具体实施方式

下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行，除非明确指出执行顺序。还应当理解，可以使用另外或者替代的步骤。

根据水力分析方法，在已经一些数据时，可以通过水力机理的方式，根据超声流量计前后直管段的压力、温度、压缩因子、管径、管长与管输天然气的相对密度计算流量，其中，对于一个固定的超声流量计来说，管输天然气的压缩因子、相对密度、管径、管长和温度是一个不变量，对于流量影响显著的是压力的变化，因此同时可以从水力学结合BP神经网络的角度出发，在不对现场增加额外设备的情况，对超声流量计的计量性能进行检测。本发明实施例提供一种超声流量计性能在线监测方法及系统，采用水力学机理模型和遗传算法修正的BP神经网络模型对超声流量计的性能进行监测，并采用K-means聚类算法对超声流量计的性能变化进行辅助评价。

实施例1

如图1所示，本实施例提供一种超声流量计性能在线监测方法，包括以下步骤：

1)获取超声流量计所在管段的管径和壁厚以及SCADA系统采集的历史现场运行数据，其中，历史现场运行数据包括超声流量计直管段前后的压力、温度以及通过超声流量计的流量。

2)采用水力学机理模型，根据获取的历史现场运行数据，反算出不同工况下超声流量计所在管段的摩阻系数，形成一个管道摩阻系数历史数据库，具体为：

2.1)根据质量守恒定律、动量守恒定律和能量守恒定律，建立天然气流动相应的连续性方程、运动方程和能量方程，以描述天然气的流速、压力、温度、密度和高程等量之间的相互关系：

式中，ρ为天然气的密度；t为时间；u_x为沿x轴方向的速度；u_y为沿y轴方向的速度；u_z为沿z轴方向的速度；d为管道内径；f为摩阻系数；θ为速度方向与位移方向的夹角；T为检定温度；p为天然气的压力；H为系统的焓值；d_s为高程；g为重力加速度；dQ为单位质量流量的气体在dx上的换热量。

2.2)为方便建立等效管道摩阻系数计算模型，进行下述假定：

①将SCADA系统(数据采集与监视控制系统)采集的点作为准稳态点，即：此时刻天然气在检定站内的管道中进行稳定流动，天然气的质量流量为一常数，不随时间的变化而改变。

②假定天然气在检定站内的管道中进行等温流动，采用检定温度T，即可不考虑能量方程的影响。

③假定检定站内的管道为水平管道，即d_s＝0。

2.3)由于在实际工作中常常采用标准状况下的体积流量，为使用方便，将质量流量M换算为工程标准状况下的体积流量，考虑局部阻力系数，将下述公式(2)的气体状态方程代入上述方程组(1)，则方程组(1)可简化为下述水力学机理模型(3)：

P＝ρZRT (2)

根据上述水力学机理模型(3)即可反算得到通过超声流量计与前后直管段的摩阻系数λ：

式中，R为空气的气体长输；Z为天然气在管输条件(平均压力和平均温度)下的压缩因子；T为检定温度，且T＝273+t_pj，t_pj为输气管的平均温度，单位为℃；Q为输气管在工程标准状况下的体积流量，单位为m³/s；C₀为单位换算系数；P_Q为输气管道的起点压力，单位为P_a；P_Z为输气管计算段的终点压力，单位为P_a；D为输气管内径；λ为水力摩阻系数；Δ_*为天然气的相对密度；L为输气管计算段的长度，单位为m。

3)实时获取超声流量计所在管段两端的压力和温度以及超声流量计测量的流量。

4)根据不同工况下超声流量计所在管段的摩阻系数，得到实时通过超声流量计所在管段的流量。

5)提取出超声流量计所在管段的历史现场运行数据中不同工况下管道两端的压力和温度，对BP神经网络模型进行训练，具体为：

5.1)建立BP神经网络模型。

BP神经网络模型是一种按照误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一，其基本原理是通过样本数据的训练，不断修正网络权值和阈值，使误差函数沿负梯度方向下降，逼近期望值。BP神经网络能够学习大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。对于本发明来说，BP神经网络模型拓扑结构如图2所示。BP算法由数据流的正向传播和误差信号的反向传播两个过程构成。正向传播时，传播方向为输入层到隐含层再到输出层，每层神经元的状态只影响下一层神经元。

5.1.1)如图2所示，设定BP神经网络模型的输入层包括n个节点，隐含层包括l个节点，输出层包括m个节点。输入层和隐含层之间的权值为w_ik，隐含层和输出层之间的权值为w_kj，隐含层的传递函数为f₁，输出层的传递函数为f₂，则隐含层节点的输出h_k为：

输出层节点的输出y_j为：

这样BP神经网络模型即完成n维向量对m维向量的近似映射，若在输出层得不到期望的输出，则转向误差信号的反向传播流程。

5.2)采用遗传算法，对建立的BP神经网络模型进行修正，得到修正后的BP神经网络模型：

5.2.1)设有p个学习样本，记为X¹、X²、…、X^q、…、X^p，其中， 为输入的样本数据，将第q个学习样本X^q输入至BP神经网络模型后得到一组输出Y^q，其中，为输出的样本数据。

5.2.2)采用平方型误差函数，得到第q个学习样本的误差E_q：

式中，为期望输出。

对于p个学习样本，全局误差E为：

5.2.3)采用累计误差BP算法调整权值w_kj，使得全局误差E变小，即：

式中，Δw_kj为调整后隐含层和输出层之间的权值：η为学习率。定义误差信号δ_yj为：

其中：

式中，S_j为节点j的净输入；y_j为输出层矩阵；f₂′为净出入的一阶导数。

由上述公式(10)至(12)可以得到调整后隐含层和输出层之间的权值Δw_kj为：

5.2.4)输入层和隐含层之间的权值w_ik的调整过程类似于上述步骤5.2.3)中隐含层和输出层之间的权值w_kj的调整过程，调整后输入层和隐含层之间的权值Δw_ik为：

式中，S_k为节点k的净输入；x_i为输入层矩阵；f₁′为净输入的一阶导数。

5.2.5)通过正向传播和反向传播这两个过程的交替进行，在权向量空间执行误差函数梯度下降策略，动态迭代一组权向量，使得BP神经网络模型的误差函数达到最小值，从而完成信息提取和记忆过程。

5.3)提取出超声流量计所在管段的历史现场运行数据中不同工况下管道两端的压力和温度，并对修正后的BP神经网络模型进行训练，得到训练好的BP神经网络模型。

6)将实时获取的实时超声流量计所在管段两端的压力和温度输入至训练好的BP神经网络模型，得到实时通过超声流量计所在管段的流量。

7)根据实时获取的超声流量计所在管段的流量以及步骤3)得到的流量和步骤6)得到的流量，判断超声流量计的运行状态，其中，判断的标准为：

①直接比对实时获取的超声流量计所在管段的流量与步骤3)得到的流量和步骤6)得到的流量，通过相对偏差，判断超声流量计的运行状态，即判断超声流量计的性能是否出现偏差。

②采用建立的BP神经网络模型，通过输入超声流量计前后直管段的压力，与采用公式(3)实时计算的预设一段时间内超声流量计所在管段通过的总流量，与采用超声流量计的测量值计算所得的该段时间的总流量进行比对，通过相对偏差，判断超声流量计的运行状态。

③通过时间窗的形式，计算每一时间窗的实际平均流量与该段时间间隔内流经超声流量计的平均流量之间的相对偏差，判断超声流量计的运行状态。

④采用聚类分析算法，对步骤3)得到的流量和步骤6)得到的流量进行聚类，判断超声流量计的运行状态。

上述步骤7)中，采用的聚类分析算法的具体过程为：

A)选定聚类的类别数目k，并选择k个中心点，样本点集合为A＝{a₁,a₂,...,a_n}。

B)对每一样本点均找出距离其最近的某一中心点，将距离同一中心点最近的样本点划分为一个类，完成一次聚类分析。

C)判断聚类前后的数据是否相同，若相同，则算法终止；否则，进入步骤D)。

D)分别计算划分后每类样本点的中心点，并将计算的中心点设置为这类样本点新的中心点，进入步骤B)，其中，中心点c_j为：

式中，M_j为k个同一类别的样本的集合M中的样本，且M＝{M₁,M₂,M₃,...,M_n}。

式中，SSE为误差平方和。

下面通过具体实施例详细说明本发明的超声流量计性能在线监测方法：

首先，采用SPS水力仿真软件建立天然气分输站仿真模型，通过改变超声流量计的摩阻系数产生一段用于模拟超声流量计产生性能故障的数据。

通过水力学机理模型的方式得到实时通过超声流量计所在管段的流量，建立的评价标准的结果如图4至图7所示。通过神经网络模型模型建立的评价标准的结果如图8至图13所示，其中，所选取的输入为超声流量计两端的压力和温度，输出为超声流量计的工况流量。然后将产生的数据通过Matlab软件的k-means函数进行处理，设置聚类的方式为欧式距离聚类，重复的次数为五次，Matlab聚类的聚类分析如图14所示。可以看出，在通过仿真超声流量计性能变化后，对于超声流量计历史流量的聚类，可以看出在第500个样本点出现了两个类型的交界点。同时，加上通过推导出的水平输气管流量计算公式与采用遗传算法修正后的BP神经网络模型，可以看出无论是从当前工况流量的计算，当前计算流量与实际流量的相对偏差，一段时间流量的累加值还是实际与计算时间窗平均流量也均能够反应出超声流量计计量性能的变化。在不增加现场设备的情况下，实现了对超声流量计性能的有效检测。

实施例2

本实施例提供一种超声流量计性能在线监测系统，包括：

数据获取模块，用于实时获取超声流量计所在管段两端的压力和温度以及超声流量计测量的流量。

流量确定模块，用于采用预先建立的水力学机理模型和BP神经网络模型，根据实时获取超声流量计所在管段两端的压力和温度，分别确定实时通过超声流量计所在管段的流量。

运行状态判断模块，用于根据实时获取的超声流量计所在管段的流量以及确定的实时通过超声流量计所在管段的流量，判断超声流量计的运行状态。

实施例3

本实施例提供一种与本实施例1所提供的超声流量计性能在线监测方法对应的处理设备，处理设备可以是用于客户端的处理设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行实施例1的方法。

所述处理设备包括处理器、存储器、通信接口和总线，处理器、存储器和通信接口通过总线连接，以完成相互间的通信。存储器中存储有可在处理设备上运行的计算机程序，处理设备运行计算机程序时执行本实施例1所提供的超声流量计性能在线监测方法。

在一些实现中，存储器可以是高速随机存取存储器(RAM：Random AccessMemory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。

在另一些实现中，处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器，在此不做限定。

实施例4

本实施例提供一种与本实施例1所提供的超声流量计性能在线监测方法对应的计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本实施例1所述的超声流量计性能在线监测方法的计算机可读程序指令。

计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。

上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。