一种基于随机森林算法的超声波流量计在线校准设计

技术领域

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

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。

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。

发明专利内容

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：

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。

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Q

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。

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。

所述步骤S1中确定预测模型中的输入参数包括：

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

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

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。

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。

5)顺逆流渡越时间t

6)真实测量流量偏差Q。根据瞬时流量公式：

所述步骤S2中的随机森林算法的搭建步骤为：

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。

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。

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。

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。

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。

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。

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。

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。

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：

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。

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。

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Q

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：

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。

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Q

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。

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。

附图说明

图1是本发明专利所述一种基于随机森林算法的超声波流量计在线校准设计预测及影响因素分析步骤流程图；

图2是本发明专利所述随机森林算法流程图；

图3是本发明专利所述的基于随机森林算法的超声波流量计在线校准设计步骤流场图。

具体实施方式

以下结合实施例并对照附图对本发明方法作进一步详细的说明：

如图1所示，本发明所述的一种基于随机森林算法的超声波流量计在线校准设计，其包括以下具体实施步骤：

步骤S1，对超声波流量计的瞬时流量有影响的影响因子进行选取：在时差法原理的前提下，超声波流量计的瞬时流量与管道长度、管道内径、换能器安装角度和顺逆流渡越时间有关系。

步骤S2，根据构造好的数据集进行随机森林算法的训练和搭建：如图2所示，建立了一个基于随机森林算法的超声波流量计在线校准流量偏差预测模型，具体包含以下步骤：

1)根据实验数据，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，预测流量偏差Q

2)在特征空间随机选择，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，存在5个特征输入变量，在每一轮生成决策树的过程中，每棵决策树会从5个特征中随机选择其中的d个特征值(d<15)组成一个新的特征集，通过使用新的特征集来生成改决策树。在进行k轮的训练中，随机森林算法共生成K个决策树。这些决策树在训练集的选择和特征的考虑上都是随机的，因此彼此之间是相互独立的。每个决策树的重要性是相等的，因此在最终的预测时，将所有决策树输出的结果取均值作为最终的输出结果。

3)计算随机森林算法的误差函数：设定误差函数为

4)根据1)和2)设定的参数，进行随机森林算法的训练，将实验数据和5个特征变量输入到模型中，使用建立好的随机森林模型针对测试数据集中的输出变量流量偏差Q

步骤S3，调用搭建好的随机森林模型对某个影响因子下的超声波流量计的流量偏差Q

步骤S4，调用搭建好的随机森林模型对某个影响因子下的超声波流量计的流量偏差Q

本发明方法所述的一种基于随机森林算法的超声波流量计在线校准，主要通过预测流量偏差，从而检测超声波流量计在使用中的精度等级，检测超声波流量计的稳定性，从而对超声波流量计在使用过程中的性能变化进行诊断，实现在线校准，可有效的延长超声波流量计的检定周期，提高仪表的使用效率，避免了送检过程对结果的潜在影响。

以上实例的说明只是用于帮助理解本发明的核心思想；同时，对于本领域的一般技术人员，依据本发明方法的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明方法的限制。