热能流量计广泛应用于冶金、化工、轻工业等国民经济基础行业，对国民经济发展有重要支撑作用。随着企业生产规模不断扩大，生产系统结构越来越复杂，为保证工业生产安全运行，需要对关键生产参数进行实时监控和测量。此外，随着国家节能减排政策的出台，企业对能源综合利用、余热回收计量也提出了更高要求。但受工业现场环境恶劣、生产工艺结构复杂，以及多通道、流量不稳定等因素影响，热能流量计难以准确测量，无法实现工业过程的稳定控制和及时优化。因此，研究流量计高精度补偿方法，对企业实现智能制造和降本增效具有积极作用。
目前，在工业生产中大多仍采用结构简单的传统机械式仪表，而机械磨损会导致其精度下降、维护成本升高、使用寿命缩短等问题。近年来，随着人工智能、智能仪器仪表等新兴技术的不断发展，超声波热能表、涡轮热能表、涡街热能表等先进传感器在制造业中获得了成功推广和应用。其中，超声波流量表是一类非接触式仪表，精度高、功耗低、使用寿命长，成为业界研究热点。
超声波流量表的常用测量方法包括时差法、噪声法、多普勒法等。时差法超声波热能流量表是一种新型智能检测仪，但受声道数量、管道内流速稳定性及变化率等因素的影响，仪器在低流速状态下存在检测灵敏度不足、稳定性较差、测量精度低等问题，需要对其进行及时校准和补偿。但该方法依赖技术人员的主观经验，效率低，特别是随着工厂规模的不断扩大，现场包含的大量仪器仪表维护困难，造成技术人员的劳动强度增大。针对上述问题，国内外学者开展了大量研究。文献提出了基于卡尔曼滤波的数据滤波算法，可显著降低测量误差，提高水表检测精度。文献提出了一种基于BP神经网络的补偿算法，应用于超声波热量表中，取得良好的补偿效果。虽然BP神经网络具有较强的泛化能力，但算法收敛速度慢，且易陷入局部最优解。然而，由于工业现场环境恶劣，仪器易受外界干扰，上述方法在实际应用中存在一定局限。
客服