CN118817038B - 一种雷达物位计及其数据校正方法 - Google Patents

Abstract

本申请涉及液位测量技术领域，具体涉及一种雷达物位计及其数据校正方法，该方法包括：获取罐装过程中各时刻物料的雷达物位计对应的液位数据、温度和压力数据；基于罐装过程中温度数据及压力数据的数据变化趋势和数据离散程度，以及温度与压力之间的相关性，确定潜在影响系数；通过分析液位子序列中液位数据的变化分布以及液位子序列的长度，结合各时刻的潜在影响系数，确定液位子序列的紊乱随机性，进而根据液位序列的自相关特征，获取液位稳定可靠度；基于所述液位稳定可靠度获取滤波窗口尺寸，采用滤波算法对液位数据进行效正。本申请可对测量的液位数据进行校正，提高雷达物位计检测精度。

Description

一种雷达物位计及其数据校正方法

技术领域

本申请涉及液位测量技术领域，具体涉及一种雷达物位计及其数据校正方法。

背景技术

雷达物位计是一种高精度的非接触式测量设备，它通过发射和接受微波脉冲来确定介质的物位高度。该仪器可广泛应用于各种复杂的工业环境，如易燃、易爆、强腐蚀性介质等。精确的物位测量对于工业过程的控制至关重要，它有助于确保生产效率、安全性和产品质量，同时减少资源浪费和环境风险。

在工业生产中，对物料高度的实时监测至关重要，常规手段则是根据雷达物位计直接获取物料高度。然而，由于罐内的温度、压强的波动，以及介质发生气化现象的干扰，导致采集的液位数据可能存在一定程度的随机噪声和复杂变化，进而存在雷达物位计检测精度不足的缺陷。为了提高监测的准确性，需要相应的校正措施来减少这些误差的影响。

发明内容

为了解决上述技术问题，本申请的目的在于提供一种雷达物位计及其数据校正方法，所采用的技术方案具体如下：

本申请实施例提供了一种雷达物位计数据校正方法，包括以下步骤：

获取罐装过程中各时刻物料的雷达物位计对应的液位数据，以及温度和压力数据，并分别归一化处理后组成液位序列、温度序列和压力序列；

基于罐装过程中温度数据及压力数据的数据变化趋势和数据离散程度，以及温度序列与压力序列之间的相关性，确定各时刻液位数据的潜在影响系数；

根据液位序列中的各峰值点将液位序列划分为多个液位子序列，通过分析液位子序列中液位数据的变化分布以及液位子序列的长度，结合各时刻液位数据与其潜在影响系数的乘积结果，确定液位子序列的紊乱随机性；

基于所有液位子序列的紊乱随机性的平均水平结合液位序列的自相关特征，获取液位稳定可靠度；

基于所述液位稳定可靠度获取滤波窗口尺寸，采用滤波算法对液位数据进行效正。

可选地，所述各时刻液位数据的潜在影响系数的确定进一步包括：

根据温度序列中各时刻的局部窗口内所有时刻温度数据的趋势检验统计量及变异系数得到各时刻温度数据的趋势离散指数，相应的，获取各时刻压力数据的趋势离散指数；

分析各时刻温度数据的趋势离散指数与压力数据的趋势离散指数的相加结果，并获取各时刻局部窗口对应的所有温度数据与所有压力数据之间的相关系数；将所述相加结果与所述相关系数进行融合的结果，作为各时刻液位数据的潜在影响系数。

可选地，所述各时刻温度数据的趋势离散指数为各时刻的局部窗口内所有时刻温度数据的趋势检验统计量与变异系数的乘积。

可选地，所述各时刻液位数据的潜在影响系数为所述相加结果与所述相关系数的乘积。

可选地，所述各液位子序列的紊乱随机性的确定进一步包括：

根据各液位子序列中液位数据的分布与各液位子序列的长度确定各液位子序列的液位变化紊乱性；将液位子序列中各时刻液位数据的潜在影响系数与液位数据的乘积，组成液位子序列对应的乘积序列；结合各液位子序列的液位变化紊乱性及所述乘积序列的分形维数，得到各液位子序列的紊乱随机性。

可选地，所述各液位子序列的液位变化紊乱性为各液位子序列中所有液位数据的和值与各液位子序列长度的比值。

可选地，所述各液位子序列的紊乱随机性为所述液位变化紊乱性与所述分形维数之间的乘积。

可选地，所述液位稳定可靠度的计算公式为：；式中，表示液位稳定可靠度，M为液位序列的自相关系数的绝对值，L为所有液位子序列紊乱随机性的均值。

可选地，所述滤波窗口尺寸对应计算公式为：；式中，Q为窗口尺寸近似值，为四舍五入取整函数，为以自然常数为底的指数函数，其中，将最接近Q的奇数作为滤波窗口尺寸。

本申请实施例还提供了一种雷达物位计，所述系统包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。

由以上可见，本申请提供的一种雷达物位计及其数据校正方法，至少具有如下有益效果：

本申请考虑到在LNG入料或存储过程中，罐内的温度、压强的波动影响以及气化现象对雷达物位计的干扰，导致采集的液位数据可能出现一定程度的随机噪声和复杂变化，存在雷达物位计检测精度不足的缺陷，因此，本申请通过分析LNG储罐内温度和压力数据的趋势特征及变化一致性特征，计算对液位数据的潜在影响系数。其有益效果在于能够增强对异常液位数据的识别能力；

进一步对液位序列进行划分，基于液位子序列的峰值特征及特征子序列的变化随机特征，计算子序列的紊乱随机性，结合紊乱随机性、液位序列的自相关性，计算液位序列的液位稳定可靠度。其有益效果在于反映了液位数据的平稳特征以及包含随机噪声的多少。基于液位稳定可靠度得到Savitzky-Golay算法的滤波窗口大小，以此对测量的液位数据进行校正。提高了雷达物位计的检测精度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本申请提供的一种雷达物位计数据校正方法的步骤流程图；

图2为本申请提供的流程示意图；

图3为本申请提供的各时刻液位数据的潜在影响系数的获取流程图；

图4为本申请提供的各液位子序列的紊乱随机性的获取流程图。

具体实施方式

为了更进一步阐述本申请为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本申请提出的一种雷达物位计及其数据校正方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有规定和限定，诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的电路结构、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下，有语句“包括一个……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。另外，本文使用的术语“和\或”包括一个或多个相关的所列项目的任一的和所有的组合。本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本申请所提供的一种雷达物位计及其数据校正方法的具体方案。

请参阅图1，其示出了本申请一个实施例提供的一种雷达物位计数据校正方法的步骤流程图，包括以下步骤：

步骤一： 获取罐装过程中各时刻物料的雷达物位计对应的液位数据，以及温度和压力数据，并分别归一化处理后组成液位序列、温度序列和压力序列。

本实施例以液化天然气(LNG)储罐的液位检测为例，对得到的液位数据进行校正。液化天然气的灌装需要将气态天然气在极低的温度下液化，并存储在专用的LNG罐中。LNG罐通常配备有温度仪表和压力仪表，对罐内液化天然气储存环境进行实时检测。本实施例通过罐内的温度仪表和压力仪表采集温度数据和压力数据。在储灌顶部安装雷达物位计采集罐内液化天然气的液位数据。

本实施例的雷达物位计核心部件示意图如图2所示，图2中，编号1为物位计的壳体部件，编号2包含测量模块，主要功能是实现核心的液位测量，本实施例在该测量模块中添加有数据校正模块，目的是对测量得到的液位数据进校正处理，编号3为波导管，编号4为雷达天线。

本实施例中，设置上述数据采集的时间间隔为0.1秒，采集时长为1分钟。将采集的温度数据、压力数据、液位数据通过Z-Score算法进行归一化，并分别按时间升序得到的序列分别记为温度序列、压力序列、以及液位序列。Z-Score方法为公知技术，具体过程不再赘述。

步骤二：基于罐装过程中温度数据及压力数据的数据变化趋势和数据离散程度，以及温度序列与压力序列之间的相关性，确定各时刻液位数据的潜在影响系数。

液位检测是储气库采气流程中的关键步骤，关系到整套采气装置连锁控制稳定和安全平稳生产。首先，在数据校正模块中对采集的各项数据进行处理分析。由于液化天然气需要在极低的下进行处理灌装，以保持其液态，而压力的变化会影响LNG的沸点。LNG储罐的压力和温度对液位数据的影响主要体现在下面两个方面。

LNG储罐内的温度变化会影响LNG的物理状态，从而影响其密度和体积。温度升高会导致LNG蒸发，产生气体，导致液面下降；反之，温度降低会增加LNG的密度，可能导致液面上升。LNG储罐是在一个密封和绝热的环境中储存的，罐内压力的增加会使得LNG更难以维持液态，可能导致LNG蒸发成气体，这将减少液体的体积，从而降低液位数据。

由上述分析可知，储罐内温度和压力的变化都可能导致液面的位置发生波动，因此，下面对温度和压力的变化程度进行分析，以判断二者变化对液位的干扰影响。由于LNG储罐的温度和压力的变化是显著的，在短时间内易发生较大幅度变化，因此，本实施例中，以第i个时刻为中心，优选设置的窗口为第i个时刻的局部窗口。进一步获取局部窗口内的温度序列、压力序列的变化特征。需要说明的是，对于序列中的前7个及后7个数据的局部窗口的缺失数据，也即局部窗口内数据不足时，本实施例中采用镜像填充的方式进行填补，实际应用过程中实施者也可采用均值填充的方式，本实施例对此不做特殊限制。

首先，采用Mann-Kendall趋势检验算法获取温度序列中各个局部窗口内数据的趋势变化量。以温度序列的第i个时刻的局部窗口为例，该算法的输入为第i个时刻的局部窗口对应的温度序列，输出为趋势检验统计量。统计量绝对值的大小反映了窗口内温度序列的上升或下降趋势的显著程度。并计算该局部窗口内温度序列的变异系数，变异系数的大小反映了窗口内温度序列的离散程度。然后，计算第i个时刻的局部窗口内所述统计量绝对值与变异系数的乘积，并作为第i个时刻对应温度数据的趋势离散指数，记为。所得越大，说明该局部窗口内温度序列的瞬时变化程度越大。

对于压力序列，采用同样的方法可计算得到第i个时刻对应压力数据的趋势离散指数，记为。所得越大，说明该局部窗口内压力序列的瞬时变化程度也越大。此外，LNG储罐内的温度和压力之间存在一定的关联特征。一般情况下，当LNG储罐内的温度上升时，由于LNG的热膨胀，会导致储罐内的液态天然气体积增加，可能引起储罐内压力的升高，进而导致液位数据出现波动。

为获取温度与压力变化的近似程度对液位数据的影响，将分析各时刻局部窗口对应的所有温度数据与所有压力数据之间的相关系数，优选的，本实施例中，计算第i个时刻的局部窗口对应的所有温度数据与所有压力数据之间的皮尔逊相关系数的绝对值，记为。所得越大，说明LNG罐内温度和压力的变化特征越接近。

进一步，分析各时刻温度数据的趋势离散指数与压力数据的趋势离散指数的相加结果，将所述相加结果与所述相关系数进行融合的结果，作为各时刻液位数据的潜在影响系数，需要说明的是，本实施中的融合为变量之间的相加关系、相乘关系，优选的，本实施例中，各时刻液位数据的潜在影响系数的计算公式为：

；式中，表示第i个时刻液位数据的潜在影响系数，所得越大，说明该时刻下LNG罐内的温度、压力的瞬时变化程度越大，对罐内液位数据的影响越大。

具体的，请参阅图3，图3示出了各时刻液位数据的潜在影响系数的获取流程图。

至此，根据本实施例上述过程可获取每个时刻液位数据所对应的潜在影响系数。

步骤三：根据液位序列中的各峰值点将液位序列划分为多个液位子序列，通过分析液位子序列中液位数据的变化分布以及液位子序列的长度，结合各时刻液位数据与其潜在影响系数的乘积结果，确定液位子序列的紊乱随机性。

在天然气入料或存储过程中，LNG储罐内可能会发生显著的气化现象。由于雷达物位计是依靠电磁波的发射和反射原理来确定液位，储罐内的气化生成的气体可能会干扰雷达波的正常传播，这会降低测量精度。具体地，液位序列可能会呈现出不规则的峰值和随机噪声。因此，进一步对液位序列的峰值特征以及噪声数据出现的随机性进行分析。

本实施例采用自动多次度峰值查找算法(Automatic multiscale-based peakdetection， AMPD)获取液位序列中的峰值位置。AMPD输入为采集时长内的液位序列，输出液位序列中所有的峰值点。根据液位序列中的各峰值点将液位序列划分为多个液位子序列，本实施例中将所有的峰值位置作为分割点，以此将液位序列划分为多个液位子序列。其中峰值越高，表明液位变化越不稳定，而峰值间隔越小，表明液位变化的频率越大，其中峰值间隔即为液位子序列的长度。因此，对于第j个液位子序列，将液位子序列中所有液位数据的和值与液位子序列长度的比值作为液位变化紊乱性，记为，所得越大，说明该子序列所在时间内液位的不规则变化越频繁。

进一步分析液位数据中随机噪声的大小，由于温度、压力的变化除了影响液位数据外，在一定程度上也会造成储罐内气化现象的差异，影响物位计的检测精度。由此，将液位子序列中各时刻液位数据的潜在影响系数与液位数据的乘积结果组成的序列，记为液位子序列对应的乘积序列，有助于增强对异常液位数据的敏感性。例如，若某一时刻的液位数据存在随机噪声，且潜在影响系数较高，说明该时刻的液位出现异常可能性越高。

然后，本实施例中采用Higuchi算法获取每个乘积序列对应的分形维数，将所述分形维数记为。越大，表明该乘积序列的变化随机性越大。结合所述分形维数以及液位变化的紊乱性，计算液位子序列的紊乱随机性如下：

；式中，表示第j个液位子序列的紊乱随机性。所得越大，说明LNG储罐的气化现象对雷达物位计测量的影响程度越大，液位序列包含的随机噪声可能越大。

具体的，请参阅图4，图4示出了各液位子序列的紊乱随机性的获取流程图。

步骤四：基于所有液位子序列的紊乱随机性的平均水平结合液位序列的自相关特征，获取液位稳定可靠度。

经过上述分析，得到了每个液位子序列对应的紊乱随机性，每个液位子序列对应于一个时间区间，该值的大小反映了不同时间区间下雷达物位计测量过程受罐内温度、压力及气化现象的干扰程度。若某一时间区间下所受上述因素的干扰程度越小，说明该时间区间内雷达物位计的测量数据越可能接近真实液位数据。并且液位序列的自相关性越强，说明液位序列在不同时间点的相似程度越高，表明雷达物位计的测量数据的变化越平稳。

因此，本实施例将分析雷达物位计测量结果的液位稳定可靠度。具体过程如下：

首先计算所有液位子序列紊乱随机性的均值，记为L。所得L越小，表明测量数据受罐内温度、压力及气化现象的干扰越小；

进一步，分析采集时段对应的液位序列的自相关性，以分析液位序列的变化情况，本实施例中，计算液位序列的自相关系数，将所述自相关系数的绝对值记为M。所得M越大，表明雷达物位计测量的数据越稳定；

由此，根据所有液位子序列的紊乱随机性的平均水平以及液位序列的自相关系数，计算液位稳定可靠度，计算公式如下：

；式中，表示液位稳定可靠度，所得P越大，说明测量得到的液位序列越平缓。

步骤五： 基于所述液位稳定可靠度获取滤波窗口尺寸，采用滤波算法对液位数据进行效正。

本实施例通过对LNG罐内的温度、压力、液位数据进行分析，计算得到了校正前液位序列的液位稳定可靠度特征。液位稳定可靠度反映了液位数据的平稳特征以及包含随机噪声的多少，进一步的，本实施例中结合Savitzky-Golay滤波算法对液位序列进行效正。若计算的液位稳定可靠度P越大，表明采集的液位序列越平缓，相应的噪声越少，Savitzky-Golay滤波需要的窗口尺寸越小，以避免过度拟合，尽量保留液位序列的细节信息。若计算的液位稳定可靠度P越小，表明采集的液位序列越不稳定，其变化越复杂，需要较大的窗口进行滤波，减小噪声的干扰。

具体的，本实施例中，Savitzky-Golay滤波算法窗口尺寸近似值的计算方法为：；其中Q为窗口尺寸近似值，为四舍五入取整函数，为以自然常数为底的指数函数。考虑到通常情况下Savitzky-Golay滤波算法窗口尺寸不易过大或过小，因此本实施例中在计算滤波窗口尺寸近似值的时候通过数值10来对窗口尺寸进行限制，实际应用过程中，实施者可根据实际应用场景自行设定。由于窗口尺寸需要为奇数，因此，将最接近Q的奇数作为滤波窗口尺寸作为滤波窗口尺寸，Savitzky-Golay滤波算法的多项式阶数为3，将液位序列作为Savitzky-Golay滤波算法的输入，输出滤波后的液位序列，以获取校正后的液位数据，实现对雷达物位计的数据进行校正。

基于与上述方法相同的发明构思，本申请实施例还提供了一种雷达物位计，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种雷达物位计数据校正方法中任意一项所述方法的步骤。

可以理解的是：上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上内容，仅为本申请的实施方式，并非用于限制本申请的范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的保护范围内。

Claims (10)

1.一种雷达物位计数据校正方法，其特征在于，包括以下步骤：

获取罐装过程中各时刻物料的雷达物位计对应的液位数据，以及温度和压力数据，并分别归一化处理后组成液位序列、温度序列和压力序列；

基于罐装过程中温度数据及压力数据的数据变化趋势和数据离散程度，以及温度序列与压力序列之间的相关性，确定各时刻液位数据的潜在影响系数；

根据液位序列中的各峰值点将液位序列划分为多个液位子序列，通过分析液位子序列中液位数据的变化分布以及液位子序列的长度，结合各时刻液位数据与其潜在影响系数的乘积结果，确定液位子序列的紊乱随机性；

基于所有液位子序列的紊乱随机性的平均水平结合液位序列的自相关特征，获取液位稳定可靠度；

基于所述液位稳定可靠度获取滤波窗口尺寸，采用滤波算法对液位数据进行效正。

2.如权利要求1所述的一种雷达物位计数据校正方法，其特征在于，所述各时刻液位数据的潜在影响系数的确定进一步包括：

根据温度序列中各时刻的局部窗口内所有时刻温度数据的趋势检验统计量及变异系数得到各时刻温度数据的趋势离散指数，相应的，获取各时刻压力数据的趋势离散指数；

分析各时刻温度数据的趋势离散指数与压力数据的趋势离散指数的相加结果，并获取各时刻局部窗口对应的所有温度数据与所有压力数据之间的相关系数；将所述相加结果与所述相关系数进行融合的结果，作为各时刻液位数据的潜在影响系数。

3.如权利要求2所述的一种雷达物位计数据校正方法，其特征在于，所述各时刻温度数据的趋势离散指数为各时刻的局部窗口内所有时刻温度数据的趋势检验统计量与变异系数的乘积。

4.如权利要求2所述的一种雷达物位计数据校正方法，其特征在于，所述各时刻液位数据的潜在影响系数为所述相加结果与所述相关系数的乘积。

5.如权利要求1所述的一种雷达物位计数据校正方法，其特征在于，所述各液位子序列的紊乱随机性的确定进一步包括：

根据各液位子序列中液位数据的分布与各液位子序列的长度确定各液位子序列的液位变化紊乱性；将液位子序列中各时刻液位数据的潜在影响系数与液位数据的乘积，组成液位子序列对应的乘积序列；结合各液位子序列的液位变化紊乱性及所述乘积序列的分形维数，得到各液位子序列的紊乱随机性。

6.如权利要求5所述的一种雷达物位计数据校正方法，其特征在于，所述各液位子序列的液位变化紊乱性为各液位子序列中所有液位数据的和值与各液位子序列长度的比值。

7.如权利要求5所述的一种雷达物位计数据校正方法，其特征在于，所述各液位子序列的紊乱随机性为所述液位变化紊乱性与所述分形维数之间的乘积。

8.如权利要求1所述的一种雷达物位计数据校正方法，其特征在于，所述液位稳定可靠度的计算公式为：；式中，表示液位稳定可靠度，M为液位序列的自相关系数的绝对值，L为所有液位子序列紊乱随机性的均值。

9.如权利要求1所述的一种雷达物位计数据校正方法，其特征在于，所述滤波窗口尺寸对应计算公式为：；式中，Q为窗口尺寸近似值，为四舍五入取整函数，为以自然常数为底的指数函数，其中，将最接近Q的奇数作为滤波窗口尺寸。

10.一种雷达物位计，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。