[發明專利]容器液位監控方法及其系統

有效

• 申請號: 202010466522.6
• 申請日: 2020-05-28
• 公開（公告）號: CN111580570B
• 公開（公告）日: 2023-03-17
• 發明（設計）人: 袁旭輝;霍金彪;彭維科;張建平
• 申請（專利權）人: 愛瑟福信息科技（上海）有限公司
• 主分類號: G05D9/12
• 分類號: G05D9/12
• 代理公司: 上海遠同律師事務所 31307
• 代理人: 許力;張堅

1.一種容器液位監控方法，其特征在于，包括：

通過液位傳感器、壓力傳感器以及溫度傳感器實時采集容器內的液位高度值、液體的壓力值以及溫度值，所述液位傳感器、壓力傳感器以及溫度傳感器設于所述容器內；

將所述液位高度值、壓力值以及溫度值輸入液位監控模型，得到液位高度精確值，所述液位監控模型為RBF神經網絡模型，所述RBF神經網絡模型通過訓練算法以及輸入的訓練樣本進行訓練，使目標函數優化，所述訓練樣本包括液位高度值、壓力值、溫度值以及液位高度實際值，所述目標函數采用誤差平方和最小函數。

2.根據權利要求1所述的一種容器液位監控方法，其特征在于，由容器本地的數據終端通過液位傳感器、壓力傳感器以及溫度傳感器實時采集容器內的液位高度值、液體的壓力值以及溫度值，并通過網絡發送給云端服務器；

由所述云端服務器將所述液位高度值、壓力值以及溫度值輸入所述液位監控模型，得到液位高度精確值；

該方法還包括：

由所述云端服務器將所述壓力值、溫度值以及外界溫度信息輸入液位預測模型，得到液位高度預測值，所述液位預測模型為RBF神經網絡模型，所述RBF神經網絡模型通過訓練算法以及輸入的訓練樣本進行訓練，使目標函數優化，所述訓練樣本包括壓力值、溫度值、外界溫度信息以及液位高度實際值，所述目標函數采用誤差平方和最小函數。

3.根據權利要求2所述的一種容器液位監控方法，其特征在于，還包括對數據進行預處理去噪后再輸入模型，所述預處理去噪包括：

采用經驗模態分解法EMD對數據進行分解；

去掉高頻分量；

對其余分量進行數據重組。

4.根據權利要求2或3所述的一種容器液位監控方法，其特征在于，所述RBF神經網絡模型采用4-10-1結構。

5.根據權利要求4所述的一種容器液位監控方法，其特征在于，學習算法采用RLS算法或者BP算法，所述BP算法為帶有動量因子的BP算法，其權值更新公式如下：

其中，μ為學習因子，α為動量因子，為J(k)對w(k)求偏導數，w(k)為更新前的權值，w(k+1)為更新后的權值。

6.一種容器液位監控系統，其特征在于，包括：

數據采集模塊，用于通過液位傳感器、壓力傳感器以及溫度傳感器實時采集容器內的液位高度值、壓力值以及溫度值，所述液位傳感器、壓力傳感器以及溫度傳感器設于所述容器內；

液位監控模塊，用于將所述液位高度值、壓力值以及溫度值輸入液位監控模型，得到液位高度精確值，所述液位監控模型為RBF神經網絡模型，所述RBF神經網絡模型通過訓練算法以及輸入的訓練樣本進行訓練，使目標函數優化，所述訓練樣本包括液位高度值、壓力值、溫度值以及液位高度實際值，所述目標函數采用誤差平方和最小函數。

7.根據權利要求6所述的一種容器液位監控系統，其特征在于，還包括液位預測模塊，用于將所述壓力值、溫度值以及外界溫度信息輸入液位預測模型，得到液位高度預測值，所述液位預測模型為RBF神經網絡模型，所述RBF神經網絡模型通過訓練算法以及輸入的訓練樣本進行訓練，使目標函數優化，所述訓練樣本包括壓力值、溫度值、外界溫度信息以及液位高度實際值，所述目標函數采用誤差平方和最小函數；

所述數據采集模塊設于容器本地的數據終端內，所述液位監控模塊以及液位預測模塊均設于云端服務器內，所述數據終端通過網絡與云端服務器連接。

8.根據權利要求7所述的一種容器液位監控系統，其特征在于，還包括數據預處理模塊，用于對數據進行預處理去噪后再輸入模型，所述數據預處理模塊設于所述云端服務器內，所述預處理去噪包括：

采用經驗模態分解法EMD對數據進行分解；

去掉高頻分量；

對其余分量進行數據重組。

9.根據權利要求7或8所述的一種容器液位監控系統，其特征在于，所述RBF神經網絡模型采用4-10-1結構，并通過學習算法優化其參數。

10.根據權利要求9所述的一種容器液位監控系統，其特征在于，所述學習算法采用RLS算法或者BP算法，所述BP算法為帶有動量因子的BP算法，其權值更新公式如下：

其中，μ為學習因子，α為動量因子，為J(k)對w(k)求偏導數，w(k)為更新前的權值，w(k+1)為更新后的權值。