CN103499374B - 一种基于神经网络的超声波动态液位检测方法和*** - Google Patents

Abstract

本发明公开了一种基于神经网络的超声波动态液位检测方法，包括：单片机向超声波传感器发送控制信号，同时启动定时器开始计时和产生脉冲超声波；三个超声波传感器将回波信号转化为电压信号，并将该电压信号发送到前置放大电路，经前置放大电路放大后的电压信号发送给超声波接收检波电路，实现对高频输入信号的包络检波；接收比较电路将经包络检波电路检波后的电压信号和***设置的参考电压进行比较，根据比较结果输出数字信号，当外部中断控制口接收到有效下降沿后，单片机产生中断,记录当前时刻的定时器值，将平均值和晃动梯度作为神经网络所需的输入参量，将这两个参量发送给已训练好的神经网络数学模型，获得经神经网络的输出值。

Description

一种基于神经网络的超声波动态液位检测方法和***

技术领域

本发明涉及一种检测领域，尤其涉及一种基于神经网络的超声波动态液位检测方法和***。

背景技术

液体在运输过程中会产生明显的晃动，对液体的液位的实时动态监测一直是一个技术难题，至今没有得到很好的解决。

现有技术中，存在多种在对运输过程中的液位进行检测的方法，例如：一种基于单超声传感器的动态液位监测方法，该方法通过采集长时窗内的超声回波波达时刻，再运用小波滤波方法平滑回波信号提取的波达时刻曲线，结合运动物体的运动加速度、环境温度等参数，利用支持向量机技术对运动状态和模式进行了分类和识别，并且得到了动态液位值。但是，该方法也存在不足之处，首先，超声传感器安装在罐体上方，超声波在空气中传播声能衰减大，不利于测量；其次，要想得到准确的液位参数，监测时间窗较长，实时性变差。

现有技术中，还存在另外一种声纳储油罐液位动态监测***，该***采用主动声纳技术原理，由计算机控制传感器从罐顶固定法兰下端发出声纳波顺着传输钢缆下传，根据油水不同的理化特性声纳会反馈不同的数值，采集的数据发送到采集模块，基于RS485协议与上位机通讯，实现实时在线监测与分析，并显示动态液位值。该***也存在不足之处，首先，该***设计复杂、集成度低不利于携带；其次，声纳探头安装在灌顶，声能衰减较大。

发明内容

为了克服目前液体在运输过程中液位检测准确度不高，容易产生较大误差的问题，本发明提出了一种基于神经网络的超声波动态液位检测方法和***。

一种基于神经网络的超声波动态液位检测方法，包括：步骤1：单片机利用超声波发射电路向三个超声波传感器发送控制信号，同时启动定时器开始计时和激励三路超声波发射电路产生脉冲超声波；步骤2：超声波遇液面后反射，三个超声波传感器分别接收到反射后的回波信号后，并将回波信号转化为电压信号，并将该电压信号发送到前置放大电路，步骤3：前置放大电路接收了电压信号后，经前置放大电路放大后的电压信号发送给超声波接收检波电路，实现对高频输入信号的包络检波；步骤4：将经包络检波电路检波后的电压信号发送给接收比较电路，接收比较电路将经包络检波电路检波后的电压信号和***设置的参考电压进行比较，根据比较结果输出数字信号，并将输出信号经反相器反向后送给单片机的外部中断控制口，外部中断控制口设为跳变触发，当外部中断控制口接收到有效下降沿后，单片机产生中断,记录当前时刻的定时器值，单片机中断三次后定时器停止计时；步骤5：通过计算三次记录的定时器值的平均值和晃动梯度，其中晃动梯度为三次测得时最大值与最小值的差值，将平均值和晃动梯度作为神经网络所需的输入参量，将这两个参量发送给已训练好的神经网络数学模型，并获得经神经网络的输出值，输出值为当前时刻的液位值。

进一步的，上述基于神经网络的超声波动态液位检测方法，还包括：神经网络的数学模型的误差函数为：

$E=\frac{1}{2N}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{(y\left(t\right)-y_d\left(t\right))}^2$

其中，N为训练样本数，y(t)为t时刻BP神经网络输出，y_d(t)为t时刻期望输出值；用BP算法训练神经网络时，调整网络的连接权值，其调整表达式为：

$w(t+1)=w\left(t\right)+\mathrm{\η}\frac{\∂E\left(t\right)}{\∂w\left(t\right)}$

其中,w(t)为t时刻的神经网络的连接权值，w(t+1)为(t+1)时刻神经网络的连接权值，E(t)为t时刻神经网络的均方误差，η为学习速率。

进一步的，上述基于神经网络的超声波动态液位检测方法，采用三个超声波传感器组成阵列结构，同步激励发射脉冲超声波，利用定长时窗内接收的回波信号包络提取瞬时液面反射点的时延信息。

一种基于神经网络的超声波动态液位检测***，包括：单片机、调理电路和三个超声波传感器；其中，单片机用于加载了神经网络的数学模型，基于神经网络的数学模型控制和处理超声波动态液位检测；调理电路包括了超声波发射电路、超声波接收前置放大电路、超声波接收信号放大电路、超声波接收检波电路、超声波接收比较电路和单片机***电路六部分组成，超声波发射电路用于产生脉冲超声波，由单片机控制实现三路同时发射信号，产生与超声波传感器探头频率相近的高压脉冲，激励超声传感器同时发射脉冲超声波；超声波接收前置放大电路由电荷放大器组成，实现与超声接收换能器的阻抗匹配；超声波接收信号放大电路由两级反相放大器组成，实现对微弱超声回波电压信号的放大；超声波接收检波电路由二极管峰值包络检波电路组成，实现对高频输入电压信号的包络检波；超声波接收比较电路将经包络检波电路检波后的电压信号和***设置的参考电压进行比较，根据比较结果输出数字信号，并将输出信号经反相器反向后送给单片机的外部中断控制口，外部中断控制口设为跳变触发，当外部中断控制口接收到有效下降沿后，单片机产生中断,记录当前时刻的定时器值，单片机中断三次后定时器停止计时；单片机***电路由晶振电路、复位电路、液晶显示电路组成，共同构成动态液位检测的核心控制部分。

进一步的，上述***加载的神经网络的数学模型的误差函数为：

$E=\frac{1}{2N}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{(y\left(t\right)-y_d\left(t\right))}^2$

其中，N为训练样本数，y(t)为t时刻BP神经网络输出，y_d(t)为t时刻期望输出值；

用BP算法训练神经网络时，调整网络的连接权值，其调整表达式为：

$w(t+1)=w\left(t\right)+\mathrm{\η}\frac{\∂E\left(t\right)}{\∂w\left(t\right)}$

其中,w(t)为t时刻的神经网络的连接权值，w(t+1)为(t+1)时刻神经网络的连接权值，E(t)为t时刻神经网络的均方误差，η为学习速率。

进一步的，上述***采用三个超声波传感器组成阵列结构，同步激励发射脉冲超声波，利用定长时窗内接收的回波信号包络提取瞬时液面反射点的时延信息。

进一步的，上述***中单片机是AT89S52单片机。

综合上述两个技术方案，本发明提出的一种基于神经网络的超声波动态液位检测方法和***，可以实现动态检测液位。

附图说明

图1为本发明实施例中超声波传感器布阵示意图；

图2为本发明实施例中检测方法原理示意图；

图3为本发明实施例中一组超声传感器回波信号；

图4为本发明实施例中训练误差曲线；

图5为本发明实施例中神经网络的检测结果。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明：

首先，介绍一下BP神经网络，BP神经网络又称为误差反向传播神经网络，在BP网络中，信号是前向传播的，误差是反向传播的。在前向传播过程中,输入信号经输入层、隐含层,逐层处理,并传向输出层。信号在输出层如果不能得到期望的输出,则转入反向传播过程,将误差值逐层反向传送,并修正各层连接权值。对于给定的一组训练样本,不断用一个模式训练网络,重复前向传播和误差反向传播过程,直至网络输出误差小于给定值为止。BP算法沿着梯度的反方向改变权值和偏差。定义误差函数为：

$E=\frac{1}{2N}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{(y\left(t\right)-y_d\left(t\right))}^2$

其中，N为训练样本数，y(t)为t时刻BP神经网络输出，y_d(t)为t时刻期望输出值。

用BP算法训练网络时，调整网络的连接权值，其调整表达式为：

$w(t+1)=w\left(t\right)+\mathrm{\η}\frac{\∂E\left(t\right)}{\∂w\left(t\right)}$

其中，w(t)为t时刻的神经网络的连接权值，w(t+1)为(t+1)时刻神经网络的连接权值，E(t)为t时刻神经网络的均方误差，η学习速率。

误差反传的BP算法是一个较为简单且实用的学习算法，标准的BP算法通常学习收敛速度较慢，而且容易陷入局部最小。

下面介绍本发明的超声波动态液位检测方法，如图1所示，本发明提出了一种基于神经网络的超声波动态液位检测方法，包括：

本发明实施例中采用三个超声传感器组成的阵列对动态液位进行监测，传感器阵列布设如图1所示。其中O为容器底部中心位置，A、B、C为三个超声波传感器的探头，a、b、c为和超声波传感器A、B、C所对应的液面反射点。

本发明实施了中的超声波动态液位检测的***如图2所示，包括了单片机、调理电路和三个超声波传感器A、B、C。其中单片机可以是AT89S52单片机，用于控制和处理超声波动态液位检测。调理电路包括了超声波发射电路、超声波接收前置放大电路、超声波接收信号放大电路、超声波接收检波电路、超声波接收比较电路和单片机***电路六部分组成，具体的：超声波发射电路用于产生脉冲超声波，由单片机控制实现三路同时发射信号，产生与超声波传感器探头频率相近的高压脉冲，激励超声传感器同时发射脉冲超声波；超声波接收前置放大电路由电荷放大器组成，实现与超声接收换能器的阻抗匹配；超声波接收信号放大电路由两级反相放大器组成，实现对微弱超声回波信号的放大；超声波接收检波电路由二极管峰值包络检波电路组成，实现对高频输入信号的包络检波；超声波接收比较电路将经包络检波电路检波后的脉冲信号和***设置的参考电压进行比较，比较器将输出数字信号1或0，比较器的输出信号经反相器反向后送给单片机的外部中断控制口P3.2；单片机***电路由晶振电路、复位电路、液晶显示电路组成，共同构成动态液位检测的核心控制部分。

上述基于神经网络的超声波动态液位检测方法原理如下：检测时，三个超声波传感器A、B、C同时发射脉冲超声波，但由于三个超声波传感器的探头所对应的液位高度不同，所以，每个超声传感器接收到的回波时刻也不同，根据每个超声波传感器接收到的回波信号可以分别计算得到这三个探头的声波信号来回所用时间，然后计算得到每一个超声波传感器的探头所对应的液位高度，并选取这三个探头离液面的液位高度的平均值与晃动梯度作为特征参数，用以训练BP神经网络，得到动态液位的数学模型，然后将该模型应用于实时动态液位的监测中。由于三个探头分别布置于以容器底部中心为原点三个象限内，无论液体怎样晃动，三个探头测量的液位总有一个最大值和最小值，而最大值与最小值之差即可确定液体的晃动梯度。

具体的基于神经网络的超声波动态液位检测过程如下：

步骤1：单片机利用超声波发射电路向三个超声波传感器发送控制信号，同时启动定时器开始计时和激励三路超声波发射电路产生脉冲超声波；

步骤2：超声波遇液面后反射，三个超声波传感器分别接收到反射后的回波信号后，并将回波信号转化为电压信号，并将该电压信号发送到前置放大电路；

步骤3：前置放大电路接收了电压信号后，经前置放大电路放大后的电压信号发送给超声波接收检波电路，实现对高频输入信号的包络检波；

步骤4：将经包络检波电路检波后的电压信号发送给接收比较电路，接收比较电路将经包络检波电路检波后的电压信号和***设置的参考电压进行比较，根据比较结果输出数字信号，并将输出信号经反相器反向后送给单片机的外部中断控制口，外部中断控制口设为跳变触发，当外部中断控制口接收到有效下降沿后，单片机产生中断,记录当前时刻的定时器值，单片机中断三次后定时器停止计时；

步骤5：通过计算三次记录的定时器值的平均值和晃动梯度，其中晃动梯度为三次测得时最大值与最小值的差值，将平均值和晃动梯度作为神经网络所需的输入参量，将这两个参量发送给已训练好的神经网络数学模型，并获得经神经网络的输出值，输出值为当前时刻的液位值。然后不断循环上述过程，***便能实现对晃动液体进行实时动态地监测。本***也可实现对静态液位的监测。静态液体晃动梯度小，接近为零，此时取三点测量的平均值作为静态液位值。

在本发明具体实施例中，优选的，超声波传感器均采用收发一体式，探头频率为1MHz。在实验室条件下，用手晃动铁罐中的水模拟液体在运输过程中的晃动，图3为实验中测得的三个超声波探头测量晃动液体时的不同回波信号，其中（a）、（b）、（c）分别为传感器A、B、C测得的回波信号。实施时，将液位从2cm到50cm测得的100组数据作为训练样本，在该范围内抽取十组数据作为测试样本。

本发明实施例中的BP神经网络有两个输入参量，一个输出参量，则将BP网络的输入层设为2个神经元，隐含层设为一层，输出层为1个神经元。实施时设定神经网络的均方误差为1×10^-5，学习速率为0.05，最大训练步数为500。通过实验可知当隐含层神经元个数为8时，训练次数最少，因此，选择2×8×1的网络进行训练。网络隐含层的传递函数为tansig，输出层为purelin。为使网络能够快速收敛，采用Levenberg-Marquardt的学习算法。由图4可知，网络经过90次训练后，网络的均方误差满足设计要求，网络停止训练。

将10组测试样本输入训练好的BP神经网络，测试结果如图5所示。由图5可知，测试样本的总体相对误差较小，网络输出的准确性较高，且输出结果稳定。虽然网络训练时需要一定的时间，但网络训练好后，实际应用时所需时间极短，***完全可以实现对动态液位进行监测。

Claims (7)

1.一种基于神经网络的超声波动态液位检测方法，其特征在于，包括：

步骤1：单片机利用超声波发射电路向三个超声波传感器发送控制信号，同时启动定时器开始计时和激励三路超声波发射电路产生脉冲超声波；

步骤2：超声波遇液面后反射，三个超声波传感器分别接收到反射后的回波信号后，并将回波信号转化为电压信号，并将该电压信号发送到前置放大电路；

步骤3：前置放大电路接收了电压信号后，经前置放大电路放大后的电压信号发送给超声波接收检波电路，实现对高频输入信号的包络检波；

步骤4：将经包络检波电路检波后的电压信号发送给接收比较电路，接收比较电路将经包络检波电路检波后的电压信号和***设置的参考电压进行比较，根据比较结果输出数字信号，并将输出信号经反相器反向后送给单片机的外部中断控制口，外部中断控制口设为跳变触发，当外部中断控制口接收到有效下降沿后，单片机产生中断，记录当前时刻的定时器值，单片机中断三次后定时器停止计时；

步骤5：通过计算三次记录的定时器值的平均值和晃动梯度，其中晃动梯度为三次测得时液位最大值与最小值的差值，将平均值和晃动梯度作为神经网络所需的输入参量，将这两个参量发送给已训练好的神经网络数学模型，并获得经神经网络的输出值，输出值为当前时刻的液位值。

2.如权利要求1的方法，其特征在于，神经网络的数学模型的误差函数为：

其中，N为训练样本数，y(t)为t时刻BP神经网络输出，y_d(t)为t时刻期望输出值；用BP算法训练神经网络时，调整网络的连接权值，其调整表达式为：

其中，w(t)为t时刻的神经网络的连接权值，w(t+1)为t+1时刻神经网络的连接权值，E(t)为t时刻神经网络的均方误差，η为学习速率。

3.如权利要求1的方法，其特征在于，采用三个超声波传感器组成阵列结构，同步激励发射脉冲超声波，利用定长时窗内接收的回波信号包络提取瞬时液面反射点的时延信息。

4.一种基于神经网络的超声波动态液位检测***，其特征在于，包括：单片机、调理电路和三个超声波传感器；

其中，单片机用于加载神经网络的数学模型，基于神经网络的数学模型控制和处理超声波动态液位检测；调理电路包括超声波发射电路、超声波接收前置放大电路、超声波接收信号放大电路、超声波接收检波电路、超声波接收比较电路和单片机***电路六部分组成，超声波发射电路用于产生脉冲超声波，由单片机控制实现三路同时发射信号，产生与超声波传感器探头频率相近的高压脉冲，激励超声传感器同时发射脉冲超声波；超声波接收前置放大电路由电荷放大器组成，实现与超声接收换能器的阻抗匹配；超声波接收信号放大电路由两级反相放大器组成，实现对微弱超声回波电压信号的放大；超声波接收检波电路由二极管峰值包络检波电路组成，实现对高频输入电压信号的包络检波；超声波接收比较电路将经包络检波电路检波后的电压信号和***设置的参考电压进行比较，根据比较结果输出数字信号，并将输出信号经反相器反向后送给单片机的外部中断控制口，外部中断控制口设为跳变触发，当外部中断控制口接收到有效下降沿后，单片机产生中断，记录当前时刻的定时器值，单片机中断三次后定时器停止计时；单片机***电路由晶振电路、复位电路、液晶显示电路组成，共同构成动态液位检测的核心控制部分。

5.如权利要求4的***，其特征在于，神经网络的数学模型的误差函数为：

其中，N为训练样本数，y(t)为t时刻BP神经网络输出，y_d(t)为t时刻期望输出值；

用BP算法训练神经网络时，调整网络的连接权值，其调整表达式为：

其中，w(t)为t时刻的神经网络的连接权值，w(t+1)为t+1时刻神经网络的连接权值，E(t)为t时刻神经网络的均方误差，η为学习速率。

6.如权利要求4的***，其特征在于，采用三个超声波传感器组成阵列结构，同步激励发射脉冲超声波，利用定长时窗内接收的回波信号包络提取瞬时液面反射点的时延信息。

7.如权利要求4的***，其特征在于，单片机是AT89S52单片机。