一种基于随机森林算法的超声波流量计在线校准设计

本发明涉及一种基于随机森林算法的超声波流量计在线校准设计。

背景技术：

1、天然气是一种清洁、低碳的化石能源，超声波流量计作为天然气计量的主要工具，因其高准确度、无可动部件和自诊断功能等优势，在天然气计量领域得到了广泛应用。然而，由于超声流量计安装位置的复杂性、运行环境的危险性以及受季节等因素的限制，传统的定期送检变得愈发困难。这为流量计的可靠性和准确性带来了新的挑战，需要寻找创新的解决方案以应对这些问题。

2、针对送检困难的问题，在线校准成为一种创新的解决方案。通过在现场进行检验及校准，可以延长超声流量计的检定周期，提高仪表的使用效率。避免了送检过程对结果的潜在影响，为企业带来经济效益。尽管在线校准有着明显的优势，但由于缺乏具体可实施的方法，对计量准确度的判断还不够实际和全面。然而，在线校准有望成为实流检定的有力补充，通过解决现场计量管理和监督的问题，提高流量计的可靠性。

3、发明专利内容

4、本发明的目的是提高超声波流量计的使用效率，通过对超声波流量计在线校准，实现智能化程度高，实时性能监测，降低人力和成本，提高精度和可靠性，适应性和灵活性。具体实施方案如下：

5、步骤s1：基于时差法超声波流量计的测量原理，筛选每次实验记录下的实验数据，选择其中影响超声波流量计测量的几何量参数、信号因素和流场因素，包括管道长度、管道内径、换能器安装角度和顺逆流渡越时间，作为随机森林算法输入参数并构造用于随机森林算法训练的数据集。

6、步骤s2：将影响超声波流量计的几何量参数、信号因素和流场因素、真实测量流量偏差q等参数作为随机森林算法的输入，预测测量流量偏差q1随机森林算法的输出，进行随机森林算法训练的训练，在训练完成后，即可获得一个搭建好可以调用的随机森林算法训练。对测试数据继续分析与处理，得到超声波流量计所有的诊断数据与测量流量偏差。

7、步骤3：调用s2步骤中搭建好的随机森林算法，当已知超声波流量计的几何量参数、信号因素和流场因素中影响因素对超声波流量计精度影响较大时，把对应参数值的特征信息作为输入，预测各个参数值对超声波流量计精度的影响。

8、步骤4：调用s2步骤中搭建好的随机森林算法对每个影响因素值对超声波流量计产生的影响进行具体分析。

9、所述步骤s1中确定预测模型中的输入参数包括：

10、1)修正系数k。在计算流量时，需根据流动状态确定修正系数k，其取值与雷诺数有关，雷诺数是表征流体的流动状态的无量纲数，雷诺数re的计算公式是

11、2)管道长度l。一般情况下，管道长度l与管道直径和换能器安装角度相关，根据公式管道长度与管道直径、换能器安装角度密切相关，所以管道长度的大小对超声波流量计的瞬时流量产生影响。

12、3)管道直径d。根据2)中所述管道直径跟管道长度、换能器安装角度有关，所以管道直径的大小会对超声波流量计的瞬时流量产生影响。

13、4)换能器安装角度θ。根据2)中所述换能器安装角度跟管道长度、管道直径有关，所以换能器安装角度会对超声波流量计的瞬时流量产生影响。

14、5)顺逆流渡越时间t1,t2。根据超声波顺流渡越时间公式：超声波逆流渡越时间公式：超声波信号在流体中的渡越时间差：顺逆流渡越时间主要跟管道长度、超声波信号的传播速度和管道内气体流体的流速有关。所以顺逆流时间差对超声波流量计的瞬时流量的大小产生影响。

15、6)真实测量流量偏差q。根据瞬时流量公式：对超声波流量计进行检定，依据检定装置的示值误差作为真实测量流量偏差进行预测，并通过分析各个影响因素对超声波流量计的影响。

16、所述步骤s2中的随机森林算法的搭建步骤为：

17、步骤s2.1：在开始训练随机森林网络之前，进行数据准备，将预处理后的数据分为训练集和测试数据集，确保数据集包含特征变量和目标变量。

18、步骤s2.2：采用自主抽样法，从训练数据集中有放回地抽取多个子样本，创建多个训练数据的随机子集，用于生成不同的决策树。

19、步骤s2.3：特征空间随机选择，在每个决策树的节点分裂时，随机选择一部分特征进行考虑。这有助于提高模型的多样性，避免过度拟合。

20、步骤s2.4：对每个自助抽样得到的训练子集，利用选定的特征集，建立一颗决策树。通常使用cart(classification and regression trees)算法来生成决策树。

21、步骤s2.5：重复步骤3和4，生成多个决策树，形成一个森林。这样的多样性有助于提高整体模型的性能和泛化能力。

22、步骤s2.6：对于分类问题，采用投票机制，即每个决策树投票给出最终的分类结果；对于回归问题，采用平均机制，即取所有决策树的输出的平均值作为最终的预测结果。

23、步骤s2.7：使用验证集或交叉验证来评估随机森林的性能。可以使用各种指标，如准确度、f1分数、均方误差等，来评估模型在不同任务上的表现。

24、步骤s2.8：根据模型的性能，调整超参数，如决策树的数量、树的深度等，以优化模型的表现。在选择了最佳的超参数后，使用整个训练数据集来训练最终的随机森林模型。将最终训练好的随机森林模型应用于新的未见过的数据，进行预测和分类。

25、所述步骤s3中的基于随机森林算法的超声波流量计在线校准预测步骤为：

26、步骤s3.1：根据选定的环境影响因素，将实验数据整理为随机森林算法的输入与输出格式，并把前63％的数据作为训练集，后37％作为测试机验证算法预测精度。

27、步骤s3.2：根据输入与输出个数设定随机森林算法参数，进行随机森林算法训练。

28、步骤s3.3：建立随机森林算法之后，输入管道长度、管道直径、换能器安装角度、顺逆流渡越时间与真实测量流量偏差q的值，预测相应的测量流量偏差q1。

29、所述步骤s4中的调用搭建好的随机森林算法的每个影响因素对超声波流量计测量精度产生的影响进行分析并预测测量流量偏差的具体步骤为：

30、步骤s4.1：当研究某一影响因素对超声波流量计的影响时，采用控制变量法的思想，控制其他影响因素为工况下的数值不变，该影响因素在某个区间范围内以固定步长逐渐增大，并把这组影响因素数据整理为随机森林算法的输入形式。

31、步骤s4.2：调用s2步骤中训练好的随机森林算法，取随机森林算法中关键参数的最优值进行模型的构建，最后将测试集数据导入到模型中，即可得到预测测量流量偏差q1和各个影响因素对超声波流量计精度的影响。

32、步骤s4.3：在分析其他影响因素的影响时，只要选择对应的影响因素重复上述步骤s4.1和s4.2即可，直到分析完每个影响因素对超声波流量计的预测测量流量的影响和预测的流量偏差结果的准确性，并对此进行在线校准。

33、本发明的有益效果是：只要有测试的实验数据，就可以在实验数据的基础上快递搭建好随机森林算法，实现对任意影响因素下超声波流量计流量偏差的预测，并能准确分析出各个影响因素对超声波流量计流量偏差的影响，实现在线校准，稳定且可靠，并提高了效率。

技术实现思路