

　　上述误差均属于系统误差和固有误差,且不便于用数学分析方法修正,。因此,利用人工神经网络具有的对非线性过程的映射能力,建立误差校正模型,对系统的测量误差进行校正,在不改变原有流量测量系统的情况下提高测量精度。

　　1.2　流量测量误差神经网络校正原理

　　人工神经网络(ANN),通过输入输出样本之间的非线性映射来逼近实际过程,不必关心过程机理和细节,可以得到精确的过程模型。根据Kol-mogorov定理,若隐含层节点单元可任意配置,则三层非线性网络能够以任意精度逼近任意非线性函数[5]。因此,利用校正实验数据,离线建立ANN模型,依据校正模型进行在线实时校正。实时校正系统如图1所示。

　　由于温度、压力对测量误差的影响,校正模型不仅仅是流量测量值和校正值的单值映射,相同流量示值在不同温度、压力工况下,上述误差不同。因此,网络模型的输入为温度、压力、流量测量值,输出为流量校正值。

　　2　ANN模型流量校正实例

　　用神经网络模型对某公司过热蒸汽流量测量系统进行校正。系统的测量参数为:压力(0.4~1.0MPa)、温度(165~260℃)、流量(6~10.5 t/h)。流量测量采用孔板流量计,有温度、压力补偿装置。测量系统已连续运行2年,最后一次检定时孔板轻度磨损,单台仪表精度符合要求。但整个测量系统的最大测量误差达9.6%。采用ANN软校正方法对测量系统进行误差校正。