CN115427769A

CN115427769A - 大致水平管道中的流动固体物质的流量估算

Info

Publication number: CN115427769A
Application number: CN202180028859.1A
Authority: CN
Inventors: 马塞琳·拉格特·楚帕德; 凯西·米切尔·福西思
Original assignee: Fluid Supply Co ltd
Current assignee: Fluid Supply Co ltd
Priority date: 2020-02-26
Filing date: 2021-02-25
Publication date: 2022-12-02
Also published as: EP4111141A1; MX2022010482A; EP4111141A4; US20210262845A1; CA3149327A1; WO2021168568A1; BR112022017063A2; US11650090B2; CA3149327C; AU2021227729A1; AU2021227729B2

Abstract

提供了一种用于估计大致水平管道中流动固体物质的流量的设备，该管道具有可移动的输送元件，例如管道中的螺旋钻，用于沿管道输送物质，包括安装在管道中的管道上部的距离传感器且布置成检测管道下部物质与传感器之间的距离。提供另一个传感器以通过例如检测螺旋钻叶片的金属来检测输送元件的移动速度。来自传感器的输出被馈送到控制***，用于随着时间的推移分析来自传感器的输出信号以提供流量的估计。传感器可以安装在加压外壳中，以防止灰尘通过传感器的开口逸出。

Description

大致水平管道中的流动固体物质的流量估算

技术领域

本申请涉及一种间接测量非垂直管道中的液体物质的流量的方法。

背景技术

到目前为止，饲料是集约化畜牧生产中最重要的一笔开支，通常占总生产成本的60％至70％。然而，在现代商业畜牧生产中，饲料仍然是整个过程中最不可测的项目之一。这使得产生过程中的各个领域的效率大大降低。例如，缺乏有关饲料库存管理的此类数据通常会给人们带来以下挑战：饲料中断，紧急运送饲料产生的费用高昂，出清存货时发现有未用完的饲料，饲料交付时间表不统一，以及其他挑战。具有高度准确、近乎实时的饲料使用数据，而不是使用仅在生长周期完成后才可获得的数月前的饲料使用数据的当前规范，对于实施主动调整喂养计划、环境和其他关键生产输入起着至关重要的作用。也可直接受益于高度准确、近乎实时的饲料使用数据的高度可用性的其它领域有加强动物生产性能分析和规划、更快地发现动物健康问题以及在农场而不是在饲料厂应用微量营养素(例如酶、益生菌、抗氧化剂等)，除此之外，还有其它很多领域。

目前监测饲料消耗的方法主要基于经验、历史数据和使用来自历史饲料订单的信息和给定谷仓中动物库存知识的近似值。另一种常见的方法是通过使用昂贵的称重传感器来监测料仓中的饲料消失情况。

因此，需要一种低成本的解决方案，能够高精度地近乎实时测量流动固体物质的流量，特别是在商业畜牧业的常见环境中的流动固体物质的流量。

发明内容

根据本发明，提供了一种用于估计大致水平管道中流动固体物质的流量的设备，该管道在管道中具有可移动的输送元件，用于沿管道输送物质，该设备包括：

多个距离传感器，安装在管道上部，用于检测管道下部物质与传感器的距离；

和一个控制***，用于随着时间的推移分析来自传感器的输出信号以提供流量的估计值。

本文公开的布置可以使用范围检测传感器确定管道中流动固体物质的流量。检测物质与传感器之间距离的传感器放置在管道顶部，并指向管道的内底。当检测到传感器下方的可移动元件(例如螺旋钻或圆盘)时，从范围检测传感器读取值，估计流动固体物质在管道内移动的速度；否则，读取值由管道中饲料的高度推算得到。

可选地，提供传感器设备，其检测使用管道中的移动元件的进料***的移动速度。可以使用对移动元件作出反应的特定或分离的传感器来更高精度地完成这一点。这可以优选地通过使用用于金属螺旋钻的金属检测传感器来实现。然而，其他***可以使用连接到发动机轴的旋转/运动传感器、加速度计等。使用传感器阵列可以提供更准确的读数，降低信噪比(SNR)并显示异常值。传感器由微控制器驱动。用于来自传感器的数据的几种算法以固定的时间间隔输出通过管道的流动固体物质的量。

获取数据并确定管道中流动固体流量的方法/过程包括以下步骤：

--距离/范围传感器连续采集数据。

--可选的专用传感器检测输送元件的速度。

--从传感器中提取数据。将提取的数据标记为原始数据，并且已经通过特定的数据提取算法进行了预处理。

--校准数据用于提取。

--将原始数据放入存储缓冲区。

--通过存储缓冲区中的流量确定算法对该数据进行处理。

--配置数据用于细化流量算法的结果。

所述各自独立且组合在一起的流量预测方法可以应用如下：

--可以测量流动固体物质，其中流动物质描述为干燥的固体颗粒物质或能够流动的粉末。这种可流动物质的例子可以包括但不限于动物饲料、谷物、种子、塑料颗粒、干水泥、面粉等。

本文所述的布置是针对特定应用开发的，该特定应用指的是测量自动牲畜饲养***的管道中球状和糊状形式的饲料类型的饲料流量。然而，可以使用本文中的***测量其他物质，并且粒度不会影响本文中描述的布置的适用性。如果该布置应用于非常小的颗粒，则可能需要一些调整，特别是对机器学习(ML)算法进行调整并且可能对本文所述的布置的防尘组件进行一些调整。

流动固体物质的流量可以用升.秒^-1(Liters.s^-1)或千克.秒^-1(Kg.s^-1)表示。处理器配置为根据管道中流动物质的速度和容积计算流动固体物质的重量和/或容积。流动物质的容积以升为单位计算，并且可以使用物质的密度转换为重量(千克[kg])。处理器还可针对所测量的流动物质的温度/湿度与标准化或参考值的任何变化来调整流动物质的体积(例如，通过调整流体的密度和粘度)。测量物质的质量和重量在文档中可互换使用，并与密度相关联。

本文的布置可用于任何非垂直封闭管道中，其中流动物质通过重力以外的方式移动并且不适用于垂直应用中的自由落体物质。

本文的布置可用于动物饲料由传送带移动的情况，但不限于通常用于商业牲畜生产的自动化动物进料***中的典型传送带。这种进料***通常具有可在饲料管道内移动以用于输送饲料的输送元件，以及沿进料管道的路径以一定间隔间隔开的多个落下式进料器。通常，进料导管是封闭的、不透明的柔性进料管(例如由聚氯乙烯(PVC)制成)。容纳在进料管道中的可移动输送元件通常是无心螺旋螺旋钻，其可以是旋转驱动的或轴向驱动的，通过具有输出轴的电动机沿一个方向将饲料输送通过管。

该***适用于由任何材料制成的管道和可移动的机械元件，也适用于在流体物质通过压力移动的应用中。需要对软件算法进行一些调整，特别是对于距离检测传感器的软件算法进行一些调整，以解决这些变化，但是，总体概念仍然适用。

在本文中进一步描述的可选和优选实施例是指在自动动物饲喂***的管道中饲料流量测量的应用。

传感器直接安装在饲喂***的管道上，优选地安装在如说明书中进一步建议的谷仓外壳中，特别是安装在任何数量的所需位置处的进料管道上。没有任何元件放置在进料管道内。

基于距离检测传感器，本文描述的布置的当前优选实施方式通常需要在管道中为每个传感器设置一个孔，但是省略这些孔的布置是可能的。目前，孔的直径可以约为1英寸，但直径可以改变。

传感器位于管的顶部，传感器朝下，朝向在管中移动的流动固体物质。如传感器规范中所述，每个包含距离检测传感器的外壳与另一个此类外壳相距100mm的最小距离，避免其封闭传感器之间形成串扰。

在第二种布置中，检测可以基于代替距离传感器的振动传感器。振动传感器可以安装在管的外侧，因此不需要任何孔。传感器与优选在外壳中的管道接触，如接下来进一步所述。

附图说明

现在将结合附图描述本发明的实施例，其中：

图1是根据本发明的方法的第一实施例的概述的示意图。

图2是图1方法的数据处理示意图。

图3是图1方法的流量预测过程概述的示意图。

图4是图1方法的距离检测采集和提取方案的示意图。

图5是图1方法的流量算法管道示意图。

图6是图5中旋转内存缓冲区更新过程的示意图。

图7是图5方法的算法配置过程概述的示意图。

图8是图5方法从采集转换为原始数据的数据转换示意图。

图9是用于图5方法的校准盒的等距图。

图10是图1方法的原始数据的理想分布的示意图。

图11是与图10的原始数据的理想轮廓对比的未校准轮廓示例的示意图。

图12是图1方法的距离检测传感器外壳的示意图。

图13是图12外壳内优选传感器放置的第一实施例的示意图。

图14是图12外壳内优选传感器放置的第二实施例的示意图。

图15是根据本发明的方法的第二实施例的概述的示意图。

图16是图15的方法的整体数据流概述的示意图。

图17是图15的方法的流量估计过程的示意图。

图18是图15的方法的换能器数据提取的示意图。

图19是图1和15的组合方法的三阶段算法的概述流程图。

图20是图20算法的评分阶段的概述。

图21是图算法的混合阶段概述。

图22是图算法的投票阶段概述。

在附图中，相同的附图标记表示不同附图中的对应部件。

具体实施方式

如图1所示，本文所述的公开布置由以下组件组成。

实施例10包括商用距离传感器12，优选地是基于短距离基于光的传感器，其使用飞行时间(Time of Flight)方法来获得精确测量。这可以是这种类型的商用激光雷达传感器。可以使用其他距离检测传感器，如超声波传感器，但由于其技术限制，其精度可能会大大降低。传感器安装在包含可流动固体物质20的管道181上，该可流动固体物质20通常是颗粒状，例如动物饲料，并由输送构件，例如螺旋钻翼板24，通过管道进料。管道通常是水平的，即管道足够接近水平，即物质滑落到管道的底表面181而不是停留在翼板上。

优选地，为传感器阵列提供一组三个传感器12，但数量可以变化。

数据处理模块22可以使用诸如围绕ESP8266构建的商业主计算机板。

该阵列安装在外壳14中，外壳14的特征在于具有防尘设备，例如，如下文所述使用的商用鼓风机。

其他可选的实施方式可以包括应用防尘玻璃板、将距离范围检测传感器安装在振动板上等。可以用另一种功耗更低、尺寸更小的解决方案来代替鼓风机。

通信模块16包括允许使用公知的通信协议与其他计算机通信的电子组件，这些通信协议包括但不限于WiFi、蓝牙、Zigbee和以太网。

通信模块使用的数据处理的可选实现如图2所示。

可以设置带或不带显示器的外部设备，用于报告/使用***的输出。例如，控制饲料分配、饲料输送***等的计算机或外部***18。

外部存储设备可以用作外部***设备或任何常用的商业在线存储***。

可以通过标准的工业通信设备和协议提供通信。

可以添加其他传感器来监控环境参数，包括环境湿度、温度、压力、光流量等。来自这些传感器的数据用于改进或细化饲料流量预测或距离范围传感器和/或音频传感器阵列的读数。可选地，这些传感器可以添加到主外壳或另一个外壳中，通过无线通道进行通信。收集自这些附加传感器的数据在如下文所述的饲料流预测过程中与原始范围和/或音频数据并行处理，以进行流量估计过程。

可以提供设备26来评估饲料的密度、形状和整体质量。

可以设置传感器来测量物质的成分(即密度、流动性、粘性、粘度)，以改进和/或自动化传感器配置并提高流量预测精度。

自定义硬件设备(主计算机板或MCB)上的数据处理模块22可以使用专门制造的处理单元(CPU、MCU等)用于应用程序，例如现场可编程门阵列(FPGA)芯片，专门为本文描述的设备编程和/或ARM4xx或相关的MCU，其通常用于薄型设备。这种实施方式将导致电力消耗更低、CPU效率更高以及总体成本降低。

本文的方法包括如下所述的多个步骤。步骤1a和1b(可选)、2a和2b(可选)并行运行。

步骤1a：距离检测传感器数据采集

距离检测传感器12测量光学组件的组合与特定方向上的目标之间的距离。将传感器安装在传感器外壳上，可以获取距离检测数据。

优选地，校准距离检测传感器以获得具有最高信噪比(SNR)的最精确数据，用于距离传感器外壳的特定应用。校准过程如下所述

步骤1b：金属检测采集

该可选步骤提供了另一个传感器28，该传感器检测进料管道181内的螺旋钻的运动。所获得的数据表示金属检测传感器和螺旋钻叶片24之间的距离。随着时间的推移，随着螺旋钻24的旋转，信号改变并且可以描述为一个波形。

步骤2a：距离检测数据提取

距离传感器使用任何通信协议连接到MCB。设置采集刷新率是为了获得足够的数据来过滤由传感器目标或传感器本身引起的噪声或任何其他伪影。优选的采集刷新率为每个距离传感器每秒30次读取。可选地，每个传感器由外部时钟同步，以便具有相同的刷新率和时间戳。

MCB是一个非常低调的组件。它的内存非常有限，每个来自传感器的新值都会使用双缓冲方法替换之前的值。MCB对传感器获取的数据执行特定算法，然后将其存储到内存中以供后续步骤使用。该数据称为原始数据。下文将会对该算法进行描述。

MCB的内存是有限的，所以存储的原始数据量是根据这个限制来定义的。分配的内存在步骤1和2中的进程之间共享。

步骤2b：线性螺旋钻速度提取

该可选步骤使用能够使用从金属检测传感器28获取的波形信号的算法。该算法将该波形转换成线速度，表示螺旋钻24施加到管道中的饲料的速度。此外，该线速度可用于在进料***打开、螺旋钻旋转时或螺旋钻不旋转时关闭的情况之间进行分段。

在此过程之后仅保持线速度，并将其附加到步骤2a中提取的数据，以最大限度地减少使用的MCB内存量。

步骤3：校准数据

校准数据用于从距离检测传感器获取的值中提取距离数据。下文会结合校准对获得该数据的方法进行说明。

步骤4：原始数据

原始数据由步骤1和2中所述的提取和采集过程发布。该数据表示由时间戳索引的由距离检测传感器感应到的距离。

由于MCB的内存量非常有限，因此这些数据被组织为一个旋转缓冲区。在本文所述的布置中实现了用于内存管理和优化的特定设计。如果未使用的数据已被新数据替换，内存管理器可以告诉步骤5中描述的进程。内存管理器可以更改访问原始数据的进程的优先级(即步骤2和5)，以平衡数据刷新(步骤2)和饲料流算法数据消耗(步骤5)之间的延迟稳定性。内存管理器还使用来自步骤5的反馈以通过删除最近处理的数据来释放内存。

为了解决MCB内存限制，此内存段还可以包含由步骤5处理的中间值。尽管此数据在技术上已被更改，但仍称为原始数据。

步骤5：流量算法

流量算法(FRA)由多种算法组成。他们被组织在一个贪吃的管道中。在贪吃的管道中，每一个更深的步骤都不必等到该步骤完成数据块的处理之后再进行。一旦数据被标记为已处理，无论整个数据块的状态如何，更深的步骤都可以开始处理较少深度运行的步骤使用的数据。

FRA可以操作由内存管理器分配的MCB的内存。FRA流程保证它创建的非原始数据取代了已经使用的原始数据。此非原始数据由FRA管道使用的临时值组成。FRA保证临时值的大小不会超过为生成它而消耗的数据的大小。当临时值的大小小于消耗数据的大小时，内存管理器就会知道可用内存。

每个距离检测传感器需要一个FRA管道(可选地，每个距离和速度检测传感器对需要一个FRA管道)。每个管道的输出值被传递到全局卡尔曼滤波器式过程。卡尔曼滤波器用于减少处理值的不确定性。每个FRA管道输出值用作另一个FRA管道输出值的真值观测值。

FRA的概述如图5所示，其中使用了饲料流量的示例。

括号中指示的每个方法是本文描述的布置中的优选实施方式。替代实施方式可以使用不同的方法和/或跳过和/或交换FRA中的某些步骤。此类修改可能会导致更快的FRA过程，但有些可能会导致准确性降低。贪婪管道在旋转内存缓冲区上前进的方式如图6所示。请注意，管道中的每个步骤都可能修改原始数据并从中释放一些内存。

步骤6：流量预测

在步骤5中计算的流量预测带有时间戳。将该值放置在双缓冲存储器中。它可以由外部组件检索，如下面的可选步骤中指定的那样。该值以Kg.second^-1或Liters.second^-1表示饲料流量。输出值在其附加的时间戳和下一个输出值的时间戳之间有效。

可选步骤

可选地，在外部报告/监测***中，计算的饲料流量值(如步骤6中所定义)可以进一步传送到具有或不具有视觉显示器的外部报告或监测***18中。

外部存储器

可选地，本文所述的布置可以提供输出的饲料流量值(如步骤6中所定义)以供储存和将来使用。存储器可以是用于这里描述的布置的本地设备设置或任何传统的商业在线存储***。

可选地，为了提高流量计算的准确性，FRA可以在***开始之前现场配置，可以将开始测量流量作为首次运行。第一次配置运行将确定FRA将集成到流量计算中的参数。图7提供了本文描述的布置的首次运行期间在现场进行的配置过程的概述。

图7中的步骤1至6如上文在流量估算过程中所述。步骤7到9基于称为自动编码器过程的过程。特别是，步骤7跟踪流量算法的真值和输出值的变化。该过程将真值映射到将映射编码为函数的流量值。步骤8中的值代表流量的真值。该值可以来自定称，该定称流经流过管道的流动固体物质的测量重量，以提供已通过管道的流动固体物质的总已知重量或容积。

可用于配置***的真值数量没有限制。如果真值以容积表示，则需要将测量了流量的流动的固体物质的密度输入***以将容积转换为重量。

在函数中编码的映射参数被传回FRA。***可以判断它何时有足够的数据来保证编码值足够精确以结束配置步骤。

一种算法用于提取来自一个距离检测传感器的数据，并应用于本文所述的流量估计过程的步骤1和2。输入数据称为距离数据(DD)，输出数据称为原始数据(RD)。距离范围传感器数据提取算法使用校准数据连续计算来自DD的RD数据，如关于校准中进一步描述。图8说明了数据如何从采集转换为原始数据。该校正数据将是流量预测过程的步骤5使用的原始数据。

FRA用于流量预测过程的步骤5。当前实施的FRA管道有六个步骤的深度。每一步都会修改下个步骤的原始数据。每个步骤都保证使用的内存量在任何进程中都不会增加。FRA考虑带时间戳的数据的分隔块，并且每个步骤都按其时间戳的顺序处理数据。每个块中的每个单独的数据块都被认为是独立的，即使对于使用整个数据块的FRA步骤也是如此。这允许每个步骤将数据标记为准备好进行下一个更深的步骤，即使当前步骤仍在使用数据块。目标是使活动管道尽可能短，以便为新的原始数据获得尽可能多的空闲内存。

参考图5，第一个去噪滤波器I用作原始数据的第一个去噪通道，它消除了微不足道的中高频噪声和伪影，并且还用于随着时间的推移对数据进行插值以提高原始数据分辨率。可选地，如果实施使用金属检测传感器数据提取作为步骤Ib，则可以将此步骤重命名为Ia。

可选地，金属检测传感器数据提取Ib可以与步骤Ia并行使用。步骤Ib使用来自金属检测传感器的数据来确定螺旋钻的线性速度。

类包络滤波器消除了由穿过管道IIa的螺旋钻造成的正弦伪影。在消除该伪影的同时，螺旋钻的速度也被确定为IIb。可选地，实施方式可以融合第一去噪滤波器I和类包络滤波器IIa。

可选地，步骤IIb可以使用来自专用传感器的数据来确定螺旋钻速度，在这种情况下，步骤IIb不存在并且由步骤Ib代替。它可以在步骤IV之前的任何时间运行。

第二个去噪滤波器III去除滤波器可能在包络信号上产生的高频噪声。

考虑到流过管道的流动固体物质的速度是螺旋钻速度的直接导数，因此需要流动固体物质的速度补偿IV，该滤波器使用来自IIb的输出，在步骤IIb不存在的情况下可以使用Ib的输出，以补偿步骤III输出的值。

流动分割V将数据分割成两种状态：流动或不流动的固体物质。此方法同时使用步骤(IV)和(IIb，可选Ib)输出值。具有非流动状态的流动固体物质禁止***将背景噪声视为最小恒定流动固体物质流。在这种情况下，流量设置为0。

体积管道映射(VI)使用流过管道的饲料的3D建模将2D数据转换为来自V的时间戳输出，即高度到尺寸为mm³的体积。该体积是在两个带时间戳的2D值之间通过距离检测传感器下方的体积，如步骤V所示。然后，使用如步骤IIa所示的速度，可选地IIb所示的速度将该体积被转换为流量，以mm³.s^-1表示，如果可用，将流动固体物质密度和粘度应用于流量将给出Kg.s^-1。

卡尔曼滤波器是一种标准滤波器，用于减少使用先前值和其他FRA管道值输出的FRA计算值的不确定性。

优选地，校准每个距离检测传感器以校正它们的固有误差，该固有误差可能导致在某些范围内的距离的错误表示。具体而言，为了能够重新创建准确的结果，需要校准用于该实施例的每个距离范围传感器以匹配任意理想轮廓。

图9的校准盒由优选直径为3英寸的进料管段32组成，管道的顶部切割有25mm宽的狭缝33，将螺旋钻/叶片和饲料20的样品放入校准盒中。校准盒应该有适合各种饲料水平的部分，而放入其中的饲料量并不重要。在校准盒中，螺旋钻或饲料并没有移动。优选地，用于校准盒的管道、螺旋钻和饲料应尽可能靠近将要进行测量的操作环境中使用的那些。

图9中描绘的校准盒是用于***测试的一种可能实现方式。可能存在多种实现方式，目标是在瞄准螺旋钻、管道和流动固体物质的各种高度时校正传感器的缺陷。可选地，校准过程可以针对同一传感器运行多次，一次将各种类型的饲料放入校准盒中，以提高距离传感器数据采集的准确性。

在校准盒中使用不同的进料高度，可以为原始数据创建理想的轮廓。此轮廓表示距离范围传感器和校准盒内的物质之间沿距离范围传感器的轴移动的距离。

图10显示了与图9中所示的可选校准盒实现的侧视图相匹配的理想轮廓的示例。未校准的距离范围传感器放置在校准盒的开口顶部。传感器通过电机从一侧滑动到另一侧，以确保平稳行进。在传感器滑动期间捕获来自传感器的数据。传感器的线速度应与测量的流动固体物质通过管道的速度相匹配。使用已知轮廓和测量的未校准轮廓之间的差异计算校准转换。将未校准的数据放入此转换中，返回的数据看起来更像理想数据，如图11所示。

校准盒还用于为距离传感器找到正确的配置，包括刷新率、阈值等，从而提高距离检测传感器外壳中每个传感器的稳定性和准确性。

距离检测传感器外壳的优选实施例集成了三个距离检测传感器，它们瞄准在管道中以不同角度和/或距离移动的流动固体物质，如本节进一步所述。替代外壳设计允许多于或少于三个距离检测传感器。它们都从不同的角度和/或距离和/或位置瞄准管道中的饲料或移动机械元件。可选地，该实施例可以包括一个或多个传送带速度检测传感器。

外壳的一个实施例如图12所示，它包括一个鼓风机36，鼓风机36的设置的方式是在外壳14中产生一个过压区域。过压通过距离检测传感器阵列孔38和40排到管道中。由此产生的气流不会影响管道中物质的流动，并防止物质流动产生的灰尘进入外壳。

作为一种选择，传感器阵列可以包括一个或多个速度检测传感器28，用于确定移动机械元件的线速度。

为了产生加压区域，外壳14由气密的任何物质制成。外壳在其组件周围尽可能小，以尽可能快且尽可能稳定地创建加压区域。

由于距离检测传感器需要其光束返回传感器，因此需要在管道中钻孔。为了防止饲料从管道里掉出来，在进料管的顶部钻了孔。孔38和40优选地足够小以在需要移除范围检测外壳的情况下被覆盖。

图13中的121、122和123示出了外壳内的三个距离检测传感器12的优选放置位置。优选地，当距离检测传感器122和123未垂直对齐时，示出的距离检测传感器122和123的分析光束124的角度在30°和45°之间。如图所示，传感器121和传感器123之间的最小间距为10mm。121和122之间的距离由它们之间的管段决定。

每个传感器具有多个角度和位置有利于如上文在流量检测过程中描述的流量算法中使用的卡尔曼滤波器的准确性。

替代放置可以改变一个或多个传感器的角度和/或位置，如图14所示，或者调整为更大或更小数量的距离检测传感器或任何类型的环境传感器。

如图15中公开的，可以获得用于本发明的附加信息，并且附加信息由以下组件组成。

提供了振动传感器42，其可以包括捕获从1Hz到20kHz的频率的任何振动检测器，特别是但不限于记录固体物体而不是空气的振动的商业音频拾音器。一个优选的选项是用于音乐记录的音频拾音器，因为它们被构建为响应该实施例所需的特定频带。或者，可以使用商业压电换能器。

本实施例只需要一个传感器。可选地，可以使用更多传感器来提高预测流量的可靠性。使用商用放大器44来限制信号的失真，同时允许模数转换器(ADC)读取信号。商用ADC用于将模拟信号转换为数字信号以进行音频预处理。

数据处理模块由商业处理单元(MCU、CPU等)组成，类似于智能手机或物联网(IoT)设备中使用的那些，具有预加载的数据和机器学习(ML)算法。优选地，处理单元嵌入所需的ADC。如下所述的自定义软件算法是预加载的ML数据。使用现有技术(SotA)机器学习技术中已知的学习过程构建预加载数据。

外壳有足够的空间来嵌入所有部件，并包括一个支架，可将振动传感器机械耦合到管道，而无需修改检测到的信号。没有任何部件放置在进料***本身的管内。这允许在不干扰数据采集的情况下，使用适当的防尘绝缘来完全防尘本文所述布置的外壳。

连接/通信模块由电子组件提供，电子组件允许使用常规通信协议与其他计算机通信。该实施例可以使用振动传感器通过应用ML方法测量管道中的振动来确定流动固体物质的流量(参见图16)。ML算法必须使用大量数据(数据张量和真实数据)进行训练。在训练时，ML服务将迭代地制作预测模型。在训练步骤结束时，最后发布的预测模型将在其训练数据上输出与真实数据相比误差最小的值。

训练完成后，模型将根据新的输入数据准确预测流量。为了准确，预测模型必须使用相关数据进行训练。为了有关联性，数据必须与它所链接的真实数据相关联。选择由进料***生成的成分频率作为最相关的数据，以建立准确的预测模型。这些振动可以通过放置在进料管上的音频拾音器来获取。

在流量估计过程中，振动换能器阵列不断地采集数据。从振动传感器中提取数据以形成可用的标准波形原始音频文件并将其存储在计算机的存储器中。音频预处理由自定义软件执行，以提取用于ML前向传播的有用功能。音频功能存储在计算机的存储器中。对音频功能执行ML前向传播。

可选地，该过程可以在本地执行。可选地，可以在线处理ML前向传播。使用在线ML前向传播时，ML算法可以是基于不断发展的SotA学习技术的自身的更新版本。此实现需要订阅在线ML服务并与其建立连接。ML预加载模型用于图17中的步骤5。流量预测存储在计算机的存储器中。

可选地，外部监控***可用于报告计算的饲料流量。可选地，饲料流量预测可以在本地存储或在线发布

在机器学习方法中，描述了一种用于机器学习模型训练的方法的实现方式。ML模型在以下过程收集的标记数据上进行训练。标记数据由给定时间窗口的已处理音频数据段和该时间窗口的相应质量流量组成。

这是通过同时收集音频数据和进料源(例如来自称重传感器)的已知绝对重量数据来收集的。重量数据与音频数据同步，基于饲料何时离开储料仓，并且相应的饲料将穿过音频传感器。请注意，该距离原则上可以为零。

使用同步的音频和绝对权重数据，音频数据被分割成块。内插对应音频段的对应权重数据。插值的权重数据段之间的差异被用来近似在那个时间窗口内通过音频传感器所连接的那段管道的质量的量。

这使得能够检索对应于相关时间窗口的质量流量的音频数据段。此数据用作ML模型的训练数据。该模型将了解管道中的振动如何与饲料的质量流量相对应。由于该模型是针对特定时间窗口的学习质量增量进行训练的，因此该模型正在根据管道振动学习通过管道的质量速度。

振动换能器传感器对通过其主体的振动作出反应。优选地，使用音频拾音器，因为它在某些频率范围内具有特定的采集特性。它输出与振动幅度成比例的电信号。输出具有波形的形状。一个音频拾音器，优选是在上章节优选实施例部分以及图12中描述的外壳中的音频拾音器，放置成与管道接触，并且输出波形来自各种相关的振动。

因此，在进料***的情况下，通过***的这种振动可以如下所示：

--相互刮擦的饲料颗粒或捣碎的饲料块的移动而引起的振动。

--螺旋钻在进料管中移动、在进料管和颗粒/捣碎饲料上刮擦引起的振动。

--与螺旋钻连接的电机引起的振动。

这些振动的幅度和频率包含的特性取决于在管道内流动的饲料的类型和成分、数量和速度。所有这些组合振动都由换能器采集并作为波形输出。设置音频拾音器以获得饲料流应用程序的最重要数据。

该过程由一个放大器、一个ADC和一个定制软件组成，请参见图18了解概览。放大器的作用是通过电气方式提高音频拾音器(框1)输出波形的电平(框2)。ADC将放大波形的电模拟值(框3)转换为数字值(框4)。该软件将波形中的数字值(框5)转换为原始音频文件(框6)，适用于内存存储。

这个提取的波形被分成预定义的时间间隔波形。这些间隔足够长，以保证可以提取最低频率。间隔的大小不能太长，以优化图17中步骤4中描述的过程，并保证实时饲料流量预测。

原始音频数据的存储需要大量内存。每个音频样本与时间戳一起存储在内存中。

此步骤涉及应用几个自定义软件算法，旨在从原始音频数据中提取有用的功能。这些功能必须对ML传播有意义，强调观察到的由流量变化引起的音频变化。这些功能还需要具有非常小的内存占用。算法是基于已知技术构建的，这些已知技术例如快速傅里叶变换(FFT)、噪声消除、低通滤波器和与信号处理相关的任何其他音频功能提取算法。

音频功能存储在内存中。ML过程中最重要的音频功能是采集波形的组成频率。这些功能比原始音频数据小(通常是小1000倍)。该数据必须以ML软件可直接使用的张量形式存储。

这是步骤3中描述的张量上的前向传播算法。它输出流量预测。用于前向传播的ML模型是使用附加到已验证流速结果的大量音频功能构建的，如图15所示。前向传播算法可以是业内众所周知的算法，例如***已通过Microsoft Azure机器学习平台成功测试。

可选地，可以使用在线ML前向传播。在这种情况下，本文描述的布置提供无线连接(如ISO 802.11、802.15.4或802.15.1中定义的)或用于将提取的音频功能传输到在线ML服务的有线连接。可能的选项如图2所示。

这表示用于前向传播的预加载(可选在线)ML数据模型。它用于图17中概述的流量估计过程的步骤5。

在步骤5中计算的流量预测带有时间戳。将该值放置在本地双缓冲存储器中。可选地，它可以由外部组件检索，如下所述。

该值以Kg.s^-1或Liters.s^-1表示饲料流量。输出值在其附加的时间戳和下一个输出值的时间戳之间有效。

该实施例包括用于传输计算的饲料流速预测的无线(如但不限于802.11、802.15.4或802.15.1中定义)或有线连接。可能的选项如图2所示。

上述每个独立解决方案都基于不同的技术产生准确的流量预测。基于距离范围传感器的方法使用固体流体物质的高度，以及如果适用的话，管道中螺旋钻的速度，而基于声学传感器的方法使用管道的振动。计算的测量值是相关的，因为它们是从同一管道中的物质流量得出的，但它们是独立获得的。

组合解决方案的结果是***增加了冗余、减少了不确定性并提高了准确性。特别是，结合从每种方法中独立获得的流量结果，将给出一个新的计算饲料流量测量值，该测量值的噪音明显更小且更准确。在这种组合解决方案中使用的传感器组合可以让人们确定流动的流动固体物质的更多特性，例如，其密度、含水量和成分。

有许多方法可用于组合不同的数据源以提高饲料流预测的准确性。标准方法，例如使用卡尔曼滤波器是首选，因为它们不需要大量的计算能力并且已被证明具有非常好的准确性。此外，这些方法非常快，因此能够保持与两种独立布置相同的刷新率。

或者，可以使用众所周知的方法，例如投票***、加权投票***，或使用环境或其他相关数据的任何其他输出值整合方法，以根据其准确性并考虑外部条件和/或饲料类型来提供最佳解决方案。

组合方法使用特定的三阶段算法，通过更加重视可靠的单个传感器输出并排除(例如来自有缺陷的传感器的)异常值来优化结果。

该特定实施例可以概括并且适用于任何数量的声学传感器和激光雷达传感器。描述的优选可选实施例进一步使用两种激光雷达类型和一种声学类型的传感器。

该算法由三个阶段组成，导致最终的精细流量预测。各阶段概述如下：

评分：第一阶段估计每个传感器的每个单独输出的可靠性，这被归类为置信度。该阶段采用从应用于声学和/或距离检测传感器数据的单独过程收集的尽可能多的预测流量。这些以Kg.s^-1或Liters.s^-1表示。此阶段使用来自其先前状态的数据。

混合：混合阶段根据评分阶段的输出以及混合阶段先前迭代的输出计算新的置信度。该阶段将评分阶段的每个预测输出与评分阶段的所有其他预测输出进行比较。这些输出，无论是声学还是激光雷达输出，都将与所有其他传感器输出一起处理。混合阶段输出与两个输入的排列一样多的新预测饲料流量。这些值是在下一阶段用作输入的临时值。

投票：该阶段输出以Kg.s^-1或Liters.s^-1表示的最终精确饲料流量预测。它使用混合阶段的预测和分数。

图19中呈现了概览数据流程图。每个阶段可以包括接下来详细描述的滤波器或子滤波器。每个阶段都将前一个阶段的输出作为输入。

评分阶段为每个传感器预测建立一个置信度分数(参见图20中的块1)。它使用先前的预测来检测异常值。异常值定义为与信号平均值相差三个标准差的值。在我们的例子中，我们考虑实际值和先前值之间的梯度来检测异常值。它使用对饲料流量变化的启发式方法，根据前一个值对任何值进行置信度评分。由于每个传感器都有噪声输出，因此可以使用预先计算的启发式方法来避免过度检测异常值。

混合阶段的输出数据由以下内容组成(声学(A)和距离检测传感器(L1和L2)的结构相同)(参见图20中的块2)：

输出的预测(不变)

附加的置信度分数(新)

在混合阶段，使用的滤波器是卡尔曼滤波器的自定义实现。他们运行两个过程：计算新的预测并为它们计算新的置信度分数。新的置信度分数和预测值链接在一起。图21中的每个K块都是自定义卡尔曼滤波器实现。

·根据K块做出的每个新预测均使用以下输入：预测的饲料流量之一作为理论数据，任何其他预测的流量作为真实数据，以及之前的混合阶段结果作为记忆数据。

·对于来自K块的每个新置信度分数：它们的输入是来自评分阶段的置信度分数和来自前一个状态的分数。置信度分数是指示新预测值的可靠性的值。

输出由两个值组成，一个是以Kg.s^-1或Liters.s^-1表示的预测输出，另一个是置信度分数(参见图21中的块2)。

在投票阶段，输入数据来自混合阶段(参见图22中的块1)。投票机从混合阶段获取所有预测值及其置信度分数，并处理投票算法的变体。置信度分数用作权重，值用作候选。自定义投票算法是首选实现方式，也可以使用其他算法。输出值是以Kg.s^-1或Liters.s^-1表示的最终预测饲料流量。

本文所述的布置独立地和组合地可以提供以下优点中的一个或多个：

--一种可用于商业畜牧业的方法和***，用于高度可重复的流量测量。

--一种可用于提供高精度接近实时测量数据的方法和***。

--一种可以检测进料***何时运行而管道中没有任何流动物质的方法和***。这可能是由于堵塞、***泄漏、空储料仓、进料搭边或许多其他常见情况引起的。

--一种可以在包含大量灰尘在内的恶劣环境条件下使用的方法和***。

--一种低成本且可以用低成本的硬件和电子元件实现的方法和***

--一种非侵入性或侵入性最小、不干扰饲料流动并且通常不接触进料管中的饲料的方法和***

--一种可以很容易地安装在现有和新牲畜农场的进料***上的方法和***。

--一种可用于进料管的任意数量位置的方法和***，以测量整个畜舍、动物群或个体动物

--一种模块化的方法和***，需要最少的维护，并且可以在现场轻松更新且更新成本低(新传感器、新微控制器、新软件)。

--一种嵌入了无线通信能力且可以很容易地与商业畜牧业中使用的其他***集成的方法和***

由于可以对本发明做出上述各种修改，同时也可以对权利要求的精神和范围内的本发明的许多明显不同的实施例做出修改，而不脱离这些精神和范围，因此应将包含在随附的说明书中的所有内容解释为仅是说明性的而不是限制性的。

Claims

1.一种用于估计大致水平管道中流动固体物质的流量的设备，该设备在管道中具有可移动传输元件，用于沿所述管道传输物质，所述设备包括：

多个距离传感器，安装在所述管道上部，用于检测所述管道下部物质与传感器的距离；

和一个控制***，用于随着时间的推移分析来自所述传感器的输出信号以提供流量的估计值。

2.根据权利要求1所述的设备，其特征在于，根据所述管道内移动的流动固体物质的速度的信号获得估计。

3.根据权利要求1或2所述的设备，其特征在于，所述可移动运输元件包括位于所述传感器下方的螺旋钻或盘式进料器。

4.根据前述权利要求中任一项所述的设备，其特征在于，高度信号来源于所述管道中的饲料高度的深度信号。

5.根据前述权利要求中任一项所述的设备，其特征在于，每隔一定时间对通过所述管道的流动固体物质的量的所述深度信号使用多种算法。

6.根据前述权利要求中任一项所述的设备，其特征在于，包络滤波器去除由在所述管道中运行的所述可移动传输元件引起的正弦伪影。

7.根据前述权利要求中任一项所述的设备，其特征在于，提供了用于检测所述可移动运输元件的移动速度的速度检测传感器，所述速率检测传感器还由所述控制***确定并用于所述控制***随时间分析来自所述传感器的输出信号以提供流量的估计。

8.根据前述权利要求中任一项所述的设备，其特征在于，所述速度检测传感器包括传感器，该传感器对沿着所述管道在一位置存在所述可移动输送元件的金属作出反应。

9.根据权利要求8所述的设备，其特征在于，所述流动固体物质的速度补偿通过所述可移动输送元件的速度的直接导数获得。

10.根据前述权利要求中任一项所述的设备，其特征在于，体积管道映射算法将来自所述距离传感器的2D数据转换成体积。

11.根据前述权利要求中任一项所述的设备，其特征在于，所述距离传感器中的每一个安装在传感器外壳中。

12.根据权利要求10所述的设备，其特征在于，提供鼓风机以在所述传感器外壳中形成过压区域。

13.根据权利要求11所述的设备，其特征在于，过压通过所述传感器的孔排到所述管道中，以防止由物质产生的灰尘流入所述传感器外壳。

14.根据前述权利要求中任一项所述的设备，其特征在于，所述距离传感器绕所述管道的轴线以不同角度定位。

15.根据前述权利要求中任一项所述的设备，其特征在于，所述距离传感器布置在沿着所述管道的间隔位置处并且定向成检测沿着所述管道的间隔位置处的所述距离。

16.根据前述权利要求中任一项所述的设备，其特征在于，所述传感器布置在沿着所述管道的间隔位置处并且设置成检测所述管道的共同位置处的所述距离。

17.根据前述权利要求中任一项所述的设备，其特征在于，提供了第二估计***，用于提供与第一估计相比较的流量估计以消除误差。

18.根据权利要求17所述的设备，其特征在于，所述第二估计***使用安装在所述管道上的振动传感器，以便对所述管道中的振动作出反应。

19.根据权利要求18所述的设备，其特征在于，所述振动传感器是压电的。

20.根据前述权利要求中任一项所述的设备，其特征在于，所述第二估计***使用基于实验管道上的校准***的机器学习算法。

21.根据权利要求20所述的设备，其特征在于，所述两个估计***用于三阶段算法，该算法导致最终的细化流量预测。

22.根据权利要求21所述的设备，其特征在于，所述算法包括以下阶段：

评分：数据取自基于振动和距离传感器由单独应用方法产生的输入预测流量，该阶段旨在估计每个传感器的每个单独输出的可靠性并使用其先前状态的数据；混合：将每个预测输出与来自任何传感器，无论是振动还是距离传感器，的任何其他预测输出进行核对，来自任何传感器的预测输出用于针对任何其他传感器，其中该阶段输出的新预测饲料流量与两个输入组合中的两个一样多并且这些值是用作下一阶段输入的临时值。

投票：使用混合阶段的预测和分数输出最终精确饲料流预测。

23.根据权利要求22所述的设备，其特征在于，所述混合阶段使用估算的预测和先前输出的临时预测，并基于估算的预测和先前计算的值来计算新的置信度分数。

24.一种用于供给颗粒物质的设备，包括：

非垂直管道；

可在管道中移动的输送元件，用于将所述颗粒物质输送通过所述管道；

以及如前述权利要求中任一项所述的用于提供流量估计的设备。